登录 注册

中国草学会

会员登录 会员注册
首页
关于学会
学会介绍 学会章程 学会党建 学会简报 分支机构 地方学会 秘书处
学会动态
学会新闻 工作动态 周年庆 通知公告
奖励评价
学会奖励 科技评价
科学普及
科技咨询 科普讲座
研究进展
专家风采 科研进展
会员之家
会员登录 会员条例
会议系统
历届会议列表
国际合作
多边交流与合作 双边交流与合作
期刊发布

学会党建更多

全国政协十四届三次会议在京开幕 习近平等党和国家领导人到会祝贺

学会简报更多

2025年1-3月工作简报

分支机构更多

中国草学会分支机构管理办法

研究进展 更多

Cell | 中国农业大学于菲菲教授合作揭示关键基因将助力全球作物抵御寄生植物危害

Cell | 中国农业大学于菲菲教授合作揭示关键基因将助力全球作物抵御寄生植物危害       寄生植物对作物的危害由来已久，其中尤以列当科-独脚金属（Striga spp.）和列当属（Orobanche spp.）寄生植物危害最为严重。独脚金主要危害高粱、玉米及谷子等单子叶作物，而列当则主要危害番茄、向日葵等双子叶作物。二者每年造成约近7000万公顷土地受到侵染，3亿人粮食安全受到威胁，直接经济损失达100-120亿美元。因此，深入研究寄生植物的作用机制，解析宿主与寄生植物互作过程，对于作物抗寄生研究具有重要意义。       高粱是世界第五大粮食作物，起源于非洲萨赫勒地区，具有高度耐逆、耐贫瘠等表型。同时，干旱、贫瘠（尤其是缺磷）条件会诱导作物根系分泌独脚金内酯（Strigolactones, SLs），刺激土壤中独脚金种子的萌发，导致寄生问题。因此，高粱成为独脚金的主要宿主，也常被用作研究植物寄生问题的模式作物。尽管近些年关于通过调控独脚金内酯合成通路来抗寄生的研究有所报道，但对于缺磷环境下作物与独脚金互作的分子机制仍知之甚少。       中国农业大学草业科学与技术学院于菲菲教授联合中国科学院遗传与发育生物学研究所、崖州湾国家实验室等单位合作协同攻关，首次揭示了缺磷环境促进作物SL外排的生理现象，并解析了其分子机制，填补了通过调控SL外排控制独脚金寄生研究领域的空白。相关研究成果以“Resistance to Striga Parasitism through Reduction of Strigolactone Exudation”为题发表在国际高水平学术期刊Cell杂志。        为探究缺磷条件下高粱诱导独脚金寄生的生理过程，研究团队创建了高粱水培缺磷模拟实验系统，并发现在缺磷处理下高粱根系和水培液中SL含量显著升高。进一步通过缺磷处理和SL处理高粱根系转录组测序联合分析，确定了ABC转运蛋白家族编码基因SbSLT1和SbSLT2为高粱SL外排转运蛋白的候选基因。SbSLT1和SbSLT2受到缺磷和SL处理显著诱导表达，表达模式、原位杂交等实验表明SbSLT1和SbSLT2主要在高粱根系表皮细胞表达，符合其外排SL到土壤中的功能特性。       进一步利用酵母、爪蟾卵母细胞以及拟南芥异源表达系统，证实了SbSLT1和SbSLT2均具有显著的SL转运活性。进一步探究发现它们的同源蛋白SbSLT1-LIKE和SbSLT2-LIKE均不具备SL转运活性，强调了SbSLT1和SbSLT2在高粱ABCG家族转运蛋白中的SL转运功能特异性。       为深入解析SbSLT1和SbSLT2转运SL的分子机制，研究团队利用AlphaFold结合HOLE对SbSLT1和SbSLT2在细胞膜上形成的SL转运通道进行了预测，结合实验结果最终确定了SbSLT1-F693和SbSLT2-F642为关键氨基酸位点，有趣的是，同源蛋白SbSLT1-LIKE和SbSLT2-LIKE并不存在该保守氨基酸位点，这也解释了二者不具备SL转运活性的现象。