第十一章 智慧育种

育种家大概都有过这样的体验：育种的瓶颈往往不在遗传学理论，而在”看不过来”。一个杂交组合的后代动辄数千株，田间调查靠人一株一株地量、一瓜一瓜地尝，且不说工作量，光是调查窗口期错过几天、数据就无法挽回。智慧育种要解决的正是这个问题——用传感器代替眼睛，用数据库代替笔记本，用算法代替经验直觉，让育种从一项高度依赖个人手艺的工作，转变为数据驱动、可量化、可复制的系统工程。

哈密瓜育种对这种转变的需求尤为迫切。哈密瓜是典型的经济寿命有限的商品作物，市场偏好变化快，品种更替频繁；而其育种周期又天然偏长，一个杂交组合从配组到品种定型往往需要八到十年。更现实的是，新疆产区地域辽阔，一个育种项目往往要同时照应吐鲁番、哈密、昌吉等生态条件差异显著的多个试验点，人工调查的覆盖能力和数据的一致性都很难保证。在这样的背景下，高通量表型获取、数据化管理和算法辅助决策，已经不是锦上添花的时髦话题，而是关系到育种效率和竞争力的现实选择。

可以把智慧育种理解为三级台阶：第一级是把性状数据又快又准地采上来，这是高通量表型组学的任务；第二级是把基因组、表型组、环境组等多源数据管起来、串起来，这是育种大数据的范畴；第三级是让机器从数据中学出规律，替育种家做预测和决策，这是人工智能育种与智能设计育种的核心。本章即沿这三级台阶依次展开。需要提醒的是，智慧育种并不玄虚，它的每一级台阶都建立在传统育种方法的坚实基础之上——算法再聪明，喂给它错误的表型数据，得出的结论只会是精致的错误。

11.1高通量表型组学

11.1.1“表型瓶颈”与高通量表型组学的缘起

基因型与表型，是贯穿育种学始终的一对基本范畴。第二章已经讨论过哈密瓜主要性状的遗传基础，第四章和第十章则介绍了获取和改造基因型的种种分子手段——进入二十一世纪以来，这些”基因型端”技术的通量提升速度惊人：基因组测序的成本十年来下降了几个数量级，如今给一个品种做全基因组重测序已不是难事，数以百计的育种材料在几周内完成基因分型已成常规。相形之下，”表型端”的进展要缓慢得多——测一个基因型只要几天，准确测一批果实的可溶性固形物含量可能要几周，而且破坏性取样还意味着测过的瓜就没了；叶面积要一片叶一片叶地量，病情指数要一次一次地分级记录，根系更是埋在地下，看都看不见。

这种基因型获取能力与表型获取能力之间的巨大落差，学界称之为”表型瓶颈”（phenotyping bottleneck）。表型瓶颈的成因值得仔细剖析，因为它决定了高通量表型组学的设计思路。其一，是性状本身的复杂性：基因型是离散的、可精确抄录的字符，而表型是连续的、受环境扰动的、随时间变化的动态过程，同一株瓜苗早晨和正午的冠层温度就不相同，灌水前后测得的叶绿素含量也不可比。其二，是调查的人力约束：传统田间调查依赖训练有素的人员，而人的注意力、体力与调查窗口期都是有限资源，一个季节所能积累的数据量存在天然上限。其三，是破坏性取样的约束：糖度要切开瓜、质地要取样测，凡此种种，都让育种家在高精度与大数据量之间左右为难。

高通量表型组学的目标，就是让表型获取的速度追上基因型获取的速度。它的总体思路可以概括为”传感替代人工、平台解放人力、算法提炼信息”：用各类传感器代替人的感官去感知植株，用固定的或移动的平台代替人去贴近试验材料，用图像分析与机器学习代替人去读数、分级和记录。需要强调的是，”高通量”并不只是”快”，还包括三个相辅相成的品质要求——多次重复观测形成的时间序列、跨环境的标准化可比数据，以及尽可能无损的测定方式。只求快而不求稳的高通量，产出的只是一堆无法互比的数字。

还应当看到表型数据的二重身份：它既是田间选择的直接依据，又是机器学习模型的训练标签。训练标签的准确性尤其要紧——用人工粗测的数据去训练模型，模型学到的就只有粗测的精度，这是”垃圾进、垃圾出”在育种场景中的具体表现。因此，高通量表型组学并不排斥传统的精细测定，反而要以少量但精准的人工测定为”锚点”，去校准海量但间接的传感器读数。哈密瓜恰有一些性状特别依赖这种校准：果面网纹的粗细类型、肉质的脆与绵、香气的浓淡，都是传感器难以直接量化、而市场又高度敏感的性状，只能靠育种家给出权威的人工评定，再让算法从中学习。第九章讨论种子生产时强调”技术规程”的价值，表型测定同样如此——规程写得越细，数据越经得起岁月的检验。

