在埃塞俄比亚和马拉维，谷物的营养质量因地理空间而异gydF4y2Ba

在全球范围内，有20多亿人受到一种或多种多国药物的影响，而在撒哈拉以南非洲(SSA)，缺乏这种药物的风险比大多数其他区域更大gydF4y2Ba^{1gydF4y2Ba，gydF4y2Ba2gydF4y2Ba，gydF4y2Ba3.gydF4y2Ba，gydF4y2Ba12gydF4y2Ba}．这些隐性饥饿也被称为“隐性饥饿”，仍然是到2030年实现联合国可持续发展目标2(零饥饿)的主要挑战gydF4y2Ba^12gydF4y2Ba．多国疾病的原因包括微量营养素摄入不足，特别是钙(Ca)、铁(Fe)、碘(I)、硒(Se)、锌(Zn)和维生素A，特别是在饮食以谷物为主以及获得营养丰富的植物和动物食物途径有限的地区gydF4y2Ba^11gydF4y2Ba．大多数谷物本身具有较小的微量营养素浓度，特别是一旦麸皮和胚部分在碾磨过程中被去除gydF4y2Ba^10gydF4y2Ba．谷物还含有大量的抗营养化合物，如植酸盐(肌醇磷酸盐化合物)，抑制人体肠道对钙、铜(Cu)、铁、镁(Mg)和锌的吸收gydF4y2Ba^{2gydF4y2Ba，gydF4y2Ba3.gydF4y2Ba，gydF4y2Ba5gydF4y2Ba，gydF4y2Ba10gydF4y2Ba}．gydF4y2Ba

如果要在粮食系统变化的社会经济和环境驱动因素的背景下制定政策应对措施，就必须估计多国疾病的患病率gydF4y2Ba^6gydF4y2Ba．MNDs的患病率可以从多种证据来源确定。状态的生物标记物，包括血液和其他组织中的微量营养素浓度或酶活性，通常用于评估种群状态gydF4y2Ba^{7gydF4y2Ba，gydF4y2Ba12gydF4y2Ba，gydF4y2Ba13gydF4y2Ba}．然而，建立生物标志物的充分性阈值可能具有挑战性，因为不同人群之间被认为是“健康”的范围存在差异，生理缓冲以及感染和炎症的影响，这些都可能对人体内微量营养素的循环浓度产生短期影响gydF4y2Ba^{7gydF4y2Ba，gydF4y2Ba14gydF4y2Ba}．生物标志物研究也给参与者带来了负担，并为样本的收集、存储和分析带来了技术挑战，特别是在低收入环境中。估计MND风险的补充方法包括从复合膳食分析中测量微量营养素摄入量gydF4y2Ba^15gydF4y2Ba或者，更常见的是，从饮食回忆中估计摄入量gydF4y2Ba^5gydF4y2Ba、家庭食物消费及开支数据gydF4y2Ba^{5gydF4y2Ba，gydF4y2Ba16gydF4y2Ba}食品资产负债表gydF4y2Ba^{1gydF4y2Ba，gydF4y2Ba2gydF4y2Ba，gydF4y2Ba3.gydF4y2Ba}．gydF4y2Ba

要从食物供应和摄入方面估计多国疾病的流行情况，需要关于食物微量营养素组成的可靠数据;在SSA中通常使用国家或国际食品成分表gydF4y2Ba^{2gydF4y2Ba，gydF4y2Ba5gydF4y2Ba}．然而，数据通常仅限于每种食物-营养组合的单一值，因此对于探索微量营养素摄入量的空间驱动因素的价值有限。考虑到小农社区普遍消费当地生产的主食，如谷物，而且各国的食物微量营养素组成各不相同，这是有问题的gydF4y2Ba^{5gydF4y2Ba，gydF4y2Ba17gydF4y2Ba}．gydF4y2Ba

地方粮食组成数据尚未用于估计撒哈拉以南非洲多国疾病的流行情况。尽管在医学地质学和兽医科学领域进行了长期的研究，将人类和牲畜的营养状况与土壤和景观因素联系起来。其中包括关于微量营养素I的研究gydF4y2Ba^18gydF4y2Ba, SegydF4y2Ba^{4gydF4y2Ba，gydF4y2Ba18gydF4y2Ba，gydF4y2Ba19gydF4y2Ba}，钼(Mo)gydF4y2Ba^20.gydF4y2Ba钴(Co)gydF4y2Ba^21gydF4y2Ba．最近报告了乌干达9个地区主要作物Ca、Fe、Se和Zn浓度的显著变化，其中一些变化与土壤特性有关gydF4y2Ba^17gydF4y2Ba．最近有证据表明，谷物硒浓度的远距离地理空间变异与硒饮食状况的生物标记物有关，这就加强了使用地方粮食成分数据来估计多国营养失调患病率的理由。在埃塞俄比亚阿姆哈拉地区的部分地区，苔麸籽粒硒浓度的重要营养变化(gydF4y2BaEragrostis微软gydF4y2Ba(调查)。猪蹄)和小麦(gydF4y2Ba小麦gydF4y2BaL.)与距离超过100公里的土壤和景观协变量相关，这与人类硒饮食状态生物标志物的模式相似gydF4y2Ba^{22gydF4y2Ba，gydF4y2Ba23gydF4y2Ba}．在马拉维，人类的硒饮食状况与玉米中硒浓度的变化有关(gydF4y2Ba玉米gydF4y2BaL.在局部尺度上gydF4y2Ba^{4gydF4y2Ba，gydF4y2Ba5gydF4y2Ba，gydF4y2Ba15gydF4y2Ba，gydF4y2Ba24gydF4y2Ba，gydF4y2Ba25gydF4y2Ba，gydF4y2Ba26gydF4y2Ba}．在撒哈拉以南非洲，还没有在更大的地理尺度上系统地进行微量营养物质质量的谷物采样。gydF4y2Ba

