隨著全球人口持續(xù)增長、氣候變化日益加劇以及耕地資源不斷減少，如何保障糧食安全并實(shí)現(xiàn)農(nóng)業(yè)的可持續(xù)發(fā)展已成為當(dāng)今世界面臨的重大挑戰(zhàn)。

近日，由中國科學(xué)院遺傳與發(fā)育生物學(xué)研究所高彩霞研究員、華中農(nóng)業(yè)大學(xué)李國田教授領(lǐng)銜的中外團(tuán)隊(duì)，聯(lián)合撰寫的綜述文章Integrated biotechnological and AI innovations for crop improvement在Nature雜志發(fā)表。該文章總結(jié)了多組學(xué)、基因組編輯、蛋白質(zhì)設(shè)計(jì)和高通量表型與人工智能在作物遺傳改良中的整合應(yīng)用，并提出了一個(gè)由AI輔助的優(yōu)異作物種質(zhì)設(shè)計(jì)框架，為未來農(nóng)業(yè)的可持續(xù)發(fā)展擘畫了清晰的路線圖。

組學(xué)技術(shù)賦能

從“有限資源”到“無限地圖”

文章首先闡述了現(xiàn)代組學(xué)技術(shù)是實(shí)現(xiàn)育種范式變革的基礎(chǔ)。基因組學(xué)、代謝組學(xué)以及單細(xì)胞組學(xué)等研究方向的興起，為我們提供了前所未有的能力去深入解析作物的遺傳信息和生命活動規(guī)律，從而揭示更多可用于性狀精準(zhǔn)改良的新位點(diǎn)。與此同時(shí)，高通量表型鑒定技術(shù)（HTP）利用無人機(jī)、傳感器和自動化平臺，實(shí)現(xiàn)了對海量作物性狀數(shù)據(jù)的快速、精準(zhǔn)評估，從而高效地連接了基因型與表型，為篩選優(yōu)良變異提供了關(guān)鍵支撐。

傳統(tǒng)育種在實(shí)踐中面臨兩大瓶頸：一是性狀觀察受限于表型的主觀評估，二是遺傳資源匱乏，優(yōu)異基因“捉襟見肘”。而現(xiàn)代組學(xué)技術(shù)，正在打破這一局限，開啟了全新的育種資源時(shí)代。

泛基因組與結(jié)構(gòu)變異：全面擴(kuò)展“選育的地圖”過去我們常用一個(gè)參考基因組代表整個(gè)物種，而泛基因組的引入徹底改變了這一思維。泛基因組整合了多個(gè)品種甚至野生種的基因信息，揭示了大量被單一參考忽略的結(jié)構(gòu)變異（SV），包括插入、缺失、倒位與復(fù)制。這些SV不僅是導(dǎo)致性狀差異的關(guān)鍵因素，更成為精準(zhǔn)選育的重要靶點(diǎn)。例如，通過對1000多個(gè)小麥品種的泛基因組解析，研究者發(fā)現(xiàn)了長期被忽視的“祖先亞群”，其中潛藏著抗病、耐旱等優(yōu)異基因，為未來小麥改良打開了新的資源庫。

微生物組：作物的“第二基因組”作物不僅是自身的遺傳個(gè)體，它的根際、葉面與體內(nèi)微生物群落同樣決定了生長表現(xiàn)。最新研究將這種微生物視作“第二基因組”，通過微生物組馴化（microbiome breeding），育種者可以篩選與植物互作良好的“有益菌群”，提升作物抗病性、抗逆性與肥效利用。例如，從沙漠植物根部篩選出的特定菌株，已成功在番茄中誘導(dǎo)耐鹽性；水稻中的NRT1.1B 和 OsCERK1DY 等等位基因也被發(fā)現(xiàn)具有微生物群調(diào)控作用，開啟了“基因-微生物-環(huán)境”協(xié)同育種的全新路徑。

單細(xì)胞與空間組學(xué)：性狀定位精度“直達(dá)細(xì)胞”過去我們只能“看整株”，如今科學(xué)家可以“看單細(xì)胞”。單細(xì)胞RNA測序與ATAC-seq等技術(shù)，讓我們得以在空間與時(shí)間維度上觀察基因表達(dá)、染色質(zhì)開放程度與調(diào)控元件（CRE）活性。這意味著：我們不再只是知道“某個(gè)基因好”，而是知道“哪個(gè)細(xì)胞在什么時(shí)候需要這個(gè)基因”，從而實(shí)現(xiàn)對性狀的精準(zhǔn)操控。例如，科學(xué)家已在水稻根中解析出決定根毛生長的關(guān)鍵CRE，未來可通過靶向編輯調(diào)控根系結(jié)構(gòu)，以適應(yīng)不同土壤與水分環(huán)境。未來的挑戰(zhàn)，是如何在更多作物、更多樣本中實(shí)現(xiàn)高通量、低成本、標(biāo)準(zhǔn)化的組學(xué)采集與解讀。文章指出，統(tǒng)一的組學(xué)數(shù)據(jù)標(biāo)準(zhǔn)與AI輔助數(shù)據(jù)分析，將使我們建立更完整、更精準(zhǔn)的作物基因功能圖譜，為精準(zhǔn)分子操作提供堅(jiān)實(shí)底圖。

