摘要：近日，由中国科学院遗传与发育生物学研究所高彩霞研究员、华中农业大学李国田教授领衔的中外团队，联合撰写的综述文章Integrated biotechnological and AI innovations for crop improvement在Nature杂
随着全球人口持续增长、气候变化日益加剧以及耕地资源不断减少，如何保障粮食安全并实现农业的可持续发展已成为当今世界面临的重大挑战。
近日，由中国科学院遗传与发育生物学研究所高彩霞研究员、华中农业大学李国田教授领衔的中外团队，联合撰写的综述文章Integrated biotechnological and AI innovations for crop improvement在Nature杂志发表。该文章总结了多组学、基因组编辑、蛋白质设计和高通量表型与人工智能在作物遗传改良中的整合应用，并提出了一个由AI辅助的优异作物种质设计框架，为未来农业的可持续发展擘画了清晰的路线图。
组学技术赋能
从“有限资源”到“无限地图”
文章首先阐述了现代组学技术是实现育种范式变革的基础。基因组学、代谢组学以及单细胞组学等研究方向的兴起，为我们提供了前所未有的能力去深入解析作物的遗传信息和生命活动规律，从而揭示更多可用于性状精准改良的新位点。与此同时，高通量表型鉴定技术（HTP）利用无人机、传感器和自动化平台，实现了对海量作物性状数据的快速、精准评估，从而高效地连接了基因型与表型，为筛选优良变异提供了关键支撑。
传统育种在实践中面临两大瓶颈：一是性状观察受限于表型的主观评估，二是遗传资源匮乏，优异基因“捉襟见肘”。而现代组学技术，正在打破这一局限，开启了全新的育种资源时代。
泛基因组与结构变异：全面扩展“选育的地图”过去我们常用一个参考基因组代表整个物种，而泛基因组的引入彻底改变了这一思维。泛基因组整合了多个品种甚至野生种的基因信息，揭示了大量被单一参考忽略的结构变异（SV），包括插入、缺失、倒位与复制。这些SV不仅是导致性状差异的关键因素，更成为精准选育的重要靶点。例如，通过对1000多个小麦品种的泛基因组解析，研究者发现了长期被忽视的“祖先亚群”，其中潜藏着抗病、耐旱等优异基因，为未来小麦改良打开了新的资源库。
微生物组：作物的“第二基因组”作物不仅是自身的遗传个体，它的根际、叶面与体内微生物群落同样决定了生长表现。最新研究将这种微生物视作“第二基因组”，通过微生物组驯化（microbiome breeding），育种者可以筛选与植物互作良好的“有益菌群”，提升作物抗病性、抗逆性与肥效利用。例如，从沙漠植物根部筛选出的特定菌株，已成功在番茄中诱导耐盐性；水稻中的NRT1.1B 和 OsCERK1DY 等等位基因也被发现具有微生物群调控作用，开启了“基因-微生物-环境”协同育种的全新路径。
单细胞与空间组学：性状定位精度“直达细胞”过去我们只能“看整株”，如今科学家可以“看单细胞”。单细胞RNA测序与ATAC-seq等技术，让我们得以在空间与时间维度上观察基因表达、染色质开放程度与调控元件（CRE）活性。这意味着：我们不再只是知道“某个基因好”，而是知道“哪个细胞在什么时候需要这个基因”，从而实现对性状的精准操控。例如，科学家已在水稻根中解析出决定根毛生长的关键CRE，未来可通过靶向编辑调控根系结构，以适应不同土壤与水分环境。未来的挑战，是如何在更多作物、更多样本中实现高通量、低成本、标准化的组学采集与解读。文章指出，统一的组学数据标准与AI辅助数据分析，将使我们建立更完整、更精准的作物基因功能图谱，为精准分子操作提供坚实底图。
AI驱动蛋白设计
重塑作物功能的“生物积木”
在此基础上，文章详细论述了实现作物改良的强大工具。以CRISPR为代表的基因组编辑技术，已能够实现对作物基因组开展高效、精准的定向修饰，其跨尺度、多维度的基因组设计能力将显著缩短育种周期，快速创造和聚合优良性状。不仅如此，AI驱动的蛋白质设计技术正在兴起，它能够从头创造出自然界中不存在的、具有特定功能的全新蛋白质。这为开发新型抗病蛋白、实时监测作物健康的生物传感器或降解环境污染物的特制酶提供了可能，从而赋予作物突破性的新功能。
