综述：植物智能的计算模拟：融合混合人工智能与合成生物学解码植物适应性策略

《Current Plant Biology》：Plant Intelligence in silico: Integrating Hybrid Artificial Intelligence and Synthetic Biology to Decode Adaptive Plant Strategies

　　

植物智能被定义为植物通过分布式生化、电学与表观遗传网络整合环境信号，进而产生适应性生理或发育反应的能力，该过程无需神经认知参与。这一定义将植物的适应性可塑性区别于动物认知，同时维持了严谨的生物学框架。这一现象数十年来一直吸引着生物学家，但在复杂的生物互作与海量异构数据中，其潜在机制仍难以捉摸。合成生物学与人工智能（AI）的最新突破为在计算模拟（in silico）环境中解码这些适应性策略提供了前所未有的机遇。本综述探讨了融合预测性AI、基于智能体的建模（含大语言模型LLMs与检索增强生成RAG）及仿生算法的混合AI系统，为通过合成生物学模拟和研究植物适应性行为开辟了创新路径。研究人员强调，这类混合方法能够桥接实证科学与理论洞见，助力设计可模拟植物应对多样挑战的非凡适应能力的韧性合成生物系统。

1. 1.
   引言
   植物展现出一种显著的去中心化“智能”，使其能够在无集中神经系统的情况下适应多样环境条件。这种智能通过向光性、资源分配以及对生物与非生物胁迫的响应等复杂行为体现，挑战了传统上与脑部决策绑定的认知观念。植物的去中心化智能源于生化信号、电信号与物理抗性的复杂互作，使其能够高效应对环境胁迫。例如，植物会根据光照、重力或干旱等刺激调整生长模式或分配资源，这引发了对如何超越单纯的自然观察，去理解、学习并复现此类适应性策略的思考。
   植物合成生物学为探索和利用这种去中心化智能提供了有力框架。通过设计与工程化生物系统，合成生物学能够创制或修改生物元件以开发新的植物性状与功能。该方法旨在在工程系统中复刻植物的自然适应能力，实现植物在从生物反应器到干旱地区甚至地外栖息地的恶劣环境中的自主调控。实现这一愿景需要深入理解分子与细胞层面的植物决策机制，而非依赖经验观察或试错式遗传操作。合成生物学产生的从分子动态到整株系统的多尺度复杂数据集，为先进分析工具的应用奠定了基础。
   人工智能（AI），尤其是混合AI系统，为在计算模拟环境中解码这些适应性策略提供了变革性机遇。合成生物学数据集的复杂性与异质性要求先进算法以实现有效分析与解读。预测性AI可识别模式与关联，从而预测植物对环境刺激的反应；生成式AI能够模拟新颖的植物适应方式，为假设场景提供洞见；符号推理则通过提供框架来理解植物决策背后的逻辑原则。然而，单一方法均存在局限：预测性AI难以处理因果性，生成式AI可能产生生物学无关模型，符号推理可能过度简化分子与生态关联。混合AI整合了上述技术的优势，将预测、生成与符号方法与基于智能体的建模（含大语言模型LLMs与检索增强生成RAG）相结合，从而桥接实证植物生物学与理论框架，支持设计模拟植物韧性与适应性的合成生物系统，推动植物合成生物学的基础认知与实际应用。
2. 2.
   植物智能的基础
   植物智能是一种去中心化决策形式，由相互连接的信号级联驱动，协调生长、营养分配与胁迫响应等关键功能。与动物的集中神经系统不同，这种智能依赖于生化、电学与物理信号的分布式网络来实现适应性行为。例如，拟南芥中的POLARIS（PLS）肽促进生长素、细胞分裂素与乙烯通路间的激素串扰，调节根构型以应对干旱或盐胁迫引起的渗透胁迫。通过改变根的结构与功能，PLS提升了水分与养分吸收效率，体现了肽如何将环境线索整合进发育调整中。长距离信号传递的典型例子是钙离子（Ca²⁺）波，它通过植物维管组织传播，使远端组织对局部胁迫作出响应。这些波由谷氨酸受体样（GLR）蛋白启动，依赖离子流与化学梯度，展示了植物如何在无神经系统的情况下通过快速电耦合机制传递信息。类似地，过氧化氢（H₂O₂）作为纳摩尔浓度的氧化还原信号分子，调控基因表达并影响植物激素网络，从而调整生理与发育过程。在氧化胁迫（如非生物胁迫或病原攻击）下，升高的H₂O₂水平会触发抗氧化防御并改变生长模式，凸显其在精细调控胁迫响应中的作用。