11.1.2表型采集平台：地面、空中与地下

表型采集首先依赖硬件平台。按平台与植株的相对位置，目前形成了地面、空中、地下三条战线：

表型采集平台：

• 地面平台：传感器、光谱仪

• 空中平台：无人机、卫星

• 地下平台：根系扫描仪

地面平台离植株最近，数据精度最高。温室中常见的是传送带式高通量表型平台：装有植株的花盆放置在可移动的托盘上，按程序定时被传送至成像舱，依次经过多个成像通道后返回原位，整个过程无需人工搬运。这类平台配合称重与浇灌模块，可以连续监测同一植株的生长动态，把”某天某时的株高”变成”株高随时间变化的完整曲线”，对研究水分利用效率、耐热响应这类动态性状尤其有价值。固定在大田中的龙门式平台和可移动的田间表型车，则把类似的能力搬到田间，沿轨道或垄间巡行，对小区逐个扫描。空中平台胜在覆盖面：无人机搭载多光谱或热红外相机，一次飞行即可获取整个试验田的影像，几十亩地的冠层温度、覆盖度、长势差异一目了然，特别适合育种中后期的品比和区试；卫星遥感的分辨率对单株水平偏粗，但对大范围的产量预估和种植监测有独特价值。地下平台针对的是最容易被忽视的地下部——根系深浅和分布直接影响哈密瓜的耐旱表现，传统的挖根法破坏性强、精度差，微根管和X射线断层扫描（CT）等根系扫描技术才让”看清地下”成为可能。三条战线的合理组合，才能做到地上地下、个体群体兼顾。

表11-1对主要平台类型的特点做了概要归纳，供选用时参考。

平台的选择要与育种阶段匹配。育种早期世代材料多、单份材料种子少，适合以温室传送带平台做小空间内的精细观察；中后期品系数量收敛、小区规模扩大，则无人机与田间平台更能发挥覆盖优势。反过来用，即让昂贵的温室平台去拍成千上万的小区，或指望无人机分辨单株果面的细微病斑，都会事倍功半。

平台建设中有两点经验值得预先了解。一是时序数据的价值往往高于单点数据：单次测量的株高只是一张快照，而每周一次的连续测量给出的是生长曲线，曲线的斜率、拐点和平台期所含的信息远比终值丰富——耐热材料的优势常常体现在高温时段的生长维持能力上，只测最终株高是看不出来的。传送带式平台之所以昂贵却受重视，正在于它把”定期”变成了”定时”，把人工巡测的随机性变成了程序控制的规律性。二是平台运行是长期工程而非一次性采购：传感器需要标定，相机需要清洁，软件需要维护，数据需要专人管理，很多平台的问题不在于硬件本身，而在于运行一两年后无人维护、数据无人整理，最终沦为昂贵的摆设。采购之前先想好”谁来用、谁来管、数据谁来整理”，比比较参数表更有意义。

也应看到，”高通量”并非只有重装备一条路。田间调查环节的低成本数字化，常常是性价比最高的第一步：用平板或手机上的记载软件替代纸质记载本，调查数据当场进入数据库，省去事后录入的功夫，也消灭了转录错误；性状描述改为下拉选项而非自由填写，”果形”一栏就再也不会出现”圆””近圆””高圆””偏圆”各随所好的混乱；配合条码标签管理小区和单株，材料信息扫码即得。这些手段没有一件称得上前沿，却能把田间数据的质量提升一个台阶。对多数育种团队来说，先把”人手一册的记载本”变成”人手一台的数字终端”，比直接上马昂贵的表型平台更符合投入产出逻辑。

11.1.3成像技术谱系与表型指标

平台只是载体，真正感知植株的是搭载其上的各类成像与传感技术。这些技术各有自己的”视力”，构成了一个由可见光向不可见波段、由表观向内部延伸的谱系。可见光成像（RGB相机）最为普及，成本最低，可直接获取株型、叶色、果形、果面网纹等外观信息，是几乎所有平台的标配。多光谱成像在可见光之外增加近红外等少数波段，可计算常用的植被指数，用以估计长势和覆盖度。高光谱成像把波段细分到数十乃至数百个连续窄带，能捕捉更细微的生化差异，如叶片氮素状况、色素组成，信息量大，但数据冗余也大，对处理能力要求更高。热红外成像感知冠层温度，是推断植株蒸腾和水分状况的窗口——缺水的植株气孔关闭、蒸腾减弱、叶温升高，热图像上一览无余。激光雷达（LiDAR）通过激光测距直接获取三维结构，重建植株的点云模型，株高、冠层体积、叶倾角分布等结构参数无需”看图”即可量算。X射线CT则更进一步，把不透光的内部结构可视化，既用于根系原位成像，也可用于果实内部空洞和厚度的无损观察。

平台与技术采集的原始影像和信号，最终要落实到具体的表型指标上：

表型指标：

• 形态：株高、叶面积、果形

• 生理：光合速率、叶绿素含量

• 品质：SSC、色泽、质地

• 抗病：病情指数

形态指标大多可以从影像中直接提取，株高、叶面积这类参数的自动测算已经相当成熟，比人工量取又快又稳定。生理指标多借助间接推算——叶绿素含量通过光谱反射指数估算，光合能力从冠层温度和气孔导度反演，这类”以表推里”的方法效率高，但标定关系必须针对作物和条件认真校准，否则偏差不小。品质指标中最棘手的是可溶性固形物（SSC）和质地：近红外光谱等无损检测技术已在应用，但精度与破坏性取样的金标准仍有差距，育种后期关键品系往往仍要人工取样验证。抗病的病情指数由图像识别自动分级，适合大规模接种后的快速普查。可以看到，越是育种决策后端的性状，无损、高通量的难度越大，这也是当前表型组学的攻坚重点。

从四类指标的对比中，可以提炼出表型指标体系设计的三条原则。第一，指标必须服务于育种目标，而不是追求数量的堆砌：测一百个无人使用的指标，不如测准十个进决策的指标，每个指标都应当能回答”选与不选”的问题。第二，指标要成体系地覆盖目标性状链：第五章讨论品质育种时指出，品质是外观、风味、质地等多个性状的集合，表型体系也应相应分层，避免顾此失彼。第三，记载要”一次采够、多处可用”：同一批影像，既可以提取果形指数，也可以顺带统计单株结果数；设计采集方案时就考虑到多种下游用途，边际成本极低，而收益成倍增加。这三条原则的共同指向，是让表型数据从”调查记录”升格为”育种资产”。

