11月4日，中国农业科学院深圳农业基因组研究所（岭南现代农业科学与技术广东省实验室深圳分中心）周永锋团队提出利用人工智能进行葡萄育种的新方法，将大幅缩短育种周期，且预测准确度高达85%，相比传统方法，育种效率可提高400%。该研究有望实现葡萄的精准育种设计，加速葡萄品种创新，并为其他多年生作物育种提供方法参考。相关研究成果发表在《自然·遗传学（Nature Genetics）》上。

进入二十一世纪以来，随着分子生物学、数量遗传学、生物信息学等学科的兴起，育种家提出育种3.0技术，即分子育种，通过分子标记来“设计”性状，并在此基础上，提出育种4.0，即智能设计育种，基于海量基因组和遗传数据进行分析预测，以提高育种效率和精确度，全基因组选择育种便是其中最具代表性的一种。

目前，葡萄育种仍停留在2.0阶段。要想实现从2.0到4.0的跨越，首先需要足够全面、准确的基因组数据。

为此，周永锋团队自2015年起，开始聚焦葡萄的设计育种工作，并于2023年发布首个葡萄端粒到端粒完整参考基因组图谱。随后，团队又陆续对包括野生种和栽培品种在内的9个二倍体葡萄品种进行测序、组装，得到18个端粒到端粒的单倍型基因组，并整合已有的基因组数据，构建了目前首个最全面、最准确的葡萄泛基因组。

为了进一步弄清楚葡萄基因与性状之间的关联，周永锋团队从近万份葡萄品种中选取了400多份有代表性的葡萄品种，连续3年对包括果穗大小、浆果中代谢物含量、浆果大小和果皮颜色等在内的29个农艺性状进行调查，构建了葡萄基因型图谱和性状图谱。

在此基础上，周永锋团队利用数量遗传学分析，鉴定到148个与农艺性状显著相关的位点，其中122个位点为首次发现。

全面、准确的基因组数据是精准“设计”育种的基础，而如何深入挖掘这些数据来优化育种策略并指导育种？是智能育种必须回答的问题。

周永锋团队决定引入机器学习，通过构建预测模型，根据评分进行早期个体的预测和选择，从而指导、优化育种策略。在本研究中，研究人员将包含了性状和基因型的数据划分为三个子集：训练集、验证集和测试集。利用机器学习算法解析基因型与性状数据间的复杂网络关系，运用训练数据集构建了首个葡萄全基因组选择模型，研究进一步通过验证集调整模型参数，对模型进行优化，最后利用测试数据集评估最终模型的性能。研究结果表明，结合了结构变异信息和机器学习模型的计算多基因评分预测准确率高达85%。

通过这一模型，育种家可以快速准确地评估大量育种材料的遗传潜力，从而更好地选择优良品种。与杂交育种需要根据葡萄成熟后的表型作出判断相比，全基因组选择育种技术在葡萄幼苗时期就可以预测其成熟后的性状，尽早剔除掉不符合条件的幼苗，减少了不必要的人工成本和投入，在葡萄育种应用中有很大的应用潜力，提高葡萄育种效率，加速葡萄新种质的创制，革新葡萄育种策略。