加快饲草智能育种科技创新的思考与建议
|
我国饲草育种战略布局晚，起点低，短板突出。我国在饲草种质资源发掘与育种技术方面，同其他发达国家没有大的区别，加之长期得不到重视，表现出如下3个突出问题。①育成品种少，性状不突出。截至2024年，我国共有720个饲草新品种通过国家审定。选育的饲草品种品质、生产能力和抗逆性都无法超越引进品种，且有的品种出现了严重退化现象。与此相反，美国每年用于生产的饲草品种中豆科达4000多种，禾本科约1500种；西方发达国家经贸成员国互认的登记饲草品种达到5000多个。②主栽品种以进口品种为主体。商业用种对外依存度高，2022年草种进口6.84万吨，紫花苜蓿用种80%以上进口。③丰富的牧草资源未得到充分发掘。仅草地饲用植物就达246科1545属6704种，但无论是国家种质资源库的收集保存量还是育成草类品种都低于30%总量，宝贵的草资源尚未得到完全认识和保护。 总之，全球范围内，饲草育种的基本面为基础生物学研究不系统，对基因组变异了解不够，功能基因解析不足，遗传转化与基因编辑等高效生物育种技术不成熟。因此，迫切需要强化饲草智能育种，从根本破解饲草产业与种源问题。 二、智能育种技术在作物上的应用实践及其发展态势 2000年以来数智驱动科研表现为3种形式：数据驱动科研（data-drivenscience）、科学智能（artificialintelligenceforscience）和智能科学家（artificialintelligencescientist）。在作物育种领域，人工智能（AI）的应用也成为热点。近期，李家洋等提出了“未来育种5.0世代”的概念，将其定义为“智能作物育种”，并详细阐述了其两大基本特征：①“智能品种”，指能够自主应对环境变化的作物品种；②“智能培育”，指在品种培育过程中发展与利用前沿生物技术及信息技术，实现生物技术（BT）与AI的深度融合。具体而言，作物智能育种是指利用AI、大数据、基因组学、表型组学等前沿技术，结合传统育种方法，实现作物品种的高效、精准改良。它通过整合多维度数据，优化育种流程，提高育种效率和精准度，以满足现代农业对高产、优质、抗逆性强作物品种的需求。这一过程不仅依赖传统的育种经验，更通过数据的深度分析，实现了对育种过程的全面优化。 作物智能育种有以下4个特征：①数据驱动。其往往利用大数据分析和机器学习算法，从海量的基因组和表型数据中挖掘有价值的信息，指导育种决策。通过深度学习模型预测基因型与表型之间的关系，提高育种的准确性和效率。本文基于大数据构架知识图谱和复杂网络理论，构建了包含60年以来的中国水稻品种的系谱关系网络，发现中国水稻天然区分了亚种的交流亲疏程度。②多学科融合解析。综合利用基因组学、表型组学、生物信息学、计算机科学等多学科技术，实现从基因到表型的全面解析。③智能化决策。通过AI算法和模型，实现对育种过程的智能化管理和决策支持。例如，利用深度学习模型预测作物的生长趋势和病害发生概率，提前采取措施。目前在作物育种方面已有常用的AI模型。④高效精准。通过精准基因编辑和分子标记辅助选择，提高育种效率和精准度。例如，利用CRISPR/Cas9技术对目标基因进行编辑，快速培育出具有优良性状的作物品种。近期，许操团队通过基因编辑技术将热响应元件（HSE）精准敲入番茄细胞壁蔗糖转化酶（CWIN）基因的启动子中，使番茄能够感应温度变化并自动调节光合产物分配。 作物智能育种实施要素。区别于传统育种，作物智能育种需要以下4个方面要素。①高通量的表型组、基因组及环境组数据的采集与管理。图2归纳了目前流行的作物表型获取的传感技术，例如：无人机成像、高光谱成像、激光雷达等用于实时监测获取作物的生长和生理状态；快速高效的基因组测序技术用于获取作物的基因信息，构建基因组数据库；精准高效的环境参数监测系统获取和管理不同生态区的光、温、水等各项环境参数。②数据分析与建模。需要研发各种机器学习和深度学习算法，实现从海量数据中挖掘有价值的信息，构建预测模型。例如，利用卷积神经网络（CNN）和循环神经网络（RNN）对基因型和表型数据进行分析，预测作物的产量和抗逆性。③高效精准的育种技术与工具。如利用CRISPR/Cas9基因编辑技术精准改良作物的遗传特性；分子标记辅助选择技术实现快速筛选优良性状的个体。④智能决策系统。应用该系统实现对育种过程的智能化管理和决策支持。例如，通过机器学习模型预测作物的生长趋势和病害发生概率，提前采取措施。 |
下一篇：没有了