11.1.4图像分析与数据转化

采集来的海量数据——一个季节的无人机影像可达数百上千吉字节——要靠算法才能变成有用的信息：

数据分析：

• 图像处理：深度学习

• 光谱分析：机器学习

• 数据整合：多组学关联

先看图像处理。机器视觉处理一幅田间图像，大体遵循这样的流程：先做图像校正和预处理，统一白平衡、几何尺度和光照条件；再做目标分割，把植株或果实从土壤背景中分离出来；然后是特征提取或目标识别，确定株高、叶面积、病斑位置等量；最后按小区或单株汇总成表型数据表。传统方法依靠颜色阈值、边缘检测等手工设计的规则，在光照可控的温室里尚可应付，一到田间就常常失灵。以深度学习为代表的现代机器视觉改用了”从样本中学习特征”的路线：给算法足够多的已标注图像，它能自行学会在复杂背景中辨认果实、叶片和病斑，卷积神经网络在果实检测、病害识别、果形测量等任务上的表现已经接近甚至超过人工。其前提是有足够大的、标注质量高的训练集——为哈密瓜专门构建这样的数据集，本身就是一项基础性工作，而标注本身又离不开育种家的专业判断，这提醒我们：智能算法的起点仍是人。

再看光谱分析。光谱数据是典型的”多变量、小标注”数据，将反射光谱反演为生理生化参数时，偏最小二乘回归、随机森林等经典机器学习算法仍是主力，深度学习只有在标注样本充足时才显出优势。数据处理中最容易出问题的环节是对不同日期、不同地块光谱的标准化——传感器响应随时间和温度漂移，若不定期用标准板校正，不同批次的数据会带上系统性偏差，而这种偏差混入表型数据后，下游的分析很难察觉。

数据整合则是把表型数据与基因型数据对齐到同一株系、同一时间维度上，为后续的关联分析和基因组选择备料，其具体做法将在12.2节展开。值得强调的是，数据分析环节的质量上限取决于数据采集环节——拍摄角度、光照条件、背景一致性这些田间细节，任何一环敷衍了事，再好的算法也无力回天。

训练数据的积累还有一条容易被忽视的路径——迁移。为哈密瓜从零构建大规模标注数据集固然必要，但图像识别领域的大量通用成果（如通用的目标检测与分割模型）可以作为起点，用相对少量的哈密瓜标注图像加以调整后使用，这比完全从零训练节省一个数量级的数据量。同样，其他瓜类作物上积累的病害识别数据，对哈密瓜常见叶部病害的识别也常有可借鉴之处。当然，迁移只是降低门槛，不能替代本领域的验证：任何模型投入实际使用前，都必须在独立的、未参与训练的哈密瓜数据上检验其准确率，并弄清它在哪些条件下会失效——一个不知道自己边界何在的模型，比没有模型更危险。

11.2育种大数据

11.2.1数据来源：四个组学层面

高通量表型把数据”采上来”之后，紧接着的问题是怎么”管起来”。一个坚持了十几年育种的团队，手里往往积累着几十个世代的系谱、数以万计的田间记载和海量的基因分型数据，散落在不同课题组的硬盘和纸质记录本里，彼此对不上号——这种情形在实际工作中相当普遍。育种大数据要做的，就是把这些资源整合成一个有机整体。

育种数据的来源，大致覆盖以下四个组学层面：

数据来源：

• 基因组：重测序、SNP芯片

• 表型组：高通量表型

• 环境组：气象、土壤

• 代谢组：GC-MS、LC-MS

基因组数据刻画”是什么基因型”，表型组数据刻画”长成了什么样”，环境组数据回答”处在什么条件下”，代谢组数据则深入到”体内发生了什么化学反应”。四个层面各有分工，也各有各的成熟度。基因组数据由于测序和芯片技术的标准化程度高，最容易做到格式统一、跨课题互认；代谢组数据信息丰富，但测定成本高，目前多用于核心种质和关键品系的深入研究；表型组数据的规模正在快速膨胀，标准化程度却参差不齐，是整合工作中最费力的部分。尤其容易被忽视的是环境组数据：同样的基因型在不同年份、不同地块的表现可能大相径庭，没有翔实的气象和土壤记录，多年的表型数据就失去了互相比较的基准，基因型与环境互作的分析更是无从谈起。把试验点的温湿度、降水、土壤养分随表型数据一并记载，是成本极低却极有价值的好习惯。

代谢组数据虽然目前使用面最窄，却与第五章讨论的品质育种关系最为直接。哈密瓜的风味是糖、酸和挥发性香气物质共同作用的结果，这些小分子化合物正是代谢组学的测定对象：气相色谱-质谱（GC-MS）擅长分离分析挥发性物质，液相色谱-质谱（LC-MS）则覆盖糖、酸等极性成分。把代谢谱与感官评价和基因型数据关联起来，有望找到决定”哈密瓜味”的关键化合物及其遗传基础，为风味育种提供比”尝一尝”更客观的标尺。受测定成本所限，代谢组分析宜安排在育种流程的关键节点——例如在核心亲本和少数重点组合上开展，而不必追求覆盖全部材料。