在2017年末和2018年末收获季节，基于阿姆哈拉、奥罗米亚和提格雷地区的空间平衡样本，报告了埃塞俄比亚1389个地点的谷物作物中的谷物微量营养素浓度。采样范围约为35.4万公里gydF4y2Ba^2gydF4y2Ba埃塞俄比亚大部分谷物生产区的耕地面积(图2)。gydF4y2Ba1gydF4y2Ba)，只限于距离已知道路少于2.5公里的交通地点。在每个地点，经农民知情同意，采集了一份谷物样品和一份同地点的复合土壤样品。埃塞俄比亚报告的谷物样本包括苔麸(gydF4y2BangydF4y2Ba= 373)、小麦(gydF4y2BangydF4y2Ba= 328)、玉米(gydF4y2BangydF4y2Ba= 302)、高粱(gydF4y2Ba高粱二色的gydF4y2Ba(l)Moench;gydF4y2BangydF4y2Ba= 138)，大麦(gydF4y2Ba大麦芽gydF4y2Bal;gydF4y2BangydF4y2Ba= 181)和指小米(gydF4y2BaEleusine coracanagydF4y2Ba(l)Gaertn。gydF4y2BangydF4y2Ba= 39)，小黑麦(×gydF4y2BaTriticosecalegydF4y2BaWittm。前A.加缪;gydF4y2BangydF4y2Ba= 20)和大米(gydF4y2Ba栽培稻gydF4y2Bal;gydF4y2BangydF4y2Ba8)样品。在马拉维，报告了2018年4月至6月收获季节1,812个地点的谷物微量营养素浓度。马拉维的采样范围约为6.6万公里gydF4y2Ba^2gydF4y2Ba耕地面积(图;gydF4y2Ba1gydF4y2Ba)．马拉维的谷物生产不如埃塞俄比亚多样化，谷物样本主要是玉米(gydF4y2BangydF4y2Ba= 1,608)，连同高粱(gydF4y2BangydF4y2Ba= 117)、大米(gydF4y2BangydF4y2Ba= 54)、珍珠小米(gydF4y2Ba狼尾草glaucumgydF4y2Ba(l)r . Br。gydF4y2BangydF4y2Ba= 32)样品和单指小米样品。抽样设计、颗粒分析和地质统计方法是在阿姆哈拉部分地区所述方法的基础上扩展的gydF4y2Ba^22gydF4y2Ba(扩展数据图。gydF4y2Ba1gydF4y2Ba- - - - - -gydF4y2Ba9gydF4y2Ba和扩展数据表gydF4y2Ba1gydF4y2Ba- - - - - -gydF4y2Ba3.gydF4y2Ba)．gydF4y2Ba

籽粒Ca、Fe、Se和Zn的浓度在作物品种之间和品种内部有很大差异(图2)。gydF4y2Ba2gydF4y2Ba及扩展数据表gydF4y2Ba1gydF4y2Ba)．玉米的四种微量元素浓度最低;因此，依赖以玉米为基础的饮食的人可能具有最低的微量营养素摄入量。指谷子是Ca的良好潜在来源，其中值含量为4574 mg kggydF4y2Ba^1gydF4y2Ba；范围，3,203-6,264毫克千克gydF4y2Ba^1gydF4y2Ba)，几乎比玉米高出两个数量级(中位数为64.5毫克千克gydF4y2Ba^1gydF4y2Ba)。马拉维的单指谷子样品的钙含量为3564 mg kggydF4y2Ba^1gydF4y2Ba这与此前报道的马拉维市场上的指小米粉中钙的高浓度相一致gydF4y2Ba^26gydF4y2Ba(范围，2900 - 4700毫克千克gydF4y2Ba^1gydF4y2Ba)．印度手指小米品种的屏幕gydF4y2Ba^27gydF4y2Ba籽粒Ca浓度范围为1350 ~ 3120 mg kggydF4y2Ba^1gydF4y2Ba（gydF4y2BangydF4y2Ba= 49个基因型)，表明该性状在整个物种中是保守的。尽管在指谷子中钙的生物利用度将受到植酸盐的限制，就像在埃塞俄比亚也有很高的谷物钙浓度的苔麸一样(中位数为1473 mg kg)gydF4y2Ba^1gydF4y2Ba；范围46.8-7,925 mg kggydF4y2Ba^1gydF4y2Ba)，通过发酵面粉来生产因杰拉(一种埃塞俄比亚常见的薄扁面包)，通过刺激内源性植酸酶来提高钙和其他矿物质微量营养素的生物利用度gydF4y2Ba^28gydF4y2Ba．gydF4y2Ba

籽粒Ca、Fe、Se和Zn浓度的种内变异主要是由于土壤和景观因子的空间变异以及外来土壤沙尘的影响。土壤粉尘对铁的潜在影响显著;土壤总铁浓度(中位数为92,744和28,804 mg kggydF4y2Ba^1gydF4y2Ba(分别为埃塞俄比亚和马拉维)比中位数的谷物铁浓度(20.3和21.3毫克千克)高出三个数量级以上gydF4y2Ba^1gydF4y2Ba分别在埃塞俄比亚和马拉维种植玉米。硒和锌的颗粒浓度对土壤粉尘不太敏感，因为这些元素在土壤中的总浓度要低得多(中值为0.35和0.32 mg kg)gydF4y2Ba^1gydF4y2Ba为100.1 mg kg和33.7 mg kggydF4y2Ba^1gydF4y2Ba在Zn，埃塞俄比亚和马拉维)。gydF4y2Ba

这项研究的重点是埃塞俄比亚的苔麸和小麦以及马拉维的玉米中的矿物质浓度。之所以选择这些作物，是因为它们在国民饮食的能量摄入中占很大比例，并且在调查中具有良好的空间覆盖范围。谷物浓度图基于普通克里格法。克里格方差——预测的预期平方误差——量化了地图中的不确定性(扩展数据图。gydF4y2Ba3.gydF4y2Ba，gydF4y2Ba4gydF4y2Ba)．然后将每种作物-营养组合的膳食贡献绘制为膳食需求的百分比，并在从黄色(小)到暗红色(大)的四分位数尺度上可视化。这些计算使用了联合国粮农组织的粮食资产负债表gydF4y2Ba^29gydF4y2Ba并假设一个具有代表性的人口群体——食用未经精制(即高植酸盐)饮食的成年女性的估计平均需要量(EAR)阈值gydF4y2Ba^30.gydF4y2Ba．gydF4y2Ba