通过蛋白序列比对发现，单子叶植物中SbSLT1和SbSLT2的同源蛋白与已知的双子叶SL转运蛋白均具有该保守苯丙氨酸位点，说明在单双子叶植物中可能存在保守的SL转运机制。       进一步构建高粱SbSLT1和SbSLT2基因编辑敲除株系进行功能验证，发现敲除突变体材料的根系分泌物中SL含量较对照株系显著降低，且利用该分泌物处理独脚金种子，萌发率显著下降。田间小区实验发现突变掉SbSLT1和SbSLT2基因的高粱寄生率降低了67-94%以上，同时高粱的产量损失减少了49%-52%，初步实现了“无损抗寄生”的研究目标。       因此，SbSLT1和SbSLT2基因在提升作物抗寄生能力，减少寄生对作物造成的损失方面具有显著的应用潜力。这项研究为高粱、玉米等经济作物抗独脚金等寄生植物寄生问题提供了新的解决策略，为应对寄生植物对全球经济损失和粮食安全威胁具有重要战略意义。图 SbSLT1和SbSLT2调控高粱抗寄生能力工作模型       中国农业大学于菲菲教授、中国科学院遗传与发育生物学研究所/先正达中国的谢旗研究员、以及中国科学院遗传与发育生物学研究所/崖州湾实验室李家洋院士为该论文的通讯作者，博士后史佳阳为论文的第一作者。中国农业大学武维华院士和王毅教授、中国科学院遗传与发育生物学研究所陈宇航研究员、褚金芳研究员、王冰研究员为该研究提供了重要的材料及建设性的意见。同时，辛培勇副研究员以及夏然博士也参与了该项研究工作。该研究得到了国家自然科学基金、中科院先导项目和中央高校基本科研业务费专项资金等资助。 专家点评 万建民（中国工程院院士、中国农业科学院 研究员）       寄生植物被列为全球农业七大危害之一。独脚金是属于菟丝子科的寄生植物，通过寄生高粱、玉米、番茄等重要经济作物，掠夺宿主的水分和养分，导致作物严重减产甚至绝收，每年可造成数十亿美元的损失，严重威胁粮食安全。尽管传统防治方法如轮作和除草剂在一定程度上能够缓解独脚金的危害，但其效率低、成本高且对环境不友好。因此，开发基于分子生物学和遗传工程的新型抗寄生策略，成为解决这一问题的关键。谢旗/于菲菲/李家洋等合作团队在《细胞》（Cell）发表的最新研究成果为高粱抗独脚金寄生提供了突破性解决方案。该研究阐明了植物激素独脚金内酯（strigolactones, SLs）的转运机制，首次鉴定并解析了两个高粱ABCG转运蛋白SbSLT1和SbSLT2的功能。SLs在植物生长发育中发挥重要作用，同时也是独脚金种子萌发的关键信号分子。该研究通过一系列分子生物学和生物化学实验证实了SbSLT1和SbSLT2在高粱根系中发挥外排SL的功能，进一步利用AlphaFold2预测了SbSLT1和SbSLT2的蛋白质结构，并精准验证了其与SLs结合的关键位点。尽管SLs转运蛋白在单子叶和双子叶植物之间并不保守，但这些关键结合位点却高度保守，这为在其他作物中开发类似的抗寄生策略提供了重要参考。该研究进一步通过CRISPR/Cas9基因编辑技术在高粱敲除SbSLT1和SbSLT2，成功阻断了SLs从高粱根部向根际土壤的分泌，从而显著抑制了独脚金种子的萌发和寄生。同时在没有独脚金危害的环境中，突变体植株的生长与野生型没有差异。这一发现不仅验证了该策略防空独角金寄生的有效性，还表明其在实际农业生产中具有广泛的应用潜力。总之，这项研究不仅为解决独脚金寄生问题提供了创新性方案，也为全球粮食安全和农业可持续发展做出了重要贡献。未来，基于SLs转运蛋白的抗寄生策略有望在更多作物中推广应用，为应对全球农业挑战提供强有力的科技支撑。 谢道昕（中国科学院院士、清华大学 教授）       植物寄生是指某些植物依赖或部分依赖宿主植物获取水分和养分、进行生长和繁殖的一种现象。