11.2.2环境型数据与试验网络

环境型（envirotype）数据之所以值得单独讨论，是因为它正在从”背景信息”升格为育种分析的一等公民。第八章在试验设计中已经指出，品种评价必须建立在多年多点的试验网络之上；而试验网络要发挥更大的作用，前提是每个试验点都有一套完整的”环境档案”。这套档案至少应包括三部分：一是气象记录，气温、降水、日照、湿度随时间的序列，它们决定了当年病害压力的轻重、成熟期积温的多少；二是土壤信息，质地、有机质、盐分、养分水平的空间分布，吐鲁番与昌吉的试验地土壤条件差异悬殊，不带土壤背景的数据对比是没有意义的；三是栽培管理记录，播期、密度、灌水施肥、施药时间，这些”人为环境”同样强烈地影响表型表达。

有了系统的环境型数据，育种家才能把”品种×环境”的互作拆解开来：一个组合在哈密表现优异而在昌吉平平，究竟是耐热性不足还是感病，数据会给出线索；进而可以在设计阶段就有意识地匹配品种与推广区域，把品种的”生态位”算清楚。环境型数据与基因组数据的结合，还催生了把环境信息直接纳入预测模型的分析框架——同一基因型在不同环境下的育种值可以被分别预测，这对于气候波动加大、极端天气频发的今天，意义不言自明。当然，环境观测不必追求大而全：一套遍布试验点的小型气象站，加上规范的管理记录，已经能满足多数育种分析的需要，关键在于坚持记载、格式统一。

进一步的做法，是把环境变量从”文字描述”加工为”量化协变量”。例如，把某个试验点的全季记录浓缩为若干个有育种含义的数字：有效积温、高温日数、发病期的湿度条件、灌水总量等。量化之后，环境信息才能进入统计分析模型，与基因型数据放在一起考察互作。实践中不需要高深的气象学，一台两三百元级别的温湿度记录仪加一本规范的田间日志，就足以支撑这类分析——真正的门槛从来不是设备，而是”每一季、每一点、都记”的坚持。

试验网络的数据一致性还牵涉到一个组织层面的问题：网络中的多个试验点往往分属不同单位，调查习惯各不相同。要形成可汇总的数据，仅靠事后统一是无能为力的，必须在播种之前就把调查规范、记载表格和提交时限以书面形式约定清楚，并在生长季中安排一两次巡查核对。品种区试体系多年来在这方面积累了成熟的经验，育种单位自建的测试网络完全可以借鉴。可以说，环境型数据的功夫一半在田间、一半在组织，这是智慧育种作为”系统工程”的又一层含义。

11.2.3数据管理、标准化与公共数据库

数据汇集之后，管理层面要解决三个基本问题：

数据管理：

• 数据库构建

• 数据标准化

• 数据共享

数据库构建是把分散的数据集中存储、统一备份，避免”人走数据丢”。一个设计良好的育种数据库，应当把系谱、基因型、表型和环境四类数据用统一的材料编号串联起来：任何一份材料，从它的杂交亲本到历代田间表现再到分子档案，都能一查即得。这种”全程可追溯”的能力，本身就是育种经验的数字化沉淀——老育种家退休带走的记忆，有多少能留在数据库里，决定了一个团队十年之后还剩多少家底。

数据库建设还要未雨绸缪地考虑安全和延续。育种数据虽然谈不上机密，但丢失的代价极高：十几年的田间记录一旦损毁，无可替代。基本的对策是”异地双备份、定期做演练”——数据至少保存在两个物理地点，备份要定期检验能否真正恢复，而不是想当然地以为备份文件一定可用。此外，数据库的管理职责要落实到岗位而不只是落实到人，人员流动时移交文档和账号权限，是许多团队吃过亏之后才补上的一课。

数据标准化是命脉所在。同一性状在不同年份叫法不同、单位不同、调查标准不同，是数据整合中最耗时也最容易出错的环节：有的记载”可溶性固形物”，有的记”糖度”，有的用百分数、有的用°Brix，调查时期一个记盛花后天数、一个记日期，这样的数据放在一起，机器无法比较，人工比对也困难重重。按照统一的术语、单位和调查规范录入，才能让十年前的数据和今天的数据对话。甜瓜领域已有若干性状描述规范可供参照，育种团队即使不能全盘采用，也应形成并遵守自己的内部标准。

数据共享在科研文化上至今仍是难点：数据是课题组的心血，但封闭的数据在育种上几乎必然导致重复劳动和低水平徘徊。合理的做法是在保护知识产权的前提下实现有限共享。公共数据库在这方面扮演着基础设施的角色：NCBI的GenBank等通用数据库汇集了全球的核酸序列数据，是任何作物基因组工作的起点；葫芦科作物专用数据库（如Cucurbit Genomics Database）进一步整合了甜瓜的参考基因组、基因注释、变异信息和表达数据，把全世界的甜瓜基因组学成果汇聚成可检索的公共资源。育种团队未必有力量自建大规模数据库，但至少应当学会利用这些公共资源——把自家材料的重测序数据比对到公共参考基因组上，就等于免费获得了一套全世界共享的坐标系统，自家的数据从此可以与任何已发表的数据互相对话。

公共资源中还有一类对产业特别实用的品种指纹数据。把代表性品种的标记基因型整理成指纹库，新收种子的真伪、田间杂株的来历，对照指纹即可判定；这类工作单个团队无力覆盖全部品种，但公共指纹库一旦建成，全行业受益。事实上，品种权保护和种子质量监管都依赖这样的基础数据设施，它的完善程度是衡量一个作物产业”数据底座”厚薄的标志。哈密瓜作为地理标志产品，其正源种质的指纹建档还有保护产区品牌的价值，这一层意义已超出育种技术本身。