在埃塞俄比亚和马拉维，谷物中Ca、Fe、Se和Zn的浓度在很大距离上存在空间依赖性变化(图2)。gydF4y2Ba3.gydF4y2Ba，gydF4y2Ba4gydF4y2Ba)．鉴于大多数谷物是在埃塞俄比亚当地种植、碾磨和消费的，这些观察结果可能具有重要的营养价值gydF4y2Ba^31gydF4y2Ba和马拉维gydF4y2Ba^5gydF4y2Ba，因为它们表明，这些营养素的膳食供应和摄入量因地而异。在埃塞俄比亚，苔麸中钙的浓度、苔麸和小麦中铁的浓度以及小麦中硒的浓度在100至200公里的距离上存在空间依赖性(扩展数据图)。gydF4y2Ba2gydF4y2Ba及扩展数据表gydF4y2Ba3.gydF4y2Ba)．对于苔麸中的硒和锌颗粒浓度，小麦中的钙和锌颗粒浓度，更大范围的空间变化范围超过250公里。在马拉维，玉米籽粒Ca、Fe和Se浓度的空间依赖性变化发生在50-80公里的距离。对于马拉维玉米籽粒中锌的浓度，更多的变化归因于距离上的差异，这些距离太短，无法通过我们的采样框架来解决，尽管变异函数的值在距离达到100公里时仍然增加。gydF4y2Ba

在埃塞俄比亚，提格雷地区北部、东北部和东部、阿姆哈拉地区北部和西北部以及东非大裂谷地区的农作物样本中，苔麸和小麦谷物中的Ca浓度通常高于阿姆哈拉地区大部分地区的作物(图2)。gydF4y2Ba3.gydF4y2Ba)．苔麸和小麦中硒含量有增加的趋势gydF4y2Ba^22gydF4y2Ba提高儿童硒的饮食状况gydF4y2Ba^31gydF4y2Ba从西部到东部的阿姆哈拉地区之前已经报道过。teff和小麦中Fe和Zn含量最高的地区是Amhara北部、Tigray和Oromia西北部和西南部地区。在马拉维，南部地区的夏尔河谷的玉米籽粒钙、硒、锌和铁的浓度通常高于北部和中部地区(图2)。gydF4y2Ba4gydF4y2Ba)．这些观察结果与生长在局部土壤类型上的作物(例如，vertisol)比生长在风化较多的酸性土壤上的作物具有更高的谷物微量营养素浓度的观察结果是一致的gydF4y2Ba^{4gydF4y2Ba，gydF4y2Ba5gydF4y2Ba，gydF4y2Ba25gydF4y2Ba，gydF4y2Ba26gydF4y2Ba}．与埃塞俄比亚一样，马拉维玉米硒浓度最高的地理区域与两项横断面研究中报告的硒充足地区位于同一位置gydF4y2Ba^15gydF4y2Ba以及代表性的监测分析gydF4y2Ba^24gydF4y2Ba硒饮食状态的人类生物标志物gydF4y2Ba

观察了硒在谷物微量营养素浓度和饮食结果之间的联系，硒是饮食状况的可靠生物标志物gydF4y2Ba^{7gydF4y2Ba，gydF4y2Ba13gydF4y2Ba}．埃塞俄比亚321个枚举区硒的生物标记物数据gydF4y2Ba^23gydF4y2Ba马拉维有101个普查区gydF4y2Ba^24gydF4y2Ba可从最近的全国微量营养素调查中获得。对于每个枚举区域，都确定了任何作物类型的最近的谷物样本地点。在这两个国家，粮食中硒浓度与血清中硒浓度(埃塞俄比亚)和血浆中硒浓度(马拉维)之间存在统计学上显著的正相关关系(扩展数据图)。gydF4y2Ba5gydF4y2Ba)．其他微量营养素的谷物浓度、饮食状况的生物标记物和健康结果之间的联系的直接证据仍然是一个主要的研究挑战。gydF4y2Ba

观察了影响谷物微量营养素变化的土壤和环境因素——埃塞俄比亚的苔麸、小麦和玉米以及马拉维的玉米(扩展数据图)。gydF4y2Ba6gydF4y2Ba- - - - - -gydF4y2Ba9gydF4y2Ba及扩展数据表gydF4y2Ba3.gydF4y2Ba)．例如，在这两个国家，土壤pH值与所有作物的粮食硒浓度在统计上显著相关(正相关)。埃塞俄比亚的苔麸籽粒锌浓度与土壤pH呈显著负相关，而这两个国家的玉米籽粒锌浓度与土壤pH呈显著正相关。还需要进一步研究苔麸和玉米对土壤pH值的不同响应。然而，土壤pH值对籽粒锌浓度的预测价值普遍较弱(扩展数据图。gydF4y2Ba7gydF4y2Ba，gydF4y2Ba9gydF4y2Ba)与乌干达主要作物的调查结果一致gydF4y2Ba^17gydF4y2Ba．土壤有机碳与埃塞俄比亚小麦籽粒硒浓度呈显著负相关(负相关)，与埃塞俄比亚小麦籽粒锌浓度呈显著正相关(正相关)，与埃塞俄比亚玉米籽粒锌浓度呈显著正相关(正相关)。对于每种微量元素，粮食微量元素组成也与至少一个环境协变量、作物和国家显著相关。在埃塞俄比亚，粮食硒浓度与各作物的年平均降水量呈负相关，与埃塞俄比亚的苔麸和小麦以及马拉维的玉米的年平均温度呈正相关。在马拉维，年平均气温和地形指数(一种测量土壤湿度的指标)与玉米籽粒锌浓度呈正相关。多变量空间统计模型可以提供土壤和环境因子共同影响粮食微量养分浓度变化的信息;然而，这需要额外的统计假设，超出了本研究的范围。gydF4y2Ba

在埃塞俄比亚，食用苔麸和小麦可满足膳食钙需求的比例远高于马拉维的玉米，然而，它仍可能低于大多数人口所需量的25%(图2)。gydF4y2Ba3.gydF4y2Ba)．在马拉维，尽管玉米提供了超过50%的膳食能量需求，但玉米摄入量只提供了许多人膳食钙需求的不到3%(图2)。gydF4y2Ba4gydF4y2Ba)．在这两个国家，谷物提供的膳食所需铁、硒和锌的比例高于钙。例如，对于马拉维的一些农村家庭来说，仅通过食用当地生产的玉米就可以满足100%以上的膳食铁、硒和锌需求。然而，大多数家庭从典型的玉米消费模式中获得的硒不足需求量的25%，铁不足需求量的50%，锌不足需求量的75%。gydF4y2Ba

