《Ecological Genetics and Genomics》：Artificial intelligence and machine learning applications in modern plant breeding and genomic innovation
编辑推荐：
摘要
由于新技术的快速发展，近年来作物育种和农业研究取得了显著进展。现代育种与传统育种有所不同，这得益于技术工具和育种概念的进步。当前植物育种的主要目标是应用尖端技术来提高作物产量，而传统育种最初关注的是高产。现代植物育种计划结合了新兴技术，特别是人工智能（AI）和机器学习
摘要
由于新技术的快速发展，近年来作物育种和农业研究取得了显著进展。现代育种与传统育种有所不同，这得益于技术工具和育种概念的进步。当前植物育种的主要目标是应用尖端技术来提高作物产量，而传统育种最初关注的是高产。现代植物育种计划结合了新兴技术，特别是人工智能（AI）和机器学习（ML），以提升作物生产力。人工智能（AI）因其在大数据分析及模式识别方面的强大能力而受到广泛关注。AI正在革新植物育种的许多工具，如数据收集、探索基因库中的遗传多样性，以及弥合基因型与表型之间的差距，从而加速作物改良。现代育种方法首先从开发多样化的遗传材料群体开始。此外，可以在多个调控水平上研究基因功能，包括转录、转录后和翻译水平，以及通过转录后修饰来研究基因功能。通过提高基因编辑系统的准确性并预测基因变异对植物表型的可能影响，基于AI的技术在提升作物品质方面也显示出良好的效果。本文旨在探讨这些当代科学技术在作物育种中的应用。此外，精确基因编辑技术的进步，结合AI驱动的分析工具，预计将对现代植物育种的未来产生重大影响。
引言
植物育种对于确保粮食安全至关重要，但传统方法在效率和速度方面存在局限性。基因组学的出现为作物改良提供了前所未有的机会，然而海量的数据却成为一大障碍。人工智能（AI）和机器学习（ML）正在革新这些通常缓慢且劳动密集型的传统方法。这些强大的工具帮助克服了这些挑战，推动了植物育种领域的基因组创新新时代。这些技术能够分析庞大的基因组学、表型组学和多组学数据集，通过随机森林、支持向量机和深度学习架构（如卷积神经网络CNN和循环神经网络RNN）等高级模型，改进基因型-表型预测，进一步加速育种周期[[1], [2], [3]]。AI增强了基因组网络分析和对复杂数据集的解释能力。特别是在基因组选择中，AI通过整合全基因组标记与环境数据，比传统方法更准确地预测产量、抗逆性和抗病性等复杂性状[2,4]。利用自动化传感器、无人机和图像分析技术的高通量表型分析，结合AI，可以精确测量性状、早期检测疾病并识别候选基因[5,6]。
AI还在基因组编辑中发挥着关键作用，通过优化CRISPR引导RNA设计并预测基因编辑结果。此外，通过AI驱动的数据挖掘和网络建模进一步细化了性状关联分析[5,43]。尽管有这些优势，但仍面临诸多挑战：数据限制、计算成本以及基因型-环境相互作用的复杂性[3,5,44]。未来的发展方向包括开发AI驱动的智能育种平台，整合机器人技术和传感器技术，以实现气候适应性强的作物培育。总之，AI和ML通过加速育种周期、提高预测准确性以及促进大数据分析，正在改变植物育种方式。这些技术具有巨大潜力，能够培育出满足全球日益增长的粮食需求的优质作物品种[3,4]。本文的主要目的是全面概述机器学习和人工智能在植物育种中的应用，重点在于表型分析、基因分型预测和多组学数据整合以促进作物改良。
部分摘要
综述框架：从基因组选择到数字化和AI驱动的育种
利用密集的全基因组范围标记进行基因组选择（GS）的概念标志着数据驱动育种的第一个浪潮，克服了标记辅助选择的许多局限性[45]。在此基础上，最近的研究提出了数字化育种的愿景，即GS和其他预测模型被嵌入到高度自动化的流程中，这些流程设计杂交组合、推进世代选择，并在最小的人为干预下选择优良品系，同时考虑了不同环境的影响
人工智能（AI）
人工智能（AI）在植物育种中的应用包括设计用于分析复杂生物数据的系统，其组成部分涵盖数据处理、模式识别和决策算法[54,55]。AI指的是创建能够执行通常需要人类智能的任务的系统，而机器学习技术是AI的一个子集，专注于开发使机器能够从数据中学习并提高性能的算法
基因组学在作物改良中的应用
如今，植物基因组已经接受了结构和功能基因组学的研究。在先进基因组学领域，现代植物育种受到了显著影响。借助基因组技术，科学家可以研究作物的整个遗传组成，并识别控制关键农艺性状的基因，如产量、抗病性、耐旱性和营养价值[21,94]。植物育种者可以更快地培育出更好的作物品种
基因组选择
近年来，由于人工智能（AI）技术的发展，包括机器学习（ML）和深度学习（DL），植物育种经历了范式的转变。这些尖端技术改变了我们对植物生物学的理解[135,136]。智能育种技术指的是整合基因组学、表型组学、人工智能（AI）和机器学习（ML）等先进工具，以提高育种过程的效率
组学数据类型
为了全面理解复杂的生物系统，需要整合多组学数据，如转录组学、蛋白质组学和基因组学[197]。这些整合技术可以用于疾病亚型分类、生物标志物发现和途径分析，有助于发现生物分子及其功能之间的联系。早期中间阶段和后期阶段的数据融合是几种整合方法的一部分
机器学习算法
为了预测产量和抗逆性等关键性状，机器学习（ML）算法在植物育种中变得越来越重要。ML算法允许研究由高通量表型分析和基因组学产生的庞大复杂数据集（表4）。随机森林（RF）、标准支持向量机（SVM）、多层神经网络和深度学习架构是已被证明具有高准确性的常见机器学习模型
AI驱动的植物育种中的挑战、局限性和未来前景
从上述讨论可以看出，通过先进的机器学习和深度学习模型提高性状预测的速度和准确性，AI在植物育种中提供了多种显著优势，包括显著加快育种周期[205,206]。AI提高了预测准确性，并通过结合大型复杂数据集（包括遗传、表型、环境和多组学数据）更精确地选择理想性状
结论
AI通过整合多组学数据和先进的机器学习技术，革新了植物育种，提高了基因型-表型预测的准确性，加速了基因发现，并优化了高产、抗病、气候适应性强的作物育种计划。尽管存在数据质量和计算需求的挑战，但智能育种框架结合AI、机器人技术和可解释模型提供了更快的选择周期和可持续农业。最终，AI驱动的方法
CRediT作者贡献声明
Manasi Bhoi：撰写——初稿。Anjuvan Singh：概念构思。Neelam Yadav：撰写——审阅与编辑。Sangram Singh：撰写——审阅与编辑。Ajar Nath Yadav：撰写——初稿。
利益冲突声明
作者声明没有已知的竞争性财务利益或可能影响本文工作的个人关系。
致谢
我感谢旁遮普省Lovely Professional大学的生物技术系为我提供了良好的写作环境和氛围。
Manasi Bhoi | Anjuvan Singh | Neelam Yadav | Sangram Singh | Ajar Nath Yadav
