《Journal of Genetic Engineering and Biotechnology》：Artificial intelligence-driven advancements in agricultural biotechnology
编辑推荐：
人工智能（AI）在农业领域的应用源于对更快速、更具信息量的数据处理以支持更好决策的需求。得益于计算机科学的最新进展以及现代计算机计算能力的提升，人工智能不仅增强了传统解决方案，还有助于开发应对现有挑战性问题的创新方案。人工智能驱动模型具有识别模式、整合多样化数
人工智能（AI）在农业领域的应用源于对更快速、更具信息量的数据处理以支持更好决策的需求。得益于计算机科学的最新进展以及现代计算机计算能力的提升，人工智能不仅增强了传统解决方案，还有助于开发应对现有挑战性问题的创新方案。人工智能驱动模型具有识别模式、整合多样化数据集合并进行推理的卓越能力。全球人口增长和气候变化对农田造成的日益增加的压力正在降低增长、产量和生产力，最终对全球粮食安全构成风险。将人工智能融入农业有望将农业效率提升至新高度。本综述批判性评估了人工智能在农业生物技术中从理论概念到全球现象的演变。研究人员使用包括PubMed、Web of Science、Embase、Scopus、Lens和Cochrane Library在内的主要科学数据库进行了全面的文献检索。在本综述中，研究人员以实证方式展示了该领域向更强大人工智能系统的发展，并讨论了人工智能在作物改良和精准农业中的当前应用，如作物改良与基因工程、基因组选择与植物育种、病虫害检测、精准农业与智能农业、土壤健康与养分管理、气候韧性作物开发、畜牧生物技术、基于人工智能的农业生物技术中的挑战与伦理考量。此外，本综述论述了该领域商业知识产权的指数级增长，并将其与学术出版物产出进行对比。最后，研究人员批判性评估了阻碍人工智能公平采纳的伦理挑战，包括数据主权和数字鸿沟，同时展望了涉及量子计算的未来前沿。本综述将有助于构建能够适应气候变化的可持续农业系统，促进气候韧性和高产作物的开发，并应对全球粮食安全挑战。
**人工智能（AI)** 人工智能并非单一、统一的技术，而是涵盖了一系列旨在模拟人类认知能力的计算方法与系统。其历史发展可大致分为三个阶段：基于规则的AI（1950年代—2000年代）、预测性AI（2000年代—2020年代）以及生成式与自主式AI（2020年至今）。当前大多数AI属于"狭义AI"或特定领域AI，针对特定、明确的任务进行优化；而通用人工智能（AGI)则代表理论上能够理解、学习并在多个领域应用知识的AI系统。为实证绘制AI在农业领域演进与整合的图谱，研究人员开展了文献计量网络分析，涵盖2015年1月至2025年12月期间发表的13,168篇经同行评审的期刊文章和综述，使用了VOSviewer进行可视化分析。结果显示，AI已不再是孤立的技术，而是深度整合于多种生物技术应用中的系统。
**AI核心方法与计算架构** AI的有效性源于一套方法论和计算架构框架。**机器学习（ML)** 涵盖使计算机识别模式和进行推断的基础算法模型，一般分为监督学习、无监督学习和强化学习（RL)。监督学习依赖标注数据集，模型通过迭代最小化预测输出与实际数据之间的误差梯度进行训练。无监督学习在原始未标注数据上自主映射数据集的潜在结构，广泛应用于精准农业中异质性土壤区域的检测以实现变量施肥。强化学习则在动态环境中通过试错过程学习做出序列决策，代理人根据反馈逐步发展最大化累积奖励的策略。**深度学习（DL)** 作为机器学习的分支，采用包含多个隐藏层的人工神经网络，能够自动直接从原始非结构化数据中学习复杂的非线性表征。