Artificial intelligence and synthetic biology for integrated crop improvement

方法

叙述性综述，整合机器学习表型组、基因组预测与合成生物学编辑案例。

发现

AI引导的DBTL循环可优化理想型，但数据质量与监管公平仍是瓶颈。

机会点

可研究多组学与气候数据融合的基因组预测模型在孤儿作物上的迁移与公平部署。

传统作物育种已带来显著的产量和品质提升，但长期面临育种周期长、遗传多样性有限以及气候波动加剧等持续性制约。人工智能（AI）与合成生物学（SynBio）正作为互补性技术崭露头角，可加速等位基因发掘、性状设计及其在主要粮食作物和研究不足作物中的推广应用。机器学习、计算机视觉和机器人技术可支持基于无人机（UAV）影像和移动设备的高通量表型分析，而整合多组学与气候数据的基因组预测模型则能提高对产量稳定性和抗逆性等性状的选择准确性。合成生物学平台可实现精准基因组编辑、合成线路和代谢途径工程，应用范围从生物强化水稻到玉米多重编辑，以及鹰嘴豆和珍珠粟等孤儿作物中基于泛基因组的育种。二者的融合常被称为“育种5.0”，可支持AI引导的设计—构建—测试—学习（DBTL）循环，从而优化理想株型以实现资源高效、气候韧性和营养强化，同时减少对农用化学投入品的依赖。本叙述性综述概述了从传统育种到分子育种的演进历程，综合梳理了当前AI—SynBio技术流程并辅以示例性案例研究，同时重点讨论了数据质量、转化效率、生物安全、监管协调和公平获取等方面持续存在的挑战。最后，我们提出了包容性创新的优先事项，以确保气候智能型营养作物以负责任的方式惠及多样化的农业生态系统。