人工智能和遗传学可以协助农民使用较少肥料种植玉米

"通过识别对氮利用至关重要的基因，我们可以选择甚至改造某些基因，以提高美国主要作物（如玉米）的氮利用效率，"纽约大学生物学系、基因组学与系统生物学中心卡罗尔与米尔顿·皮特里教授、该研究的资深作者格洛丽亚·科鲁兹（Gloria Coruzzi）表示。该研究发表在期刊《植物细胞》上。

过去50年间，得益于植物育种和肥料的重大改进，包括作物吸收和利用氮（肥料的关键成分）效率的提升，农民得以实现更高的作物产量。

然而，大多数作物仅能利用农民施入农田肥料中约55%的氮，其余部分最终残留在周边土壤中。当氮渗入地下水时，会污染饮用水，并在湖泊、河流、水库及温暖海域引发有害藻华。此外，残留在土壤中的未利用氮会被细菌转化为一氧化二氮，这种强效温室气体在100年内的温室效应是二氧化碳的265倍。

美国是全球最大的玉米生产国。这种主要经济作物需要大量氮元素生长，但施用于玉米的肥料大部分未被吸收或利用。考虑到肥料（其中大部分依赖进口）成本不断上涨，玉米的低氮利用效率给农民带来经济挑战，同时也存在损害土壤、水体、空气和气候的风险。

为解决玉米及其他作物的这一挑战，纽约大学研究人员开发了一种整合植物遗传学与机器学习的新型方法以提高氮利用效率。机器学习是一种人工智能技术，可检测数据模式——此例中用于关联基因与性状（氮利用效率）。

采用"模式植物到作物"的研究路径，纽约大学研究人员追踪了玉米基因的进化史，这些基因与拟南芥（一种小型开花杂草）共享。拟南芥因其便于在实验室中利用分子遗传学方法进行研究，常被用作植物生物学模式生物。在先前发表于《自然·通讯》的研究中，科鲁兹团队鉴定了玉米和拟南芥中对氮响应具有保守性的基因，并验证了它们在植物中的作用。

在《植物细胞》这项最新研究中，纽约大学研究人员基于玉米和拟南芥的研究成果，揭示了氮利用效率如何受基因群组（亦称"调节子"）的调控，这些基因群组由相同的转录因子（一种调控蛋白）激活或抑制。

"像氮利用效率或光合作用这类性状从不由单一基因控制。机器学习过程的精妙之处在于它能识别共同决定某一性状的基因集合，还能找出控制这些基因集合的转录因子，"科鲁兹解释道。

研究人员首先利用RNA测序技术测量玉米和拟南芥中基因对氮处理的响应。利用这些数据，他们训练机器学习模型以识别玉米和拟南芥品种间保守的氮响应基因，以及调控氮利用效率（NUE）重要性基因的转录因子。对于每个"NUE调节子"（即转录因子及其调控的对应NUE基因集合），研究人员计算了集体机器学习评分，并根据组合表达水平预测大田种植玉米品种氮利用效率的准确性对顶级调节子进行排名。

针对排名最高的NUE调节子，研究人员在玉米和拟南芥中进行细胞实验，验证机器学习对每个转录因子调控基因组中基因集合的预测。这些实验证实了两个玉米转录因子（ZmMYB34/R3）的NUE调节子，它们调控着24个控制氮利用的基因；同时也证实了拟南芥中一个密切相关的转录因子（AtDIV1）的NUE调节子，它调控23个与玉米具有共同遗传史且同样控制氮利用的靶基因。当将这些"模式植物到作物"保守的NUE调节子反馈给机器学习模型时，人工智能预测大田种植玉米品种氮利用效率的能力显著提升。

鉴定控制氮利用的集体基因NUE调节子及相关转录因子，将使作物科学家能够培育或设计出需肥量更低的玉米。

"通过在苗期检测杂交玉米品种中已鉴定的氮利用效率重要性基因是否高表达，而非将其种植于田间再测量氮利用情况，我们可以利用分子标记在苗期选择氮利用效率最高的杂交品种进行种植，"科鲁兹表示。"这不仅将为农民节省成本，还能减少地下水氮污染和一氧化二氮温室气体排放的危害。"

纽约大学已就本文所述的研究发现提交专利申请。其他研究作者包括纽约大学的黄骥（Ji Huang）、蒂姆·杰弗斯（Tim Jeffers）、内森·唐纳（Nathan Doner）、施宏儒（Hung-Jui Shih）、萨曼莎·弗兰戈斯（Samantha Frangos）和马普里特·辛格·卡塔里（Manpreet Singh Katari）；纽约大学与台湾大学的郑佳怡（Chia-Yi Cheng）；以及美国农业部农业研究局的马修·布鲁克斯（Matthew Brooks）。该研究获得美国国家科学基金会植物基因组研究计划（IOS-1339362）和美国国立卫生研究院（R01-GM121753, F32GM116347）资助。