目前，对微量营养素的监测和粮食系统预测活动依靠国家或国际食物成分数据来估计微量营养素供应，以作为摄入量的替代指标gydF4y2Ba^{6gydF4y2Ba，gydF4y2Ba7gydF4y2Ba}．地方粮食构成数据尚未使用，可能是因为在以所需形式生成数据方面存在后勤和概念上的挑战。挑战包括在短收获期对大面积作物进行采样，在往往缺乏适当实验室和训练有素人员的地区分析大量样本和相关数据，以及交流稀疏数据和相关不确定性。本研究中发现的粮食微量营养素浓度的空间依赖性可以简单地使用局部行政级别边界进行交流。使用地质统计模型和块克里格法将苔麸和小麦的平均籽粒钙和锌浓度映射到埃塞俄比亚阿姆哈拉地区的各级行政区划时，显示了空间趋势(图2)。gydF4y2Ba5gydF4y2Ba)．gydF4y2Ba

理想情况下，改善多样化的饮食将缓解许多MNDsgydF4y2Ba^{1gydF4y2Ba，gydF4y2Ba2gydF4y2Ba，gydF4y2Ba3.gydF4y2Ba，gydF4y2Ba4gydF4y2Ba，gydF4y2Ba5gydF4y2Ba，gydF4y2Ba6gydF4y2Ba}．然而，由于社会经济原因，这在短期内对许多人来说不太可能可行gydF4y2Ba^6gydF4y2Ba．在一个国家内进行作物微量营养素调查可以为缓解多国疾病的短期干预措施提供信息。这些干预措施包括补充gydF4y2Ba^32gydF4y2Ba，食物强化gydF4y2Ba^{8gydF4y2Ba，gydF4y2Ba9gydF4y2Ba}以及通过育种和农艺方法对主要作物进行生物强化gydF4y2Ba^{10gydF4y2Ba，gydF4y2Ba11gydF4y2Ba}．例如，最近在印度和巴基斯坦发布的锌生物强化小麦品种gydF4y2Ba^{33gydF4y2Ba，gydF4y2Ba34gydF4y2Ba}它们的目标是将锌浓度提高8-12 mg kggydF4y2Ba^1gydF4y2Ba高于25毫克千克的概念基线颗粒锌浓度gydF4y2Ba^1gydF4y2Ba．同样，在新的锌生物强化杂交玉米品种中，危地马拉(ICTA HB-18和ICTA B-15)籽粒锌浓度增加了15%，哥伦比亚(BIO-MZN01)籽粒锌浓度增加了36%，目标水平约为30 mg kggydF4y2Ba^1gydF4y2Ba，已被报道gydF4y2Ba^35gydF4y2Ba．在这里，小麦(埃塞俄比亚)和玉米(马拉维)籽粒锌浓度的地理差异可能超过这些育种目标。次国家的空间变异来源可以支持新作物品种或微营养素施肥战略的优先领域，并改进生物强化干预措施的影响评估。MNDs的持久性显然比谷物中微量营养素的供应更为复杂gydF4y2Ba^36gydF4y2Ba．例如，牲畜是多样化饮食和收入的重要组成部分;确定饲料作物中微量营养素浓度较低的地区可以为改善牲畜健康和生产的战略提供信息gydF4y2Ba^{20.gydF4y2Ba，gydF4y2Ba21gydF4y2Ba}．gydF4y2Ba

本研究没有探讨作物品种(基因型)或农民管理策略(管理)的影响，这些因素将对产量和粮食微量营养素浓度的变化产生重大影响，即使是在同一农场的田地内部和田地之间的短距离上也是如此gydF4y2Ba^{37gydF4y2Ba，gydF4y2Ba38gydF4y2Ba}．例如，小农在某些土地上优先使用当地采购的有机材料，可以提高以玉米为基础的粮食微量营养素的质量和产量gydF4y2Ba^38gydF4y2Ba和麦gydF4y2Ba^39gydF4y2Ba系统在SSA。环境(环境)因素的时间变化，例如由于大气CO增加而导致的谷物微量营养素浓度的预测下降gydF4y2Ba_2gydF4y2Ba——到21世纪中叶，小麦中铁含量为6%，锌含量为9%gydF4y2Ba^40gydF4y2Ba高降雨条件下土壤硒的淋溶增加gydF4y2Ba^41gydF4y2Ba，也应予以考虑。然而，升高的温度可能会在粮食微量营养素质量方面补偿这些影响gydF4y2Ba^42gydF4y2Ba．更好地理解基因型、管理和环境之间的复杂相互作用如何在多样化的气候智能型农业系统中驱动作物微量营养素质量，对于更可持续的全球粮食系统至关重要。gydF4y2Ba

伦理批准gydF4y2Ba

埃塞俄比亚于2017年11月至12月(阿姆哈拉大部分地区)和2018年11月至2019年1月(阿姆哈拉、奥罗米亚和提格雷地区)完成了农民田间的谷物和土壤取样，马拉维于2018年4月至6月完成了农民田间的谷物和土壤取样。这项工作包括在征得农民知情同意的情况下，从农民的农田和粮仓抽取粮食和土壤样本。这项工作是在诺丁汉大学社会学和社会政策研究伦理委员会(REC)的伦理批准下进行的;BIO-1718-0004和BIO-1819-001分别用于埃塞俄比亚和马拉维。亚的斯亚贝巴大学(埃塞俄比亚)和利隆圭农业和自然资源大学(马拉维)的研究主任正式认可了这些REC批准，他们还审查了研究方案。gydF4y2Ba

抽样设计gydF4y2Ba

本研究旨在为粮食作物籽粒Ca、Fe、Se和Zn浓度的空间定位提供支持。我们在目标样本帧上寻求合理的空间覆盖，并使用“主站”和“近对”采样来支持空间线性混合模型(LMM)的参数估计。gydF4y2Ba^{22gydF4y2Ba，gydF4y2Ba43gydF4y2Ba}．gydF4y2Ba

在埃塞俄比亚(阿姆哈拉、奥罗米亚和提格雷地区)，根据250米网格上的预测，目标样本帧被限制在土地处于作物生产的概率≥0.9的位置。这些预测来自训练有素的观察员对高分辨率卫星图像的解释，以及应用于遥感数据和数字高程模型衍生的多个协变量的机器学习方法gydF4y2Ba^{44gydF4y2Ba，gydF4y2Ba45gydF4y2Ba}．样本框架被进一步限制为仅包括250米网格中距离已知道路2.5公里以内的位置。在一个250米网格(与农业土地使用网格具有相同的起源)上绘制了一幅地图，显示了符合这一要求的节点。这些限制可能会给在设计的样本框架之外的位置所做的预测带来可能的偏差，然而，否则就不可能在可用的时间内访问所有的样本位置。有关道路分布的资料取自OpenStreetMap (gydF4y2Bawww.openstreetmap.orggydF4y2Ba)．总土地面积约110万公里gydF4y2Ba^2gydF4y2Ba在埃塞俄比亚，农田覆盖面积为354325公里gydF4y2Ba^2gydF4y2Ba，其中220,467公里gydF4y2Ba^2gydF4y2Ba距离已知道路不到2.5公里。在马拉维，农田面积是由欧洲航天局气候变化计划确定的gydF4y2Ba^46gydF4y2Ba．所使用的农业区域被定义为包括所有在其描述中包含“农田”类别的栅格单元格。在马拉维，通往作物种植区的道路通达情况通常比埃塞俄比亚好，因此样本地点没有受到道路距离的限制。所绘制的耕地面积如图所示。gydF4y2Ba1gydF4y2Ba．gydF4y2Ba

