【Molecular Plant】玉米团队利用AI驱动复杂性状研究范式革新，解锁玉米氮利用效率遗传密码

　　

南湖新闻网讯（通讯员 杨昊岩）8月11日，作物遗传改良全国重点实验室及湖北洪山实验室严建兵教授、郭婷婷教授团队，联合美国农业部农业研究署李显然研究员等，在国际学术期刊Molecular Plant在线发表了题为“Decoding genetic basis of nitrogen use efficiency in maize using AI-generated deep phenotypes”的研究论文。

将玉米从单一“能量源”升级为“能量源+蛋白罐”，是提升我国饲料蛋白供给能力、保障粮食安全的一条重要路径。高蛋白玉米不是简单“多施氮肥”，而是要提高玉米的氮利用效率，让植株把有限的氮吸收好、利用好，并高效转运到籽粒中。然而，要解析氮利用效率的遗传基础，首先要解决一个关键难题：如何全面、准确地表征玉米对氮的响应。

长期以来，复杂性状研究遵循一条经典路径：先由人定义表型，再通过人工测量、传感器采集或预设算法获得表型数据，最后根据这些数据开展遗传分析。这套“人为定义—表型测量—遗传分析”的范式推动了作物研究，但也形成了一条难以逾越的人工知识边界：未被人类察觉、难以直接测量或尚未被定义的表型，难以进入后续遗传分析。就像拿着一张由人绘制的地图寻找宝藏，而地图之外还隐藏着大量尚未被认识的生物学线索。

图1 AI拓展复杂性状研究的知识边界

这项研究直接打破了“表型必须先由人定义”这一传统规则，将研究的起点从“人为定义”重构为“AI对复杂性状的从头学习、重新解读”，让AI直接从高、低氮处理下的大规模植株图像中从头学习，自主发现能够表征玉米氮响应的图像知识。为此，团队利用玉米多样性群体开展高、低氮盆栽试验，在不同生育时期拍摄了25080张高分辨率图像。AI识别高、低氮表型差异的准确率达到96.7%，在此基础上，研究人员进一步将AI学习到的知识转化为可计算、可遗传、可验证的“深度表型”。这项研究改变的不是表型测量的速度或精度，而是表型知识的产生方式，由此重构了复杂性状遗传解析的研究范式。

AI生成的深度表型不是无法解释的“黑箱”，它们能够稳定重复并具有较高遗传力。利用深度表型进行基因挖掘，共发现523个显著遗传位点，而传统表型仅发现21个。更重要的是，团队依据AI不同深度网络层关联到的基因，反过来追问“AI究竟学到了什么？”，结果表明浅层网络包含人类感知范围内的简单信息，深层网络则关联到更复杂、过去育种中较少关注的遗传变异。团队还对深度表型关联基因进行功能验证，发现bZIP家族的转录因子LG2在玉米氮吸收效率调控中起到重要的作用。由此，研究形成了“AI生成新表型—遗传定位—基因验证—反向解释AI”的完整闭环，使AI的发现既能回答生物学问题，又能帮助人们理解AI的决策依据。

为了拓宽研究结果的应用价值，团队在湖北襄阳开展了200亩规模的田间试验，在多个施氮水平下种植了200个玉米商业杂交种。结果显示，在低氮条件下，携带深度表型相关有利等位基因越多的材料，穗重优势越明显。以田间小区中央连续20株玉米为统计单位，每增加一个有利等位基因，穗重平均增加18克。这表明，AI生成的氮响应表型不仅能够揭示传统方法容易忽略的遗传变异，还可以进一步转化为育种可利用的遗传资源。

图2 深度表型关联基因的育种价值评估

从高蛋白玉米的长远目标看，这项研究补上了关键一环：突破人工预设表型的限制，发现决定氮高效吸收和利用的新表型、新基因与有利等位变异。未来，将AI深度表型与氮素吸收转运、籽粒蛋白形成以及高产高蛋白协同改良研究结合，能够实现“少施氮、产量高、蛋白足”玉米材料的精准选育，让人工智能真正成为高蛋白玉米品种创制的重要引擎。