作物合成生物学是一种遵循循环原则的新工具，用于重新设计和创造创新的生物组件、设备和系统，以增强产量、营养吸收、抗性和营养质量。在数字时代，人工智能(AI)在设计和学习中显示出了重大意义。AI的应用已成为不可逆转的趋势，其在作物育种领域的潜力尤为显著。然而，目前缺乏对AI驱动的植物工程合成生物学路径的系统综述。在这篇综述中，作者探讨了作物合成生物学中采用的基本工程原理及其在作物改良中的应用。遗传回路设计的方法包括基因编辑、合成核酸和蛋白质技术、多组学分析、基因组选择、定向蛋白质工程和AI。然后，作者概述了开发具有更高光合效率、重塑植物结构、修改作物代谢途径、提高环境适应性和营养吸收、建立性状网络和构建作物工厂的策略。此外，作者还提出了通过AI赋能的合成生物技术发展自我监测、适应和响应技术(Self-Monitoring, Adapted, and Responsive Technology，SMART)作物。最后，作者讨论了与合成生物学发展相关的挑战，并提出了作物改良的潜在解决方案。
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。