管理有序的数据，才谈得上挖掘利用：

数据挖掘：

• GWAS

• 基因组选择

• 机器学习

全基因组关联分析（GWAS）利用自然群体的历史重组，把性状与基因组位点联系起来，样本量越大、标记密度越高，检验效力越强——这本身就是”大数据”的产物。基因组选择用全基因组标记预测个体育种值，模型训练依赖历史群体的基因型和表型数据，数据积累越厚，预测越准。更一般的机器学习则可以在数据中发现人工难以察觉的模式，比如环境因子与性状表达的复杂关系。数据挖掘的三个方向实际上构成了递进的链条：GWAS产出标记与性状的关系知识，基因组选择把知识转化为预测工具，机器学习则不断提高两者的精度。没有前两节的数据基础，这一节的一切都无从谈起。

就哈密瓜而言，GWAS的实际应用还要正视作物自身的特点。甜瓜的自然群体遗传背景复杂，群体结构和亲缘关系会造成”假关联”——某个性状看似与某个位点相关，实际上只是因为某类地理来源的材料恰好既带该位点又有该表现。所以 GWAS 的分析流程都必须首先校正群体结构，这也是第一章介绍的资源遗传背景评价之所以重要的原因之一：对材料的来历越清楚，关联结果越可信。此外，哈密瓜地方品种间为农家选择留传，许多性状的变异是”大块头”式的，一个大效应位点贡献了大部分差异，这类性状反而适合 GWAS 去捕捉；而糖度、产量等受微效多基因控制的性状，则需要更大的样本量才能取得稳定结果，宜以多年多点数据的汇总分析为主攻方向。

11.3人工智能育种

11.3.1机器学习的方法体系

大数据就位之后，人工智能开始登场。需要说明的是，人工智能在育种中的应用并不神秘，机器学习本质上就是”从数据中归纳规律、再用规律做预测”的数学方法，育种家早已在不知不觉中使用它的若干原理——配合力分析、稳定性分析，其实都可以看作朴素的统计学习。真正的变化在于，现代机器学习能处理的变量维度和复杂程度，远远超出了传统统计方法的边界。

机器学习的方法体系，大体可以分为三个层次：

机器学习：

• 监督学习：分类、回归

• 无监督学习：聚类、降维

• 深度学习：CNN、RNN

监督学习需要事先给定”标准答案”，从带标签的数据中学出分类或回归模型，适合有明确目标变量的任务，比如根据标记数据预测某株系是否抗病，或根据光谱数据预测果实糖度。无监督学习不给答案，让算法自己在数据中找结构：聚类可以把成百上千份种质按遗传相似性自动分群，与第一章介绍的核心种质构建直接衔接；降维则把成千上万个标记压缩到少数几个主成分，便于可视化把握群体结构和离群材料。深度学习是监督学习的深度化形态：卷积神经网络（CNN）擅长处理图像这类具有空间结构的数据，循环神经网络（RNN）擅长处理序列数据，它们能自动提取特征，省去了人工设计特征的繁琐，代价是需要更大的数据量和更多的计算资源。方法没有高下之分，只有合不合适——样本量小、变量关系简单的任务，传统方法往往比深度学习更稳健；深度学习的用武之地，是那些规则难以描述、样本可以积累的复杂任务。

无论选用哪类方法，评估模型都要遵循同一条铁律：用来评价的数据必须是模型没有见过的。习惯的做法是把数据划分为训练集和验证集，训练集用来拟合，验证集用来检验；在样本宝贵的场合，则轮流留出一部分数据做检验。若不加区分地把全部数据都拿去训练、又在同样的数据上看准确率，得到的将是对模型能力的严重高估——模型可能只是背下了答案，这种情形称为过拟合。育种数据的特殊性还在于年份间的相关性：同一试验地相邻两年的数据高度相似，随意划分训练集和验证集可能导致”用今年验证去年”，实际等于没有验证。比较稳妥的做法是按年份或按地点整块划分，让验证条件尽量接近未来应用的陌生场景。

11.3.2育种中的应用环节

落到育种实践中，人工智能目前主要在四个环节提供支持：

应用：

• 品种鉴定

• 性状预测

• 亲本选配

• 育种决策

品种鉴定看似简单，实则是产业化育种中的刚需：种子市场上的品种纯度纠纷、亲本材料的产权保护，都需要快速可靠的指纹识别，基于标记数据的分类模型已经能做到分钟级判定。性状预测覆盖面最广，从苗期的抗病性预判到收获前的产量预估，预测模型都在把”事后才知道”变为”事前可估计”——对抗病育种来说，苗期预测意味着不必等发病季节就能初筛；对良种繁育来说，产量预估意味着制种计划可以提前安排。亲本选配是育种中最依赖经验直觉的环节，”看亲选配”的功夫往往要练上十几年，人工智能正尝试把数十年积累的杂交组合表现数据利用起来，预测新组合的配合力表现——目前这类预测的准确性还不够高，但方向无疑是正确的。育种决策则是在更高层面回答”下一步做什么”：留哪些株系、淘汰哪些组合、资源往哪里倾斜，模型可以提供量化的参考，最终拍板的当然还是育种家。

四个环节中，病害识别是近年来落地最快的一项，它与第六章的抗病育种工作可以直接衔接。传统的病情调查依赖分级标准，不同调查员对同一病叶的定级常有出入，而图像识别模型恰恰擅长把这类判读标准化：同一套模型对成千上万张病叶给出的分级是一致的、可复现的，虽然个别判断未必比资深植保人员更准，但它不会疲劳、不会赶工期、不会受主观情绪影响。在抗源筛选这类处理量大、判定标准明确的场景中，”略欠聪明但绝对稳定”的算法往往比”偶有神来之笔但波动很大”的人工更合用。当然，模型对新病害、新症状的识别能力为零，遇到训练集之外的病害仍须专业人员把关，这一局限在使用中要心中有数。

