植物育種歷經(jīng)數(shù)千年演變，從古代的基礎(chǔ)選擇策略發(fā)展到如今的育種4.0階段，旨在增強(qiáng)作物多樣性和保障糧食安全。面對(duì)氣候變化、人口增長(zhǎng)和耕地有限等挑戰(zhàn)，人工智能（AI）成為關(guān)鍵解決方案。本綜述探討了植物育種的歷史進(jìn)程，闡述了AI在作物改良各方面的應(yīng)用及其重要作用，強(qiáng)調(diào)了其對(duì)培育適應(yīng)全球糧食安全挑戰(zhàn)的作物品種的意義。

植物育種的歷史宛如一幅宏大的畫(huà)卷，跨越了數(shù)千年的時(shí)光。歷經(jīng)數(shù)千年演變，植物育種從農(nóng)業(yè)誕生之初的育種1.0發(fā)展到如今的育種4.0階段。植物育種歷史演變的示意圖如圖 1 所示。

圖1 植物育種的歷史演變

育種 1.0（原始育種，農(nóng)業(yè)起源與社會(huì)變革）：原始育種大約始于1萬(wàn)年前的新石器時(shí)代，由于缺乏育種理論與方法，人類根據(jù)經(jīng)驗(yàn)積累和肉眼觀察，選擇基因自然變異的農(nóng)業(yè)生物，經(jīng)長(zhǎng)期人工馴化獲得性狀改良的品種，標(biāo)志著原始農(nóng)業(yè)興起。這不僅帶來(lái)了可靠的食物來(lái)源，促進(jìn)了人口增長(zhǎng)，還催生了社會(huì)階層的分化和專業(yè)技能的發(fā)展，為文明的基石——農(nóng)業(yè)社會(huì)的形成奠定了基礎(chǔ)。

育種2.0（雜交育種，遺傳理解的啟蒙與系統(tǒng)育種實(shí)踐）：19世紀(jì)，植物育種進(jìn)入了育種2.0時(shí)代。在孟德?tīng)柕认闰?qū)科學(xué)家的工作基礎(chǔ)上，育種者們開(kāi)始深入探究遺傳和變異的奧秘。孟德?tīng)柾愣箤?shí)驗(yàn)的研究成果為作物的系統(tǒng)改良提供了理論框架。育種 2.0 代表著向基于科學(xué)證據(jù)的作物改良方法的轉(zhuǎn)變，強(qiáng)調(diào)經(jīng)驗(yàn)觀察和嚴(yán)謹(jǐn)?shù)膶?shí)驗(yàn)。

育種3.0（轉(zhuǎn)基因育種，基因組革命與精準(zhǔn)育種）：20世紀(jì)后期，分子生物學(xué)和生物技術(shù)的飛速發(fā)展引發(fā)了植物育種的又一次革命——育種3.0。基因組測(cè)序和遺傳圖譜繪制技術(shù)的突破，使育種者對(duì)作物的遺傳構(gòu)成有了前所未有的深入了解。基因工程、基因組選擇等分子工具被廣泛應(yīng)用于育種計(jì)劃中，極大地提高了作物改良的精確性和效率。育種 3.0 代表了傳統(tǒng)育種方法與前沿技術(shù)的融合，使育種者能夠在農(nóng)業(yè)中實(shí)現(xiàn)更高水平的生產(chǎn)力。

育種4.0（智能設(shè)計(jì)育種，遺傳學(xué)與人工智能的融合）：進(jìn)入21世紀(jì)，植物育種迎來(lái)了育種4.0時(shí)代，其核心特征是遺傳學(xué)與AI的融合。隨著基因組數(shù)據(jù)的指數(shù)級(jí)增長(zhǎng)以及 AI 算法的進(jìn)步，育種者能夠借助 AI 驅(qū)動(dòng)的工具對(duì)海量數(shù)據(jù)進(jìn)行分析，從而精準(zhǔn)預(yù)測(cè)基因型-表型關(guān)聯(lián)，識(shí)別新的基因組合，并以前所未有的精度和效率優(yōu)化育種策略。育種 4.0有望加速作物改良的進(jìn)程，培育出適應(yīng)特定環(huán)境條件和社會(huì)需求的高抗、高產(chǎn)作物品種。

