Next-generation cotton improvement through integrated biosynthetic pathways, multi-omics, artificial intelligence and advanced breeding technologies

方法

整合泛基因组、表观/转录/蛋白/代谢/表型组学与AI预测模型。

发现

多组学加AI可提升选择精度、缩短育种周期并增强田间韧性。

机会点

可探索多组学与AI预测模型在纤维品质和抗逆性状上的落地验证与跨作物迁移。

棉花（Gossypium spp.）是全球重要的纤维和油料作物，其产量和品质日益受到气候变化、生物胁迫以及关键农艺性状复杂遗传结构的制约。近年来，基因组学、高通量表型分析和系统生物学的进展深刻改变了我们对棉花进化、纤维发育、胁迫适应和防御机制的认识。本文综述了通过泛基因组学、表观基因组学、转录组学、蛋白质组学、代谢组学和表型组学等整合性方法在棉花改良方面取得的当前进展，重点关注纤维品质调控、次生代谢物介导的抗虫性以及非生物胁迫耐受性。我们重点阐述了多倍化、结构变异、同源基因表达偏倚和调控网络重塑如何支撑棉花的表型多样性和环境适应性。此外，我们讨论了人工智能和机器学习模型在基因组预测、性状定位和精准育种决策支持中的新兴作用。本综述还审视了转化性创新，包括基于CRISPR的基因组编辑、纳米递送系统和纳米制剂投入品在可持续病虫害防控和养分管理中的应用。通过将多组学数据与人工智能驱动的分析相结合，我们提出了一个下一代框架，以加速变化中的农业生态条件下的棉花育种流程。尽管基因组学、生物信息学和植物育种取得了快速进展，但现有综述缺乏将数据生成、预测建模和靶向干预联系起来的系统层面视角。本综述通过将这些进展概念化为集成化、数据驱动育种流程的组成部分来填补这一空白。本综述独特地将多组学和人工智能驱动的方法整合为一个统一的棉花改良框架，突出了现有差距和未来机遇。通过整合基因组编辑、纳米递送系统和预测分析，这些方法提高了选择准确性、缩短了世代间隔并实现了高通量筛选，从而整体提升育种效率、减少育种周期并增强田间层面的韧性。