在埃塞俄比亚，总共选择了1825个主样本位置，在采样帧内的每个250米网格节点分配了相等的先验包含概率。这是使用R平台的BalancedSampling库中的lcube函数完成的gydF4y2Ba^{47gydF4y2Ba，gydF4y2Ba48gydF4y2Ba}．lcube函数实现了立方体方法，可以根据指定的包含概率进行随机采样，同时针对指定的协变量实现平衡和扩展gydF4y2Ba^49gydF4y2Ba．在这里，样本帧的包含概率是一致的，样本位置的选择是为了空间平衡，这意味着样本位置的平均坐标接近样本帧中所有点的平均坐标，以及空间扩散，这确保了观测数据是分散的，而不是相对于空间坐标聚集在一起gydF4y2Ba^50gydF4y2Ba．这些地点中的175个子集被选择为近对站点，在该站点附近采取额外的样本来支持空间LMM参数的估计gydF4y2Ba^43gydF4y2Ba．gydF4y2Ba

在马拉维，采用了一种不同的抽样方法，对总共1,710个主要场址地点进行了良好的空间覆盖。其中包括2015/16年马拉维人口和健康调查的820个固定样本点gydF4y2Ba^{24gydF4y2Ba，gydF4y2Ba51gydF4y2Ba}．R平台的spcosa库中的分层函数gydF4y2Ba^52gydF4y2Ba将采样域划分为以一组固定点为中心的德劳内多边形，并选择剩余的多边形质心将域划分为大约等面积的区域。选取多边形的质心作为样本点。除820个固定样本点外，还发现890个样本点，具有分层功能。一旦获得了这些数据，就像在埃塞俄比亚一样，随机选择了另外190个地点作为邻近样本的近对地点。gydF4y2Ba

现场取样gydF4y2Ba

抽样工作由接受过标准程序和风险评估培训的小组进行。每个小组计划每天访问五个主要地点。主要站点的位置被加载到平板电脑上，并打印在每个团队的纸质地图上。一个团队将在最后几公里使用手持GPS设备导航到目标地点。在每个采样点，该小组将在半径1公里内确定最近的成熟谷物作物田地，并在征得农民同意的情况下对谷物和土壤进行采样。如果一块长着成熟谷物作物的田地不明显，也就是说，这块庄稼已经收割过，或者种过非谷物作物，研究小组就会要求农民确定一块最近收割和储存过谷物作物的田地，并从那里可以获得样品。如果不可能进行采样，那么团队要么在半径1公里以外的地方寻找替代地点，要么放弃该地点。在指定的近对位置，理想情况下在主站点位置约500米(范围100 - 1000米)内确定了第二个油田。如果无法找到近对位置，则在下一个尚未指定为近对样本的样本位置选择近对位置。gydF4y2Ba

在选定的区域内，从100米的范围内采集样本gydF4y2Ba^2gydF4y2Ba(0.01 ha)圆形地块。除非这一地区因疾病或作物受损而不具有代表性，否则就尽可能地集中在田地的中间。5个子样本点被定位(扩展数据图。gydF4y2Ba1gydF4y2Ba)．第一点是情节的中心。然后在沿作物行穿过地块中心的一条线上选择两个子样本点，并在穿过地块中心与第一个子样本点正交的一条线上选择另外两个子样本点。在可能的情况下，取样中心位置固定在作物行之间，样品阵列的长轴(样本位置为5.64和4.89 m)朝向作物行方向，短轴垂直于作物行。在五个子样本点各采集一份土壤子样本，使用荷兰螺旋钻，其飞行长度为150毫米，直径为50毫米。螺旋钻垂直插入一次飞行的深度，5个子样品存储在一个袋子中。当一个成熟或成熟的作物还长在田里时，由不同的操作人员在靠近每个搅钻位置的地方取样，以尽量减少灰尘和土壤的进一步污染。对于玉米，在五个点各取一颗玉米棒子。从每个穗轴的大约50%纵向剥离玉米粒，并将其合成为每个位置的单个样本包膜。对于粒度较小的作物，取足够的茎秆，使大约20-50%的样品包膜被填充(尺寸为15厘米× 22厘米)，样品先将谷物放入样品袋，然后将茎秆从谷物头上拧下来丢弃。 If a crop was in field stacks, then a subsample, comprising five cobs for maize, or a representative sample for other crops was taken from each available stack, taking material from inside the stack to minimize contamination by dust and soil (Extended Data Fig.1gydF4y2Ba)．如果一种作物在农民的商店里，也就是说，已经从整个田地中平均出来了，那么就取一个具有代表性的样本，同时如果谷物储存松散，就避免从商店地板上取谷物，避免谷物有明显的土壤或灰尘污染。gydF4y2Ba

为了保证质量，记录了样品地点和样品袋的照片以及现场GPS位置。在埃塞俄比亚，报告了粮食数据的1389个地点中，有1385个地点的GPS记录的位置不确定度≤8米。其余4个点的位置不确定度为9 ~ 16 m。在马拉维，1812个地点中有1790个位置不确定度≤9米。16个位置不确定度在10 ~ 17 m之间，6个位置不确定度在2900 ~ 5000 m之间。我们决定不排除本研究中基于位置不确定性的任何数据。我们使用变异函数的稳健估计器(扩展数据图。gydF4y2Ba2gydF4y2Ba)，可抵御由于少数点位置错误而造成的空间异常值的影响gydF4y2Ba^53gydF4y2Ba这些模型得到了验证。因此，在这些尺度上，位置误差对远距离空间变化的广泛映射模式的任何影响都是非常有限和局部的。gydF4y2Ba

