从田间光合作用到遗传架构：首次专门光合作用黑客松的见解

光合作用是作物中最具影响力但遗传上也最为复杂的性状之一，而将其自然变异转化为可操作的基因组靶点，仍是培育气候韧性品种的核心挑战。为开始应对这一问题，研究人员正在生成规模日益扩大、覆盖多环境的田间光合作用数据集。然而，自这些数据产生以来，其结构性分析一直不足。本文报道了2026年3月在加纳阿克拉举行的首个专门聚焦于此类田间数据计算挖掘的黑客松活动成果。来自欧洲和非洲的数据科学家、植物生理学家、遗传学家和育种者组成跨学科团队，利用手持式荧光仪采集的光合作用数据，并结合四种作物的全基因组标记数据展开分析：豇豆（Vigna unguiculata）、大麦（Hordeum vulgare）、菜豆（Phaseolus vulgaris）和马铃薯（Solanum tuberosum）。 尽管所用物种和方法不同，各独立团队仍识别出相同的三项关键发现。第一，机制导向的特征工程和动态建模能够恢复标准分析流程中未能检测到或被舍弃的遗传信号，从而得到具有更高遗传力且与产量具有显著关联的性状。第二，机器学习方法在揭示遗传关联方面表现有效，其中具有时间分辨率的特征显著优于单一时间点测量。第三，原始叶绿素荧光和吸收曲线始终比当前使用的提取参数包含更多信息并具有更强的预测能力。此次活动的一个显著特点是实验人员与数据科学家协同工作，使人工智能方法能够立足于领域知识和生物学机制，而非仅仅依赖数据本身。

光合作用是作物植物中最具影响力但遗传上最复杂的性状之一，而将其自然变异转化为可操作的基因组靶点，仍是培育气候适应型品种的核心挑战。为初步应对这一问题，研究人员正在生成日益庞大的、多环境的田间光合作用数据集。然而，自这些数据产生以来，其结构性分析一直不足。本文报道了首届专门聚焦于此类田间数据计算挖掘的黑客松的成果，该活动于2026年3月在加纳阿克拉举行。来自欧洲和非洲的数据科学家、植物生理学家、遗传学家和育种者共同参与了这一跨学科团队，他们利用手持式荧光仪采集的光合作用数据，并结合四种作物的全基因组标记数据展开分析：豇豆（Vigna unguiculata）、大麦（Hordeum vulgare）、菜豆（Phaseolus vulgaris）和马铃薯（Solanum tuberosum）。

尽管所用物种和方法不同，各独立团队均识别出相同的三项关键发现。首先，机制驱动的特征工程和动态建模能够恢复标准分析流程中未能检测到或被丢弃的遗传信号，从而获得遗传力更高且与产量具有显著关联的性状。其次，机器学习方法在揭示遗传关联方面表现有效，其中时间分辨特征显著优于单时间点测量。第三，原始叶绿素荧光和吸收曲线始终包含比当前使用的提取参数更多的信息和更强的预测能力。此次活动的一个显著特征是实验研究人员与数据科学家协同工作，使人工智能方法建立在领域知识和生物学机制之上，而非仅仅依赖数据本身。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.24.740625v1?rss=1

🏷️ 光合作用表型 田间高通量表型 植物遗传架构 机器学习 叶绿素荧光 作物育种