**卷积神经网络（CNNs)** 专为处理网格状数据设计，通过卷积滤波器从原始输入数据中提取层次化空间特征。**循环神经网络（RNNs)** 针对序列数据处理优化，通过内部记忆状态保留先前输入的信息以考虑时间依赖性。**Transformer** 通过自注意力机制绕过RNN的序列处理，并行处理序列并分配不同重要性水平以更有效捕捉长距离关系，已成为大规模深度学习系统中的主导架构。**自然语言处理（NLP)** 整合语言学、计算机科学和机器学习原理，使计算机能够解释、分析和生成人类语言，典型步骤包括分词、嵌入和语义分析。**图神经网络（GNNs)** 和知识图谱（KG) 则用于分析图结构数据，GNN通过消息传递过程迭代聚合邻居节点信息，KG以三元组形式存储知识网络，提供领域特定信息。
**AI在生物技术中的工作原理** 数据表示与特征提取是将原始生物数据转化为计算机可解释的高维数值结构的关键过程。深度学习系统能够自动识别和提取数据中最具信息量的模式，如视觉Transformer和CNN处理高分辨率图像以自动提取表型特征，检测早期水分胁迫下叶片萎蔫的细微像素变化。通过监督学习进行预测分类，模型在大量标注样本上训练，利用反向传播等优化程序减少预测误差，训练有素的CNN可用于分类诊断作物病原体。**设计-构建-测试-学习（DBTL)** 循环是开发和优化生物系统的基础迭代框架，人工智能的整合加速了这一循环的每个阶段，通过计算预测、自动化合成、高通量数据处理和多组学数据映射，研究人员能够绕过传统的试错方法，将资源集中于最有前景的候选对象。
**农业大数据与数据处理** 现代农业日益依赖大型多样化数据集，农业数据生态系统整合了卫星多光谱影像、气象站时间环境测量、土壤微生物组测序和高通量植物表型平台等多源信息。原始农业数据具有噪声、稀疏性和批次效应等特征，需经过归一化、缺失值插补和技术伪影去除等预处理。传统特征工程依赖领域专家手动识别信息变量，而深度学习的发展推动了自动特征提取，卷积层可自主工程化特征以检测叶片形态或冠层温度的细微变化。模型开发中常面临维度灾难问题，需采用k折交叉验证Inverted等严格数据划分策略，使用受试者工作特征曲线下面积（AUC-ROC)、精确率、召回率和F1分数等指标评估性能，现代监管标准 increasingly 要求外部验证以确保AI在不同农业气候中的可靠性。
**AI在作物改良与基因工程中的应用** AI与CRISPR-Cas9工具的结合提升了开发高产作物品系的精确性和效率。AI在优化从靶点发现、向导RNA设计到预测脱靶效应的整个流程中发挥重要作用，能够快速识别最优gRNA选项并标记潜在的非预期变化位点。机器学习工具可预测gRNA效率，通过分析DNA模式、染色质开放状态、基因化学标记等大量遗传数据，筛选出最适合的基因。AI还帮助优化Cas9版本和CRISPR组件，通过蛋白质结构分析预测氨基酸变化的影响，指导Cas9酶的定向进化。Protein MPNN等工具快速识别潜在氨基酸列表，加速构建更精准的Cas9类型，从而快速设计出更高产量、抗病性或营养强化的新作物品种。
**AI在预测性合成生物学中的应用** AI驱动的预测建模利用计算工具预测工程化遗传回路和代谢通路在植物内的行为，超越传统试错方法。机器学习和深度学习算法分析大规模基因组、蛋白质组和代谢组数据集，构建预测模型以预测表型结果。AI可模拟新品种在特定环境中的表现，优化基因表达和代谢活性，识别驱动重要生化过程的最佳遗传配置和调控元件。AI还能设计具有特定功能的新蛋白质和酶，整合入合成生物学通路以赋予作物新性状。