徐云碧：大数据和AI将成为育种家的得力助手，育种家的经验和知识目前仍然不可取代

      以下文章来源于35斗 ，作者：徐云碧

      近日，中原农谷·2023国际未来农业食品百强大会成功举办。分子育种践行者、中国农科院作物科学研究所/北京大学现代农业研究院研究员徐云碧出席活动，并作《环境组学与智慧育种》主旨报告，本文根据相关分享整理。

      嘉宾简介

      徐云碧，华中农学院学士（1982）、浙江农业大学硕士（1985）和博士（1993）。现任中国农业科学院作物科学研究所研究员、国家特聘专家、北京大学现代农业研究院资深研究员。他有一个特别的微信昵称“分子育种践行者”。

      徐云碧长期从事植物分子育种研究，致力于建立和发展分子育种的理论、技术、平台和应用体系，发展了基于种子DNA的基因型分析方法、连锁-连锁非平衡联合作图法、选择性混合样品分析法、多杂种群体全基因组关联分析法、全基因组选择育种策略、高密度SNP芯片、玉米单倍型图谱、靶向测序-液相芯片检测技术，在国际上倡导了环境型鉴定新概念和基因型-环境型集成预测育种新策略。著有专著《分子数量遗传学》和Molecular Plant Breeding。在国内外知名期刊上发表论文160余篇，研究论文累计引用16000余次，H指数为59。主讲“数量遗传学”、“分子植物育种（中英文）”和“科技英语写作”等本科生和研究生课程。

       一、环境组学是高效表型预测和作物改良的关键

      最近，智慧农业比较热门，我在这里也给大家分享一下环境大数据（也就是环境组学）和智慧育种的关系。

      育种经历了4个发展阶段，从经验选择育种到杂种优势育种，再到生物工程(分子)育种，如今已发展至4.0时代：智能设计育种。

      有人说，发达国家和国际跨国公司的种业处于3.0和4.0之间，我国大部分种业企业还处于2.0—3.0的阶段。去年我在参加《石时之约》节目时也提到，国内分子育种产业链尚不完整，未来几年是关键发展阶段，值得期待。

      在育种史上有三个重要概念，基因组学（Genomics）代表基因遗传的方面；表型组学（Phenomics）代表基因与环境作用之后所表现的现象；环境组学（Enviromics）则是有关影响生物遗传发育的所有环境因子。对应的，作物育种应用也就有了从形态鉴定到组学，再到泛基因学的一系列演变。

      在过去很长一段时间，我们对环境因子视而不见，把它当作一个黑箱。但表型是由基因型和环境共同作用的结果，精确测定和评价影响作物生长发育的所有环境因子是未来高效表型预测和作物改良的关键。

      基于长期研究积累，2016年，我在国际上首次提出了环境型(envirotype) 和环境型鉴定的概念，引发了国内媒体的广泛报道。同时，国际学界也把环境型鉴定和转基因、基因编辑等非常重要的概念并列，使之成为20世纪90年代以来7个影响作物遗传改良的重要概念之一。

      环境型是影响作物生长发育的所有环境因子的组成和变异，环境型鉴定是对所有环境因子的组成和变异进行精确的测定和评价。土壤、气候、作物伴生生物、作物管理等都属于影响植物发育的外部环境因子。近年来，世界各地都在发展表型鉴定的平台，如荷兰的植物生态表型鉴定中心（NPEC）、在武汉建设的国家作物表型组学研究（神农）设施，这些平台均十分重视环境因素的检测及控制。

      从单一表型、多表型到基因型辅助的多表型，再到基因型辅助的跨环境多表型，最终发展到基因型辅助的跨环境和时间序列的多重表型，环境因素的纳入，使得植物遗传改良发展实现了由点、线、面到三维乃至更多维度的跨越。考虑环境让您的人生多一个纬度；考虑环境让您的论文提升五个影响因子。

       二、环境组大数据在智慧育种重中的应用

      环境组大数据在智慧育种中有着广泛的应用。

      例如，控制试验环境提高遗传率估值；近等环境（NIE）抗逆评价、选择和育种；多环境测试和联合区域试验及其优化；全球和区域性农作物产量预测；品种适应性和区域化、生态区域划分；利用环境信息优化育种模型、提升预测育种效率；环境大数据与智能设计育种等等。

      2018年，我开始关注大数据与智慧育种问题。在我看来，智慧育种包括三大要素：大数据、人工智能和机器人。大数据是基础，但必须通过人工智能来进行处理和分析，机器人则是其最终实现智慧育种的路径。不仅是智慧育种，对于所有AI驱动的产业而言，这三方面都尤为关键。

      我认为，人工智能主要从四个方面推动作物育种变革：

      一是促进作物育种从经验型到理论-实践型转变；二是机器人将大大提升育种过程的自动化程度；三是育种家经验和相关知识将反过来推动人工智能育种系统的升级；四是大数据和人工智能驱动的育种系统将通过模型模拟和优化形成强大的设计和预测能力，以实现预测育种。

      其中，设计育种主要在两个层面进行。微观上，对基因、代谢途径、遗传网络进行设计，来提高所有相关基因效率；宏观上，对个体（作物理想型）、群体（如玉米高产群体）、物种（如多年生禾谷类作物和节水抗旱稻）进行设计。

      从预测的角度看，要构建预测的模型，也需要通过基因型+环境+基因型X环境的互作，来增加模拟育种的能力。这时，环境不再是一个隐含的变量，而是一个真实的存在，G（基因）、P（表型）、E（环境）这三个重要方面要形成闭环。

      三、未来的育种机器人

      大家知道，AlphaGo是第一个击败人类职业围棋选手、第一个战胜围棋世界冠军的人工智能机器人。那么，人工智能是否可以取代育种家呢？

      十年前，我们的答案是否定的。育种相关的基因数量巨大，这些基因构成复杂的代谢途径和基因网络，各自本身及其相互之间存在各种复杂的互作，育种家的经验和知识似乎是不可取代的。但在大数据、人工智能的潮流之下（如Chat GPT的火爆），未来也可能出现每一个作物单独的GPT（Generative Pre-Training），这些GPT可以积累大量的育种数据，用以优化智能育种模型。

      今后，育种家在育种的同时也将从事标数据的工作，而育种机器人则承担创造变异、观测鉴定、信息分析、辅助决策等功能。

      未来的育种也会发生另一项非常深刻的变化。众所周知，大规模商业育种项目通常是一个协调的育种项目网络，公司内部可以形成良性循环，实现育种程序的高效化。而对于发展中国家和中小公司，采取开源育种（Open-source breeding）的方式，大量中小型公司联合起来进行数据、信息、资源的共享，能够相互促进并加快育种各自的育种步伐，提高育种效率。

      到最后，所有的智能育种会把有利的基因和基因型、有利的等位基因和单倍型、特定的基因组区域、优化的基因网络等整合在一起形成改良的群体和产品。

      最后，我们展望一下，育种将会在环境组学与智慧育种技术的推动下，变得更加数据化、智能化、流程化，从而更加高效和高产。未来，育种家将协同利用大数据、人工在智能和机器人，推动种业产业的进步，同时催生更多的创新创业机会。