Engineering Plant Microbiomes for Enhanced Growth and Stress Resilience

方法

综述合成菌群、宿主介导选择及多组学与机器学习方法。

发现

微生物组工程需从群落组装转向功能验证、生态稳定和田间测试。

机会点

可研究AI预测模型与田间验证闭环，提升微生物组干预的可重复性与持久性。

植物与多种微生物群落相关联，这些微生物群落在促进植物生长和提高胁迫条件下的稳定性方面发挥着关键作用。微生物组工程涉及对植物相关微生物群落进行定向操控、招募和优化，以提升植物表现。然而，微生物组工程的有效性可能因植物基因型、环境条件、微生物组成以及引入或所选群落的稳定性而异。本文综述了植物微生物组工程的新兴策略，包括合成微生物群落（SynComs）和宿主介导的微生物组选择。SynCom方法涉及在群落水平上合理组装所选微生物菌株，而宿主介导工程则利用植物—微生物组互作和宿主遗传变异来富集有益微生物群落。证据表明，将互补的微生物功能与宿主介导选择相结合，可能改善微生物组的建立和功能一致性；然而，由于微生物互作的情境依赖性、与土著群落的竞争以及长期定殖能力有限，将这些益处转化为可靠的田间表现仍具挑战性。此外，本文还讨论了组学技术，包括宏基因组学、代谢组学和转录组学，这些技术有助于识别功能性微生物性状和植物—微生物互作。人工智能和机器学习为微生物组预测和靶向干预设计提供了补充工具。然而，其预测可靠性取决于具有代表性的数据集、稳健的验证以及环境和生物变量的整合。本综述强调，成功的微生物组工程需要从单纯的微生物群落组装转向经过功能验证、生态稳定且经过田间检验的策略。将微生物组工程与多组学、人工智能驱动的预测和精准农业相结合，有望支持更具可预测性、韧性和可持续性的作物生产。