隨著全球人口持續增長、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現農業的可持續發展已成為當今世界面臨的重大挑戰。

      近日，由中國科學院遺傳與發育生物學研究所高彩霞研究員、華中農業大學李國田教授領銜的中外團隊，聯合撰寫的綜述文章Integrated biotechnological and AI innovations for crop improvement在Nature雜志發表。該文章總結了多組學、基因組編輯、蛋白質設計和高通量表型與人工智能在作物遺傳改良中的整合應用，并提出了一個由AI輔助的優異作物種質設計框架，為未來農業的可持續發展擘畫了清晰的路線圖。

      組學技術賦能

      從“有限資源”到“無限地圖”

      文章首先闡述了現代組學技術是實現育種范式變革的基礎。基因組學、代謝組學以及單細胞組學等研究方向的興起，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律，從而揭示更多可用于性狀精準改良的新位點。與此同時，高通量表型鑒定技術（HTP）利用無人機、傳感器和自動化平臺，實現了對海量作物性狀數據的快速、精準評估，從而高效地連接了基因型與表型，為篩選優良變異提供了關鍵支撐。

      傳統育種在實踐中面臨兩大瓶頸：一是性狀觀察受限于表型的主觀評估，二是遺傳資源匱乏，優異基因“捉襟見肘”。而現代組學技術，正在打破這一局限，開啟了全新的育種資源時代。

      泛基因組與結構變異：全面擴展“選育的地圖”過去我們常用一個參考基因組代表整個物種，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構變異（SV），包括插入、缺失、倒位與復制。這些SV不僅是導致性狀差異的關鍵因素，更成為精準選育的重要靶點。例如，通過對1000多個小麥品種的泛基因組解析，研究者發現了長期被忽視的“祖先亞群”，其中潛藏著抗病、耐旱等優異基因，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體，它的根際、葉面與體內微生物群落同樣決定了生長表現。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耐鹽性；水稻中的NRT1.1B 和 OsCERK1DY 等等位基因也被發現具有微生物群調控作用，開啟了“基因-微生物-環境”協同育種的全新路徑。

      單細胞與空間組學：性狀定位精度“直達細胞”過去我們只能“看整株”，如今科學家可以“看單細胞”。單細胞RNA測序與ATAC-seq等技術，讓我們得以在空間與時間維度上觀察基因表達、染色質開放程度與調控元件（CRE）活性。這意味著：我們不再只是知道“某個基因好”，而是知道“哪個細胞在什么時候需要這個基因”，從而實現對性狀的精準操控。例如，科學家已在水稻根中解析出決定根毛生長的關鍵CRE，未來可通過靶向編輯調控根系結構，以適應不同土壤與水分環境。未來的挑戰，是如何在更多作物、更多樣本中實現高通量、低成本、標準化的組學采集與解讀。文章指出，統一的組學數據標準與AI輔助數據分析，將使我們建立更完整、更精準的作物基因功能圖譜，為精準分子操作提供堅實底圖。

      AI驅動蛋白設計

      重塑作物功能的“生物積木”

      在此基礎上，文章詳細論述了實現作物改良的強大工具。以CRISPR為代表的基因組編輯技術，已能夠實現對作物基因組開展高效、精準的定向修飾，其跨尺度、多維度的基因組設計能力將顯著縮短育種周期，快速創造和聚合優良性狀。不僅如此，AI驅動的蛋白質設計技術正在興起，它能夠從頭創造出自然界中不存在的、具有特定功能的全新蛋白質。這為開發新型抗病蛋白、實時監測作物健康的生物傳感器或降解環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境脅迫不確定性的雙重挑戰，AI驅動的蛋白質從頭設計（de novo protein design）正在成為作物改良的顛覆性技術突破點。相較傳統依賴天然變異的改良方式，這一技術通過人工智能直接設計具有特定功能的蛋白質，并將其導入植物體內，實現功能性狀的模塊化增強與重構。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“創造最優”。