独脚金（Striga spp.）是典型的完全寄生植物，严重危害高粱、玉米、谷子等单子叶粮食作物。特别是在非洲等地区，独脚金寄生导致宿主植物严重减产，已成为制约粮食生产的重要因素。散落在土壤中的独脚金的种子感知宿主植物释放的独脚金内酯类（SLs）化合物后才能萌发，并向宿主根部生长、然后形成吸器侵入宿主根部，进而摄取宿主植物的养分进行生长和繁殖。目前，如何有效防治寄生植物，已成为保障全球粮食安全的关键难题。中国科学院遗传与发育生物学研究所谢旗研究员团队与于菲菲教授团队、李家洋院士团队通过合作研究，首次发现并解析了高粱中SbSLT1和SbSLT2基因的功能，揭示其在限制独脚金内酯信号分子的外排和抗独脚金寄生的关键作用。通过创新的基因编辑手段削弱高粱根部外排的独脚金内酯信号分子，有效降低了独脚金的寄生，从而保障了高粱的产量稳定性。此外，通过AI模拟预测和结构生物学的相关探究，SbSLT1和SbSLT2上形成SL转运通道的关键氨基酸位点对于SL转至关重要，令人惊喜的是，这一氨基酸位点在单子叶植物如玉米、水稻和谷子等同源蛋白以及已报道的双子叶植物的SL转运蛋白中具有高度保守性。这一成果为高粱的寄生杂草抗性育种提供了重要基因资源，并为其它作物提高寄生抗性指明了道路，是作物抗性分子育种领域的里程碑式突破。特别是在非洲，这一成果对于防治独脚金危害、缓解粮食危机，将具有深远影响。未来，随着相关技术的进一步优化和商业化推进，这项成果有望全面改变寄生植物危害的防控格局，为全球农业生产带来变革性影响。 王二涛（中国科学院分子植物科学卓越创新中心 研究员）       全球范围内，寄生植物独脚金（Striga spp.）对高粱、玉米等作物的危害日益加剧，尤其在非洲和亚洲部分地区，其寄生导致作物减产甚至绝收，严重威胁粮食安全。传统防治手段如化学药剂和轮作成本高、效果有限，且可能破坏土壤生态平衡。如何在不影响作物与有益微生物共生关系的前提下，培育抗独脚金寄生的作物品种，是农业可持续发展亟需解决的难题。       谢旗研究员团队与中国农业大学、先正达集团中国及崖州湾实验室合作，首次在高粱中鉴定出独脚金内酯（SL）外排转运蛋白基因SbSLT1和SbSLT2，并通过基因编辑技术敲除这两个基因，显著抑制了SL向土壤中的分泌，使独脚金因无法感知宿主信号而萌发受阻，寄生率降低67-94%，显著减少高粱产量损失。这一成果为抗独脚金寄生育种提供了关键基因资源和理论支持，具有重要的应用潜力。此外，研究团队通过AI预测揭示了SL转运蛋白的在重要作物中的保守性和关键氨基酸位点，为其他作物的抗寄生育种提供了新思路。值得注意的是，SL不仅是独脚金萌发的信号分子，也是植物与丛枝菌根真菌（AM真菌）共生的重要调控因子。AM真菌通过帮助植物吸收磷、氮等营养元素，在贫瘠土壤中显著提升作物抗逆性。研究团队在田间试验中虽未发现基因编辑高粱的明显生长缺陷，但在长期推广中仍需关注SL分泌减少对AM真菌共生的潜在影响，尤其是在缺磷等依赖共生关系的环境中。未来研究可进一步探究独脚金寄生与AM共生之间存在的差异，例如对寄生与共生识别的SL类型是否一致，二者在发生时间上是否存在先后顺序等现象进行深入研究，从而规避“抗一害、生他弊”。此外，在推广前开展长期生态评估，监测SL分泌变化对土壤微生物群落和作物营养吸收的影响，将有助于确保新品种的生态安全性。谢旗/于菲菲/李家洋团队的研究为抗独脚金寄生育种开辟了新路径，其基因编辑策略兼具科学创新性与农业应用价值，为解决全球粮食安全问题提供了重要工具。未来通过精准调控SL分泌的类型，并兼顾植物-微生物共生网络的平衡，有望培育出“抗寄生不减共生、稳产量更护生态”的智能型作物，为可持续农业的发展注入新动力。 

