随着全球人口的增长(预计到2050年将达到50亿人)以及气候变化带来的挑战(每十年上升0.3℃),全球粮食生产需要增加70%才能满足2050年人口数量的需求。然而,传统育种策略既耗时又劳动密集,难以满足农业生产的可持续需求。许多复杂性状是由遗传回路的组合而非单一基因调控的。合成生物学(SynBio)结合了现代工程原理以及生物学、物理学、化学和计算机科学,允许有目的地改良现有生物系统或创造全新的输入和输出作物特性(图1)。合成生物学的起源可以追溯到20世纪60年代,当时发现了大肠杆菌中的lac操纵子。随着分子生物学和测序技术的进步,SynBio获得了动力并扩大了其范围。合成生物学主要有两种模型:进化的自上而下方法和理性的自下而上方法(图1)。这些建模方法在辅助作物工程方面证明是强大的,包括提高多重应激耐受性、增加质量和作物产量(图1)。合成生物学中的自上而下方法涉及现有生物体或系统的修改和重新工程。这种方法从完全功能的生物体开始,系统地简化或重新编程它以实现期望的功能。与自上而下方法不同,自下而上方法需要深入理解单个组件的性能。它用于从头构建最小细胞。最小细胞可以提供转录和翻译,这使得生物体能再生能量和代谢,并应对多重胁迫。SynBio的设计过程涉及概念化、设计、建模、构建和测试,使得可靠、可复制和可预测的遗传系统得以发展。这种系统策略也推进了定向蛋白质工程,促进了引入新性状以改良作物。人工智能(AI)在计算机科学中取得了重大进展,导致其在作物育种中的应用。AI结合了各种训练算法和遗传模型,实现了快速、高效和精确的自动育种。在这个背景下广泛使用的两个模型是人工神经网络(ANN)和支持向量机(SVM)。随机森林和卷积神经网络(CNN)可以构建模型,考虑到许多环境因素和基因之间复杂的相互作用,有效地区分各种环境数据。AI模型有能力解释和分析遗传数据,确定与特定性状相关的潜在基因,并提供与特定基因型相关的精确性状预测。此外,AI支持整个蛋白质工程的定向进化设计,例如使用机器学习算法预测和筛选符合工程目标的蛋白质变体。因此,AI驱动的合成生物学在作物育种中提供了优势,通过精确识别遗传元素和筛选理想的修饰蛋白,从而加速了具有期望性状的作物的发展,如增加作物产量、抗病性和气候适应性。
在这篇综述中, 作者提出合成生物学可以用来开发具有高产量、效率、抗性、质量和营养价值的智能作物,这是通过合成调控回路实现的。然而,在作物应用的技术开发和方法方面仍存在重大挑战,例如高效的组装方法,用于将单个遗传组件整合到复杂的回路或网络中。
如何利用合成生物学和AI技术提高作物产量和质量,可以从以下几个层面进行研究和应用。
合成生物学在作物中的应用,合成生物学促进高产,通过基因编辑技术改善作物产量、抗病性和环境适应性。
合成生物学工程代谢途径,通过修改植物特有的合成代谢途径,提高作物产量和营养价值。
合成生物学增加多重逆境耐受性,利用合成生物学技术,如植物内生菌的工程化,提高作物对生物和非生物逆境的耐受性。
合成生物学促进高效率,通过增强作物的氮、磷吸收能力,提高作物的氮固定能力,减少对氮肥的依赖。
合成表观遗传学在作物中的应用,合成表观遗传学涉及设计和构建人工表观遗传模块或重构现有表观遗传系统。
合成生物学推动SMART作物,开发能够自我监测、适应和响应技术(SMART)的作物,以应对全球气候变化。
合成生物学加速植物工厂建设,利用植物工厂生产生物活性分子,如疫苗和药物。
总之,合成生物学在作物改良中具有巨大潜力,但仍面临挑战,如复杂基因-环境互作、高质量数据集的需求、基因编辑的精确性和效率以及监管问题。通过结合多组学技术和AI,可以更好地设计和优化基因回路,加速优良品种的开发。
来源:AgriPheno平台
长按左边二维码
感谢您关注国科农研院
微信公众号