在植物育種領(lǐng)域，大數(shù)據(jù)技術(shù)扮演著至關(guān)重要的角色。大數(shù)據(jù)具有超出常規(guī)處理能力的海量規(guī)模以及多樣的特性，如9V特性，即 Veracity（準(zhǔn)確性）、Variety（多樣性，涵蓋多種類型的數(shù)據(jù)）、Velocity（數(shù)據(jù)產(chǎn)生和更新的速度）、Volume（數(shù)據(jù)量巨大）、Validity（有效性）、Variability（可變性）、Vexing（棘手性，可能存在復(fù)雜難以處理的情況）、Visualisation（可視化需求，以便更好地理解數(shù)據(jù)）和 Value（價(jià)值，能為育種提供有意義的信息）。這些數(shù)據(jù)來(lái)源于基因組測(cè)序、表型分析以及環(huán)境監(jiān)測(cè)等多個(gè)方面。通過(guò)機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等AI技術(shù)對(duì)原始數(shù)據(jù)進(jìn)行處理，包括數(shù)據(jù)的篩選、整合、轉(zhuǎn)換、降維和離散化等操作。同時(shí)，借助Hadoop、MapReduce、Hive等工具以及云技術(shù)，實(shí)現(xiàn)對(duì)大數(shù)據(jù)的高效存儲(chǔ)、管理和分析，為植物育種提供了堅(jiān)實(shí)的數(shù)據(jù)支持。

圖2  “大數(shù)據(jù)”在植物育種中的應(yīng)用

機(jī)器學(xué)習(xí)作為AI的核心組成部分，在作物育種中展現(xiàn)出了巨大的潛力。其中，監(jiān)督學(xué)習(xí)通過(guò)基于標(biāo)記的輸入和訓(xùn)練數(shù)據(jù)預(yù)測(cè)輸出，能夠?qū)π碌摹⑽匆?jiàn)過(guò)的數(shù)據(jù)進(jìn)行精確預(yù)測(cè)；無(wú)監(jiān)督學(xué)習(xí)則擅長(zhǎng)在無(wú)標(biāo)記數(shù)據(jù)中發(fā)現(xiàn)模式，為后續(xù)的分析提供重要線索。此外，集成學(xué)習(xí)方法，通過(guò)組合多個(gè)模型進(jìn)一步提高了預(yù)測(cè)性能。例如，在大豆抗銹病育種中，通過(guò)分析包含產(chǎn)量、抗病性和農(nóng)藝性狀的數(shù)據(jù)集，機(jī)器學(xué)習(xí)算法能夠準(zhǔn)確預(yù)測(cè)大豆對(duì)不同育種方法的反應(yīng)，從而為制定有效的育種策略提供依據(jù)。

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)復(fù)雜且強(qiáng)大的分支，它利用人工神經(jīng)網(wǎng)絡(luò)來(lái)解析大規(guī)模數(shù)據(jù)集中的復(fù)雜關(guān)系。人工神經(jīng)網(wǎng)絡(luò)能夠自動(dòng)識(shí)別輸入和輸出數(shù)據(jù)之間的潛在聯(lián)系，從而實(shí)現(xiàn)對(duì)各種輸出的精確預(yù)測(cè)；卷積神經(jīng)網(wǎng)絡(luò)在圖像分析方面表現(xiàn)卓越，通過(guò)提取特征和識(shí)別模式，能夠在作物管理中及時(shí)檢測(cè)病蟲(chóng)害；循環(huán)神經(jīng)網(wǎng)絡(luò)則擅長(zhǎng)處理順序數(shù)據(jù)，如文本或時(shí)間相關(guān)的信號(hào)，在分析作物生長(zhǎng)過(guò)程中的時(shí)間序列數(shù)據(jù)時(shí)具有獨(dú)特優(yōu)勢(shì)。例如，通過(guò)分析葡萄生長(zhǎng)性能數(shù)據(jù)，深度學(xué)習(xí)算法能夠預(yù)測(cè)葡萄對(duì)氣候變化的反應(yīng)，幫助種植者調(diào)整管理策略，確保葡萄園在不斷變化的氣候條件下依然能夠茁壯成長(zhǎng)。