11.3.3基因组预测与深度学习的融合

在所有应用中，与育种学理论结合最深的是全基因组预测，即基因组选择。其基本思想第十章已有铺垫：利用覆盖全基因组的大量分子标记，把每个个体跨全部位点的遗传效应加总，预测其总体育种值。这一思想的经典实现以统计遗传模型为主，将标记效应作为随机效应，配合系谱关系或基因组关系矩阵进行估计；模型在训练群体上学出规律，再应用到只测了基因型的候选群体，从而免去大量的田间表型鉴定，缩短世代间隔。预测精度的关键制约因素是训练群体的代表性——训练群体与候选群体的遗传关系越近、训练用的表型数据越准，预测就越可靠。这再次印证了本章反复出现的主题：数据质量决定一切。

深度学习正在从两个方向与这一框架融合。其一是直接用于基因组预测：把个体的基因型当作一条”序列”或一组特征输入深度模型，让网络自动学习位点之间的上位互作和非线性效应，而不必人工指定模型形式；循环网络处理基因型序列的研究即属此类。其二是用于表型提取：如前节所述，卷积网络从图像中提取的表型，恰可作为基因组预测的输入，构成”图像—表型—育种值”的自动流水线。两个方向的总体思路是一致的——让数据本身说话，减少人工假设的干预。不过要客观看待：在许多作物的实际比较中，深度学习相对经典统计遗传模型的精度优势并不稳定，往往需要在样本量大、性状复杂的场景下才能体现；对多数育种团队而言，先把经典模型用足用好，再考虑引入深度学习，是更务实的次序。

基因组选择对哈密瓜育种最现实的诱惑，在于压缩世代进程。哈密瓜从播种到果实成熟需要数月，一年最多安排两代，回交和聚合选育的周期因此被牢牢锁死在作物本身的生长节奏上。基因组选择的思路是”看基因型选人”：在苗期对候选单株完成基因分型，用模型预测其成株期的表现，把注定平庸的个体提前淘汰，田间只保留少数有希望的个体精细鉴定。选择压力由此从”田里全测”转移到”苗期预筛”，单位面积能承载的评价规模成倍扩大。当然，这套逻辑的成立有前提——预测精度必须足够高，否则误杀和误留都会发生；而精度又回到老话题：训练群体的表型数据必须准确、连续、有代表性。数据资产的厚度，最终决定了预测工具的锋利程度。

已有的一些探索可作为参照：

案例：

• 基于CNN的果实品质预测

• 基于RNN的育种值预测

前一个案例用卷积网络从果实图像预测内部品质，让”看图识甜”成为可能，避免破坏性取样，对大规模初筛非常实用。后一个案例用循环网络处理基因型序列数据来预测育种值，代表了深度学习与基因组选择的融合方向——序列模型可以直接从原始序列中学习位点之间的互作，绕开了人工特征工程的环节。这两个案例的共同启示是：人工智能在育种中的价值，不在于替代某一个具体的测定环节，而在于把原本成本高昂、不可兼得的判断变得又快又便宜。

围绕这些应用，还有必要讨论一个容易被回避的问题——失误的责任边界。模型给出的每一次预测都有出错的可能，预测结果进入选择决策后，选错了要承担机会成本，错杀了好材料甚至可能永远失去它。因此，成熟团队使用预测工具时普遍遵循两条纪律：其一，预测只用于初筛和参考，关键节点的终裁仍以实测数据为准；其二，保留人工抽检机制，定期核对模型的预测与实际表现，一旦偏差超过容忍范围就停用检修。把这两条纪律写进工作规程，人工智能才能真正成为可托付的工具，而不是悬在头顶的风险。

11.4智能设计育种

11.4.1从经验育种到全基因组设计

前面三节铺垫了数据采集、数据管理和机器学习，现在可以把它们组装起来，得到智慧育种的最终形态——智能设计育种。如果说传统育种是”看天选种、凭手艺定夺”，智能设计育种则是先在计算机里把理想品种”设计”出来，再回到现实中去实现它。育种由此获得了工程学那样的可计划性：目标性状需要哪些等位基因、这些基因来自哪些亲本、通过什么杂交路线聚合，都可以在设计阶段预先推演。

智能设计育种的基本理念包含三个要点：

概念：

• 整合多组学数据

• 人工智能辅助决策

• 全基因组设计

整合多组学数据是设计的信息基础，基因组提供变异清单，表型组提供性状表现，环境组提供表现的条件背景，三者缺了任何一个，设计模型都是残缺的。人工智能辅助决策强调”辅助”二字——模型给出的是候选方案和概率评估，价值判断仍由育种家做出，这个分工在可预见的将来不会颠倒。全基因组设计则是设计粒度的跃升：传统育种盯着的往往是一个两个主效基因，而产量、糖度、抗性这类目标性状受众多基因共同控制，全基因组设计要对影响目标性状的全基因组变异做整体规划，在成千上万种可能的等位基因组合中寻找理论最优解。当然，”最优”是有前提的——模型所依据的效应估计本身带有误差，所谓最优只是当前认知条件下的最优，需要随着数据积累不断修正。