      1. 設計思路：按功能需求，從頭構建蛋白模塊AI使蛋白設計從“試錯積累”轉向“任務導向”——研究者可根據具體需求（如識別病原、感應激素、調控通道等），——從零構建全新蛋白模塊，并確保其具備良好結構、精準功能與可控表達。

      2.  應用場景詳解：三類代表性“功能積木”在文章中，作者系統提出了三類典型設計應用場景：

      抗病蛋白：可精準識別病原效應子，如稻瘟病菌AvrPia，通過人工構建的“結合蛋白”觸發植物免疫；代謝物傳感器：可檢測植物內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、品質改良提供工具；離子通道/納米孔：設計用于特定離子（Na?、K?、Ca²?）通透性的通道，可協助作物調節滲透壓、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作物系統，通過合成生物學和基因編輯工具協同實現性狀功能的模塊化重建。

      3.技術底座：AI模型能力不斷演化文章指出，蛋白質設計的成功離不開AI模型的飛躍發展：

      AlphaFold3：不僅預測結構，還能處理多聚體、RNA復合物等復雜場景；RFdiffusion：直接在三維結構空間中進行蛋白設計，保留物理化學合理性；ProteinMPNN：從目標結構反推最優序列，提高可表達性和穩定性；OmegaFold、ESMFold：多種輕量級模型支持高速結構生成，提升初篩效率。

      這些工具構成了蛋白設計的“AI工具箱”，大幅縮短從構想到驗證的時間周期，推動設計方案快速迭代。

      AI輔助設計作物模型

      DBTL重塑育種邏輯

      該綜述的核心亮點在于提出了一個"AI輔助作物設計"的整合模型。這一前瞻性框架旨在利用AI的強大能力，整合并分析來自基因組、表型、環境和管理措施的多模態大數據。在該模型中，育種家可以設定具體的改良目標，例如提升產量、增強抗逆性或改善營養品質，AI則通過深度學習與知識推理，生成一套最優化的、包含具體技術路徑的綜合性育種方案。這種模式將作物育種從依賴經驗的傳統方式，轉變為數據驅動的精準設計過程。

圖：人工智能輔助作物設計的研究框架

      傳統育種需10–15年才能穩定選出優良品種，AI輔助DBTL循環模型有望將育種周期縮短至3–5年內形成穩定的設計迭代，甚至形成面向“特定場景”“特定氣候”或“特定消費需求”的定制化作物開發路徑。

      機遇與挑戰

      政策環境助力落地

      最后，文章也探討了新技術應用所面臨的挑戰和發展方向。作者指出，高質量、標準化的數據是訓練AI模型的基礎，同時，新技術的應用也必須嚴格遵守生物安全和相關法規要求。令人鼓舞的是，全球范圍內對基因組編輯作物的監管政策正朝著更為科學和簡化的方向發展，這為新技術的廣泛應用創造了有利條件。

      作者介紹與項目支持

      中國科學院遺傳與發育生物學研究所高彩霞研究員和華中農業大學李國田教授為該論文的通訊作者。華中農業大學李國田教授、華中農業大學作物遺傳改良國家重點實驗室楊萬能教授、華盛頓大學蛋白質設計研究所Linna An博士、華中農業大學農業微生物資源發掘與利用全國重點實驗室楊磊博士為本論文共同第一作者。華大生命科學研究院魏桐研究員、楊萬能教授團隊博士后施家偉、博士研究生王江林、英國Aberystwyth大學國家植物表型組中心主任John Doonan教授、華中農業大學謝卡斌教授、德國馬克斯·普朗克分子植物生理研究所Alisdair R. Fernie教授、澳大利亞聯邦科工組織Evans Lagudah院士和美國亞利桑那大學基因組學研究所所長、阿卜杜拉國王科技大學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目、國家重點研發項目、國家自然科學基金、農業農村部、新基石科學基金等項目的資助。