开花期是植物从营养生长到生殖生长转变的关键时期,与作物产量息息相关。目前对于开花期的研究,在模式植物拟南芥(Arabidopsis thaliana)中已经鉴定出了众多的基因,多条调控途径也被清楚解析。然而,作为主要粮食作物的玉米,其开花期研究相对滞后,鉴定到的基因较少,影响了玉米产量潜力的进一步开发。由于经典的群体定位的方式费力耗时,因此,本研究拟基于多组学数据利用机器学习的方法批量挖掘玉米开花期候选基因,并利用EMS突变体进行功能验证,其结果如下:1、收集整理了用于机器学习建模的训练数据集和预测数据集,前者包含39个功能已知的开花期相关基因和39个非开花期相关基因,预测数据集是功能信息未知的16564个基因样本。两者的特征数据为转录组、翻译组和蛋白互作组的多维组学生物大数据。2、基于训练数据集构建了6个算法模型,经评估后选取了预测效率较高的Adaboost、Logistic Regression和SVM三个算法模型用于预测开花期基因,3者在整合的多组学数据集上的AUC评分分别为0.86±0.10、0.90±0.03、0.86±0.09;评估算法在不同数据基础上的表现发现整合的多组学数据表现最好,翻译组数据次之,其次是转录组数据,最后是蛋白互作组数据。3、从训练数据集的阳性样本和预测得到的基因中随机挑选了48个突变体基因,最终获得了其中的17个并进行了表型的统计与检验,从中鉴定到5个突变体材料表现出与开花期相关,并且发现预测基因验证率与训练基因的验证率几近相同,分别为30%和28.6%。4、预测到的基因Zm00001d011748,即MADS43,发现其包含有与发育相关的结构域TF＿MADSbox和TF＿Kbox,而该基因的突变体为提前终止型突变,且突变位点就在TF＿MADSbox结构域内。该基因突变型较野生型在抽雄期提前了近5天,在散粉期上提前了近4天。最后对MADS43基因的互作网络分析表明,该基因可能参与一个复杂的与多个发育途径相关的网络影响着开花期。本研究基于多组学数据利用机器学习的方法预测到了一批开花期候选基因,部分基因利用EMS突变体进行了功能验证,证实了该方法的有效性,促进了玉米开花期的研究,为玉米的功能基因挖掘提供了新的方式。