計(jì)算機(jī)視覺(jué)作為AI的一個(gè)重要分支，為作物育種帶來(lái)了新的視角。通過(guò)深度學(xué)習(xí)技術(shù)，尤其是卷積神經(jīng)網(wǎng)絡(luò)，能夠?qū)o(wú)人機(jī)搭載相機(jī)拍攝的圖像進(jìn)行高效處理。這些技術(shù)能夠使系統(tǒng)以極高的精度識(shí)別成熟作物，直接提升人工神經(jīng)網(wǎng)絡(luò)的性能。隨著時(shí)間的推移，算法通過(guò)不斷訓(xùn)練學(xué)習(xí)，進(jìn)一步提高了準(zhǔn)確性，為精準(zhǔn)收獲提供了有力保障。

遺傳算法模擬自然選擇的過(guò)程，通過(guò)選擇理想的親本進(jìn)行雜交，優(yōu)化育種策略。例如，在抗旱玉米育種中，遺傳算法通過(guò)分析玉米的性能數(shù)據(jù)，識(shí)別其中的模式和趨勢(shì)，從而預(yù)測(cè)玉米對(duì)不同育種方法的反應(yīng)。這使得育種者能夠更高效地培育出具有抗旱能力的玉米品種，加速了在干旱地區(qū)實(shí)現(xiàn)糧食安全的進(jìn)程。

AI驅(qū)動(dòng)的預(yù)測(cè)建模是作物育種的新興趨勢(shì)之一。它通過(guò)整合歷史數(shù)據(jù)、實(shí)時(shí)環(huán)境輸入、天氣模式以及基因組信息，能夠?qū)ψ魑锏男阅苓M(jìn)行精準(zhǔn)預(yù)測(cè)。例如，在高粱育種中，研究人員結(jié)合機(jī)器學(xué)習(xí)和基因組學(xué)技術(shù)，成功地找到了與干旱耐受相關(guān)的基因。這種精確的預(yù)測(cè)不僅加速了育種進(jìn)程，還節(jié)省了大量的資源。

AI驅(qū)動(dòng)的機(jī)器人技術(shù)和自動(dòng)化在作物育種領(lǐng)域引發(fā)了一場(chǎng)革命。配備先進(jìn)傳感器的機(jī)器人能夠高效地在田間收集各種數(shù)據(jù)，包括植物健康狀況、生長(zhǎng)速率和土壤條件等。同時(shí)，機(jī)器人系統(tǒng)還能夠?qū)崿F(xiàn)自動(dòng)化授粉，確保花粉在植株之間的精確傳遞，加速了新作物品種的培育。

圖3 人工智能在植物育種改良中的應(yīng)用

表型組學(xué)作為研究植物表型的學(xué)科，是農(nóng)業(yè)創(chuàng)新的核心基礎(chǔ)。傳統(tǒng)的表型分析方法由于勞動(dòng)密集且可擴(kuò)展性有限，面臨諸多困境。隨著技術(shù)的進(jìn)步，表型組學(xué)引入了包括基因組學(xué)、環(huán)境組學(xué)等在內(nèi)的多組學(xué)信息，使得數(shù)據(jù)的復(fù)雜性日益增加。AI的出現(xiàn)為表型組學(xué)帶來(lái)了范式轉(zhuǎn)變，通過(guò)成像技術(shù)和傳感器技術(shù)，能夠?qū)χ参锉硇瓦M(jìn)行高通量、高精度的分析。例如，RGB成像技術(shù)能夠捕捉植物的細(xì)微健康變化，提供有關(guān)生長(zhǎng)模式、應(yīng)激反應(yīng)和疾病易感性的信息；近紅外反射光譜技術(shù)可快速確定材料的性質(zhì)，揭示植物的營(yíng)養(yǎng)水平和疾病狀況；熱成像技術(shù)能夠檢測(cè)植物的熱信號(hào)，反映植物的脅迫和疾病狀況；熒光和斷層成像技術(shù)則分別用于檢測(cè)分子過(guò)程和揭示植物的細(xì)胞及根系結(jié)構(gòu)。這些技術(shù)與AI算法相結(jié)合，能夠?qū)崿F(xiàn)對(duì)植物表型的全面、深入理解，為作物改良提供了關(guān)鍵依據(jù)。

表1 表型選擇中所采用的模型及其特征總結(jié)

