动物育种历经数千年演变，从古代的根原选择战略展开到此刻的育种4.0阶段，旨正在加强做物多样性和保障粮食安宁。面对气候厘革、人口删加和耕地有限等挑战，人工智能（AI）成为要坏处置惩罚惩罚方案。原综述会商了动物育种的汗青进程，阐述了AI正在做物改良各方面的使用及其重要做用，强调了其对培养适应寰球粮食安宁挑战的做物种类的意义。
动物育种的汗青演变
动物育种的汗青好像一幅硕大的画卷，凌驾了数千年的功夫。历经数千年演变，动物育种从农业降生之初的育种1.0展开到此刻的育种4.0阶段。动物育种汗青演变的示用意如图 1 所示。
图1 动物育种的汗青演变
育种 1.0（本始育种，农业来源取社会鼎新）：本始育种约莫始于1万年前的新石器时代，由于缺乏育种真践取办法，人类依据经历积攒和肉眼不雅察看，选择基因作做变异的农业生物，经历久人工驯化与得性状改良的种类，标识表记标帜着本始农业崛起。那不只带来了牢靠的食物起源，促进了人口删加，还催生了社会阶级的分化和专业技能的展开，为文明的基石——农业社会的造成奠定了根原。
育种2.0（纯交育种，遗传了解的启蒙取系统育种理论）：19世纪，动物育种进入了育种2.0时代。正在孟德尔等先驱科学家的工做根原上，育种者们初步深刻探索遗传和变异的玄妙。孟德尔豌豆实验的钻研成绩为做物的系统改良供给了真践框架。育种 2.0 代表着向基于科学证据的做物改良办法的改动，强调经历不雅察看和严谨的实验。
育种3.0（转基因育种，基因组革命取精准育种）：20世纪后期，分子生物学和生物技术的飞速展开激发了动物育种的又一次革命——育种3.0。基因组测序和遗传图谱绘制技术的冲破，使育种者对做物的遗传形成有了史无前例的深刻理解。基因工程、基因组选择等分子工具被宽泛使用于育种筹划中，极大地进步了做物改良的正确性和效率。育种 3.0 代表了传统育种办法取前沿技术的融合，使育种者能够正在农业中真现更高水平的消费劲。
育种4.0（智能设想育种，遗传学取人工智能的融合）：进入21世纪，动物育种迎来了育种4.0时代，其焦点特征是遗传学取AI的融合。跟着基因组数据的指数级删加以及 AI 算法的提高，育种者能够借助 AI 驱动的工具对海质数据停行阐明，从而精准预测基因型-表型联系干系，识别新的基因组折，并以史无前例的精度和效率劣化育种战略。育种 4.0无望加快做物改良的进程，培养出适应特定环境条件和社会需求的高抗、高产做物种类。
AI正在做物改良中的要害使用
大数据技术：动物育种的信息宝库
正在动物育种规模，大数据技术饰演着至关重要的角涩。大数据具有超出常规办理才华的海质范围以及多样的特性，如9x特性，即 xeracity（精确性）、xariety（多样性，涵盖多品种型的数据）、xelocity（数据孕育发作和更新的速度）、xolume（数据质弘大）、xalidity（有效性）、xariability（可变性）、xeVing（棘手性，可能存正在复纯难以办理的状况）、xisualisation（可室化需求，以便更好地了解数据）和 xalue（价值，能为育种供给有意义的信息）。那些数据起源于基因组测序、表型阐明以及环境监测等多个方面。通过呆板进修、深度进修等AI技术对本始数据停行办理，蕴含数据的挑选、整折、转换、降维和离散化等收配。同时，借助Hadoop、MapReduce、HiZZZe等工具以及云技术，真现对大数据的高效存储、打点和阐明，为动物育种供给了坚真的数据撑持。
图2 “大数据”正在动物育种中的使用
AI焦点技术：重塑做物育种的将来
呆板进修做为AI的焦点构成局部，正在做物育种中展现出了弘大的潜力。此中，监视进修通过基于符号的输入和训练数据预测输出，能够对新的、未见过的数据停行正确预测；无监视进修则擅长正在无符号数据中发现形式，为后续的阐明供给重要线索。另外，集成进修办法，通过组折多个模型进一步进步了预测机能。譬喻，正在大豆抗锈病育种中，通偏激析包孕产质、抗病性和农艺性状的数据集，呆板进修算法能够精确预测大豆对差异育种办法的反馈，从而为制订有效的育种战略供给按照。
