南湖新闻网讯（通讯员 张泽宇）在作物育种中，研究人员常通过构建“基因-性状关联网络”来解析基因如何正向或负向调控性状。然而，这些网络中的正负关系复杂交织，传统方法难以准确建模。研究团队提出的CSG（Curriculum representation learning for Signed Graphs）方法，通过让模型“先易后难”地学习，有效解决了符号图中“不平衡三元组”带来的学习困难问题。实验表明，该方法在多个真实数据集上提升了SGNN模型的预测精度，该方法可以用于作物基因-性状关联预测，为作物智能设计育种提供了有效的工具。

近日，华中农业大学棉花遗传改良团队王茂军教授课题组在人工智能期刊Neural Networks发表了题为Enhancing signed graph neural networks through curriculum-based training的研究论文，通过让模型“先易后难”地学习，有效解决了符号图中“不平衡三元组”带来的学习困难问题，并扩展到更复杂的环结构。实验表明，该方法在多个真实数据集上提升了符号图神经网络（SGNN）模型的预测精度，最高可达23.7%，可为复杂性状遗传解析和智能育种提供可靠的工具。

从“随机喂数据”到“有策略地学”：新方法让AI更懂正负关系。当前，SGNN模型在训练时通常将所有边（如“基因A促进性状B”或“基因C抑制性状D”）随机输入，忽视了不同关系的学习难度差异。CSG方法首次提出一种基于结构难度的“课程式训练”策略：通过分析每条边是否属于“不平衡三元组”（如A→B为正、B→C为正、但A→C为负的矛盾结构），为其赋予难度评分，并引导模型先学习简单关系，再逐步处理复杂关系。

“就像教孩子先学加减再学微积分，我们的方法可以让AI先掌握清晰的基因与性状关系，再攻克模糊复杂的调控机制。”论文第一作者张泽宇解释道。在六个真实符号图数据集上验证了CSG的有效性，包括比特币交易信任网络、社交网络中的朋友/敌人关系等，还可以扩展到作物基因-性状关联的数据集。结果显示：在SGCN、SNEA、SDGNN等五种主流SGNN模型上，CSG平均提升AUC指标5%-23.7%，同时降低标准差1.2%-8.4%，显著增强模型稳定性。

华中农业大学信息学院张泽宇副教授为论文的第一作者，王茂军教授和李嘉位博士为论文的共同通讯作者。新西兰奥克兰大学Kaiqi Zhao教授，成都电子科技大学朱晓峰教授，美国伊利诺伊大学芝加哥分校Philip S. Yu教授参与指导了该项研究。该研究获得国家自然科学基金、新疆科技厅重大项目、多模态人工智能系统全国重点实验室开放课题等资助，将为人工智能辅助精准育种提供了新的技术路径。

原文链接：https://doi.org/10.1016/j.neunet.2025.107975

审核人：王茂军