植物基因組學(xué)在過(guò)去幾十年間經(jīng)歷了巨大的變革，從早期的基于凝膠的系統(tǒng)到如今的全基因組測(cè)序技術(shù)。AI在植物基因組學(xué)中發(fā)揮著不可或缺的作用，通過(guò)預(yù)測(cè)建模，能夠快速識(shí)別和解讀基因的功能。例如，機(jī)器學(xué)習(xí)算法能夠分析大規(guī)模的基因信息數(shù)據(jù)集，包括基因序列、表達(dá)譜和蛋白質(zhì)相互作用等，從而高精度地預(yù)測(cè)基因的潛在功能。同時(shí)，AI還能夠分析復(fù)雜的基因相互作用，從分子水平上揭示基因如何協(xié)同影響植物性狀。此外，AI有助于整合包括基因組學(xué)、轉(zhuǎn)錄組學(xué)、蛋白質(zhì)組學(xué)和代謝組學(xué)在內(nèi)的多組學(xué)數(shù)據(jù)，提供更全面的基因功能理解。通過(guò)分析這些多維數(shù)據(jù)源，能夠更好地理解基因在復(fù)雜的植物生物學(xué)網(wǎng)絡(luò)中的作用，為作物改良提供更精準(zhǔn)的指導(dǎo)。

表2 利用多性狀模型與單性狀模型進(jìn)行基因組選擇研究的總結(jié)

利用AI驅(qū)動(dòng)的工具和技術(shù)，研究人員能更深入、更準(zhǔn)確地理解基因的功能，以及基因之間、基因與環(huán)境之間的復(fù)雜相互作用，從而為植物育種、疾病研究、藥物開(kāi)發(fā)等眾多領(lǐng)域提供重要的理論支持和實(shí)踐指導(dǎo)。

DeepBind是一種主要用于預(yù)測(cè)DNA轉(zhuǎn)錄因子結(jié)合位點(diǎn)的深度學(xué)習(xí)模型。轉(zhuǎn)錄因子是一類能夠結(jié)合到DNA特定序列上，從而調(diào)控基因表達(dá)的蛋白質(zhì)。了解轉(zhuǎn)錄因子結(jié)合位點(diǎn)對(duì)于理解基因的表達(dá)調(diào)控機(jī)制至關(guān)重要。DeepBind使用深度卷積神經(jīng)網(wǎng)絡(luò)來(lái)識(shí)別DNA和RNA序列中的模式，即使這些模式的位置未知。與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)相比，它在需要較少訓(xùn)練數(shù)據(jù)的任務(wù)中表現(xiàn)出色，能夠自動(dòng)從數(shù)據(jù)中學(xué)習(xí)相關(guān)的序列基序。通過(guò)這種方式，研究人員可以利用DeepBind的預(yù)測(cè)結(jié)果來(lái)理解基因是如何被調(diào)控的，并識(shí)別基因調(diào)控網(wǎng)絡(luò)中的關(guān)鍵調(diào)控節(jié)點(diǎn)。

DeepBind模型的工作細(xì)節(jié)(a)及其訓(xùn)練過(guò)程(b)

DeepSEA是專注于預(yù)測(cè)遺傳變異調(diào)控效應(yīng)的深度學(xué)習(xí)模型。遺傳變異是指DNA序列在個(gè)體之間或群體之間的差異，這些變異可能會(huì)對(duì)基因的功能和生物體表型產(chǎn)生影響。DeepSEA利用深度學(xué)習(xí)從大規(guī)模的染色質(zhì)分析數(shù)據(jù)中，以單核苷酸精度預(yù)測(cè)序列改變的染色質(zhì)效應(yīng)。這使得研究人員能夠識(shí)別出哪些遺傳變異可能對(duì)基因功能和作物性狀產(chǎn)生重大影響，為進(jìn)一步的研究和育種工作提供有價(jià)值的線索。

