这篇文章总结了植物GWAS分析中的常见问题和解决方案，主要针对水稻等自交系作物的数据处理。作者指出三个关键点：(1) 避免在植物群体中使用HWE过滤，否则会误删大量真实位点；(2) 建议先用小数据集测试流程；(3) 推荐使用rMVP软件的FarmCPU模型进行GWAS分析，辅以MLM验证。文章还强调GWAS阶段应专注高质量SNP数据，后续再研究InDel变异。这些经验对植物GWAS研究具有实用参考

近日，华中农业大学胡学海&上海交通大学陆钰明团队在Plant Communications 发表了题为TargetGAN: A generative AI framework for designing plant core promoters with targeted activity 的研究文章。该研究创新性地提出了一个耦合生成对抗网络（GANs）与序列—活性预测器的深度生成框架Target

产量性状一直是水稻育种的主要关注点，本研究中感兴趣的关键性状包括抽穗期（HD）、株高（PH）、穗长（PL）、分蘖数（TN）、每穗粒数（GP）、结实率（SST）、粒长（GL）、粒宽（GW）、千粒重（TGW）和产量（Y），连续两年收集表型数据，以评估重复性并纠正数据集中的系统偏差（图1f，g ）。吉庚816的HD低于当地品种的25%分位数;在HF位点，DeepCCR对Y、HD、PH、PL、GP、SSR

而在多倍体作物中，比例进一步提高，例如棉花从二倍体的82%上升至多倍体的92%，小麦也有约10%的增幅。在拟南芥中，研究者使用这种方法同时破坏了五个或六个AITR家族基因，获得的突变体在干旱和盐胁迫下表现出更强的耐受性且没有生长代价。完全冗余下，单个基因的缺失不产生表型效应，只有同时破坏两个或以上功能相似的基因才会显现表型。拟南芥中一项针对2400个基因的研究发现，在401个被详细分析的基因中，表

近日，中国农业大学胡晓湘/王宇哲团队在经典期刊Genome Research上发表题为“Automated interpretable artificial intelligence genomic prediction with AIGP”的研究，提出了一种自动化可解释人工智能基因组预测方法及工具。

如果说一年前，AI主要影响的是初级岗位，那么最近一段时间，随着各种生信Agent的出现，它已经开始覆盖到中级工程师的工作内容，比如流程规划、分析执行等。面试这件事，第一考核的是诚信。从科研到打工，再到带团队，最后出来自己做，我在生信这一行前后十多年，面过的人不算少，也接触过各种背景的候选人，包括名校博士和博后。真正参与过的人，对细节是有感觉的，即使技术深度不够，也应该有自己的判断和反思。最后说一句

在作物育种中，解析基因型与表型之间的关系是实现精准分子育种的核心挑战。然而，复杂性状往往由众多微效基因控制，传统统计模型和现有深度学习方法在捕捉长程基因组依赖、处理超高维数据以及提供生物学解释方面仍存在明显短板。近日，中国农科院团队在在线发表了一项突破性研究——该模型创新性地将GWAS衍生的SNP权重嵌入混合CNN-Transformer架构，在大豆、玉米、水稻和小麦等六大数据集中全面超越七种主流

AI不再仅是育种中的辅助性统计工具，而是作为核心引擎，正在缩短作物发育与筛选周期。通过数字化建模与精准杂交策略，育种流程正变得像工业设计一样可预测、可模拟。对于育种家而言，掌握AI驱动的决策支持系统，将是应对气候不确定性与提升育种产出的必然选择。AI 生成的植物可视化图表突出了不同小区间的差异，帮助研究人员在大规模范围内检测抗逆性表现、生长模式以及植株健康状况等性状。图片来源：北卡罗来纳州立大学。

AI不再仅是育种中的辅助性统计工具，而是作为核心引擎，正在缩短作物发育与筛选周期。通过数字化建模与精准杂交策略，育种流程正变得像工业设计一样可预测、可模拟。对于育种家而言，掌握AI驱动的决策支持系统，将是应对气候不确定性与提升育种产出的必然选择。AI 生成的植物可视化图表突出了不同小区间的差异，帮助研究人员在大规模范围内检测抗逆性表现、生长模式以及植株健康状况等性状。图片来源：北卡罗来纳州立大学。

经典的基因组选择思路尽可能剔除环境等非遗传因素影响来预测动植物表型，随着机器学习逐渐广泛应用，GxE越来越流行。而作物生长模型以作物生长发育的内在规律为基础，综合作物遗传潜力、环境效应、调控技术之间的因果关系，定量描述和预测作物生长发育过程及其与环境的动态关系，通常用来预测品种环境区域适应性。这两者有着天然的联系，我记得几年前有研究（好像是发表JXB）就构建了一个融合模型。今日要分享的也是一项类似