广东
8月11日，作物遗传改良全国重点实验室及湖北洪山实验室严建兵教授、郭婷婷教授团队，联合美国农业部农业研究署李显然研究员等，在国际学术期刊Molecular Plant在线发表了题为“Decoding genetic basis of nitrogen use efficiency in maize using AI-generated deep phenotypes”的研究论文。华中农业大学植物科学技术学院博士生杨昊岩为第一作者，博士生曾令举和博士后苟香建为共同第一作者。作物遗传改良全国重点实验室及湖北洪山实验室严建兵教授、郭婷婷教授与美国农业部农业研究署李显然研究员为论文共同通讯作者。该研究得到了国家自然科学基金和农业生物育种重大专项等项目资助。
将玉米从单一“能量源”升级为“能量源+蛋白罐”，是提升我国饲料蛋白供给能力、保障粮食安全的一条重要路径。高蛋白玉米不是简单“多施氮肥”，而是要提高玉米的氮利用效率，让植株把有限的氮吸收好、利用好，并高效转运到籽粒中。然而，要解析氮利用效率的遗传基础，首先要解决一个关键难题：如何全面、准确地表征玉米对氮的响应。
长期以来，复杂性状研究遵循一条经典路径：先由人定义表型，再通过人工测量、传感器采集或预设算法获得表型数据，最后根据这些数据开展遗传分析。这套“人为定义—表型测量—遗传分析”的范式推动了作物研究，但也形成了一条难以逾越的人工知识边界：未被人类察觉、难以直接测量或尚未被定义的表型，难以进入后续遗传分析。就像拿着一张由人绘制的地图寻找宝藏，而地图之外还隐藏着大量尚未被认识的生物学线索。
图1 AI拓展复杂性状研究的知识边界
这项研究直接打破了“表型必须先由人定义”这一传统规则，将研究的起点从“人为定义”重构为“AI对复杂性状的从头学习、重新解读”，让AI直接从高、低氮处理下的大规模植株图像中从头学习，自主发现能够表征玉米氮响应的图像知识。为此，团队利用玉米多样性群体开展高、低氮盆栽试验，在不同生育时期拍摄了25080张高分辨率图像。AI识别高、低氮表型差异的准确率达到96.7%，在此基础上，研究人员进一步将AI学习到的知识转化为可计算、可遗传、可验证的“深度表型”。这项研究改变的不是表型测量的速度或精度，而是表型知识的产生方式，由此重构了复杂性状遗传解析的研究范式。
AI生成的深度表型不是无法解释的“黑箱”，它们能够稳定重复并具有较高遗传力。利用深度表型进行基因挖掘，共发现523个显著遗传位点，而传统表型仅发现21个。更重要的是，团队依据AI不同深度网络层关联到的基因，反过来追问“AI究竟学到了什么？”，结果表明浅层网络包含人类感知范围内的简单信息，深层网络则关联到更复杂、过去育种中较少关注的遗传变异。团队还对深度表型关联基因进行功能验证，发现bZIP家族的转录因子LG2在玉米氮吸收效率调控中起到重要的作用。由此，研究形成了“AI生成新表型—遗传定位—基因验证—反向解释AI”的完整闭环，使AI的发现既能回答生物学问题，又能帮助人们理解AI的决策依据。
为了拓宽研究结果的应用价值，团队在湖北襄阳开展了200亩规模的田间试验，在多个施氮水平下种植了200个玉米商业杂交种。结果显示，在低氮条件下，携带深度表型相关有利等位基因越多的材料，穗重优势越明显。以田间小区中央连续20株玉米为统计单位，每增加一个有利等位基因，穗重平均增加18克。这表明，AI生成的氮响应表型不仅能够揭示传统方法容易忽略的遗传变异，还可以进一步转化为育种可利用的遗传资源。
图2 深度表型关联基因的育种价值评估
从高蛋白玉米的长远目标看，这项研究补上了关键一环：突破人工预设表型的限制，发现决定氮高效吸收和利用的新表型、新基因与有利等位变异。未来，将AI深度表型与氮素吸收转运、籽粒蛋白形成以及高产高蛋白协同改良研究结合，能够实现“少施氮、产量高、蛋白足”玉米材料的精准选育，让人工智能真正成为高蛋白玉米品种创制的重要引擎。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