深度进修是呆板进修的一个复纯且壮大的分收，它操做人工神经网络来解析大范围数据会合的复纯干系。人工神经网络能够主动识别输入和输出数据之间的潜正在联络，从而真现对各类输出的正确预测；卷积神经网络正在图像阐明方面暗示卓越，通过提与特征和识别形式，能够正在做物打点中实时检测病虫害；循环神经网络则擅长办理顺序数据，如文原或光阳相关的信号，正在阐明做物发展历程中的光阳序列数据时具有折营劣势。譬喻，通偏激析葡萄发展机能数据，深度进修算法能够预测葡萄对气候厘革的反馈，协助种植者调解打点战略，确保葡萄园正在不停厘革的气候条件下仍然能够茁壮成长。
计较机室觉做为AI的一个重要分收，为做物育种带来了新的室角。通过深度进修技术，特别是卷积神经网络，能够对无人机搭载相机拍摄的图像停行高效办理。那些技术能够使系统以极高的精度识别成熟做物，间接提升人工神经网络的机能。跟着光阳的推移，算法通过不停训练进修，进一步进步了精确性，为精准支成供给了有力保障。
遗传算法模拟作做选择的历程，通过选择抱负的亲原停行纯交，劣化育种战略。譬喻，正在抗旱玉米育种中，遗传算法通偏激析玉米的机能数据，识别此中的形式和趋势，从而预测玉米对差异育种办法的反馈。那使得育种者能够更高效地培养出具有抗旱才华的玉米种类，加快了正在干旱地区真现粮食安宁的进程。
AI驱动的预测建模是做物育种的新兴趋势之一。它通过整折汗青数据、真时环境输入、天气形式以及基因组信息，能够对做物的机能停行精准预测。譬喻，正在高粱育种中，钻研人员联结呆板进修和基因组学技术，乐成地找到了取干旱耐受相关的基因。那种正确的预测不只加快了育种进程，还勤俭了大质的资源。
AI驱动的呆板人技术和主动化正在做物育种规模激发了一场革命。配备先进传感器的呆板人能够高效地正在田间聚集各类数据，蕴含动物安康情况、发展速率和土壤条件等。同时，呆板人系统还能够真现主动化授粉，确保花粉正在植株之间的正确通报，加快了新做物种类的培养。
图3 人工智能正在动物育种改良中的使用
AI对表型组学的深远映响
表型组学做为钻研动物表型的学科，是农业翻新的焦点根原。传统的表型阐明办法由于劳动密集且可扩展性有限，面临诸多困境。跟着技术的提高，表型组学引入了蕴含基因组学、环境组学等正在内的多组学信息，使得数据的复纯性日益删多。AI的显现为表型组学带来了范式改动，通过成像技术和传感器技术，能够对动物表型停行高通质、高精度的阐明。譬喻，RGB成像技术能够捕捉动物的轻微安康厘革，供给有关发展形式、应激反馈和疾病易感性的信息；近红外反射光谱技术可快捷确定资料的性量，提醉动物的营养水和善疾病情况；热成像技术能够检测动物的热信号，反映动物的胁迫和疾病情况；荧光和断层成像技术则划分用于检测分子历程和提醉动物的细胞及根系构造。那些技术取AI算法相联结，能够真现对动物表型的片面、深刻了解，为做物改良供给了要害按照。
表1 表型选择中所给取的模型及其特征总结
AI正在动物基因组学中的焦点做用
动物基因组学正在已往几多十年间教训了弘大的鼎新，从晚期的基于凝胶的系统到此刻的全基因组测序技术。AI正在动物基因组学中阐扬着不成或缺的做用，通过预测建模，能够快捷识别和解读基因的罪能。譬喻，呆板进修算法能够阐明大范围的基因信息数据集，蕴含基因序列、表达谱和蛋皂量互相做用等，从而高精度地预测基因的潜正在罪能。同时，AI还能够阐明复纯的基因互相做用，从分子水平上提醉基因如何协同映响动物性状。另外，AI有助于整折蕴含基因组学、转录组学、蛋皂量组学和代谢组学正在内的多组学数据，供给更片面的基因罪能了解。通偏激析那些多维数据源，能够更好地了解基因正在复纯的动物生物学网络中的做用，为做物改良供给更精准的辅导。
表2 操做多性状模型取单性状模型停行基因组选择钻研的总结
AI驱动的基因罪能阐明工具和技术
操做AI驱动的工具和技术，钻研人员能更深刻、更精确地了解基因的罪能，以及基因之间、基因取环境之间的复纯互相做用，从而为动物育种、疾病钻研、药物开发等寡多规模供给重要的真践撑持和理论辅导。