AI与合成生物学的结合还促进了自动化生物工程工作流的发展，管理DBTL循环的每个步骤，实现快速原型设计和改进。
**高通量表型鉴定在遗传表征中的应用** AI辅助高通量表型鉴定（HTP)弥补了基因型与表型之间的鸿沟。HTP系统利用先进传感技术、机器人技术和成像系统快速、非侵入性地收集植物生长、发育和胁迫反应的大量数据。计算机视觉自动测量复杂性状并检测显示遗传变异或胁迫反应的细微差异，预测不同环境下的植物表现，帮助鉴定与耐旱性、抗病性和养分效率相关的基因。
**AI在基因组选择与植物育种中的应用** 机器学习模型已成为基因组预测不可或缺的工具，通过基因组信息预测个体遗传优劣，加速育种周期并提高选择准确性。与传统依赖表型选择的方法相比，机器学习模型可整合大规模基因组、表型和环境数据集，准确估计育种值。CNN和RNN等深度学习架构在捕捉基因组数据中的非线性关系和复杂交互方面表现出色，常优于传统统计方法。AI算法还加速育种周期，通过基于遗传谱系预测作物品系表现，使育种者无需依赖多年田间试验即可识别有前景的候选品系。结合快速世代推进（RGA)技术，可在优化条件下缩短生命周期并实现精确选择策略，配合AI驱动的表型鉴定和基因组选择，每年可产生多代，显著缩短总体育种时间线。
**AI在病虫害检测中的应用** AI驱动的计算机视觉系统利用无人机、地面机器人甚至智能手机采集的视觉数据，通过高级图像处理能力分析病原特征。CNN可从大量标注图像数据集中学习与特定病原体相关的复杂模式和特征，实现快速准确的疾病分类，区分不同类型的感染甚至模拟病害症状的逆境胁迫。计算机视觉可直接部署于田间连续监测作物健康，在潜在疾病爆发瞬间发送警报，限制病原体传播并减少广谱杀虫剂使用。自动化监测系统与无人机监测技术代表了农业的重大飞跃，无人机配备高分辨率相机和多光谱或高光谱传感器，捕获包括视觉影像、热特征和光谱反射率在内的海量数据，揭示早期症状。AI与无人机技术的整合实现连续自主田间监测，在问题显现为严重损失之前及早发现。
**AI在精准农业与智能农业中的应用** 变量速率技术（VRT)与AI的整合显著提升了农业投入的精准高效应用，允许根据田间不同区域的具体需求变量施用肥料、水、农药和种子。AI分析驱动的VRT可基于土壤养分水平精确施肥，优化灌溉仅在需要时送水，并根据土壤类型、历史产量和环境因素确定最佳播种密度。AI智能灌溉系统结合传感器数据与高级分析，实时监测土壤含水量、天气模式、蒸腾耗水和作物生长阶段，持续学习以预测需水量、识别异常模式并自动调整灌溉计划。AI在产量预测和收获优化方面也日益重要，分析卫星图像、无人机调查、天气信息、土壤指标和历史产量记录等多源数据，揭示植物发育的细微模式，生成更准确及时的产量预测；结合AI产量图和实时传感器数据，农民可确定最佳收获时机，减少收获后损失并提高经济效益。
**AI在土壤健康与养分管理中的应用** AI整合多源数据生成高分辨率土壤图谱，可估计土壤有机碳水平、pH、氮磷钾等关键养分以及土壤质地和含水量。AI支持预测建模，帮助预测土壤条件随农业实践或环境变化的可能演变，使农民能够预判产量问题、优化养分管理并采用更有效的土壤保护策略。AI模型综合土壤检测报告、植物组织数据、天气预测、卫星影像和历史作物表现等信息，估计不同生长阶段和土壤条件下的养分需求，设计随季节调整的施肥计划；与VRT结合可指导设备在田间不同区域精确输送养分。实时传感器监测土壤养分状态和植物健康，使农民能够快速调整施肥计划。
AI还在土壤微生物组分析和生物修复中发挥重要作用。现代测序技术产生的大量元基因组、元转录组和元蛋白质组数据，通过机器学习和深度学习分析，可识别关键微生物物种、预测其功能并揭示塑造微生物群落的相互作用。AI通过分析污染物类型、土壤条件和微生物组组成等变量，甚至可识别分解特定污染物的最佳微生物或酶组合，加速定制解决方案的设计；实时监测则可跟踪修复进展并调整处理设置以提高效率。
