農(nóng)業(yè)人工智能讓育種物美價廉
發(fā)布時間：2020-11-27
自作物馴化以來，培育抗性強、品質(zhì)好、產(chǎn)量高的作物品種一直是育種家的夢想。DNA分子結(jié)構(gòu)模型的發(fā)現(xiàn)促進了分子生物學的發(fā)展，使育種人員能夠在遺傳和分子水平上破譯作物的生命密碼，并通過調(diào)控基因獲得特定的表型，從而培育出最理想的作物品種。
從某種意義上說，育種是來自不同種質(zhì)資源的優(yōu)良等位基因的聚合。作物育種經(jīng)歷了漫長的改良之路。傳統(tǒng)育種是肉眼觀察作物表型，通過主觀判斷選擇高產(chǎn)、優(yōu)質(zhì)的育種材料。后來，根據(jù)對作物遺傳規(guī)律的理解，通過雜交試驗的前期工作，出現(xiàn)了專業(yè)育種者，然后從優(yōu)良栽培品種的后代中選出。
直到20世紀50年代，分子生物學和基因工程的誕生為人類了解生命的本質(zhì)打開了大門。作物育種已經(jīng)從經(jīng)驗育種時代進入了分子定向育種的時代。在此期間，育種人員可以在基因表型效應(yīng)明確的情況下，以有針對性的方式重組滿足預(yù)期要求的基因。
以人工神經(jīng)網(wǎng)絡(luò)為代表的新一代農(nóng)業(yè)人工智能技術(shù)具有更強的數(shù)據(jù)挖掘能力，正將作物育種推向智能化4.0時代。在人工智能技術(shù)輔助育種方面，美國農(nóng)業(yè)公司也曾使用過。例如，前孟山都公司通過人工智能篩選，只需對最具潛力的品種和分子進行實地測試，這可以幫助農(nóng)民增加收入。此外，借助機器學習和預(yù)測建模技術(shù)，可以迅速提供數(shù)字解決方案。
與國外種子產(chǎn)業(yè)集中度高、規(guī)模大的農(nóng)業(yè)企業(yè)相比，我國種子企業(yè)大多是"作坊"生產(chǎn)和分散分布，為了實現(xiàn)高通量的基因篩選和預(yù)測，有必要對適合我國種業(yè)的發(fā)展進行改進。
在研究方面，目前國內(nèi)外對深入學習人工智能技術(shù)在基因組學領(lǐng)域的應(yīng)用才剛剛起步。影響農(nóng)業(yè)人工智能技術(shù)在基因組學中廣泛應(yīng)用的因素之一是缺乏跨領(lǐng)域人才，基因組學領(lǐng)域的人們需要學習和掌握人工智能技術(shù)方法，并根據(jù)基因組學領(lǐng)域問題的特殊性，對人工智能技術(shù)進行改進。
此外，培訓(xùn)深度學習模式需要大量的數(shù)據(jù)。然而，在農(nóng)業(yè)領(lǐng)域，作物基因和表型數(shù)據(jù)的積累不足。在大數(shù)據(jù)時代，農(nóng)業(yè)人工智能育種的前提是規(guī)范大數(shù)據(jù)系統(tǒng)，但農(nóng)業(yè)數(shù)據(jù)不容易采集，作物表型數(shù)據(jù)差異較大，不同人采集的數(shù)據(jù)的真實可靠性和準確性難以控制，而且彼此之間的數(shù)據(jù)不開放共享，使得研究中的可比數(shù)據(jù)數(shù)量少。這也是目前國內(nèi)面臨的困難之一需要解決。
