MODA bob.com育种也要智能化——测序技术进步驱动的智能育种

　　bob.com近些年，作物育种发生了革命性的变化，从驯化作物到现在利用基因型和表型技术结合，到人工智能推动的智慧育种。

　　智能育种方法将传统育种策略与人工智能、自动化平台和其他相关技术相结合，培育出具有提高产量潜力的品种。随着人工智能的发展、新测序平台的产生、测序技术的进步以及不同学科的交叉，作物育种时代正在不断更新。然而，仍然需要快速培育高产稳定的作物，以适应环境变化和世界人口增长造成的粮食缺口。各种技术已被应用于将人工智能与传统作物育种方法相结合，以设计和改善作物性状。此外，测序和育种技术和思想的不断进步标志着一场新的育种革命的到来。

　　北京时间2023年4月18日，海南大学夏志强教授及其合作者在Modern Agriculture期刊上发表了综述性文章，探讨了通过现代各类智能技术如何拉开智慧育种的帷幕。

　　图一 介绍了不同时代的各种育种工具。从人工选择开始，到后来的分子标记育种，以及与人工智能相结合的智能育种。

　　大约一万年前，人类首次驯化植物，标志着作物育种的开始。在这一阶段，人们根据自己的需求直观地判断表型特征去驯化野生作物。到1865年，随着孟德尔遗传定律的发现bob.com，作物育种进入了传统时代。开始利用杂交育种、单倍体育种、多倍体育种和诱变育种等多种育种方式进行育种，其中杂交育种得到了广泛应用。通常，杂交育种通过有性杂交在种群中产生变异。利用这种方法，人类将各种理想的基因结合在一起，开发出了粮食产量高、抗性强的新品种。传统时代对植物育种的研究准确但耗时较长。

　　随后，出现了分子标记、基因编辑等技术，这类技术有助于快速准确得到目标基因，并对其进行改良，最大限度地减少了田间鉴定过程中的人类和环境干扰，并加快了整个育种过程。到2001年，基因组选择育种（GS）出现，GS技术同时估计了几个全基因组标记在基因型和表型个体组成的训练群体中的作用，显著提高了选择效率。

　　各种测序技术和育种方法促进了许多作物的育种。在玉米、水稻和小麦等具有重要经济意义的物种方面研发较多。这些高效的玉米和水稻育种技术可以尝试应用于其他小众作物，实现均衡高效的育种和农业整体发展。此外，主要作物的高效育种方法也应逐步扩展到园艺作物和经济作物。这种方法将实现育种从“主要粮食作物”到“小作物”的革命性转变。

　　图二 不同基因分型技术的应用场景。图的顶部显示了原理的比较，底部显示了成本效益、物种适宜性、产量、时间和预处理的比较。

　　研究人员和育种人员致力于开发低成本、高效的基因分型技术，减少数据浪费，适用于群体数据研究。

　　全基因组重测序（WGS）利用SNPs在全基因组水平上获得与突变相关的信息。已经开发了许多超高通量SNP基因分型方法来捕获植物最丰富、最全面的变异基因座。WGRS主要用于分析重要的分子标记，特别是在全基因组关联研究（GWAS）中，并筛选关键性状或代谢产物。然而，通过WGRS生成的大测序数据的处理倾向于较高的成本投入。

　　2008年，Baird提出了RAD-seq，允许对与限制性内切酶识别位点相关的DNA进行高通量测序。RAD-seq是一种简单、成本效益高的方法，不依赖于参考基因组信息。2011年， GBS技术的出现可以令不同的样本具有独特的条形码，并且数据库构建步骤很简单。随后，研究人员开发了dd-GBS，它使用在基因组上分布更均匀的双消化片段。此外，基于GBS，衍生出了具有表观遗传学检测功能的测序技术，如AFSM技术。AFSM测序方法可以在检测变异位点的基础上同时检测甲基化位点。

　　后来与基于GBS和PCR的基因分型技术相比，SNP微阵列更快速、高效和自动化。同时，SNP芯片还可以用于分析多倍体植物物种的单倍型，这对了解多倍体物种的进化史具有重要意义。因此，SNP芯片是目前育种过程中最有效和最成熟的工具。目前也有科研人员开发出了更低成本、更高效的测序技术，比如基于PCR的高通量测序文库构建技术Hyper-seq。它依赖于添加特定的引物而不是酶切来扩增特定的DNA片段，省去繁琐复杂的人工实验。

　　我们统计了现有的测序技术和应用场景，以探讨它们的应用领域。群体研究主要使用GWAS和QTL定位。其中WGS较为全面的应用于各类场景bob.com，但成本较高。研究人员可以使用芯片技术和低丰度测序等简化测序来降低成本、提高效率并产生准确的结果。

　　图三 自动化实验操作平台。根据个性化程序设置即可完成从样品配置到凝胶电泳全套流程。

　　与育种相关的一个主要问题是如何从众多的数据库资源中获得关于目标性状的更有价值的信息。当前通过机器学习允许人们全面分析大量的数据。食品技术公司Equinom建立了一个基于育种大数据的人工智能平台，即Mana™, 它利用超过250000个种质物种的大量数据来预测理想的育种组合，并开发高质量、高产、非转基因的作物品种。这一过程仅花费传统作物开发所需时间的一半。通过利用人工智能预测与环境和时间尺度上的复杂性状相关的育种信息，育种家可以预测关键因素bob.com，并更快地应对新的环境挑战。

　　此外，研究人员可以将深度学习与无人机获取的图像相结合来预测表型，使表型预测比单一的技术预测更准确。最近，研究人员提出了一个新概念，称为综合基因组环境预测（iGEP）。iGEP的目标是通过使用集成的多组学信息、大数据技术bob.com、人工智能开发和优化预测模型，来“解决”育种难题并减少生产目标性状植物所需的时间。

　　除了人工智能，自动化在未来育种中也有相当大的潜力。未来结合智慧系统、管理中枢和智能预测的自动化智能育种平台将会普及。自动化平台可以基于协作和集中规划以及例如信息技术、机器视觉和模式识别等人工智能技术创建。此外，该平台将把实验过程与标准化、自动化、信息化和智能化相结合。利用自动化、智能技术和设备优化传统分子育种实验的自动化育种将有助于克服工业化过程中与规模、通量和周期相关的限制，减少人类操作中的错误，加速育种，显著降低实验成本。

　　海南大学热带作物学院学生张辰笈以及江思容为该论文的第一作者。海南大学夏志强教授，中国科学院华南植物园罗鸣研究员，以及成都瀚辰光翼科技有限责任公司张晗为该论文的共同通讯作者bob.com。海南大学热带作物学院学生田阳阳、董晓蕊、肖建加、卢彦洁、梁悌云，以及华大制造周红梅，瀚辰光翼徐大彬为该论文的共同作者。该工作得到了三亚崖州湾科技城项目、海南崖州湾种子实验室生物信息学开发平台、广东省自然科学基金杰出青年、中科院青促会和华南植物园青年人才专项等项目的资助。