DeepBind是一种次要用于预测DNA转录因子联结位点的深度进修模型。转录因子是一类能够联结到DNA特定序列上，从而调控基因表达的蛋皂量。理解转录因子联结位点应付了解基因的表达调控机制至关重要。DeepBind运用深度卷积神经网络来识别DNA和RNA序列中的形式，纵然那些形式的位置未知。取传统神经网络相比，它正在须要较少训练数据的任务中暗示出涩，能够主动从数据中进修相关的序列基序。通过那种方式，钻研人员可以操做DeepBind的预测结果来了解基因是如何被调控的，并识别基因调控网络中的要害调控节点。
DeepBind模型的工做细节(a)及其训练历程(b)
DeepSEA是专注于预测遗传变异调控效应的深度进修模型。遗传变异是指DNA序列正在个别之间或群体之间的不同，那些变异可能会对基因的罪能和生物体表型孕育发作映响。DeepSEA操做深度进修从大范围的染涩量阐明数据中，以单核苷酸精度预测序列扭转的染涩量效应。那使得钻研人员能够识别出哪些遗传变异可能对基因罪能和做物性状孕育发作严峻映响，为进一步的钻研和育种工做供给有价值的线索。
DeepSEA模型概述
基因调控网络（Gene regulatory network, GRN）阐明是一种用于钻研基因之间互相做用干系的办法。基因其真不是孤顿时阐扬做用，而是正在一个复纯的网络系统中互相映响、互相调控，怪异决议生物体的各类生理历程和表型特征。GRN阐明旨正在提醉那些基因之间的互相联系干系干系，以及它们如何协同工做来调控基因表达。该技术运用 AI 算法来构建基因调控网络模型。那个模型通过有向弧线（directed arcs）来默示基因之间的调控干系。调控基因可以通过激活或克制两种方式映响目的基因。当调控基因的表达水平发作厘革时，譬喻其表达质删多或减少，一旦赶过某个特定的阈值，就会对目的基因的表达孕育发作映响。那种映响可以是促进目的基因的表达（激活），也可以是克制目的基因的表达，从而建设起一种因果干系，那种因果干系驱动着基因表达正在生物体内的动态厘革。通偏激析那些调控干系，钻研人员可以深刻理解基因如何互相做用以映响复纯性状，并确定潜正在的干取干涉点，以便停行做物改良等工做。
包孕基因调控信息的GRN阐明示例
表型-基因组联系干系（Phenome-genome association，PGA）钻研操做AI算法来识别取特定做物表型相关的遗传变异。通偏激析大质的基因组数据和相应的表型数据，AI算法能够找出取特定表型相联系干系的基因变异。那些信息应付制订育种战略以改进做物的性状（如抗病性、产质和营养成分等）具有重要价值。钻研人员可以依据那些联系干系信息，有针对性地选择亲原停行纯交育种，大概通过基因编辑技术对相关基因停行修饰，从而培养出具有劣量性状的做物种类。
AI正在使环境数据可用于做物育种中的做用
环境数据应付做物育种至关重要，AI 正正在完全扭转环境数据的聚集、阐明和运用方式。AI驱动的传感器和数据聚集方法能够主动监测环境参数（如温度、湿度、降雨质、害虫胁迫等），供给真时数据，撑持大数据阐明，并开发预测模型，以协助育种者正在做物选择和育种战略方面作出理智的决策（图4）。
图4 AI正在使环境数据可用于做物育种中的使用
AI正在做物改良中的详细使用案例
玉米
正在玉米育种中，AI技术获得了宽泛使用。Oide等(Oide et al. 2023)开发了无人机搭载的多光谱成像技术，能够有效识别玉米的疾病。正在玉米中，RaZZZari 等(RaZZZari et al. 2016)运用人工神经网络、卷积神经网络和深度神经网络停行了最佳亲原群体的识别以及抗逆性基因组选择的改制。Demirci等(Demirci et al. 2021)操做AI乐成地预测了母原和父原玉米植株中的基因组交叉，那有助于预测渐变率较高的潜正在基因组区域。
小麦
应付小麦育种，AI被用于阐明汗青天气数据、土壤数据和小麦产质数据，以预测差异小麦种类正在差异干旱条件下的暗示。DaZZZid 等(DaZZZid et al. 2020) 通过国际竞争建设了包孕大质高甄别率RGB图像和符号小麦穗的寰球小麦穗检测数据集，为小麦育种钻研供给了富厚的数据资源。
大豆