   在此基础上，植物表现出对先前胁迫经历的“记忆”，从而在再次遭遇时作出更高效的响应。初次暴露于干旱或盐胁迫等条件下，植物会通过表观遗传改变、激素波动或分子印记修饰其生理状态，从而在再次暴露时实现校准后的适应。这种适应性机制通过优先分配资源与激活防御来提高存活率。
   延伸至“学习”样行为，植物表现出基于过往刺激的习性与预期能力。在含羞草（Mimosa pudica）中，重复的机械刺激导致习性化，叶片在最初闭合后保持展开，因为植物“学会”该刺激无害。这种响应可维持数周，由分子或表观遗传状态介导，而非神经处理。在拟南芥中，轻度干旱预处理可增强对后续胁迫的耐受性，可能通过组蛋白修饰维持适应性表观遗传状态。这种可塑性使植物成为能够根据过往经验预期未来环境条件的主动主体。
   这种智能的核心是表型可塑性，即基因表达的情境依赖性调控，使植物能够响应刺激而产生性状变异。合成生物学利用这一点，借助合成启动子与模块化顺式调控元件，结合多组学数据设计代谢回路，在特定条件下动态产酶。例如，利用噬菌体ΦC31整合酶的切换开关可在合成回路中产生稳定的表观遗传记忆，使植物能够“记住”病原暴露并启动防御，这一过程被称为“胁迫记忆”。CRISPR介导的碱基编辑进一步优化了可塑性，通过在胁迫相关基因（如ABA信号通路关键调控因子OST1）中引入精确核苷酸变化来提高耐旱性。这些方法桥接了自然机制与工程解决方案，深化了对植物适应性的理解。
3. 3.
   合成生物学在植物智能中的应用
   合成生物学利用对植物去中心化智能的洞察来工程化韧性系统，从改良作物抗逆性与营养，到开发生物传感器与仿生技术，再到构建用于决策的复杂回路。首要应用是通过精准基因组编辑与通路工程开发抗逆作物。例如在小麦或玉米中，设计的遗传回路可增强脱落酸（ABA）信号，动态调节气孔行为，在炎热干旱条件下保水的同时维持光合作用。通过模拟自然去中心化响应，这些回路提高了植物对非生物胁迫的适应性，并启发了机器人领域的创新——尤其是仿生系统如Flora Robotica项目，借鉴植物信号网络（如钙波、生长素梯度）设计自适应机器人系统与去中心化架构，实现对环境刺激的集体响应。
   合成生物学还通过生物强化应对全球营养不良问题。黄金大米通过工程化生产前维生素A，旨在改善以大米为主食人群的维生素A缺乏状况。类似地，高粱经合成启动子改造后增强了铁与锌的吸收，为撒哈拉以南非洲提供营养强化的主粮。这些干预措施通过优化资源分配为人类福祉服务，提升了植物的“智能”。与此同时，植物分子农业（PMF），尤其是在本氏烟草（Nicotiana benthamiana）中利用去构件病毒载体与合成调控回路进行瞬时表达，通过快速、可扩展且低成本生产重组疫苗、酶与治疗性抗体，拓宽了高价生物制剂的可及性。糖基工程（人源兼容N-聚糖）、高产质体与小双生病毒系统以及回路级控制（诱导型/可切换启动子、前馈环以实现更严格表达）的最新进展，正在提高产品质量、生物防护与批次一致性，支持疫情期间的应急生产并提升全球生物制药可及性。此外，植物还作为“活体生物传感器”用于环境监测。通过将绿色荧光蛋白（GFP）等荧光蛋白基因置于对污染物（如砷或镉等重金属）响应的启动子下游，工程化拟南芥可在污染存在时“发光”，应用于土壤修复至地雷探测等领域，如植物在接触TNT等化合物时变色。
   最后，合成回路复刻植物在资源优先级上的决策能力。切换开关可实现基因表达状态的改变，使植物能够根据多重刺激整合结果，将生长导向光源或激活害虫防御。受控的水平基因转移（HGT）加速了创新，例如通过工程化细菌将固氮等性状从豆科植物转移至谷物，减少化肥依赖，同时通过监管管理生态风险。这些工具将植物智能的隐喻转化为切实的去中心化系统，服务于计算、自动化与可持续农业。

