《aBIOTECH》：Harnessing artificial intelligence to decode the rhizosphere microbiome
编辑推荐：
本综述系统阐述了人工智能（AI）在解密根际微生物组（rhizobiome）这一“植物第二基因组”中的前沿应用。文章重点探讨了AI如何应对微生物组数据的高维度、稀疏性和组成性挑战，并介绍了微生物组辅助基因组选择（MGS）和全基因组选择（HGS）等新型育种策略。同时，综述展望了AI驱动的合成微生物群落（SynComs）设计、以及联邦学习（FL）、大语言模型（LLMs）、数字孪生（DTs）和自主AI智能体等变革性技术如何协同优化植物基因型与微生物组的互作，最终推动气候智能型作物育种和农业可持续发展。
引言
根际是植物根系周围受其生化活动强烈影响的土壤微域，其中栖息的微生物群落被称为根际微生物组。它们与植物根系、根际土壤共同构成一个高度动态的生态系统，在植物养分获取、胁迫抗性和生长促进中扮演关键角色，因而被视为植物的“第二基因组”。研究表明，植物宿主可遗传的性状 actively shape 根际微生物群落组成，其遗传力估计值通常在0.10至0.34之间，这为通过微生物组进行作物改良提供了潜力。然而，微生物组数据具有高维度、稀疏性和组成性等特点，给传统分析方法带来巨大挑战。人工智能，特别是机器学习和深度学习，为从这些复杂数据中提取有意义的模式提供了前所未有的机遇。
借鉴人类微生物组研究：AI处理高维、稀疏、组成性数据的方法
微生物组测序数据因其高维度、稀疏性和组成性而带来独特的分析挑战。为应对这些挑战，研究人员开发了多种创新AI方法。例如，KernelBiome使用专用核函数处理稀疏性和组成性；卷积神经网络-长短期记忆架构能有效捕捉纵向模式；多模态学习框架如MDL4Microbiome通过整合分类学谱、基因组水平相对丰度和代谢功能特征，显著提升疾病预测准确性。此外，受自然语言处理启发的模型，如蛋白质语言模型与多示例学习结合，能以高精度预测病毒-宿主相互作用。这些方法为根际微生物组研究提供了宝贵工具。
从分类学到功能预测：AI驱动的微生物性状洞察
AI方法正超越分类学描述，直接预测支撑宿主健康的功能性状，这对于合理设计SynComs至关重要。例如，BacterAI平台利用自主AI驱动实验设计，无需先验知识即可绘制微生物代谢偏好图。在生物合成基因簇预测方面，DeepBGC等深度学习工具利用双向长短期记忆网络和自然语言处理技术，提高了BGC检测精度。这些技术突破不仅深化了对人类微生物组的理解，也催生了以功能为导向的研究范式，在作物根际等复杂生态系统中展现出巨大应用潜力。
AI驱动下通过关键类群分析根际微生物组的组装与动态
AI在根际微生物组数据分析中的一个关键应用是识别关键类群，以解读微生物的组装和动态。机器学习方法，特别是随机森林算法，已成为解码复杂根际动态不可或缺的工具。其层次化决策结构与微生物群落自组织特性的内在契合，使其在从识别重要生物指示类群到揭示驯化驱动的根际类群选择等研究中表现卓越。例如，RF通过分析基因组特性，能以极高精度区分有益和致病性假单胞菌群体。将RF与微生物共现网络或梯度提升方法结合，可进一步扩展其能力，揭示预测水稻镉积累的关键类群等。深度学习则更擅长处理高度非线性和复杂关系，例如异构自动编码器框架在压缩高维微生物数据为可解释生物标志物方面表现出色。然而，将计算洞察转化为生物学见解和实际应用仍面临挑战，需优先开发结合可解释性与预测能力的混合架构。
AI驱动表型与根际微生物组数据的整合
AI的另一主要应用是将根际微生物组组成与植物表型联系起来进行预测建模。微生物特征的预测能力已在多种作物系统中得到证实，例如利用根际微生物群预测水稻生物量和氮积累，以及分类马铃薯产量和柑橘病害。这些方法所采用的微生物组辅助基因组选择将微生物组重新概念化为一种动态的、对环境响应的“扩展基因组标记”。在此基础上，全基因组选择进一步整合根际微生物标记和宿主基因组SNPs，实现了比传统基因组选择更高的预测性能。这种方法对于研究植物-微生物互作起关键作用的复杂性状（如养分利用效率、耐旱性和土传病害抗性）尤为有价值，代表了作物改良范式的转变。然而，HGS的实际应用仍面临多组学数据整合复杂性、微生物群落环境敏感性、大规模测序成本以及模型可解释性等多重挑战。
工程化根际：AI引导的合成微生物群落设计
除了AI驱动的MGS/HGS，AI引导的SynComs设计是利用根际微生物进行作物遗传改良的另一关键途径。一些整合实验与计算的框架已经出现，例如使用神经网络设计能改变植物表型的根际微生物群落，以及使用RF和弹性网络正则化广义线性模型开发病原菌抑制群落。近期综述提出了以功能驱动的SynCom设计迭代概念工作流，其核心是建立一个融合高通量功能筛选与计算建模的“设计-构建-测试-学习”闭环。AI引导的设计代表了SynCom研究的根本性转变，即从分类学驱动转向预测驱动组装。然而，该方法在准确预测群落涌现功能、确保其在土著微生物区系中的生态持久性以及将实验室优化的群落成功放大到田间应用等方面仍面临关键挑战。
关键挑战与未来方向
将AI应用于解密根际生态系统仍远未成熟。主要瓶颈包括数据数量和质量不足、对微生物分类而非功能的普遍关注、算法简单性以及跨数据类型整合罕见等。为推进AI在根际微生物组研究中的应用，应致力于构建标准化、大规模数据库；采用更先进的AI架构；发展多模态方法和可解释AI，整合微生物组数据与其他组学层、农艺变量和土壤元数据。这些进步有助于弥合AI在人类和作物根际微生物组研究中的应用差距。
新兴范式：迈向智能、集成的全基因组辅助育种未来
为应对气候变化、土壤退化和对生态可持续作物改良策略的迫切需求，我们提出了一个协同框架：将利用HGS筛选能够招募有益微生物的植物基因型的“由内而外”方法，与利用SynCom设计构建定制微生物群落的“由外而内”方法结合起来。该集成管道由联邦学习、大语言模型、数字孪生和自主AI智能体等核心AI技术赋能。FL作为隐私保护的数据主干；LLMs作为知识引擎；DT利用物联网传感器网络实时数据模拟农业生态系统；自主AI智能体则协调整个管道，实现实时、闭环决策。这种AI驱动的根际微生物组设计代表了可持续农业的范式转变，通过协同结合HGS筛选的植物基因型与AI优化的SynComs，创造新型作物系统，最终在增强气候韧性的同时减少化学投入，直接应对关键的生态和粮食安全挑战。
