综述：将作物建模和传感技术整合到分子育种中以提升营养品质和抗逆性

这篇综述探讨了如何将AI支持的传感技术和作物生长模型(CGM)整合到分子育种中，以同步提升作物的营养品质和抗逆性。文章以谷物豆类、水稻和绿叶蔬菜为案例，系统分析了多组学工具、近端遥感技术(如LiDAR、NDVI)与基因组预测(GP)的协同应用，特别强调了通过基因编辑(如CRISPR-Cas)和定向进化技术识别新型抗病基因的策略。作者团队提出，这种三维整合框架能显著提高表型预测精度，为应对气候变化下的粮食安全挑战提供创新解决方案。

　　

整合创新技术应对双重挑战

气候变化背景下，作物育种正面临提升产量、抗逆性和营养品质的多重挑战。传统育种主要关注产量和抗性，而新兴证据表明营养品质同样关键。通过将AI支持的传感技术与分子育种相结合，可实现对作物结构和功能性状的高通量分析，为育种决策提供数据支持。

作物系统研究现状

以普通菜豆、水稻和绿叶蔬菜（生菜、菠菜）为重点案例，这些作物在全球粮食安全中扮演重要角色。普通菜豆是人类饮食中最重要的谷物豆类，富含蛋白质和矿物质；水稻提供全球20%的热量摄入；而绿叶蔬菜则富含维生素和酚类化合物。这些作物的快速生长周期和相对简单的结构使其成为研究建模和传感技术的理想对象。

多组学工具进展

普通菜豆已发布两个参考基因组（安第斯和中美洲基因库），并建立了转录组图谱。生菜因其短生命周期（3-5个月）和易转化性成为经典遗传学研究材料，已有高质量基因组和超高密度遗传图谱。相比之下，菠菜由于雌雄异株特性，基因组研究相对滞后，但近年也完成了多个栽培品种基因组测序。水稻作为模式作物，拥有3000个基因组项目和丰富的突变体资源，为功能基因组研究提供了坚实基础。

传感技术应用突破

近端遥感技术通过多种传感器实现对作物性状的无损检测：

• RGB和多光谱成像用于早期活力评估和株高测量

• 热成像监测水分状态

• 高光谱数据解析生化成分

• LiDAR获取三维结构信息

以株高和倒伏抗性为例，无人机摄影测量生成的冠层高度模型(CHM)比人工测量具有更高重复性。而通过ExG指数等植被指数(VIs)可量化早期生长活力，为间接选择提供依据。

作物建模的预测力量

作物模型分为三类：统计模型、机理模型和过程模型。CSM-CROPGRO-Dry bean模型已成功应用于菜豆的温度响应研究和环境适应性预测。在水稻中，CERES-Rice和ORYZA模型能准确模拟美国主要产区的产量。最新进展是将生长模型与全基因组预测(CGM-WGP)结合，通过贝叶斯方法提高预测准确性，实现对未测试环境和基因型的可靠预测。

AI驱动的抗病基因发现

机器学习(ML)与定向进化技术相结合，成功应用于水稻抗稻瘟病免疫受体工程。通过荧光激活细胞分选(FACS)筛选2×10⁷个突变体，结合蛋白语言模型预测天然变异体的结合特性，发现了能识别更广谱病原体效应子的新受体变体。

三维整合框架展望

未来育种将依赖传感、建模和基因组学的协同整合：

1. 传感数据参数化作物模型

2. 模型生成合成数据训练预测算法

3. 基因组分析鉴定功能位点

   这种框架可同时解析基因型(G)×环境(E)×管理(M)互作，为产品布局和品种改良提供决策支持。随着传感器成本降低和数据标准统一，这种多尺度预测方法有望成为育种4.0的核心技术。

营养品质监测新策略

传统营养品质检测成本高昂，而传感技术提供了替代方案：

• 叶面积指数(LAI)与光合能力线性相关

• 太阳诱导荧光(SIF)指示光合活性

• 便携式近红外(NIRS)分析蛋白质和干物质

通过标准化采样方法（如避开叶脉采集成熟叶片）和参考系统（干重优于鲜重），结合降解动力学研究，可建立更可靠的品质预测模型。类胡萝卜素酯化等稳定性策略的发现，为培育营养保持性更强的品种提供了新思路。