3.1 混合AI驱动的合成生物学应用

混合AI-合成生物学系统已从概念流程转向经实验验证的平台，直接加速基因发现、基因组编辑精度与工程化生物功能的实现。知识图谱驱动的挖掘引擎如KnetMiner整合多层基因组、表型与文献衍生关系，优先排序具有功能相关性的因果位点。在小麦中，KnetMiner通过整合数量性状位点、转录组特征与基于本体的性状关联，实现了对干旱响应候选基因的系统排序。这种整合优先排序大幅缩减了候选搜索空间，提高了下游验证效率，从而鉴定出此前未被表征的胁迫抗性相关位点。

精准基因组编辑流程同样通过深度学习驱动靶标优化取得进展。DeepCRISPR等平台采用卷积神经网络架构，基于大规模编辑数据集训练，预测向导RNA在不同基因组背景下的效率与脱靶倾向。互补的表观基因组编辑系统如CRISPRoff可实现可编程且可遗传的基因沉默，且不诱发双链DNA断裂，从而降低传统编辑策略相关的基因组不稳定性风险。实验验证研究显示，其在提高靶标编辑保真度与降低非预期脱靶突变方面成效显著，解决了基因组工程流程中长期存在的局限。

除直接基因组编辑外，混合AI框架还实现了植物相关微生物组的理性工程化，以提升资源受限条件下的养分获取能力。机器学习指导设计的合成固氮微生物群落，在非豆科种植体系中提高了定殖稳定性、代谢兼容性与氮转移效率。田间规模验证实验报告显示，在限氮环境下取得了可测量的产量增益，证明了AI优化的微生物工程策略在可持续作物生产中的转化可行性。

尽管取得上述进展，大规模基准研究揭示了一个关键的转化瓶颈：相当比例的AI优先排序基因靶标在实验验证中未能产生可重复的表型效应。对计算预测流程的荟萃分析表明，仅有少数提名候选进入已验证的功能性状阶段，凸显了建立标准化验证框架、多环境测试以及计算预测与实证实验间迭代反馈整合的必要性。

