夜雨聆风
人工智能正以前所未有的深度融入生命科学研究，在植物育种领域同样如此。为帮助团队成员了解AI在学科领域的最新应用进展，课题组本学期组会以“人工智能”为主题。作为本学期第二位分享人，2024级硕士生高思淇同学首先分享了Ansari 等(2024)的综述《Artificial intelligence for plant breeding: A comprehensive review》，系统梳理了育种1.0到4.0的技术演进与瓶颈；进而介绍了Fu 等(2025)提出的Breeding 5.0框架《Breeding 5.0: Intelligent breeding towards smart agriculture》，标志着育种技术从经验选择向智能系统的范式转变。在此基础上，重点讲解了Farooq 等(2024)发表于Trends in Genetics的综述《Artificial intelligence in plant breeding》，该文全面总结了AI在种质资源表征、多组学整合、基因型-表型鸿沟桥接、基因组选择及基因编辑等育种全流程中的多元应用潜力。
PART 01
技术演进：育种进入“智能时代”
Breeding 1.0 经验育种：基于表型观察的驯化和选择
Breeding 2.0 统计育种：孟德尔遗传与数量遗传学科学指导
Breeding 3.0 分子育种：分子标记辅助选择，深入基因水平
Breeding 4.0 精准育种：遗传学 + AI + 大数据 + 基因编辑
Breeding 5.0 智能育种：种质资源解码、全模拟、无人化
Fu et al. (2025)提出的Breeding 5.0框架，其核心特征是：AI不再仅仅是识别遗传标记，而是能够深度“理解”种质资源，包括其结构、可塑性、调控逻辑以及与环境互作的方式。
Fu et al. (2025)进一步提出了“breeding flywheel”（育种飞轮）概念——一个通过数据、算法、硬件协同形成的自我加速闭环：
数据积累 → 模型优化 → 育种加速 → 更多数据。
PART 02
AI在植物育种中的多元应用
Farooq et al. (2024)发表于Trends in Genetics的综述Artificial intelligence in plant breeding为AI在育种领域的应用勾勒了完整蓝图。
· AI驱动的种质资源表征与基因组大数据生成
· AI预测以解释基因组数据
· AI驱动的数字化与表型数据收集
· 多组学大数据在植物育种中的整合
· AI支持的基因型-表型鸿沟桥接
· 从组学数据中发现优良等位基因和因果变异
· AI支持的基因组选择预测表型
· AI在基因编辑中的应用
PART 03
典型应用实例
01
PlantScience.ai
PlantScience.ai是一个由自动化科学知识图谱构建流水线（AutoSKG）驱动的虚拟植物生物学科学家，发表于Molecular Plant (2026)。
该平台在植物生物学领域展现出专家级推理能力，并保持引用的学术严谨性。通过持续学习，它整合了最新研究，确保知识基础保持最新且科学稳健。每个回应都基于一手资料，确保准确性和可验证性。平台已在 https://plantscience.ai 开放使用。
02
GEAIR（吉儿）
首次提出“作物-机器人协同设计”理念。通过基因编辑重新设计作物花型，创制“机器人友好”的结构型雄性不育系，运用深度学习和人工智能成功研制世界首台可自动巡航杂交授粉的智能育种机器人“吉儿”（GEAIR）。
该研究开辟了“BT筑基 + AI赋能 + 机器人劳作”的智能育种（BAR）模式，在生物育种范式革新和催生新质生产力方面展现了“AI for Science”的重大应用前景。
03
丰登·基因科学家
“基因科学家”是在首个种业大模型“丰登”（SeedLLM）基础上进一步研发的科研智能体，已具备模拟分子生物学家自主开展作物基因功能研究的能力[6]。在它的辅助下，科研人员在主粮作物中成功发现了数十个此前未被报道的基因功能，并获得实验证实。
PART 04
挑战与方向：通往育种5.0之路
尽管AI在植物育种中的应用已展现出巨大潜力，但挑战依然存在：
1. 技术瓶颈：复杂性状（基因×环境）预测精度有限，尚无完全落地的Breeding 4.0项目
2. 数据孤岛：需要建立统一的植物育种网络基础设施
3. 人才短缺：需要构建多学科AI培训体系
4. 模拟难题：预测环境中基因库多样性的表征与模拟
Farooq et al. (2024)指出，AI在预测最佳种植模式和系统方面也显示出巨大潜力——通过整合来自物理传感器、无人机平台和物联网设备的大数据，在不同基因型×环境×管理实践下获得信息。这将补充基于AI的遗传创新，实现满足未来十年食品和营养挑战所需的遗传增益速率。