西北农林科技大学教授以第一兼通讯作者在Cell子刊（IF5y=9.8）发表重要研究成果，揭示稀有微生物对土壤健康的重要性

西北农林科技大学教授以第一兼通讯作者在Cell子刊（IF5y=9.8）发表重要研究成果，揭示稀有微生物对土壤健康的重要性       近日，西北农林科技大学草业与草原学院陈文青教授团队在Current Biology发表了题为“Number of global change factors alters the relative roles of abundant and rare microbes in driving soil multifunctionality resistance”的研究论文。陈文青教授为论文第一作者兼通讯作者。        全球变化因子（GCFs），包括气温升高、氮沉降、盐碱化以及环境污染等，对陆地生态系统的结构与功能产生了重大影响。虽然生物多样性有助于稳定生态系统功能以应对外界环境的变化，但关于土壤微生物多样性，尤其是丰富和稀有微生物群落在不同数量的GCFs干扰下如何调控土壤多功能抗性的研究尚不充分。       为此，陈文青教授的研究团队设计了室内微宇宙实验，通过控制微生物多样性并模拟多种GCFs干扰，探讨了在不同数量GCFs干扰条件下土壤多功能抗性的变化及丰富和稀有微生物的作用。研究结果表明：1）随着GCFs数量增加，丰富和稀有微生物群落的多样性对土壤多功能抗性的影响减弱，其重要性也随之变化；2）当受到较少GCFs（少于2个因子）干扰时，丰富微生物群落是决定土壤多功能抗性的关键因素；然而，随着GCFs数量增加至超过4个因子，稀有微生物群落在增强土壤多功能抗性方面的作用变得更加突出；3）在较多GCFs干扰的情况下，由于稀有微生物群落拥有更高的遗传多样性，使其具有更好的环境适应能力，从而导致了土壤多功能抗性调控中丰富与稀有微生物群落之间相对重要性的转换。        此研究揭示了在多重GCFs干扰背景下土壤多功能抗性的动态变化规律，以及丰富和稀有微生物群落的不同作用，强调了在应对多因子全球变化时稀有微生物群落的重要性，并为土壤生态系统的恢复和管理提供了理论基础。       该研究得到国家自然科学基金资助项目和国家林业和草原局科技创新青年拔尖人才专项项目资助。 

