基于三维深度学习模型的基因编辑番茄光合表型精准分析及其在垂直农业中的应用

为解决垂直农业中番茄株型调控难题，韩国庆熙大学团队通过CRISPR-Cas9编辑SlGA20ox基因，结合三维卷积神经网络（3D-CNN）分析叶绿素荧光成像数据，开发出分类准确率达84%的深度学习模型，为作物精准表型分析提供了非破坏性检测新方法。

　　

随着全球气候变化和城市化进程加速，传统农业面临耕地减少和极端天气的双重挑战。垂直农业作为一种新型种植模式，能在有限空间实现作物高密度栽培，但要求作物具备紧凑株型。番茄作为全球重要蔬菜作物，其无限生长特性制约了在垂直农场中的应用。尽管CRISPR-Cas9技术已成功培育出"三重决定性"（triple-determinate）番茄突变体，但如何快速识别适合垂直农场的基因编辑植株，仍是亟待解决的难题。

韩国庆熙大学（Kyung Hee University）智能农场科学系的研究团队开展了一项创新研究。他们通过编辑赤霉素20-氧化酶（Gibberellin 20-oxidase，SlGA20ox）基因，开发出适合垂直农场的番茄新品种，并首次提出基于三维深度学习的叶绿素荧光（Chlorophyll Fluorescence Imaging，CFI）表型分析方法。这项突破性成果发表在《Plant Phenomics》期刊上。

研究人员主要采用四种关键技术：1）利用CRISPR-Cas9系统构建slga20ox2和slga20ox4单双突变体；2）自主研发叶绿素荧光成像系统，采集26个生理参数；3）建立包含1123个样本的5×5像素三维数据集；4）开发3D-CNN模型进行突变体分类，并与传统机器学习方法对比。

研究结果部分：

3.1 突变体表型与农艺性状分析

通过编辑SlGA20ox2和SlGA20ox4基因，成功获得株高降低30%的突变体，茎节间距缩短但开花性状不变。关键发现是突变体在保持产量（单果重约15g）和品质（可溶性糖含量6.5°Brix）的同时，光合参数F_v/F_m和SPAD值无显著差异，证明GA20ox编辑不影响基础生理功能。

3.2 三维叶绿素荧光特征提取

创新性地将26个CFI参数（如NPQ_Ln、F_v/F_mLn等）沿Z轴堆叠成26×5×5的三维数据结构。可视化分析显示，slga20ox4突变体在Z轴特征层变化最显著，而slga20ox2则在XY空间呈现更复杂变异模式。

3.3 模型性能比较

3D-CNN模型以84%的准确率显著优于1D-CNN（75.6%）和LSTM（71.1%）。t-SNE降维显示3D-CNN学习的特征空间分离度最佳，而集成梯度分析证实非光化学淬灭（NPQ）参数贡献度最高（权重>0.15）。

讨论与结论：

这项研究首次将三维深度学习应用于植物GA代谢研究，解决了传统方法难以检测的slga20ox2与slga20ox4功能微差异问题。模型捕捉到NPQ_L2等参数的基因型特异性波动，证实SlGA20ox4突变可能更利于光合效率优化。该方法成本仅为传统光谱技术的1/5，为垂直农场作物育种提供了高效筛选工具。未来通过整合多组学数据，该框架有望拓展至其他作物重要性状分析。

研究还揭示了GA代谢调控的新见解：SlGA20ox2和SlGA20ox4在株型控制上功能冗余，但在光合调节方面可能存在分化。这为"绿色革命"矮化育种提供了新的靶点选择策略。团队开发的开放式实验平台（GitHub开源）将促进植物表型组学与人工智能的交叉创新。