《Frontiers in Plant Science》：The digital orchard: advanced data-driven technologies in apple breeding and genetic modification
编辑推荐：
这篇综述系统性地阐述了数据驱动技术如何革新苹果育种范式。文章聚焦高通量表型分析(HTP)、机器学习(ML)/深度学习(DL)、CRISPR基因编辑三大技术支柱的协同整合，揭示了其通过自动化性状采集（如RGB-D、高光谱成像）、精准预测模型（准确率超96%）及靶向基因操作（如抗病性、品质提升），将传统育种周期从10-15年缩短至3-5年的潜力。特别强调了农业物联网(AIoT)实现环境互作(G×E)解析、转基因游离(transgene-free)编辑加速商业化等前沿方向，为培育抗逆、优质苹果品种提供了全新路径。
数字果园：数据驱动技术重塑苹果育种新范式
引言
苹果（Malus × domestica）作为全球重要的温带水果作物，正面临气候变化、病原体进化及消费者对新性状需求的巨大压力。传统育种受限于长幼年期、高杂合度等因素，进程缓慢。近年来，高通量表型分析(HTP)、人工智能(AI)及精准基因组编辑等数据驱动技术的融合，正推动苹果育种向“数字化育种”范式转变。
高通量表型分析：数据基石
HTP技术通过RGB-D相机、高光谱成像、LiDAR等多模态传感器，实现了性状数据采集的自动化和规模化。例如，基于YOLO的目标检测与RGB-D相机结合，可无损估测果园果实数量与大小；而“FruitPhenoBox”平台能从果实图像提取573个可遗传3D形状性状，结合全基因组关联分析(GWAS)鉴定出69个果实形状大小相关遗传标记。可见-近红外高光谱成像结合ML模型，可无损预测色泽、硬度、可溶性固形物(SSC)等内在品质性状（预测R2>0.75），为育种筛选提供关键工具。
机器学习与深度学习：智能预测引擎
ML/DL在苹果育种中广泛应用于品种识别、病害分类及基因组选择(GS)。卷积神经网络(CNN)基于叶片图像实现品种区分，准确率超96%；EfficientNet-B0模型对叶片病害分类精度达99.7%。尤为重要的是，HTP数据与基因组标记整合可显著提升GS预测能力，如果实硬度预测精度提高18%。生成式AI如“GenoDrawing”模型，甚至能从低深度SNP阵列生成果实模拟图像，实现田间种植前的虚拟筛选，大幅提升育种效率。
CRISPR基因编辑：精准性状设计
CRISPR/Cas9技术实现了苹果基因组的精准修饰，重点聚焦抗病性、品质改良及养分高效等性状。例如，通过编辑疾病易感基因增强对火疫病的抗性；调控糖转运蛋白改善风味；编辑多酚氧化酶(PPO)基因延缓褐变以延长货架期。技术层面，转基因游离编辑策略（如Gemini病毒复制子瞬时递送）避免了外源DNA整合，加速了商业化进程。多重编辑技术更可实现多性状同步聚合。
农业物联网：集成化数字果园
AIoT通过无线传感器网络(WSN)实时监测土壤湿度、微气候等环境参数，为解析G×E互作提供数据支撑。例如，基于五年传感器数据的决策模型可精准预测黑星病发生（精度89%）；LoRa网状网络实现了1500棵果树表型同步监测。这些环境数据流为构建“数字孪生”果园、选育广适性品种奠定基础。
技术融合与未来展望
HTP、ML、CRISPR与AIoT的协同整合，构建了“数字化育种循环”：从HTP驱动的基因发掘，到生成式AI的虚拟筛选，再到CRISPR的精准修饰，最终通过AIoT田间验证，形成闭环。未来，联邦学习(FL)、可解释AI(XAI)、边缘计算等新兴技术将进一步解决数据隐私、模型透明度及实时处理等挑战。区块链技术可保障育种数据溯源，而量子计算有望突破复杂基因组学计算瓶颈。随着转基因游离编辑作物监管路径的明晰，数据驱动的苹果育种将更高效地培育出抗逆、优质、可持续的新种质。