**AI在气候韧性作物开发中的应用** AI平台结合高通量传感器、机器人和计算机视觉，收集植物在不同胁迫情景下生长、发育和生理反应的大量数据，分析检测反映植物应对干旱、高温、盐碱等胁迫的有意义模式，识别可见症状出现之前的早期韧性迹象。AI驱动的图像分析可量化叶面积、冠层温度和叶绿素水平等关键指标，模拟不同基因型在未来气候条件下的表现，帮助育种者优先选择最具韧性的品系，改善对基因-环境-表型复杂关系的理解。
**AI在畜牧生物技术中的应用** AI模型可更准确地估计个体的遗传潜力，包括生长性能、产奶量、生育力和特定疾病抗性等性状。AI增强的基因组选择使用基因组数据而非等待后期性状表现来预测动物的育种价值，加速选择过程并提高收益。机器学习工具可定位理想性状背后的遗传标记，帮助设计增强有益性状同时维持遗传多样性的交配计划，降低近亲繁殖风险。在健康管理方面，AI利用可穿戴设备、摄像头、环境监控和畜群健康记录数据，在临床症状出现前识别潜在健康问题，实现早期预警和精准治疗；通过分析采食量、体况、运动等指标实时调整饲料组成和投喂，预防代谢紊乱；还支持流行病学监测，识别风险因素并预测潜在疾病爆发。
**AI驱动的生物肥料和生物农药开发** AI加速生物肥料的开发和优化，帮助快速识别具有生物肥料潜力的微生物菌株或组合，预测参与养分循环或激素生产的代谢通路，优化发酵和生产过程以提高一致性、可扩展性和成本效益。在生物农药开发方面，AI辅助从植物提取物或微生物代谢物中识别新型毒素、拒食剂或驱避剂，分析分子结构预测生物活性和作用机制，优化大规模生产的发酵过程，与高通量筛选平台整合以快速评估生物农药性能。
**商业化与研究趋势** 农业AI的转变不仅限于学术界，商业知识产权生成和私人股权投资也积极跟进。2015年1月至2025年12月期间，AI驱动的农业专利和专利申请数量呈指数级增长。虽然学术产出与商业知识产权呈现相似轨迹，但学术产出在2023年出现显著收缩，可能由于后疫情出版延迟或数据库索引滞后；而商业专利申请完全不受此波动影响。农业科技投资报告显示，面向消费者的下游技术资金达到61亿美元，同比增长38%；中游技术资金增长约41%，总计17亿美元，确认了从传统农学向AI驱动架构的转变是全球资助的、商业可行的范式转变。
**挑战与伦理考量** 数字鸿沟是农业AI中最紧迫的伦理问题之一，AI所需的基础设施主要对高收入国家的农民可及，小农户尤其在不发达地区因缺乏资源而处于严重不利地位。数据主权问题也至关重要：谁真正拥有农民田地产生的数据？农业科技巨头常收集这些现场数据训练专有算法，造成巨大权力不对称。算法偏误问题不容忽视，许多基础农业模型基于西方温带气候数据集训练，当部署于截然不同的农业生态区时可能导致错误决策。此外，通用机器学习系统通常优化单一指标即最大化短期产量，可能忽视长期土壤微生物组、水毒性和本地生物多样性等生态问题，因此AI的伦理部署必须包含"伦理设计"理念。
**未来展望** 自主农场代表了未来发展方向，自主式AI作为自主决策者，能够进行长期规划和任务执行，协调智能灌溉网络、机器人除草机和收割机等多个子代理。量子计算作为农业的下一个前沿，能够处理庞大的多变量数据，近期研究展示了将量子计算与神经网络结合可精确模拟土壤养分通路和共生根际微生物关系，优化生物肥料配方，显著提高作物产量并减少化学径流。
