《Plant Stress》：Panomics-informed and AI-guided precision genome editing for crop improvement under combined abiotic stresses
田间作物很少只面临一种胁迫。高温、干旱、盐碱、淹水、养分限制和金属毒性经常同时发生，植物响应并非加性叠加。这导致单一胁迫研究结果与田间稳定表现之间存在差距。在本综述中，研究人员提出了一种预测性工程工作流，将组合感知实验、泛组学(panomics)、人工智能(artificial intelligence, AI)和精准基因组编辑相连接，以培育气候韧性品种。该框架首先利用因子设计和序列解析设计，配合时间与组织采样，绘制胁迫互作空间(Stress Interaction Space)。随后，泛组学层与强大的数据工程对齐，使基因型、调控、分子状态和性状能够相互关联。机器学习(machine learning)将这些数据整合为环境感知的泛组学网络模型，支持预测、因果收窄以及基于数字孪生(digital twins)的计算机模拟情景测试。该框架不按单基因效应排序靶标，而是采用基于网络的优先级排序，识别可引导胁迫响应的高杠杆驱动节点(driver nodes)。这些节点指导AI辅助的CRISPR设计，包括泛基因组感知的引导RNA选择、多重编辑以及优先脱靶评估，并通过测序验证。由于编辑等位基因必须在不同遗传背景、季节、环境和胁迫时序下进行测试，田间规模验证仍然困难。最后，研究人员描述了编辑等位基因如何通过现代育种管线（包括基因组选择、多环境测试和可重复数据标准）在复杂胁迫情景下实现田间可用的韧性。
1. Introduction
气候变化导致极端天气事件频发且共现，作物常同时或相继遭受多种非生物胁迫。单一胁迫研究虽提供了机制见解，但无法解释田间非加性的复合胁迫响应。植物通过高度连接的信号网络整合环境信号，如MAPK级联和关键转录因子，且表观遗传胁迫记忆可调节后续响应。该综述提出一个端到端工作流：从组合感知实验、泛组学测量，经AI优先级排序，到CRISPR干预和多环境部署。
1.1. Conceptual advances and novelty of this review
本综述的创新点在于一个验证门控式工作流：以胁迫互作空间为起点，利用泛组学进行因果收窄，赋予AI有界的集成与排序作用，将目标优先级直接连接到可执行的编辑方案，并在编辑后进行育种背景测试、基因组选择和基因型×环境×管理分析。数字孪生仅作为情景测试工具，部署约束通过可重复数据标准、生物安全评估和监管准备纳入流程。
2. Integrated plant responses to combined abiotic stresses
复合胁迫产生非加性表型，源于激素信号、活性氧(reactive oxygen species, ROS)、钙信号和蛋白激酶途径的交叉串扰。关键转录因子如LBD家族成员构成调控瓶颈。表观遗传胁迫记忆调节后续响应强度。例如，干旱-高温组合通过ABA与ROS/Ca
2+信号汇合于气孔控制；盐-热组合激活SOS途径和SnRK2途径；淹水主要通过乙烯响应因子(ERF)介导逃逸或静默策略。养分失衡、金属毒性也汇合于离子转运和氧化还原模块。多重胁迫组合(multifactorial stress combination, MFSC)实验表明，茉莉酸在特定组合中是适应所必需的。整合响应最终汇聚于气孔控制、ROS/氧化还原平衡、钙-激酶信号、离子稳态、HSF-HSP保护、淹水低氧ERF信号、营养与金属转运、碳分配及胁迫记忆等有限决策节点。
3. A conceptual framework for engineering combined stress resilience
提出三阶段框架：第一阶段绘制胁迫互作空间，采用因子或序列解析设计结合时空泛组学，并设置阶段检查点以确认互作特异性响应可重复。第二阶段构建环境感知的基因调控网络(gene regulatory network, GRN)，评估候选调控因子是否在相关分子层或环境中获得支持。第三阶段进行网络引导的优先级排序，将上游调控因子列为候选驱动节点，并要求在多环境中跨证据层支持，且必须通过胁迫匹配的生物学验证。
3.1. Mapping the stress combination landscape with spatiotemporal panomics
需要因子和序列显式设计以衡量非加性效应并识别组合特异性表达模式。例如，TOT3和OST1激酶位点整合高温促进气孔开放与干旱促进关闭的冲突信号。多层面时空采样（急性与驯化阶段、根与芽、细胞或组织分辨率）有助于发现如PROFILIN依赖的肌动蛋白重塑等难以从转录组推断的调控机制。
3.2. Building environment-aware gene regulatory network models from panomics
GRN分析将差异表达基因连接为可检验的调控关系。以谷子图基因组和泛基因组资源结合13个环境中68个性状的分析为例，多环境证据能够将受控胁迫谱与田间相关假设关联，候选调控因子需在相关数据层或环境间得到支持。
3.3. Pinpointing high-impact regulatory targets with network-guided prioritization and biological validation
高杠杆驱动节点需满足四个标准：复合或序贯胁迫特异性、在GRN中占据可重复的上游位置、获得至少一个以上证据层支持（如染色质可及性、mRNA、遗传变异或性状关联）、且与可测量的田间或田间类似结局相关。候选节点必须经过与网络构建时相同的复合或序贯胁迫条件下的扰动验证，如水稻QT12位点通过NF-Y介导调控实现高温下的籽粒品质和产量。
4. Advanced panomics and multi-omics toolbox for decoding combined stress responses
泛组学不是技术清单，而是因果收窄策略。需要将胁迫组合视为独立生物状态，并估计无法从单胁迫数据预测的互作分量。