北京林业大学草业与草原学院教师首发《Nature》 |研究中美草原生态系统的干旱敏感性

北京林业大学草业与草原学院教师首发《Nature》 |研究中美草原生态系统的干旱敏感性       2025年1月29日，北京林业大学庾强教授联合美国科罗拉多州立大学等3个国家19家单位的科研人员在《Nature》发表了最新科研成果，发现了中美草原生态系统截然不同的干旱敏感性，并揭示了响应机制。该研究对预测未来气候变化背景下草原生态系统对长期干旱的响应具有重要的指示作用，为应对气候变化和草原生态系统适应性管理提供了理论支撑。  图1:极端干旱联网实验站点分布及干旱处理示意图       极端干旱通常会降低草原生态系统的生产力，进而削弱自然对人类的贡献。然而，不同类型的草原在经历多年极端干旱时，这种负面影响会有多大差异，以及这种差异随时间如何变化尚不清楚。该研究通过极端干旱联网实验(图1)模拟了连续四年生长季干旱(降雨量减少约66%)，比较了欧亚草原和北美草原各六个具有代表性的草原生态系统的干旱敏感性。发现在欧亚草原中，干旱导致植物地上生产力大幅下降，下降的程度随着干旱的年限而增加，表现为累积效应;而北美草原中，植物地上生产力的下降幅度较小，下降的程度随着干旱的年限没有显著增加，表现为适应效应(图2)。干旱对物种丰富度的影响在欧亚草原从增加转变为降低，但在北美草原则从降低转变为增加，这些不同的变化是由非优势物种的变化驱动的。物种丰富度尤其是非优势物种的丰富度相反的变化，导致欧亚和北美草原具有截然不同的干旱敏感性。该研究结果表明，欧亚草原对极端干旱的敏感性高于北美草原，而非优势物种在决定极端干旱对草原生产力的影响方面发挥着关键作用。  图2:四年极端干旱对植物生产力和多样性的影响       北京林业大学草业与草原学院庾强教授为论文第一作者，河北大学生命科学学院韩兴国 教授和科罗拉多州立大学 Melinda Smith教授为共同通讯作者，北京林业大学草业与草原学院董世魁教授、顾倩博士为共同作者。据悉，这是北京林业大学建校70多年来首篇Nature正刊论文。该研究得到国家重点研发计划(2022YFE01280002022YFF13006032019YFE0117000)、国家自然科学基金(32171592，42130515，31988102,32061123005)等项目的资助，并且得到内蒙古科尔沁草原国家生态系统定位站、中国科学院沈阳应用生态研究所-额尔古纳森林草原过渡带生态系统研究站、中国科学院植物研究所-内蒙古锡林郭勒草原生态系统国家野外科学观测研究站、中国科学院西北生态环境资源研究院-乌拉特荒漠草原研究站、中国农业科学院-内蒙古呼伦贝尔草原生态系统国家野外科学观测研究站和内蒙古农业大学-希拉穆仁荒漠草原研究平台的大力支持。       文章链接：https://www.nature.com/articles/s41586-024-08478-70  