面对遗传资源瓶颈和环境胁迫不确定性的双重挑战，AI驱动的蛋白质从头设计（de novo protein design）正在成为作物改良的颠覆性技术突破点。相较传统依赖天然变异的改良方式，这一技术通过人工智能直接设计具有特定功能的蛋白质，并将其导入植物体内，实现功能性状的模块化增强与重构。这一思路，被文章比喻为“为作物装配定制化的‘生物积木’”，不仅突破了天然基因库的限制，还让植物育种从“选择最好”，迈向“创造最优”。
1. 设计思路：按功能需求，从头构建蛋白模块AI使蛋白设计从“试错积累”转向“任务导向”——研究者可根据具体需求（如识别病原、感应激素、调控通道等），——从零构建全新蛋白模块，并确保其具备良好结构、精准功能与可控表达。
2. 应用场景详解：三类代表性“功能积木”在文章中，作者系统提出了三类典型设计应用场景：
抗病蛋白：可精准识别病原效应子，如稻瘟病菌AvrPia，通过人工构建的“结合蛋白”触发植物免疫；代谢物传感器：可检测植物内源激素或代谢物浓度，如生长素、磷脂酸、次生代谢物，为高通量筛选、品质改良提供工具；离子通道/纳米孔：设计用于特定离子（Na⁺、K⁺、Ca²⁺）通透性的通道，可协助作物调节渗透压、抗盐抗旱。这些蛋白被称为“生物零件”，可如搭积木一般集成进作物系统，通过合成生物学和基因编辑工具协同实现性状功能的模块化重建。
3.技术底座：AI模型能力不断演化文章指出，蛋白质设计的成功离不开AI模型的飞跃发展：
AlphaFold3：不仅预测结构，还能处理多聚体、RNA复合物等复杂场景；RFdiffusion：直接在三维结构空间中进行蛋白设计，保留物理化学合理性；ProteinMPNN：从目标结构反推最优序列，提高可表达性和稳定性；OmegaFold、ESMFold：多种轻量级模型支持高速结构生成，提升初筛效率。
这些工具构成了蛋白设计的“AI工具箱”，大幅缩短从构想到验证的时间周期，推动设计方案快速迭代。
AI辅助设计作物模型
DBTL重塑育种逻辑
该综述的核心亮点在于提出了一个"AI辅助作物设计"的整合模型。这一前瞻性框架旨在利用AI的强大能力，整合并分析来自基因组、表型、环境和管理措施的多模态大数据。在该模型中，育种家可以设定具体的改良目标，例如提升产量、增强抗逆性或改善营养品质，AI则通过深度学习与知识推理，生成一套最优化的、包含具体技术路径的综合性育种方案。这种模式将作物育种从依赖经验的传统方式，转变为数据驱动的精准设计过程。
图：人工智能辅助作物设计的研究框架
传统育种需10–15年才能稳定选出优良品种，AI辅助DBTL循环模型有望将育种周期缩短至3–5年内形成稳定的设计迭代，甚至形成面向“特定场景”“特定气候”或“特定消费需求”的定制化作物开发路径。
机遇与挑战
政策环境助力落地
最后，文章也探讨了新技术应用所面临的挑战和发展方向。作者指出，高质量、标准化的数据是训练AI模型的基础，同时，新技术的应用也必须严格遵守生物安全和相关法规要求。令人鼓舞的是，全球范围内对基因组编辑作物的监管政策正朝着更为科学和简化的方向发展，这为新技术的广泛应用创造了有利条件。
作者介绍与项目支持
中国科学院遗传与发育生物学研究所高彩霞研究员和华中农业大学李国田教授为该论文的通讯作者。华中农业大学李国田教授、华中农业大学作物遗传改良国家重点实验室杨万能教授、华盛顿大学蛋白质设计研究所Linna An博士、华中农业大学农业微生物资源发掘与利用全国重点实验室杨磊博士为本论文共同第一作者。华大生命科学研究院魏桐研究员、杨万能教授团队博士后施家伟、博士研究生王江林、英国Aberystwyth大学国家植物表型组中心主任John Doonan教授、华中农业大学谢卡斌教授、德国马克斯·普朗克分子植物生理研究所Alisdair R. Fernie教授、澳大利亚联邦科工组织Evans Lagudah院士和美国亚利桑那大学基因组学研究所所长、阿卜杜拉国王科技大学Rod A. Wing教授参与文章的撰写。该研究得到生物育种国家科技重大项目、国家重点研发项目、国家自然科学基金、农业农村部、新基石科学基金等项目的资助。
来源：南方农村报社