4.1. Multi-layer evidence generation and phenotype anchoring
第一步是遗传完整性：泛基因组和图基因组捕获存在/缺失变异和结构变异，优于单参考基因组。随后是调控定位：单细胞和空间转录组揭示细胞和组织的特异性响应。蛋白质组和磷酸化蛋白质组捕获翻译后状态变化，代谢组提供生化终点。密集表型组学为候选排序提供性状轨迹约束。田间表型仍需记录胁迫时间、强度和管理元数据。
4.2. Data quality, AI/ML integration, model validation, and uncertainty under field heterogeneity
数据质量是验证的第一步，需处理缺失值、批次效应和标准化。元数据采用可重用标准。多组学集成因子模型（如MOFA+）可分离共享与层特异变异。算法选择需匹配数据：表格型基因组-环境-表型预测用梯度提升或深度学习（如DNNGP、Cropformer）；图像表型用卷积神经网络；网络结构数据用图神经网络。模型验证需使用独立基因型、位点、年份和胁迫情景，解释性AI（如SHAP、Grad-CAM）仅用于解释和排序，不能证明因果。应报告不确定性（如dropout、保形预测）。当前瓶颈包括数据集稀缺、成本高和互操作性差，且单细胞和空间组学应用于大田组织是前沿方向。
5. AI-guided CRISPR design for engineering combined abiotic stress tolerance
CRISPR-Cas系统通过gRNA引导核酸酶产生双链断裂，碱基编辑和先导编辑提供更精确的修饰。AI/ML利用序列特征和表观遗传信息预测编辑效率和脱靶风险，从而支持从单基因编辑转向多重、网络感知的干预策略。
5.1. Deep learning for gRNA design, off-target prediction, and editor selection
深度学习模型（如DeepHF）基于大规模实验数据预测gRNA活性；脱靶预测模型（如CRISPR-Net、CRISOT）处理错配和插入缺失；染色质上下文可导致水稻中编辑效率差异达250倍。用于碱基编辑和先导编辑的预测工具（如BE-Hive、PRIDICT）主要基于人或哺乳动物数据训练，在植物中应用需视为跨系统外推，预测结果仍须通过靶位点测序验证。
5.2. Prime and base editing: AI-optimized precision for network-level stress engineering
碱基编辑可实现无供体DNA的点突变，但受限于脱氨酶类型、PAM位置和编辑窗口。先导编辑通过pegRNA可引入替换和小型插入缺失，但设计更复杂且效率可变。数据驱动模型可用于pegRNA设计和产物预测，以选择编辑模式。水稻中编辑胁迫相关调控基因已能改变干旱和盐相关表型。
5.3. Multiplex editing, LLM-guided automation, and regulatory network rewiring
复合胁迫常需多重扰动多个节点或同源基因。六倍体小麦中多重CRISPR/Cas9靶向五个TaSal1同源基因证实了多同源基因编辑的可行性，但需对每个同源基因单独基因分型。CRISPRi合成逻辑电路和增强子敲入（如水稻中实现高达约869倍的多基因上调）提供了可编程转录调控和基因内激活的新方式，使网络重布线可超越基因敲除。LLM智能体系统（如CRISPR-GPT）可辅助设计规划，但仍是新兴支持工具。
6. From panomics to products: The modern breeding pipeline
泛基因组揭示结构变异和驯化目标，如水稻pangenome定位到qPH8-1位点，珍珠粟泛基因组发现热耐受相关SV，玉米中KRN2功能缺失等位基因增加粒数。泛基因组辅助的基因组选择（GS）通过整合SV和SNP提高预测能力，深度学习模型如Cropformer可提升多作物预测精度。田间验证需将编辑等位基因置于不同遗传背景、季节和环境中测试，如玉米ARGOS8编辑系在花期干旱下增产且无产量损失，但多环境重复至关重要。基因型×环境×管理互作需显式建模。数字孪生可进行情景测试，但不能替代田间试验。
7. Future challenges and collaborative strategies in crop engineering
7.1. Reproducibility, data stewardship, and benchmarking
采用FAIR原则和社区标准（如IBSNAT/ICASA），平台如PLANTdataHUB促进数据共享。预注册分析计划可减少选择性报告。技术挑战包括基因型到表型预测的复杂性、模型可解释性和数据共享，需通过开放科学合作（如CropBooster计划）推进。
7.2. Biosafety, regulatory readiness, and societal acceptance
部署前需评估目标位点编辑、脱靶效应、转基因骨架残留以及食物、饲料和环境风险。各国监管路径不一，知识产权和专利可能限制工具获取。公众信任取决于风险-收益沟通、可追溯性和消费者选择。
7.3. Future perspectives for AI-assisted crop engineering
未来需扩展胁迫组合数据集覆盖更多基因型、组织、发育阶段和胁迫顺序，模型必须报告不确定性并跨独立数据集基准测试。预测的驱动节点仍是假设，需通过扰动和胁迫匹配表型验证。可解释AI、泛基因组设计、多重编辑和多环境选择需相互连接，并提供低成本、开放的基础设施以扩大技术可及性。
8. Concluding remarks
复合非生物胁迫不是各胁迫效应的简单相加。植物在胁迫共现时进入单胁迫数据无法预测的分子状态。本工作流将组合感知实验、泛组学证据、环境感知网络、驱动节点优先级排序和AI辅助编辑连接起来，并明确提出三个关键缺口：胁迫组合数据集太窄、预测驱动节点需扰动验证、田间验证仍是瓶颈。弥合这些缺口需要共享的开放资源和标准化工具，才能使泛组学引导与AI辅助编辑从预测发展为培育气候韧性品种的规范路径。
