Nature Commun | 中国农业科学院作科所徐云碧团队发表“表型组-环境组协同解锁组学驱动的作物智能育种”观点文章

近日，由中国农业科学院作物科学研究所领衔，联合北京大学现代农业研究院、国际玉米小麦改良中心（CIMMYT）、巴塞罗那大学等国内外顶尖机构团队在Nature Communications上发表题为Omics-driven plant breeding through phenomics-enviromics crosstalk的观点文章，系统提出表型组-环境组（Phenomics-Enviromics, PE）协同的育种新框架，为组学时代的作物智能育种指明了全新方向。

这篇观点文章聚焦领域两大核心痛点：其一，长期以来作物表型鉴定多在环境特征不明的条件下开展，环境因素被当作 “黑箱” 处理，极大限制了表型变异的遗传解析与育种遗传增益的提升；其二，传统育种中表型组与环境组研究长期割裂，缺乏同步、高通量的数据采集与整合体系，难以实现基因型 - 表型 - 环境（G-P-E）互作的精准解析与可靠预测。而本文提出的 PE 协同框架，正是破解这两大行业难题的核心方案。

1. 从 “残缺三角” 到 “黄金三角”：PE 协同重构育种底层逻辑

作物的最终表型，始终由基因型、环境及其互作（GEI）共同决定。过去数十年，基因组学技术迎来爆发式发展，高通量测序让作物基因型解析进入低成本、全覆盖的时代；但与之相对的是，表型组学尤其是环境组学的发展严重滞后。

传统多环境育种试验中，研究者往往只关注作物最终的表型结果，却对全生育期的环境动态变化缺乏精准刻画。环境数据的缺失，让大量基因型 - 表型关联研究的结果难以重复，也让育种选择的准确性大打折扣。

而 PE 协同框架的核心，正是将表型组与环境组放在同等重要的位置，明确定义了二者之间正向 / 负向的互作关系、数据的同步采集与深度整合、技术平台的共享协同，彻底打通了表型与环境之间的关键链路，让 G-P-E 三角从 “残缺” 走向完整，构建起作物育种的 “黄金三角”。

图 1 作物育种中的基因型 - 表型 - 环境组（G-P-E）三角关系。传统育种中表型与环境的链路缺失，形成了不完整的三角；而 PE 协同框架补齐了这一关键环节，构建起育种的 “黄金三角”。

2. 双基石协同：表型组为核，环境组为境，AI 赋能全链路

在 PE 协同体系中，表型组与环境组是作物育种不可分割的双基石。表型鉴定是解析遗传效应、锁定优良性状的根本锚点，而环境型鉴定则为表型数据提供了不可或缺的时空背景，是解读表型变异的核心 “钥匙”。

研究团队明确提出，表型组是组学时代的核（foundation），而环境组是这个时代表型表达的上下文调控因子或“境”（Complement）。无论是植物体内的生理微环境，还是田间的土壤、气候、生物胁迫等体外环境，都会直接影响作物基因的表达与性状的最终呈现。

如今，高通量表型鉴定（HTP）与高通量环境型鉴定（HTE）技术的同步发展，为 PE 协同提供了坚实的技术支撑。而人工智能（AI）与大数据技术的深度融入，更是让海量的表型、环境、基因组数据实现了高效融合。AI 算法不仅能处理多源异构的复杂数据，更能精准捕捉 GEI 的非线性效应，让作物育种从 “经验选择” 全面转向 “精准预测”。

图 2 AI 驱动的基因组 - 表型组 - 环境组整合育种体系，实现从实验室到田间的育种全流程加速，构建起高效育种新模式。

3. 空天地室一体化：PE 协同的全场景技术载体

要实现真正的 PE 协同，同步化、高通量、全生育期的数据采集是核心前提。研究团队系统提出了 “卫星 - 无人机 - 田间 - 室内设施” 的空天地室一体化网络，为 PE 互作搭建了完整的全场景技术载体。

从高分辨率卫星实现的大尺度土壤、气候环境监测与田间冠层表型采集，到无人机（UAV）、地面无人车（UGV）实现的小区级、单株级环境与表型同步观测，再到室内可控环境设施实现的精准环境模拟与表型鉴定，这套体系彻底打破了田间与实验室的壁垒，实现了作物全生育期、多尺度的 PE 数据同步采集。

更值得关注的是，这套共享技术体系让环境型鉴定实现了跨物种的标准化 —— 不同于表型鉴定需要针对不同作物、不同性状定制方案，同一地点的环境数据可以在多种作物的育种项目中共享复用，大幅降低了育种成本，提升了数据利用率。

图 3 空 - 天 - 地 - 室一体化网络，为表型组 - 环境组数据的同步采集提供了全场景技术平台，是下一代作物育种的核心基础设施。

4. 从数据到决策：PE 协同开启智能育种新时代

PE 协同框架的最终目标，是实现更高效、更精准、更具气候韧性的作物育种。通过数据降维、多源数据融合，再到 AI 模型的深度学习与训练，最终实现产量、抗逆性、品质等关键农艺性状的精准预测，为育种家提供直接、可靠的决策支撑。

这一框架不仅能大幅提升基因组选择的准确性，更能实现作物品种的精准生态适配，让优良基因型找到最适合的种植环境，也为特定生态区定向培育适配品种提供了可能。同时，它还能优化多环境试验设计，减少不必要的田间试验，大幅缩短育种周期、降低育种成本。

图 4 AI 驱动的 G-P-E 数据育种应用全流程，实现从原始多组学数据到精准育种决策的高效转化。

综上所述，PE协同框架为应对全球气候变化、保障世界粮食安全提供了全新的技术路径，也为下一代数据驱动的智能育种，奠定了核心理论与技术基础，可能深刻重塑未来作物育种流程。

中国农业科学院作物科学研究所、北京大学现代农业研究院徐云碧研究员、作科所李慧慧研究员为共同通讯作者。李慧慧研究员、高尚助理研究员为论文共同第一作者。作科所李文学和王建康研究员、Takele Weldu Gebrewahid研究助理、宏表型实验室韩志国博士、CIMMYT 科学家Matthew P. Reynolds博士和Sarah Hearne博士、巴塞罗那大学Jose Luis Araus教授为论文的撰写做出了贡献。该研究得到国家自然科学基金、深圳科学技术项目、山东省科技创新项目及中国农业科学院创新工程和重大任务等项目资助。

论文链接：

https://doi.org/10.1038/s41467-026-73097-x