AI驅(qū)動蛋白設(shè)計(jì)

重塑作物功能的“生物積木”

在此基礎(chǔ)上，文章詳細(xì)論述了實(shí)現(xiàn)作物改良的強(qiáng)大工具。以CRISPR為代表的基因組編輯技術(shù)，已能夠?qū)崿F(xiàn)對作物基因組開展高效、精準(zhǔn)的定向修飾，其跨尺度、多維度的基因組設(shè)計(jì)能力將顯著縮短育種周期，快速創(chuàng)造和聚合優(yōu)良性狀。不僅如此，AI驅(qū)動的蛋白質(zhì)設(shè)計(jì)技術(shù)正在興起，它能夠從頭創(chuàng)造出自然界中不存在的、具有特定功能的全新蛋白質(zhì)。這為開發(fā)新型抗病蛋白、實(shí)時(shí)監(jiān)測作物健康的生物傳感器或降解環(huán)境污染物的特制酶提供了可能，從而賦予作物突破性的新功能。

面對遺傳資源瓶頸和環(huán)境脅迫不確定性的雙重挑戰(zhàn)，AI驅(qū)動的蛋白質(zhì)從頭設(shè)計(jì)（de novo protein design）正在成為作物改良的顛覆性技術(shù)突破點(diǎn)。相較傳統(tǒng)依賴天然變異的改良方式，這一技術(shù)通過人工智能直接設(shè)計(jì)具有特定功能的蛋白質(zhì)，并將其導(dǎo)入植物體內(nèi)，實(shí)現(xiàn)功能性狀的模塊化增強(qiáng)與重構(gòu)。這一思路，被文章比喻為“為作物裝配定制化的‘生物積木’”，不僅突破了天然基因庫的限制，還讓植物育種從“選擇最好”，邁向“創(chuàng)造最優(yōu)”。

1. 設(shè)計(jì)思路：按功能需求，從頭構(gòu)建蛋白模塊AI使蛋白設(shè)計(jì)從“試錯(cuò)積累”轉(zhuǎn)向“任務(wù)導(dǎo)向”——研究者可根據(jù)具體需求（如識別病原、感應(yīng)激素、調(diào)控通道等），——從零構(gòu)建全新蛋白模塊，并確保其具備良好結(jié)構(gòu)、精準(zhǔn)功能與可控表達(dá)。

2. 應(yīng)用場景詳解：三類代表性“功能積木”在文章中，作者系統(tǒng)提出了三類典型設(shè)計(jì)應(yīng)用場景：

抗病蛋白：可精準(zhǔn)識別病原效應(yīng)子，如稻瘟病菌AvrPia，通過人工構(gòu)建的“結(jié)合蛋白”觸發(fā)植物免疫；代謝物傳感器：可檢測植物內(nèi)源激素或代謝物濃度，如生長素、磷脂酸、次生代謝物，為高通量篩選、品質(zhì)改良提供工具；離子通道/納米孔：設(shè)計(jì)用于特定離子（Na?、K?、Ca2?）通透性的通道，可協(xié)助作物調(diào)節(jié)滲透壓、抗鹽抗旱。這些蛋白被稱為“生物零件”，可如搭積木一般集成進(jìn)作物系統(tǒng)，通過合成生物學(xué)和基因編輯工具協(xié)同實(shí)現(xiàn)性狀功能的模塊化重建。

3.技術(shù)底座：AI模型能力不斷演化文章指出，蛋白質(zhì)設(shè)計(jì)的成功離不開AI模型的飛躍發(fā)展：

AlphaFold3：不僅預(yù)測結(jié)構(gòu)，還能處理多聚體、RNA復(fù)合物等復(fù)雜場景；RFdiffusion：直接在三維結(jié)構(gòu)空間中進(jìn)行蛋白設(shè)計(jì)，保留物理化學(xué)合理性；ProteinMPNN：從目標(biāo)結(jié)構(gòu)反推最優(yōu)序列，提高可表達(dá)性和穩(wěn)定性；OmegaFold、ESMFold：多種輕量級模型支持高速結(jié)構(gòu)生成，提升初篩效率。