样品制备gydF4y2Ba

全谷物样品在样品袋中风干。然后将每个样品放在国产不锈钢咖啡研磨机中研磨，使用前和使用后都用无研磨布擦拭干净。在许多情况下食用全谷物，尽管经常食用更精制的部分-伴随着更多富含微量营养素的麸皮和胚乳部分的损失。所有的准备工作都是在远离土壤或灰尘污染的地方进行的。随后，一份20克的地下样品被运往诺丁汉大学。根据土壤含水量，土壤样品在40°C的烤箱中干燥24-48小时。准备工作在土壤实验室进行，以避免与谷物样品交叉污染。从每个土壤样品中去除植物材料，然后将其分解和筛分至2毫米。这种材料然后被锥形和四等分，以产生次样品分裂。150克的土壤子样本被倒入一个自密封袋中，贴上标签并运往英国，由诺丁汉大学和洛桑研究所的实验室进行分析。 Soil pH_{(水)gydF4y2Ba}采用标准方法测定土壤有机碳(SOC)含量gydF4y2Ba^22gydF4y2Ba．gydF4y2Ba

谷物微量元素分析gydF4y2Ba

谷物微量元素分析方法遵循标准方法gydF4y2Ba^54gydF4y2Ba．每个研磨样品大约0.2 g被称量并使用微波系统消化。对于2017年在Amhara地区收集的样品，使用了Multiwave 3000 48艘MF50转子(Anton Paar);消化容器是装在聚乙烯乙基酮压力套里的全氟烷氧管(安东·帕尔)。样品用2ml 70%微量分析级HNO消化gydF4y2Ba_3.gydF4y2Ba， 1ml milliq水(18.2 MΩ cm;Fisher Scientific)和1毫升HgydF4y2Ba_2gydF4y2BaOgydF4y2Ba_2gydF4y2Ba．设置为:1,400 W, 140°C, 2 MPa，持续45分钟。对于2018-2019年收集的样品，我们使用Multiwave Prom 41HVT56转子和由改性聚四氟乙烯制成的压力激活通气容器(56 ml ' SMART VENT '， Anton Paar)。样品在6毫升70%微量分析级HNO中消化gydF4y2Ba_3.gydF4y2Ba．设置为:1500 W，加热10分钟至140℃，140℃保持20分钟，冷却15分钟至55℃。每次消化运行通常包括两个操作空白。经过认证的参考物质(小麦面粉SRM 1567b, NIST)的重复样品被包括在大约每四次消化试验中。消化后，每个试管加入11毫升milliq水，最终体积为15毫升，然后转移到25毫升的通用试管(Sarstedt)中，并在室温下储存。样品在分析前进一步用milliq水1:5稀释到13ml试管(Sarstedt)中。gydF4y2Ba

采用电感耦合等离子体质谱法(ICP-MS; ICP-MS;iCAPQ，赛默飞世尔科技公司)。该仪器采用了具有动能辨别的氦碰撞单元来减少多原子干扰。样品从包含ASXpress快速摄取模块(Cetac ASX-520, Teledyne Technologies)的自动采样器通过全氟烷氧基Microflow PFA-ST喷雾器(赛默飞雪科学公司)引入。内部标准品通过ASXpress单元通过单独的线引入样品流，包括Sc (20 μg lgydF4y2Ba^1gydF4y2Ba)， Rh (10 μg lgydF4y2Ba^1gydF4y2Ba)， Ge (10 μg lgydF4y2Ba^1gydF4y2Ba)和Ir (5 μg lgydF4y2Ba^1gydF4y2Ba)在2% HNO中gydF4y2Ba_3.gydF4y2Ba(初级加级;费舍尔科学)。外部多元素校准标准(Claritas-PPT等级CLMS-2;采用SPEX Certiprep)在0 ~ 100 μg l范围内对Ag、Al、As、B、Ba、Be、Cd、Ca、Co、Cr、Cs、Cu、Fe、K、Li、Mg、Mn、Mo、Na、Ni、P、Pb、Rb、S、Se、Sr、Tl、U、V和Zn进行了测定gydF4y2Ba^1gydF4y2Ba(0、20、40、100 μg lgydF4y2Ba^1gydF4y2Ba)．使用定制的外部多元素校准溶液(PlasmaCAL, SCP Science)来创建0-30 Mg l范围内的Ca, K, Mg和Na标准gydF4y2Ba^1gydF4y2Ba．B, P和S校准使用内部标准溶液(KHgydF4y2Ba_2gydF4y2Ba阿宝gydF4y2Ba_4gydF4y2BaKgydF4y2Ba_2gydF4y2Ba所以gydF4y2Ba_4gydF4y2Ba和HgydF4y2Ba_3.gydF4y2Ba薄gydF4y2Ba_3.gydF4y2Ba）;钛是半定量测定的。样品处理使用Qtegra软件(赛默飞世尔科学公司)进行，并在需要时在脉冲计数和模拟检测器模式之间进行外部交叉校准。分别使用三重四极ICP-MS (iCAP TQ;赛默飞世尔科学公司(Thermo Fisher Scientific)使用氧电池来改变同位素的质量gydF4y2Ba^80gydF4y2BaSe,gydF4y2Ba米gydF4y2Ba/gydF4y2BazgydF4y2Ba96 (gydF4y2Ba^80gydF4y2BaSegydF4y2Ba^16gydF4y2BaO)减少来自gydF4y2Ba^40gydF4y2Ba基于“增大化现实”技术的二聚体。以Rh为内标进行漂移校正;校准使用CLMS-2多元素标准(Certiprep)。gydF4y2Ba

在ICP-MS仪器上进行分析，每次运行约240个样品(扩展数据表)gydF4y2Ba1gydF4y2Ba)．针对特定运行操作空白，对单个颗粒浓度数据进行校正，然后转换为基于干物质的浓度。元素特异性检测限报告为3×操作空白浓度的标准偏差，假设样品材料的起始干重为0.2 g(扩展数据表)gydF4y2Ba1gydF4y2Ba)．对于颗粒元素浓度低于检测限的样品，在进行统计分析前将数据去除。没有对谷物样品的潜在污染进行调整，例如，使用典型标记(例如Fe, V)来自田间或仓库的土壤灰尘。取自马拉维一家粮仓的两个高粱样品，由于Ca、Mg和其他元素浓度较高，被认为不太可能来自土壤污染，因此被排除在数据分析之外。gydF4y2Ba