PNAS | 兰州大学等团队揭示土壤微生物面对不对称变暖的挑战

PNAS | 兰州大学等团队揭示土壤微生物面对不对称变暖的挑战       气候变化使冬季温度升高的速度超过夏季，特别是在高海拔地区。这种“不对称”的变暖可能会通过改变微生物活动超出预期而对储存在这些地区土壤中的大量碳造成麻烦。       地球上的土壤储存的碳量超过了除海洋以外任何生态系统的碳量，并且如果管理得当，可以储存更多的碳。但是，土壤碳受到了气候变化的威胁。研究人员预计，更高的温度将增加以温室气体形式释放到大气中的土壤碳量，主要是由于土壤微生物行为的变化。然而，这种变暖反馈的规模仍然不确定。文章来源：       公元2024年10月14日，国际权威学术期刊美国国家科学院院刊PNAS发表了兰州大学草种创新与草地农业生态系统全国重点实验室/南京农业大学凌宁教授和沈其荣院士团队的最新相关研究成果，题为Asymmetric winter warming reduces microbial carbon use efficiency and growth more than symmetric year-round warming in alpine soils的研究论文。兰州大学贺金生教授和清华大学杨云锋教授为论文的共同作者。索引：       Li L, Xu Q C, Jiang S J, et al. Asymmetric winter warming reduces microbial carbon use efficiency and growth more than symmetric year-round warming in alpine soils [J]. PNAS, 2024, 121 (43) e2401523121.https://doi.org/10.1073/pnas.2401523121下载PDF文件（仅供学术交流）:       20240918-Land use drives the distribution of free, physically protected,and chemically protected soil organic carbon storage at a globalscale.pdf3775-year-old wood burial supports “wood vaulting” as a durable carbon removal method.pdfMicrobial extracellular polymeric substances in the environment, technology and medicine.pdfAqueous and Colloidal Dynamics in Size-Fractionated Paddy Soil Aggregates with Multiple Metal Contaminants under Redox Alternations.pdfThe coevolution of fungus-ant agriculture.pdfAsymmetric winter warming reduces microbial carbon use efficiency and growth more than symmetric year-round warming in alpine soils.pdf内容：       该团队的研究人员在青藏高原的一个实验草地上加热土壤，以测试不同模式的变暖如何改变微生物活动。一些土壤保持在环境温度下，而另一些则全年受到2°C的“对称”变暖影响。第三组土壤在冬季受到2.5至2.8°C的变暖，在其余时间受到0.5至0.8°C的变暖，这是一个更接近实际变暖模式的真实模拟。       在2011年至2020年的十年间接受了这种处理后，研究人员测试了来自不同土壤样本的微生物活动。他们特别关注两个指标：生长速率和一个表明生物体如何利用碳的指标，即碳利用效率。研究表明，这是决定土壤中有机碳储量的主要因素之一。当微生物摄取碳时，它有两种选择：它可以将其分解以获取能量并以CO2的形式呼吸出来，或者用它来构建新的身体结构。更高的生长率意味着微生物使用了更多的碳，而更高的碳利用效率则意味着更多的碳被用于构建身体结构，而不是以CO2的形式呼吸出来。       研究人员发现，两种变暖模式都显著减少了微生物活动。相对于暴露于环境温度下的土壤，对称变暖下的土壤生长率下降了31%，碳利用效率下降了22%。在不对称变暖条件下，这一效果更为强烈，生长率降低了58%，碳利用效率降低了81%。他们将这些差异归因于包括提供给微生物的营养素变化在内的多种因素。他们的研究结果表明，土壤碳储存可能会减少，降低陆地生态系统固碳的能力，并削弱土壤作为应对气候变化自然解决方案的有效性。       由于目前的模型没有考虑到不对称变暖，研究人员可能低估了由于气候变化导致的土壤碳损失。然而，这些发现可能只适用于寒冷生态系统中的土壤，需要进一步的研究来了解微生物活动变化对碳的具体意义。例如，尽管微生物活动发生了显著变化，但在整个实验过程中，土壤中储存的碳总量并没有发生变化。文章亮点：       1. 不对称冬季变暖的影响：研究首次揭示了不对称冬季变暖（即冬季温度上升比夏季更显著）对高山土壤微生物生理过程的影响，尤其是对微生物碳利用效率（CUE）和生长的影响。       2. 长期变暖的生态效应：通过长达十年的季节性试验，研究了长期变暖对高山草甸生态系统中微生物CUE和生长的影响，提供了长期气候变化对土壤微生物学影响的实证数据。       3. 微生物生理限制的增加：研究发现，长期变暖增加了微生物对碳的生理限制，尤其是在不对称冬季变暖条件下，这种限制更为显著。         4. 细菌生长的抑制：研究显示，长期变暖抑制了大多数细菌属的生长速率，而不对称冬季变暖对特定属（如Gp10、Actinomarinicola、Bosea、Acidibacter和Gemmata）的生长抑制更为强烈。       5. 细菌生长的系统发育保守性：研究还探讨了细菌生长速率的系统发育保守性，并发现在变暖条件下，这种保守性减弱，主要是由于细菌生理状态的变化而非细菌种类和群落组成的数量。重点图表:图 1. 微生物对气候变暖的新陈代谢反应图 2. 应对气候变暖的微生物资源获取策略图 3. 环境（A）、全年变暖（B）和冬季变暖（C）土壤中 EAF-¹⁸O 的分类群特异性变化图 4. 生长细菌类群的绝对生长率与系统发育的关系图 5. 生长细菌的人均增长率与种群密度之间的关系图 6. 与环境气候相比，全年对称或冬季不对称变暖对微生物 CUE 影响的概念图文章结论:       1. 不对称冬季变暖的显著影响：不对称冬季变暖比对称全年变暖更大幅度地降低了高山草甸土壤中微生物的生长速率和碳利用效率（CUE）。       2. 微生物碳限制的增加：长期变暖，尤其是不对称冬季变暖，增加了土壤微生物对碳的生理限制，这可能导致土壤碳储存能力下降。       3. 细菌生长和系统发育保守性的改变：长期变暖导致大多数细菌属的生长速率受到抑制，且在不同属之间存在差异性响应。变暖条件下，细菌生长速率的系统发育保守性减弱，表明环境压力可以改变微生物的生理特征。       4. 微生物群落结构和功能的变化：长期变暖改变了微生物群落的结构和功能，特别是减少了活跃生长的细菌数量，这可能影响土壤生态系统的功能。       5. 对未来土壤碳循环的预测：研究结果强调了理解不对称冬季变暖对土壤微生物学影响的重要性，这对于预测未来土壤碳循环和全球气候变化反馈具有重要意义。       6. 未来研究方向：建议未来的研究应关注如何通过减轻营养限制来维持微生物CUE，以确保土壤功能的持续性。