1. 4.
   植物智能中预测性与生成式AI系统的开发
   预测性与生成式AI的进步正通过实现精准诊断与超越传统方法的自适应模拟，变革农业研究。预测性AI主要由机器学习（ML）驱动，涵盖监督学习（基于标记数据预测结果）、无监督学习（发现隐藏模式）与强化学习（通过试错优化）。例如，强化学习可在不同土壤条件下优化根系生长策略以最大化养分吸收，并根据新数据持续迭代改进。
   图神经网络（GNNs）作为一种深度学习变体，擅长建模复杂的激素互作，如生长素与细胞分裂素之间的相互作用，为解析植物调控网络提供更深入的洞见。生成对抗网络（GANs）可合成胁迫下的高保真叶片图像，扩充数据集以弥补研究不足物种的标记数据短缺。扩散模型作为替代方案，可生成植物图像并模拟由气候条件或虫害侵袭导致的表型转变，支持在多场景中进行虚拟假设检验。
   在生成式AI中，自然语言处理（NLP）技术（包括GPT-4与Mistral 7B等大语言模型LLMs）可处理海量文献与数据集，生成精准的综合报告与建议。微调后的Mistral 7B在民族植物学领域表现出高精度，能够识别姜黄（Curcuma longa）中的姜黄素等生物活性化合物，并将其置于本土实践语境中，尽管在数据稀缺区域仍存在幻觉风险，需人工监督。
   在植物-环境通信方面，LLMs正被训练用于解析挥发性有机化合物（VOC）排放，充当植物信号的“翻译器”。例如，基于BERT的模型已成功应用于植物基因组与防御相关数据，如识别水稻中的增强子序列或分类作物病虫害相关信号。在多组学整合中，GPT-4结合随机森林的混合流程可关联转录组、蛋白质组与代谢组数据，成功鉴定出300多个参与玉米脂质代谢的基因，超越了传统工具。在表观遗传学研究中，RoBERTa等模型可高精度检测跨植物群体的甲基化模式，为胁迫相关基因调控提供洞见并减少基因组偏差，尤其适用于野生作物近缘种研究。这些工具共同提升了植物智能领域的数据整合、假设生成与预测建模能力。
   尽管进展迅速，植物科学中的AI系统仍面临重大技术局限。例如，LLMs容易产生幻觉，在基于不完整或有偏数据集训练时生成看似合理但生物学错误的解释。同样，基于模式生物训练的预测模型可能无法有效推广到多样化的作物物种，尤其是在田间条件下，基因型×环境互作复杂且不可预测。数据不平衡、注释不一致以及标准化多组学数据集的有限可用性仍是主要瓶颈。因此，克服这些局限需要整合符号推理与机制性生物学约束的混合AI架构，以提高透明度、可重复性与生物学可解释性。
2. 5.
   混合AI作为植物智能的解码工具
   混合AI是指不同AI范式的融合，以发挥互补优势并更有效地应对挑战。混合AI系统结合了符号AI（基于规则与显式知识表征）与亚符号方法（如神经网络、LLMs等，更适合模式识别与基于数据的学习）。这种整合使混合AI能够统筹预测性与生成式AI以及符号推理，提升适应性、可解释性与可扩展性。这些能力在植物合成生物学与植物智能系统等领域尤为重要，混合AI可通过结合灵活的基于规则的逻辑与LLMs处理、生成和学习大规模数据流的能力，解码复杂的生物过程与适应性策略。

5.1 信号转导网络建模

近期结合图学习与多组学整合的研究已开始在实践中解析通路串扰。例如，适配于生物网络的图神经网络方法可从蛋白质组与转录组谱重建信号关系，帮助揭示调控生长与防御权衡的激素互作（如生长素-细胞分裂素）。当这些数据驱动的网络与知识引导或物理/机制约束（混合AI的标志）相结合时，所得模型兼具更高预测力与可解释性，并产生可直接转化的可检验假设，用于提升作物抗性与生产力。

5.2 表观遗传可塑性与计算预测

混合AI进一步阐明了表观遗传可塑性，即植物通过修饰“记住”胁迫条件并在再次遭遇时更快响应的能力。经混合AI增强的计算模拟工具可通过分析盐胁迫或热胁迫等关键非生物胁迫下的DNA甲基化模式变化来预测这些修饰。2024年一项关于水稻遗传与表观遗传状态的研究利用梯度提升算法预测这些变化，并将其与稳定的种子活力相关联。此类预测能力为工程化具备可遗传抗性的作物铺平了道路，构成了令人振奋的研究前沿。然而，处理生成的海量表观遗传数据将需要可扩展的技术，量子计算的整合可能会进一步推动环境研究的发展。

5.3 表型可塑性模拟

与此密切相关的是表型可塑性模拟，这是理解植物如何根据环境线索改变性状（如叶大小、根深度）的关键。混合AI在此至关重要，它利用进化算法预测气候情景并模拟多变环境下的形态适应。利用田间数据验证这些模型不仅能优化预测，还能揭示可塑性的潜在机制。这些知识可转化为生物工程应用，支持设计具备可调性状、模拟自然适应性的合成生物。

5.4 抗逆系统工程

在实际应用中，混合AI推动了抗逆系统工程，这是提升作物对干旱等极端环境因素抗性的核心。借鉴植物的自然响应，混合AI促进了包含ABA通路的合成回路的创建，这对植物胁迫管理至关重要。这些回路在微生物或人工细胞中测试后，显示出在胁迫下保水能力的显著提升，利用混合AI的特异性与适应性优化性能，同时模拟自然的耐旱机制。