DeepSEA模型概述

基因調(diào)控網(wǎng)絡(luò)（Gene regulatory network, GRN）分析是一種用于研究基因之間相互作用關(guān)系的方法。基因并不是孤立地發(fā)揮作用，而是在一個(gè)復(fù)雜的網(wǎng)絡(luò)系統(tǒng)中相互影響、相互調(diào)控，共同決定生物體的各種生理過(guò)程和表型特征。GRN分析旨在揭示這些基因之間的相互關(guān)聯(lián)關(guān)系，以及它們?nèi)绾螀f(xié)同工作來(lái)調(diào)控基因表達(dá)。該技術(shù)使用 AI 算法來(lái)構(gòu)建基因調(diào)控網(wǎng)絡(luò)模型。這個(gè)模型通過(guò)有向弧線（directed arcs）來(lái)表示基因之間的調(diào)控關(guān)系。調(diào)控基因可以通過(guò)激活或抑制兩種方式影響目標(biāo)基因。當(dāng)調(diào)控基因的表達(dá)水平發(fā)生變化時(shí)，例如其表達(dá)量增加或減少，一旦超過(guò)某個(gè)特定的閾值，就會(huì)對(duì)目標(biāo)基因的表達(dá)產(chǎn)生影響。這種影響可以是促進(jìn)目標(biāo)基因的表達(dá)（激活），也可以是抑制目標(biāo)基因的表達(dá)，從而建立起一種因果關(guān)系，這種因果關(guān)系驅(qū)動(dòng)著基因表達(dá)在生物體內(nèi)的動(dòng)態(tài)變化。通過(guò)分析這些調(diào)控關(guān)系，研究人員可以深入了解基因如何相互作用以影響復(fù)雜性狀，并確定潛在的干預(yù)點(diǎn)，以便進(jìn)行作物改良等工作。

包含基因調(diào)控信息的GRN分析示例

表型-基因組關(guān)聯(lián)（Phenome-genome association，PGA）研究利用AI算法來(lái)識(shí)別與特定作物表型相關(guān)的遺傳變異。通過(guò)分析大量的基因組數(shù)據(jù)和相應(yīng)的表型數(shù)據(jù)，AI算法能夠找出與特定表型相關(guān)聯(lián)的基因變異。這些信息對(duì)于制定育種策略以改善作物的性狀（如抗病性、產(chǎn)量和營(yíng)養(yǎng)成分等）具有重要價(jià)值。研究人員可以根據(jù)這些關(guān)聯(lián)信息，有針對(duì)性地選擇親本進(jìn)行雜交育種，或者通過(guò)基因編輯技術(shù)對(duì)相關(guān)基因進(jìn)行修飾，從而培育出具有優(yōu)良性狀的作物品種。

環(huán)境數(shù)據(jù)對(duì)于作物育種至關(guān)重要，AI 正在徹底改變環(huán)境數(shù)據(jù)的收集、分析和使用方式。AI驅(qū)動(dòng)的傳感器和數(shù)據(jù)收集設(shè)備能夠自動(dòng)監(jiān)測(cè)環(huán)境參數(shù)（如溫度、濕度、降雨量、害蟲(chóng)脅迫等），提供實(shí)時(shí)數(shù)據(jù)，支持大數(shù)據(jù)分析，并開(kāi)發(fā)預(yù)測(cè)模型，以幫助育種者在作物選擇和育種策略方面做出明智的決策（圖4）。

圖4 AI在使環(huán)境數(shù)據(jù)可用于作物育種中的應(yīng)用

在玉米育種中，AI技術(shù)得到了廣泛應(yīng)用。Oide等(Oide et al. 2023)開(kāi)發(fā)了無(wú)人機(jī)搭載的多光譜成像技術(shù)，能夠有效識(shí)別玉米的疾病。在玉米中，Ravari 等(Ravari et al. 2016)使用人工神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)和深度神經(jīng)網(wǎng)絡(luò)進(jìn)行了最佳親本群體的識(shí)別以及抗逆性基因組選擇的改進(jìn)。Demirci等(Demirci et al. 2021)利用AI成功地預(yù)測(cè)了母本和父本玉米植株中的基因組交叉，這有助于預(yù)測(cè)突變率較高的潛在基因組區(qū)域。

對(duì)于小麥育種，AI被用于分析歷史天氣數(shù)據(jù)、土壤數(shù)據(jù)和小麥產(chǎn)量數(shù)據(jù)，以預(yù)測(cè)不同小麥品種在不同干旱條件下的表現(xiàn)。David 等(David et al. 2020) 通過(guò)國(guó)際合作建立了包含大量高分辨率RGB圖像和標(biāo)記小麥穗的全球小麥穗檢測(cè)數(shù)據(jù)集，為小麥育種研究提供了豐富的數(shù)據(jù)資源。