全基因组设计的思想渊源，可以追溯到上世纪提出的分子设计育种构想：当时人们设想，一旦掌握了主要基因的位置与效应，就能像设计机器一样在纸面上组合出理想品种。三十年来，这一构想的各个要件逐一补齐——高密度分子标记成为常规，全基因组预测提供了多基因性状的估计工具，高通量表型解决了数据供给，算力成本的下降则让大规模组合搜索在经济上可行。智能设计育种正是这些要件在新的数据条件下的系统集成，它并没有脱离育种学的基本原理，而是让第二章的遗传规律、第三章的传统方法和第四章的分子手段，第一次能在同一个计算框架下统筹运转。理解了这一点，就不难理解为什么本章反复强调各章知识的贯通。

11.4.2工作流程与育种决策系统

从设想到落地，智能设计育种有一套相对固定的工作流程：

流程：

1. 数据采集
2. 数据整合
3. 模型构建
4. 育种决策
5. 验证应用

这五个环节首尾相接、循环往复：数据采集提供原材料，数据整合把异源数据对齐融通，模型构建训练出预测与优化能力，育种决策输出具体的杂交组合和选择方案，验证应用则把方案放进田间接受检验——检验产生的新数据又回流到第一步，成为下一轮模型训练的养料。这个闭环的每一次旋转，都应当让预测更准、决策更稳。实际操作中，闭环最容易断在验证环节：设计方案的田间表现不理想，往往不是模型出了错，而是设计所依据的表型数据本身带有系统偏差。把验证结果认真记录并反馈回数据库，比匆忙开始下一轮设计重要得多。

育种决策系统的实际形态，因团队规模而异，但其输入输出是共通的：输入是育种目标、候选亲本池及其数据档案，输出是一组经过概率评估的候选方案。系统内部并无神秘之处，无非是第八章的育种程序原理加上本章的预测模型，再把两者包装成交互式的软件界面。评价一个决策系统的实用与否，关键不在界面是否华丽，而在三点：其一，数据接口是否顺畅，能否直接读取团队自己的数据库；其二，模型假设是否透明，育种家能否看懂系统”为什么这样推荐”；其三，方案呈现是否给出不确定性——只报告”最优解”而不报告置信范围的系统，反而比朴素的经验更危险。设计育种走到实操层面，人机分工的合理性始终是第一位的工程问题。

支撑这一流程的软件载体，通常称为育种决策系统。它可以理解为育种家的”参谋部”：一端接入育种数据库，随时掌握家底；一端调用各种预测模型，按需评估候选方案；中间提供的是情景推演——输入目标性状和候选亲本池，系统给出若干条杂交路线及其预期达到目标的概率、所需世代数和大致成本，供育种家比较抉择。与之相伴的一个前瞻概念是”数字孪生”：在计算机中为育种群体乃至单株建立一个随环境和管理措施动态演化的数字副本，先在数字世界里预演育种方案的各种可能结局，再把最满意的方案放到真实田间执行。数字孪生在工业领域已相对成熟，在育种中的应用还处于探索早期——作物的生长发育模型尚难做到足够精细，把遗传模型、环境模型和栽培管理模型耦合起来的难度更大。本书对此只作概念性介绍，读者宜以”方向值得关注、预期不必过高”的态度看待它。

两个典型的应用场景可以说明设计的形态：

案例：

• 理想基因型构建

• 最优杂交组合设计

理想基因型构建是先给定育种目标——比如高糖、抗白粉病、耐贮运、中晚熟——然后由算法在种质资源的等位基因变异中搜索能够同时满足全部目标的基因型组合，并评估其实现的可行性。最优杂交组合设计则回答”用什么亲本、走什么路线”：给定候选亲本池，模型推演各种杂交与自交方案在若干世代后达到理想基因型的概率和成本，为育种家提供量化的路线图。当然，理想很丰满，现实常常打折——预测中的最优组合，可能因为花期不遇、连锁累赘或环境波动而表现平平。智能设计育种眼下能做到的，是把育种的试错过程从田间大量前移到计算机中，大幅缩小试错范围；指望设计一次成功，既不现实，也不是这项技术的本意。

为便于把握本章内容的整体关系，表11-2将智慧育种的技术栈归纳为四个层次。

四个层次自下而上层层依托：感知层的数据质量封顶了整个技术栈的能力上限，数据层决定了历史积累能否沉淀复用，算法层负责把数据转化为洞察，决策层则面向最终的产品——品种。对建设者而言，这个层次图也是一张检查清单：系统推进到哪一层，下层的地基是否已经夯实，一目了然。实践中最常见的失误，是在感知层和数据层尚不牢固时急于上马决策层的花哨功能，结果模型建立在沙地之上，输出越是精确的数字，误导越是彻底。

11.4.3落地条件与中小育种单位的起步路径

智慧蓝图的实现，受制于三个现实条件：人才、数据和成本。人才方面，智慧育种需要同时懂育种和懂数据的人——既理解哈密瓜性状遗传的生物学逻辑，又能把数据管线和模型跑起来，这样的人才目前供给有限，培养周期也长，单靠育种单位自身往往凑不齐。数据方面，算法的效能以数据积累为前提，而哈密瓜的公共表型数据远比水稻、玉米等大作物匮乏，领域专用的预测模型一时难以做大做强，这是所有小作物智慧育种共同面临的起点约束。成本方面，高通量表型平台的购置维护、算力租用和专业软件的投入都不菲，对小团队而言，一步到位地建设全流程技术栈既不必要也不现实。