此外，适应性策略的计算模拟强化了作物改良工作。例如，一种结合基因编辑的耐旱性预测AI算法可增强这一适应性性状。在高粱中的概念验证显示，利用强化学习优化根深度，培育出的新品种水分利用效率提高了20%。这种方法绕过了试错式育种，为干旱环境提供了快速解决方案。此外，计算推断还延伸至多基因抗性，整合产量提升、病虫害抗性与气候适应，这些成果是经典育种无法实现的。

5.5 自主资源觅食

混合AI还推进了自主资源觅食研究，深入解析植物根系通过复杂分支模式优化养分吸收的策略。通过分析这些自然现象，研究人员开发了强化学习模型，并由LLM采集的觅食数据提供信息，以设计合成根状结构。这使得AI驱动的机器人能够模拟自然根系的生长与适应性。创新还延伸至土壤修复领域，合成根系可有效去除污染物；在太空探索中，则有助于在地外环境中获取资源以支持可持续生命保障。因此，自主资源觅食原理不仅加深了对植物生物学的理解，还为极端环境下的适应性技术开辟了道路。

5.6 仿生通信网络

最后，仿生通信网络借鉴植物在威胁期间释放挥发性化合物等自然信号，为混合AI模拟提供基础。这些模拟构建了去中心化信号合成系统的框架，模拟植物通信。混合AI的仿真能力催生了新型网络，包括使微生物能够通过群体密度进行协调的模块，类似于植物群落中的群体感应。这些进展支持了高效的生物生产、环境监测与自适应人工环境，为构建呼应自然和谐的韧性智能合成生态系统铺平了道路。

1. 6.
   未来展望与结论
   混合AI与植物合成生物学的融合代表了农业创新的范式转变，提供了前所未有的设计、模拟与优化生命系统的能力。混合AI可在计算模拟环境中重建植物智能的表征，捕捉植物-环境互作的复杂性。这些数字植物模型将使合成生物具备去中心化、自适应的决策能力，其中嵌入的计算框架允许作物实时感知、解读并响应环境刺激。AI与合成生物学的融合将日益聚焦于可扩展且符合伦理责任的解决方案，以应对可持续粮食生产、退化生态系统恢复与气候变化适应等紧迫全球挑战。例如，AI驱动的基因组设计可快速开发适配本地土壤微生物组的植物品种，而生物工程性状（如增强的固氮能力）可减少合成肥料的依赖。
   量子计算有望放大这些能力，实现对表观遗传与调控网络动态的超快模拟，处理海量数据集。这一计算飞跃可能使预测与设计可稳定遗传多代的抗逆性状成为可能，大幅缩短育种周期并提高气候韧性。与此同时，由生成式与预测式AI模型驱动的多组学流程升级将揭示基因组、转录组、蛋白质组、代谢组与表型组之间的隐藏联系。通过整合这些层次，研究人员可识别出用于生物强化的潜在代谢通路（例如提高主粮作物的微量营养素含量）以及针对极端高温、干旱或盐胁迫的工程化抗逆能力。
   然而，创新速度必须与稳健的伦理与生态治理相平衡。潜在风险包括向野生近缘种的水平基因转移、非预期的生态系统干扰以及技术获取方面的社会经济不平等，这些都需要审慎的监管。开放访问API、可互操作的数据标准与基于云的AI工具对于实现植物智能技术的民主化至关重要，确保利益惠及资源有限的地区，而不仅仅是资金充足的研究机构。实现这一愿景需要分子生物学家、生物信息学家、生态学家、农学家与系统生物学家之间的深度跨学科协作。基因组编辑等基础生物技术仍将是精准性状工程的前沿，而RNA病毒载体与表观遗传开关则为瞬时或可逆转的遗传控制提供了新途径。
   将这些生物工具与AI驱动的功能-结构植物模型整合，将加速复杂性状的预测、测试与规模化部署。这种协同作用有望催生新一代SMART作物——即能够根据环境反馈动态调整生长、资源分配与胁迫响应的植物，引领农业进入一个自优化、气候适应与可持续发展的新时代。