AI在大豆育種中主要用于開(kāi)發(fā)新的作物管理實(shí)踐，以提高大豆產(chǎn)量并減少環(huán)境影響。通過(guò)分析歷史天氣數(shù)據(jù)、土壤數(shù)據(jù)和大豆產(chǎn)量數(shù)據(jù)，識(shí)別其中的模式和關(guān)系，從而預(yù)測(cè)不同管理實(shí)踐對(duì)大豆產(chǎn)量的影響。Parmley等 (Parmley et al. 2019)利用隨機(jī)森林算法結(jié)合高光譜成功預(yù)測(cè)了大豆產(chǎn)量。Ghosal 等(Ghosal et al. 2018)使用遺傳算法和支持向量機(jī)對(duì)大豆炭腐病進(jìn)行表型分析，并使用深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)大豆各種其他疾病進(jìn)行表型分析。

在水稻育種方面，近紅外高光譜成像技術(shù)提供了一種無(wú)損、高通量的方法用于評(píng)估水稻種子質(zhì)量和活力。通過(guò)收集近紅外范圍內(nèi)的光譜數(shù)據(jù)，能夠深入了解種子的生化組成、水分含量和結(jié)構(gòu)屬性，從而區(qū)分不同的水稻種子品種。同時(shí)，利用深度學(xué)習(xí)算法能夠通過(guò)分析地面RGB圖像快速估計(jì)水稻產(chǎn)量，還開(kāi)發(fā)了多種AI模型用于檢測(cè)不同氮?jiǎng)┝肯碌乃舅耄约坝糜谠u(píng)估水稻產(chǎn)量的相關(guān)技術(shù)。此外，還有針對(duì)水稻疾病的AI模型用于準(zhǔn)確計(jì)算葉片感染區(qū)域和識(shí)別感染疾病的種類。

在番茄育種中，AI用于分析歷史天氣數(shù)據(jù)、土壤數(shù)據(jù)和番茄產(chǎn)量數(shù)據(jù)，以預(yù)測(cè)不同番茄品種在不同脅迫條件下的表現(xiàn)，并開(kāi)發(fā)更耐受早疫病和熱脅迫的新品種。通過(guò)利用預(yù)訓(xùn)練網(wǎng)絡(luò)的權(quán)重對(duì)害蟲(chóng)和疾病圖片進(jìn)行分類和預(yù)測(cè)，取得了較高的準(zhǔn)確率。同時(shí)，人工神經(jīng)網(wǎng)絡(luò)被用于研究番茄花藥培養(yǎng)中影響愈傷組織形成和再生的因素，以及用于分析影響果實(shí)產(chǎn)量的敏感性狀。此外，還有利用計(jì)算機(jī)視覺(jué)和人工神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)番茄圖像進(jìn)行處理和分類，以及用于估計(jì)番茄果實(shí)質(zhì)量的回歸預(yù)測(cè)模型。

在馬鈴薯育種中，AI工具用于遺傳分析，能夠輕松識(shí)別與晚疫病和干旱抗性相關(guān)的基因。通過(guò)人工神經(jīng)網(wǎng)絡(luò)輔助識(shí)別出具有優(yōu)良農(nóng)藝性狀的基因型，同時(shí)還有AI驅(qū)動(dòng)的移動(dòng)應(yīng)用程序?qū)Ｗ⒂谕炼辜膊〉淖R(shí)別和處理，以及利用人工智能結(jié)合圖像處理系統(tǒng)和深度學(xué)習(xí)算法對(duì)土豆進(jìn)行分級(jí)，自動(dòng)檢測(cè)和分類土豆中的缺陷。

對(duì)于棉花育種，長(zhǎng)短期記憶網(wǎng)絡(luò)用于預(yù)測(cè)害蟲(chóng)爆發(fā)和真菌疾病，機(jī)器視覺(jué)和ResNet50架構(gòu)能夠準(zhǔn)確識(shí)別受損的棉花種子，近紅外高光譜成像和深度學(xué)習(xí)算法可用于區(qū)分棉花品種，太赫茲光譜和近紅外高光譜成像可用于檢測(cè)轉(zhuǎn)基因棉花，同時(shí)還有利用機(jī)器學(xué)習(xí)模型基于無(wú)人機(jī)遙感數(shù)據(jù)估計(jì)棉花產(chǎn)量。

