机器学习模型为Micro-Tom非生物胁迫分类提供压力生物标志物

植物胁迫为何与我们的粮食息息相关

番茄等农作物持续面临干旱、土壤盐渍化和重金属污染等严酷环境。这些看不见的压力不仅抑制植物生长，还在变暖的世界中威胁全球粮食产量。本研究使用一种紧凑型番茄品种Micro-Tom和现代机器学习工具，将植物内部的化学信号转化为一种“早期预警系统”，以判断其实际承受的胁迫程度。此类工具未来可能帮助农户在植株出现明显萎蔫或死亡前发现问题。

受压的番茄

研究人员关注三种常见威胁：缺水、过量盐分和镉污染（一种有毒重金属）。在受控条件下栽培Micro-Tom番茄，随后将其暴露于每种胁迫的中度或重度处理下十天，并设立未胁迫的对照组。研究并不只观察叶片泛黄或植株变矮，而是测量叶片内部发生的变化，包括小分子和在细胞受损时响应的保护性酶类。

解读植物的化学信号

当植物遭受胁迫时，会产生不稳定的含氧活性分子，这些分子会损伤细胞膜中的脂质、蛋白质和DNA。研究追踪了与该过程相关的两个关键损伤信号：丙二醛（脂质“氧化生锈”的副产物）和过氧化氢（一种活性氧）。同时，团队测量了一系列天然防御物质——包括酶和小分子——它们有助于抑制这些损伤。其中，氨基酸脯氨酸和超氧化物歧化酶表现为关键因子，在胁迫下显著上升，并与损伤标志物的变化密切相关。

不同胁迫，不同指纹

每种胁迫在叶片中留下了独特的化学指纹。镉暴露引起了最强的损伤信号上升，表明植物难以解毒这种金属。盐分和缺水也会增加氧化性损伤，但模式和程度各异，重度盐胁迫强烈激活了若干保护性酶类。即便在损伤水平相近的情况下，各种防御之间的平衡也发生了变化，显示植物会根据胁迫的类型和强度采取不止一种应对策略。

教机器判定胁迫等级

为了将这些复杂测量转化为可用信息，研究者训练了一个决策树模型——一种简单的基于规则的人工智能形式。他们根据损伤标志物将总体胁迫分为从低到高的四个等级。模型学习哪些内部信号组合最能预测各等级。脯氨酸成为首要“决策点”，超氧化物歧化酶提供了下一个最具信息性的分裂节点。对于胁迫最低和最高的植株，模型的分类高度可靠。在中间情形上模型表现稍弱，因为“低-中等”和“高-中等”胁迫的化学谱有重叠。

从实验台走向智能田间

这项工作表明，番茄自身的化学状态可以被转化为清晰、自动化的胁迫程度评估。尽管需要更多数据和额外信号——例如根部测量或晚期生长阶段的数据——来完善该方法，但研究展示了简单的机器学习模型能够理清植物防御体系的复杂关系。未来，类似工具可支持快速检测或基于传感器的系统，当作物从轻微不适滑向破坏性胁迫时发出警报，进而实现更早更精确的干预以保护产量。

引用: Ribera, L.M., da Silveira Sousa Junior, G., Meneses, M.D. et al. Machine learning model provides stress biomarkers for the classification of abiotic stress in Micro-Tom. Sci Rep 16, 7545 (2026). https://doi.org/10.1038/s41598-026-39117-y

关键词: 植物胁迫, 番茄, 机器学习, 抗氧化剂, 精准农业