对中小育种单位来说，务实的起步路径是”从数据纪律入手，沿价值链条渐进”。第一步不是买设备，而是立规矩：统一性状术语和调查规范，把历年的系谱、田间记载和基因分型数据整理入一个结构化的数据库——这件事几乎零成本，却决定了未来一切智能应用的可用性，早做一年就多一年的数据红利。第二步，把花钱少、见效快的环节先数字化：一台消费级无人机加开源图像分析工具，足以承担小区长势普查；免费的公共参考基因组与葫芦科数据库，可以支撑自家材料的重测序比对与指纹建档。第三步，与高校院所或技术企业合作补短板——表型平台按需租用或共享，模型开发委托专业团队，本单位则把最值钱的东西握在手里：多年的亲本材料和准确的田间表型记录。事实上，在智慧育种时代，一份规范、连续、可追溯的表型数据资产，其价值不亚于一份种质资源。

成本方面不妨算一笔粗账，把”投入”拆开看。智慧育种的支出大致分三块：一次性投入（表型平台、计算设备）、经常性投入（基因分型费用、算力租用、软件订阅、设备维护）和人力投入（数据管理与建模分析）。三块之中，经常性投入最需要精打细算——基因分型按样本计费，规模上去后有显著的议价空间，多家单位联合送样、共享芯片定制是常见做法；算力按需租用云服务，通常优于自建机房；软件方面，统计分析领域的开源工具已相当成熟，中小团队在前中期几乎不必为软件付费。相比之下，人力投入最容易被低估：哪怕只有一个半职的数据管理员，只要岗位稳定、规范执行，其产出往往超过数万元的硬件投资。把钱花在数据质量上，是智慧育种预算的第一原则。

最后需要澄清一个观念：智慧育种不是对传统育种的替代，而是对传统育种的放大。数据不会自动变成品种，模型不会替人确定育种目标，嗅觉和味觉的培养依然要靠田间多年熏陶——改变的只是育种家支配时间与精力的方式：把重复性的量测交给传感器，把记忆性的档案交给数据库，把模式性的判断交给算法，从而把稀缺的人力集中到杂交设计、田间鉴别和品种评价这些真正需要”人”的环节上。就此而言，智慧育种阶段的投入，检验其成败的标准始终如一：同样的资源条件下，能否更快、更稳地选出更好的品种。围绕这一目标的技术演进与育种体系变革，正是下一章案例分析之后第十三章展望的主题。

总结本章：高通量表型组学解决了”数据从哪里来”，育种大数据解决了”数据如何变成资产”，人工智能育种解决了”数据如何变成洞察”，智能设计育种则把全部能力汇聚为”育种方案的生成器”。四个环节一以贯之的逻辑，是用信息技术压缩育种中的不确定性。也要看到，智慧育种在哈密瓜上仍处于起步阶段，表型平台建设、标准数据体系和领域专用的预测模型都有大量空白等待填补。技术演进的下一步是什么、育种体系将如何随之变革，正是第十三章将要讨论的话题；而下一章，我们先回到具体的案例，看看前述种种方法在真实品种选育中是如何协同发挥作用的。

本章参考文献

Meuwissen T H E, Hayes B J, Goddard M E. Prediction of total genetic value using genome-wide dense marker maps. Genetics, 2001, 157(4): 1819-1829.

Crossa J, Pérez-Rodríguez P, Cuevas J, et al. Genomic selection in plant breeding: methods, models, and perspectives. Trends in Plant Science, 2017, 22(11): 961-975.

Bernardo R. Molecular markers and selection for complex traits in plants: learning from the last 20 years. Crop Science, 2008, 48(5): 1649-1664.

Furbank R T, Tester M. Phenomics—technologies to relieve the phenotyping bottleneck. Trends in Plant Science, 2011, 16(12): 635-644.

Fiorani F, Schurr U. Future scenarios for plant phenotyping. Annual Review of Plant Biology, 2013, 64: 957-979.

Araus J L, Cairns J E. Field high-throughput phenotyping: the new crop breeding frontier. Trends in Plant Science, 2014, 19(1): 52-61.

Tardieu F, Cabrera-Bosquet L, Pridmore T, et al. Plant phenomics, from sensors to knowledge. Current Biology, 2017, 27(15): R770-R783.

Garcia-Mas J, Benjak A, Sanseverino W, et al. The genome of melon (Cucumis melo L.). Proceedings of the National Academy of Sciences, 2012, 109(29): 11872-11877.

LeCun Y, Bengio Y, Hinton G. Deep learning. Nature, 2015, 521(7553): 436-444.

Cobb J N, Biswas P S, Platten J D. Back to the future: revisiting MAS as a tool for modern plant breeding. Theoretical and Applied Genetics, 2019, 132(3): 647-667.

思考与讨论

1. 什么是”表型瓶颈”？请从性状复杂性、人力约束和破坏性取样三个方面分析其成因，并说明高通量表型组学是如何逐一应对的。
2. 温室传送带式平台与无人机遥感在哈密瓜育种中各有怎样的适用阶段和适用性状？为什么说平台选择要与育种阶段匹配？
3. RGB、高光谱、热红外、激光雷达和X射线CT各能”看见”植株的哪一类信息？若要评价一批耐旱种质，你会如何组合这些技术？
4. 环境型数据为什么被称为育种分析中的”一等公民”？结合基因型与环境互作，说明多年多点试验中环境记载的价值。
5. 数据标准化为什么被称为育种数据库的”命脉”？试列举甜瓜育种数据整合中可能出现的至少三类不一致，并给出解决办法。
6. 基因组选择的预测精度受哪些因素制约？深度学习与经典统计遗传模型相比各有何优劣？对中小育种团队，你建议怎样的采用次序？
7. 智能设计育种的五环节闭环中，为什么说验证环节最容易断裂？设计方案的田间表现不理想时，应当优先检查什么？
8. 结合本章内容，为一家拥有千份种质、两个试验点的中小哈密瓜育种单位设计一份三年期的智慧育种起步方案，说明各年度的重点和理由。