[00335850]智慧育种平台

采用人工智能和深度学习技术开发了先进的全基因组预测算法。该算法可以精确预测作物表型和杂种优势，提高选择效率和基因聚合。通过多性状联合分析，实现了多目标育种选择。比较机器学习与传统模型，调整算法提升精度，构建了自适应智能决策系统，促进了育种数字化、智能化，实现了育种经验和数据的有效整合,提高了种质创新和品种培育效率。这些工作加速了育种与信息技术的融合，利用海南优势推动了行业的快速发展。

开发了基于深度学习的全基因组预测算法DNNGP，用于作物表型和杂种优势的精确预测；构建了智慧育种平台，集成了种质资源信息管理、育种试验设计、数据存储分析等功能；利用深度学习模型DeepGOPlus精准挖掘耐盐基因；结合机器学习与共进化分析，开发了预测基因功能的新型工具；提出了NetGO 3.0，一种不依赖同源信息的机器学习注释方法；对春小麦种质资源进行了遗传变异分析，研究了根系生长相关基因；比较了小麦品种间的遗传多样性与遗传变异；挖掘了小麦幼苗耐热性的遗传基础；进行了玉米籽粒热胁迫反应和耐热性相关基因挖掘；开发了加速大豆育种的功能芯片ZDX1；构建了小麦产量和环境胁迫相关遗传网络；研究了玉米驯化和适应性进化；定位了大豆抗旱性状QTL；提出了智能育种新策略iGEP；提出了GS4.0作物杂交育种新方法；开发了QTG‐Miner并解析了玉米雄穗分枝数；构建了智能育种模拟平台Blib；定位了大麦茎基腐病主效QTL；分析了大麦胚芽鞘长度QTL；挖掘了玉米与生物硝化相关的遗传变异；分析了西伯利亚春小麦遗传资源中的宏、微量元素遗传特征；开发了筛选候选基因的R包PNGSeqR；比较了小麦基因组预测方法；举办了全基因组选择技术培训班。

创新要点

（1）利用人工智能和深度学习技术，开发了先进的全基因组预测算法。

（3）通过多性状联合分析，实现了多目标育种选择。

（4）利用深度学习模型在植物基因组水平精准挖掘功能基因。

（5）结合机器学习与传统模型，提升了预测精度和计算效率。

（6）提出了智能育种新策略和新方法，推动了育种技术的发展。（2）构建了自适应智能决策系统，

促进了育种数字化、智能化。

科技成果成熟度

本项目利用人工智能和深度学习算法，提出了利用植物海量多组学数据进行全基因组预测的深度学习方法Deep Neural Network for Genomic Prediction（DNNGP），有效避免过拟合，提高收敛速度，预测精度较传统方法提高15%，计算时间较已有深度学习方法提速近10倍，超参数调整更加用户友好，高效整合与利用育种大数据，加快深度学习在全基因组选择中的应用，为智能设计育种及平台构建提供了底盘核心算法支撑，这使得海南地区的农作物育种工作更加高效和精准，为提升作物品质和产量提供了有力保障。《Nature Food》发表社论认为该技术是全基因组预测算法的重大突破，加速多组学技术在实际育种中的应用。该方法已授权国家发明专利，获得转化收入100万元。

应用场景

（1）农业生产：新算法和平台可应用于作物育种，提高育种效率和作物品质。

（2）生物技术研究：深度学习模型和智能决策系统为基因功能研究和分子标记辅助选择提供支持。

（3）数据分析：智慧育种平台和机器学习工具可用于大规模组学数据的整合、分析和挖掘。

（4）教育培训：通过培训班提升科研人员在智能育种领域的技能和知识。

（5）农业科技推广：专利成果转化为实际应用，推动了农业科技的发展和普及