加快饲草智能育种科技创新的思考与建议
|
图2 适宜于不同尺度的作物表型获取的传感技术 AI在作物育种方面的应用进展。作物智能育种处于兴起阶段，近年来，多有AI育种的理论内涵、方法体系和应用场景的观点与综述文章，涉及算法模型、表型获取、传感技术、过程检测和系统集成等各个侧面。目前，智能育种仅在有限的主粮作物中开展，进展可归纳为4个方面： ①AI助力理解作物遗传学基础。中心法则的各个环节通过大数据驱动来助力物种个体发育的新科学发现。CNN鉴定了更多高质量单核苷酸变异并实现基因组变异的精准预测。以3000多万单细胞测序数据作为学习语料，单细胞基底大模型优化了基因表达模式和分子机制的预测，如细胞类型注释、基因共表达网络和调控网络推断等。轰动世界的AlphaFold模型利用蛋白结构数据库开展深度学习和算法优化，从而高准确度获得了对未知蛋白复杂空间结构和分子互作的解析。 ②AI助力高通量表型组学研究。我国在表型预测方面开展了有益的探索，例如：通过深度学习大样本基因型与表型的非线性关系从而提高准确性，应用无人机遥感数据估算玉米地上生物量，基于高光谱图像估算小麦产量和地上生物量；使用生成式对抗网络预测水稻籽粒蛋白含量，采用单模态或多模态深度学习方法监测小麦条锈病、番茄叶病；高光谱成像技术在作物表型上具有较大应用潜力，也有开发出多功能的无监督学习框架。 ③AI助力优化作物编辑新工具。高彩霞团队等使用RNN开发了PREDICT的深度学习模型，高通量筛选了92423个pegRNA的主要编辑结果。通过对30多万引导RNA的高通量分析鉴定了最佳引导RNA，DeepPrime预测引导编辑效率，并优化出适用于特定细胞类型的DeepPrime-FT和预测脱靶效应的DeepPrimeOff。DeepCas9variants预测了9种Cas9变体的效率，DeepBE预测了63个碱基编辑器的效率。 ④AI助力田间集约化高效管理。借助机器学习或深度学习可实现杂草精准管理、土壤墒情、土壤肥力评估、土壤污染和土壤生物多样性评估等。 总体来讲，智能育种技术尚处于处于兴起阶段，鉴于前期知识积累、数据充沛量、功能机制解析的深度等原因，目前智能育种仅在有限的主粮作物中开展。饲草智能育种尚未形成体系，仅限于少数表型高通量获取方法探索与平台建设、DNN和CNN等方法的尝试应用等，其现阶段的水平离实质性的智能育种技术要求相去甚远，本文以下将详尽分析。 三、饲草智能育种的关键科学问题及初步尝试 1、饲草智能育种的关键科学问题 通过借鉴智能育种技术在作物上的应用经验，应当从饲草基础生物学的角度，针对以下科学问题及饲草特化性状进行布局研究。 |
下一篇：没有了