统计分析gydF4y2Ba

对谷物中所有元素的浓度进行汇总统计，并对直方图进行检查。地球化学变量通常呈对数正态分布，用八分位偏度作为分布不对称的稳健度量来检验数据的偏度系数gydF4y2Ba^55gydF4y2Ba．数据在原始测量量表(mg kggydF4y2Ba^1gydF4y2Ba)，如果八位数偏度如前所述在[- 0.2,0,2]区间内gydF4y2Ba^56gydF4y2Ba．如果八位数偏度落在这个范围之外(有一个正值)，和对数后的八位数偏度绝对值gydF4y2Ba_egydF4y2Ba转换比原来的规模小，然后在日志上分析数据gydF4y2Ba_egydF4y2Bascale(扩展数据表gydF4y2Ba1gydF4y2Ba，gydF4y2Ba2gydF4y2Ba)．gydF4y2Ba

使用三个估计器对每个变量进行方差估计(扩展数据表gydF4y2Ba2gydF4y2Ba):标准估计器gydF4y2Ba^57gydF4y2Ba还有两种选择gydF4y2Ba^{58gydF4y2Ba，gydF4y2Ba59gydF4y2Ba}．对于边缘异常值(在直方图上很明显)或空间异常值(在局部空间上下文中很明显)，这两个备选估计量比标准估计量对外围数据更稳健。变异函数估计值是在最大滞后距离(埃塞俄比亚330公里，马拉维100公里)和宽度为10公里的滞后箱之间的所有观测值之间的成对比较中形成的。使用R平台的地球库中的distVincentySphere函数计算任意两个位置之间的距离(由纬度和经度指定)作为大圆距离gydF4y2Ba^{47gydF4y2Ba，gydF4y2Ba60gydF4y2Ba}．指数变异函数用加权最小二乘拟合估计gydF4y2Ba^61gydF4y2Ba．之所以选择指数变异函数，是因为它能确保球面上距离的协方差矩阵为正定gydF4y2Ba^62gydF4y2Ba．然后对每个模型进行交叉验证。所选模型见扩展数据图。gydF4y2Ba2gydF4y2Ba．gydF4y2Ba

在交叉验证中，通过普通克里格法将每个观测值从剩余观测值中移除并进行预测。这是使用每个变量的变异函数模型拟合到由三个估计器计算的点估计集来完成的。每个观测值的标准化平方预测误差(SSPE)计算为观测值与预测值之间的差的平方除以在标准普通克里格方程中计算的预测误差方差(克里格方差)gydF4y2Ba^53gydF4y2Ba．在具有正态分布克里格误差的有效基础变异函数模型的情况下，SSPE的中位数具有0.455的期望值gydF4y2Ba^53gydF4y2Ba．由Matheron推导出的标准估计量gydF4y2Ba^57gydF4y2Ba比稳健替代方案在统计上更有效，因此如果从交叉验证结果来看，拟合这些估计的模型是正确的(SSPE中位数在95%置信区间内)，则不考虑替代方案。如果SSPE表明拟合mattheron估计的模型受到异常值的影响，那么拟合稳健估计的模型也要进行交叉验证，并根据交叉验证结果选择一个模型gydF4y2Ba^53gydF4y2Ba．gydF4y2Ba

一旦选择了变异函数模型，它就用于计算细方格网格节点上的颗粒浓度的预测(有或没有变换)。这是通过普通的克里格来完成的gydF4y2Ba^61gydF4y2Ba．在普通的克里格法中，假定所关心的变量的平均值是局部常数，但未知。一个估计被发现是观测值的线性组合，这样预测的期望平方误差(普通克里格方差)是最小的。克里格方差也被计算为预测不确定性的度量。对于一个给定的变差函数，克里格方差反映了对感兴趣的变量进行预测和观测的位置的接近程度。在已转换为对数的变量的情况下，每个位置的预测是通过对对数上的预测求幂来计算的gydF4y2Ba_egydF4y2Ba规模。由此产生的反向转换估计是一个中值无偏预测器，它适用于具有倾斜分布的变量gydF4y2Ba^63gydF4y2Ba．注意，克里格方差不能进行有意义的反向转换。然而，它仍然表明了预测的不确定性在空间上是如何变化的，所以它被映射到日志上gydF4y2Ba_egydF4y2Ba转换变量的比例。克里格方差图显示在扩展数据图中。gydF4y2Ba3.gydF4y2Ba，gydF4y2Ba4gydF4y2Ba．在埃塞俄比亚，样本点不规则分布在地图区域，克里格方差显著不同，取决于当地的样本密度。gydF4y2Ba

在埃塞俄比亚，我们绘制了摄入小麦和苔麸可能满足的膳食需求的百分比(图。gydF4y2Ba3.gydF4y2Ba）;马拉维的玉米也是如此(图2)。gydF4y2Ba4gydF4y2Ba)．在埃塞俄比亚，小麦的人均日摄入量为97.6克，苔麸的人均日摄入量为89.3克(根据联合国粮农组织数据库项目“其他谷物”)gydF4y2Ba^29gydF4y2Ba；在马拉维，人均每天342.8克作为参考玉米摄入量gydF4y2Ba^29gydF4y2Ba．根据一名18-24岁食用未精制(即高植酸盐)饮食的成年女性，我们选择了人均每天860、22.4、45和10.2 mg的Ca、Fe、Se和Zn的估计平均需要量(EAR)阈值作为代表性阈值gydF4y2Ba^30.gydF4y2Ba．这些阈值与其他人口群体相似。由于无法获得与该衍生变量的克里格方差相比较的不确定性度量，我们为埃塞俄比亚定义了一个掩码，与马拉维相比，埃塞俄比亚的稀疏抽样导致了更大的不确定性。我们考虑了teff中的Zn浓度，这是一个在长距离上具有空间依赖性的变量，并确定了该变量的克里格方差超过变量本身方差75%的区域，因为采样稀疏。这些区域定义了用于所有变量的饮食需求百分比地图的掩码，在图中以灰色显示。gydF4y2Ba3.gydF4y2Ba．gydF4y2Ba

图中所示地图。gydF4y2Ba3.gydF4y2Ba，gydF4y2Ba4gydF4y2Ba是由点克里格法得出的，也就是说，它们是对未采样地点的测量结果的预测。普通的克里格法也可以用来预测一个区域或“块”变量的平均值。gydF4y2Ba^61gydF4y2Ba．为了说明这种方法的传播价值，在Amhara地区，谷物(teff和小麦)中Zn和Ca的平均浓度显示在woreda水平(图。gydF4y2Ba5gydF4y2Ba)．这些都是从相同的样本数据中通过woreda均值的块克里格法获得的，并使用相同的变异函数模型来产生点克里格预测。gydF4y2Ba

