数字果园:在果育种和基因改造中使用先进的数据驱动技术

科学领域:

• 园艺科学 园艺科学
• 植物育种 植物育种
• 农业技术 农业技术

背景情况:

• 果繁殖面临着由于气候变化,病原体和传统方法缓慢的挑战.
• 长期的青春期和果的高异构性阻碍了特征的快速选择.
• 消费者对新型特征的需求需要更快的育种计划.

研究的目的:

• 系统地审查先进的数据驱动技术,以加速果育种和基因改造.
• 综合目前的数字育种状况在Malus × domestica.中.
• 识别数据驱动果改进的研究缺口和未来方向.

主要方法:

• 按照PRISMA-EcoEvo协议进行的系统文献审查 (SLR).
• 从主要科学数据库 (Web of Science,Scopus,PubMed) 中分析了47项精选的研究.
• 与高通量表型化,机器学习和基因组编辑相关的发现的专题综合.

主要成果:

• 转向"数字育种"的范式转变,整合高通量表型化 (HTP),机器学习 (ML) /深度学习 (DL) 和基因组编辑 (CRISPR/Cas9).
• HTP自动收集特征数据;ML/DL在品种识别中达到>96%的准确性,并将基因组选择预测能力提高18%.
• 克里斯普尔/Cas9能够快速引入诸如抗病能力和更长的保质期等特征,而无转基因的方法加速了商业化.

结论:

• 通过农业物联网 (AIoT) 集成的HTP,ML/DL和基因组编辑的融合正在彻底改变果育种速度和精度.
• 新兴的前沿领域包括联合学习,可解释AI (XAI) 和适应新的监管框架.
• 标准化数据集和端到端系统验证是未来进步的关键研究需求.