這些工具構(gòu)成了蛋白設(shè)計(jì)的“AI工具箱”，大幅縮短從構(gòu)想到驗(yàn)證的時(shí)間周期，推動設(shè)計(jì)方案快速迭代。

AI輔助設(shè)計(jì)作物模型

DBTL重塑育種邏輯

該綜述的核心亮點(diǎn)在于提出了一個(gè)"AI輔助作物設(shè)計(jì)"的整合模型。這一前瞻性框架旨在利用AI的強(qiáng)大能力，整合并分析來自基因組、表型、環(huán)境和管理措施的多模態(tài)大數(shù)據(jù)。在該模型中，育種家可以設(shè)定具體的改良目標(biāo)，例如提升產(chǎn)量、增強(qiáng)抗逆性或改善營養(yǎng)品質(zhì)，AI則通過深度學(xué)習(xí)與知識推理，生成一套最優(yōu)化的、包含具體技術(shù)路徑的綜合性育種方案。這種模式將作物育種從依賴經(jīng)驗(yàn)的傳統(tǒng)方式，轉(zhuǎn)變?yōu)閿?shù)據(jù)驅(qū)動的精準(zhǔn)設(shè)計(jì)過程。

圖：人工智能輔助作物設(shè)計(jì)的研究框架

傳統(tǒng)育種需10–15年才能穩(wěn)定選出優(yōu)良品種，AI輔助DBTL循環(huán)模型有望將育種周期縮短至3–5年內(nèi)形成穩(wěn)定的設(shè)計(jì)迭代，甚至形成面向“特定場景”“特定氣候”或“特定消費(fèi)需求”的定制化作物開發(fā)路徑。

機(jī)遇與挑戰(zhàn)

政策環(huán)境助力落地

最后，文章也探討了新技術(shù)應(yīng)用所面臨的挑戰(zhàn)和發(fā)展方向。作者指出，高質(zhì)量、標(biāo)準(zhǔn)化的數(shù)據(jù)是訓(xùn)練AI模型的基礎(chǔ)，同時(shí)，新技術(shù)的應(yīng)用也必須嚴(yán)格遵守生物安全和相關(guān)法規(guī)要求。令人鼓舞的是，全球范圍內(nèi)對基因組編輯作物的監(jiān)管政策正朝著更為科學(xué)和簡化的方向發(fā)展，這為新技術(shù)的廣泛應(yīng)用創(chuàng)造了有利條件。

作者介紹與項(xiàng)目支持

中國科學(xué)院遺傳與發(fā)育生物學(xué)研究所高彩霞研究員和華中農(nóng)業(yè)大學(xué)李國田教授為該論文的通訊作者。華中農(nóng)業(yè)大學(xué)李國田教授、華中農(nóng)業(yè)大學(xué)作物遺傳改良國家重點(diǎn)實(shí)驗(yàn)室楊萬能教授、華盛頓大學(xué)蛋白質(zhì)設(shè)計(jì)研究所Linna An博士、華中農(nóng)業(yè)大學(xué)農(nóng)業(yè)微生物資源發(fā)掘與利用全國重點(diǎn)實(shí)驗(yàn)室楊磊博士為本論文共同第一作者。華大生命科學(xué)研究院魏桐研究員、楊萬能教授團(tuán)隊(duì)博士后施家偉、博士研究生王江林、英國Aberystwyth大學(xué)國家植物表型組中心主任John Doonan教授、華中農(nóng)業(yè)大學(xué)謝卡斌教授、德國馬克斯·普朗克分子植物生理研究所Alisdair R. Fernie教授、澳大利亞聯(lián)邦科工組織Evans Lagudah院士和美國亞利桑那大學(xué)基因組學(xué)研究所所長、阿卜杜拉國王科技大學(xué)Rod A. Wing教授參與文章的撰寫。該研究得到生物育種國家科技重大項(xiàng)目、國家重點(diǎn)研發(fā)項(xiàng)目、國家自然科學(xué)基金、農(nóng)業(yè)農(nóng)村部、新基石科學(xué)基金等項(xiàng)目的資助。

來源丨致一生物 中國遺傳學(xué)會

編輯丨農(nóng)財(cái)君

聯(lián)系農(nóng)財(cái)君丨18565265490

新時(shí)代 新種業(yè)

南方農(nóng)村報(bào)丨農(nóng)財(cái)寶典

點(diǎn)擊下單，把健康帶回家↓↓