Grain-biomarker链接gydF4y2Ba

确定饮食状态的生物标记物与谷物微量营养素浓度之间的联系，这里重点关注硒，因为硒是饮食状态的可靠生物标记物gydF4y2Ba^13gydF4y2Ba；Zn不是这样的gydF4y2Ba^7gydF4y2Ba以及本研究中分析的其他微量元素。关于育龄妇女血液中硒浓度的数据来自埃塞俄比亚微量营养素调查(血清gydF4y2Ba^23gydF4y2Ba)和马拉维(血浆gydF4y2Ba^24gydF4y2Ba)．计算了每个可用的计数区域的平均浓度(埃塞俄比亚为321，马拉维为101)，每个计数区域质心的经纬度都是可用的。对于每一个枚举区域，都找到了最近的谷物样本地点(不论作物)。在埃塞俄比亚，所有统计地区到最近的粮食采样点的中位数距离为17公里。在马拉维，中位数距离要短得多(1.4公里)，这是由于马拉维的作物抽样较密集，以及用于微量营养素调查的枚举地区是抽样的目标。gydF4y2Ba

计数区域不是简单独立的随机样本，因此血清或血浆硒浓度与最近的粮食样品硒浓度之间的关系无法通过相关系数等统计量来量化。因此，使用适当的LMM进行研究，其中包含空间相关随机效应，并使用Matérn相关函数建模gydF4y2Ba^64gydF4y2Ba．探索性分析表明gydF4y2Ba_egydF4y2Ba所有血清或血浆硒浓度的变化是正常随机效应假设可信的必要条件。观察到的血清或血浆硒浓度与最近样品位置的颗粒中硒浓度呈线性函数关系。采用残差极大似然估计随机效应参数。然后用加权最小二乘估计固定效应gydF4y2Ba^65gydF4y2Ba还有他们的标准误差。用对数似然比检验血清或血浆硒对颗粒硒浓度的回归系数为零这一原假设是否成立。gydF4y2Ba

埃塞俄比亚和马拉维育龄妇女的血清或血浆硒浓度图分别显示变量之间呈正相关(扩展数据图)。gydF4y2Ba5gydF4y2Ba)，并得到统计模型的支持。对于埃塞俄比亚，估计回归系数(log[ng / ml血清硒]和log[mg / kg谷物硒])为0.08，标准误差为0.02。基于对数似然比统计量(gydF4y2BalgydF4y2Ba= 14.48,gydF4y2BaPgydF4y2Ba= 1.4 × 10gydF4y2Ba^{−4gydF4y2Ba})．如果生物标记物与籽粒硒浓度之间没有关系，则获得砷的概率为gydF4y2BalgydF4y2Ba-如此大或更大的统计值将非常小。同样，对于马拉维，估计的回归系数为0.09，标准误差为0.03 (gydF4y2BalgydF4y2Ba= 11.56,gydF4y2BaPgydF4y2Ba= 6.7 × 10gydF4y2Ba^{−4gydF4y2Ba})．gydF4y2Ba

Environmental-soil-grain链接gydF4y2Ba

粮食中硒和锌浓度的数据(马拉维的玉米;在埃塞俄比亚提取苔麸、小麦和玉米)，同时提取相应的土壤pH值数据gydF4y2Ba_{(水)gydF4y2Ba}和SOC。同时提取了3个环境协变量的观测值:(1)年平均气温;(2)来自CHELSA数据集的年平均降水量gydF4y2Ba^{66gydF4y2Ba，gydF4y2Ba67gydF4y2Ba}，其空间分辨率降至30秒;(3) 30 s分辨率MERIT数字高程模型的地形指标值gydF4y2Ba^68gydF4y2Ba．地形指数有时被称为地形湿润指数，是衡量一个地点的排水积累趋势的指标，被广泛用作土壤性质的预测指标。通过探索性分析，记录了籽粒硒浓度数据gydF4y2Ba_egydF4y2Ba-转换，使正常随机效应的假设合理;这对于锌晶粒来说是不必要的。马拉维对SOC的测量显示出明显的正偏态，因此为对数gydF4y2Ba_egydF4y2Ba改变了。gydF4y2Ba

数据分析使用LMM，其中环境协变量的回归型函数被视为固定效应和空间自相关随机效应，如生物标记物数据所述。随机效应参数采用最大似然法估计，固定效应参数采用加权最小二乘法估计。第一个模型是用一个常数均值作为唯一的固定效应来拟合的。第二个模型以年平均降水量为固定效应拟合。这个预测器的证据是通过第二个模型与第一个模型的对数似然比检验来评估的。该预测器最初被保留，如果获得的概率值为gydF4y2BalgydF4y2Ba大或大于原假设下观察到的无效应预测因子为<0.05。在此基础上，考虑了其他预测因子，其影响因素依次为年平均气温和地形指数。最后,gydF4y2BaPgydF4y2Ba数值作为多个测试的结果进行评估，控制错误发现率(FDR)。gydF4y2Ba^69gydF4y2Ba为0.05。FDR是被错误拒绝的零假设在所有被拒绝的零假设中的预期比例。对于每种作物和国家的每种微量营养素，确定了在FDR控制为0.05时可被视为显著的预测因子。按照同样的程序，基于两种土壤性质，首先考虑土壤pH值，然后考虑土壤有机碳，生成一个可比较的模型。gydF4y2Ba

扩展数据图显示了粮食硒和锌浓度与环境协变量和土壤性质的关系。gydF4y2Ba6gydF4y2Ba- - - - - -gydF4y2Ba9gydF4y2Ba．扩展数据表总结了环境协变量或土壤性质作为谷物中微量营养素含量预测因子的证据gydF4y2Ba3.gydF4y2Ba．扩展数据表gydF4y2Ba3.gydF4y2Ba还显示每种微量营养素在不同模型中的估计系数及其标准误差;埃塞俄比亚的玉米、苔麸或小麦，马拉维的玉米。这些模型中的预测因子仅是用FDR控制选择的预测因子。gydF4y2Ba

报告总结gydF4y2Ba

有关研究设计的进一步资料，请参阅gydF4y2Ba自然研究报告摘要gydF4y2Ba链接到这篇文章。gydF4y2Ba