AI在開(kāi)發(fā)預(yù)測(cè)模型方面的應(yīng)用在其他一些作物中也有報(bào)道，如苦瓜、蘋(píng)果、黃瓜等。

AI在作物改良領(lǐng)域的未來(lái)充滿希望，預(yù)計(jì)將在多個(gè)方面產(chǎn)生重大影響。首先，在品種開(kāi)發(fā)方面，AI將有助于開(kāi)發(fā)出更適應(yīng)特定環(huán)境和市場(chǎng)需求的新型作物品種。其次，在提高作物抗逆性方面，AI能夠通過(guò)分析大量數(shù)據(jù)，識(shí)別出與抗逆相關(guān)的基因和性狀，從而培育出更具抗逆能力的作物。此外，AI還將在提高農(nóng)業(yè)生產(chǎn)力和發(fā)展可持續(xù)農(nóng)業(yè)實(shí)踐等方面發(fā)揮關(guān)鍵作用，例如通過(guò)優(yōu)化灌溉和施肥策略，提高資源利用效率。

盡管AI在作物改良中具有巨大的潛力，但仍然面臨一些挑戰(zhàn)。由于基因與環(huán)境存在動(dòng)態(tài)相互作用，尤其是在氣候變化的影響下，當(dāng)前 AI 模型難以準(zhǔn)確預(yù)測(cè)復(fù)雜性狀，如作物對(duì)多種脅迫條件的綜合抗性。此外，AI在發(fā)展中國(guó)家的應(yīng)用面臨基礎(chǔ)設(shè)施和資源不足的問(wèn)題，限制了其廣泛應(yīng)用。同時(shí)，人類專業(yè)知識(shí)在處理復(fù)雜的組學(xué)數(shù)據(jù)和育種決策過(guò)程中仍然不可或缺，需要將AI技術(shù)與人類的專業(yè)知識(shí)和經(jīng)驗(yàn)相結(jié)合，才能實(shí)現(xiàn)更有效的作物改良。

在 “育種 4.0” 時(shí)代，AI在作物改良中的應(yīng)用已經(jīng)取得了顯著的進(jìn)展，并展現(xiàn)出了巨大的潛力。通過(guò)整合植物育種的歷史經(jīng)驗(yàn)和AI技術(shù)，有望推動(dòng)農(nóng)業(yè)邁向一個(gè)更加高效、可持續(xù)的新時(shí)代。

Ansari, R., Manna, A., Hazra, S., et al. Breeding 4.0 vis-à-vis application of artificial intelligence (AI) in crop improvement: an overview[J]. New Zealand Journal of Crop and Horticultural Science, 2024, 1-43.

來(lái)源：AgriPheno

更多干貨、市場(chǎng)分析、重磅案例、實(shí)戰(zhàn)課程歡迎訂閱 [農(nóng)業(yè)行業(yè)觀察]公眾號(hào)：nyguancha

文章：10900 篇

瀏覽：37449 次

代表文章

農(nóng)俠會(huì)：三農(nóng)領(lǐng)域產(chǎn)業(yè)社群（資源對(duì)接、案例分享、線上課程、線下活動(dòng)）

【政策解讀】2021鄉(xiāng)村振興政策解讀（最全）

從快遞到農(nóng)業(yè)，且看順豐布局農(nóng)村的變與不變

【鄉(xiāng)村振興案例】國(guó)家推行鄉(xiāng)村振興千萬(wàn)工程的六大路徑和十大典型案例

國(guó)家“十四五”規(guī)劃和2035年遠(yuǎn)景目標(biāo)綱要（農(nóng)業(yè)農(nóng)村領(lǐng)域節(jié)選）

中化化肥舉行2024“邁優(yōu)伴”領(lǐng)航行動(dòng)啟動(dòng)會(huì)

【政策解讀】玉米大豆是重點(diǎn)！新一輪千億斤糧食產(chǎn)能提升行動(dòng)方案發(fā)布

【政策匯總】2023農(nóng)業(yè)政策大匯編（建議收藏）

2024生態(tài)農(nóng)業(yè)新質(zhì)生產(chǎn)力產(chǎn)業(yè)發(fā)展大會(huì)暨茂盛生物成立十五周年慶典成功舉辦

AI賦能農(nóng)業(yè)發(fā)展向“新”提“質(zhì)”，中國(guó)移動(dòng)助推鄉(xiāng)村振興智啟新章