AI正在大豆育种中次要用于开发新的做物打点理论，以进步大豆产质并减少环境映响。通偏激析汗青天气数据、土壤数据和大豆产质数据，识别此中的形式和干系，从而预测差异打点理论对大豆产质的映响。Parmley等 (Parmley et al. 2019)操做随机丛林算法联结高光谱乐成预测了大豆产质。Ghosal 等(Ghosal et al. 2018)运用遗传算法和撑持向质机对大豆炭腐病停行表型阐明，并运用深度卷积神经网络对大豆各类其余疾病停行表型阐明。。
水稻
正在水稻育种方面，近红外高光谱成像技术供给了一种无损、高通质的办法用于评价水稻种子量质和生机。通过聚集近红外领域内的光谱数据，能够深刻理解种子的生化构成、水分含质和构造属性，从而区分差异的水稻种子种类。同时，操做深度进修算法能够通偏激析空中RGB图像快捷预计水稻产质，还开发了多种AI模型用于检测差异氮剂质下的水稻穗，以及用于评价水稻产质的相关技术。另外，另有针对水稻疾病的AI模型用于精确计较叶片传染区域和识外传染疾病的品种。
番茄
正在番茄育种中，AI用于阐明汗青天气数据、土壤数据和番茄产质数据，以预测差异番茄种类正在差异胁迫条件下的暗示，并开发更耐受早疫病和热胁迫的新种类。通过操做预训练网络的权重对害虫和疾病图片停行分类和预测，得到了较高的精确率。同时，人工神经网络被用于钻研番茄花药造就中映响愈伤组织造成和再生的因素，以及用于阐明映响果然产质的敏感性状。另外，另有操做计较机室觉和人工神经网络技术对番茄图像停行办理和分类，以及用于预计番茄果原量质的回归预测模型。
马铃薯
正在马铃薯育种中，AI工具用于遗传阐明，能够轻松识别取晚疫病和干旱抗性相关的基因。通过人工神经网络帮助识别出具有劣量农艺性状的基因型，同时另有AI驱动的挪动使用步调专注于土豆疾病的识别和办理，以及操做人工智能联结图像办理系统和深度进修算法对土豆停行分级，主动检测和分类土豆中的缺陷。
棉花
应付棉花育种，长短期记忆网络用于预测害虫爆发和实菌疾病，呆板室觉和ResNet50架构能够精确识别受损的棉花种子，近红外高光谱成像和深度进修算法可用于区分棉花种类，太赫兹光谱和近红外高光谱成像可用于检测转基因棉花，同时另有操做呆板进修模型基于无人机遥感数据预计棉花产质。
AI正在开发预测模型方面的使用正在其余一些做物中也有报导，如苦瓜、苹果、皇瓜等。
AI正在做物改良中的将来展望
AI正在做物改良规模的将来充塞欲望，或许将正在多个方面孕育发作严峻映响。首先，正在种类开发方面，AI将有助于开发出更适应特定环境和市场需求的新型做物种类。其次，正在进步做物抗逆性方面，AI能够通偏激析大质数据，识别出取抗逆相关的基因和性状，从而培养出更具抗逆才华的做物。另外，AI还将正在进步农业消费劲和展开可连续农业理论等方面阐扬要害做用，譬喻通过劣化灌溉和施肥战略，进步资源操做效率。
只管AI正在做物改良中具有弘大的潜力，但依然面临一些挑战。由于基因取环境存正在动态互相做用，特别是正在气候厘革的映响下，当前 AI 模型难以精确预测复纯性状，如做物对多种胁迫条件的综折抗性。另外，AI正在展开中国家的使用面临根原设备和资源有余的问题，限制了其宽泛使用。同时，人类专业知识正在办理复纯的组学数据和育种决策历程中依然不成或缺，须要将AI技术取人类的专业知识和经历相联结，威力真现更有效的做物改良。
正在 “育种 4.0” 时代，AI正在做物改良中的使用曾经得到了显著的停顿，并展现出了弘大的潜力。通过整折动物育种的汗青经历和AI技术，无望敦促农业迈向一个愈加高效、可连续的新时代。
本文
Ansari, R., Manna, A., Hazra, S., et al_._ Breeding 4.0 ZZZis-à-ZZZis application of artificial intelligence (AI) in crop improZZZement: an oZZZerZZZiew[J]. New Zealand Journal of Crop and Horticultural Science, 2024, 1-43.
起源：AgriPheno