张英俊教授团队揭示多年生豆禾混播草地高产高效及可持续的有效策略

张英俊教授团队揭示多年生豆禾混播草地高产高效及可持续的有效策略       近日，中国农业大学草业科学与技术学院张英俊教授团队在多年生豆禾混播草地高产高效及可持续利用机制方面取得重要进展。       该研究指出，以较低的豆禾播种比例建植并结合适度的养分管理措施的多样化饲草料生产模式可以同时有利于人工草地的饲草料生产和土壤质量，是实现人工草地高产高效以及可持续利用的有效策略。       我国畜牧业高质量发展对优质饲草需求量巨大，农业农村部“十四五”全国饲草产业发展规划指出，目前饲草缺口达5000万吨以上。因此，建设高产并能维持持久性产量的饲草基地十分重要。建植多年生豆科与禾本科混播（简称豆禾混播）草地，是提高饲草产量、改善饲草品质、维持产量稳定性和增强草地持久力的有效措施。但是，目前通过采用最佳的豆禾混播比例和磷（P）肥管理措施是否能进一步改善这些益处尚不清楚。       从2016年开始，本研究团队在沧州、太原和银川等3个地点开展了为期5年的田间实验，主要探讨了不同豆禾混播比例以及磷肥的用量对牧草产量和土壤质量的影响。试验设计包括了两种豆科植物和两种禾本科植物按照五种不同的比例（3:7、4:6、5:5、6:4和7:3）进行混播，同时还设置了每种植物的单播作为对照组。在磷肥的用量上，共设置四个水平，即0、9、18或27 kg P ha-1 year-1。通过分析比较混播与单作的牧草产量，本研究评估了植物的多样性效应，即互补效应和选择效应，同时测定了土壤养分含量及土壤微生物组成。图1 多年生豆禾混播草地的田间照片（a-b）；本研究中选择的两种豆科和两种禾本科植物（紫花苜蓿、红豆草、鸭茅、高羊茅）的功能特征以及两因素实验设计的图示（c）       研究表明，以豆禾比3:7建植的混播组合在适度磷肥（8 kg P ha-1 year-1）施用下牧草年产量高达29.59 t ha-1，且在多个地点表现出持续和一致的超产效应。同时，与紫花苜蓿单播相比，豆禾比3:7组合下土壤有机质、总氮和微生物生物量碳氮分别显著提高11.27%、50.62%、23.12%和89.31%。图2 豆禾混播比例与施磷对三个实验地点年平均牧草产量的影响。a.沧州；b.太原；c.银川       结构方程模型表明，较低的豆禾混播比例能直接地提高物种间的互补效应，并通过增加真菌生物量而间接地促进物种间的选择效应，从而获得较高的牧草产量。另外，施用磷肥可直接地提高土壤养分和酶的活性，进一步加强物种间的互补效应，从而提高了牧草产量和土壤质量。图3 结构方程模型（SEM）揭示试验因素（豆禾混播比例、磷肥施用量）与物种多样性效应、土壤养分含量及酶活性、土壤微生物组成及牧草产量间的关系       该研究成果以“Low legume‑grass seeding ratio combined with phosphorus fertilization promotes forage yield and soil quality in managed grasslands”为题发表于农学领域顶刊Agronomy for Sustainable Development（中科院JCR一区，TOP期刊，5年IF:7.9）。       中国农业大学草业科学与技术学院张英俊教授为该论文的通讯作者，秘一先博士为该论文的第一作者，其博士后合作导师杨高文教授也全程参与了该论文的撰写与发表。该研究得到了国家牧草产业技术体系、国家自然科学基金、中国农业大学人才引进科研启动基金、中央高校基本科研业务费专项资金等项目资助。原文链接：https://link.springer.com/article/10.1007/s13593-024-00973-5

白史且团队等在线公布了我国重要乡土草老芒麦高质量基因组并揭示了老芒麦遗传基础和起源进化过程

白史且团队等在线公布了我国重要乡土草老芒麦高质量基因组并揭示了老芒麦遗传基础和起源进化过程       老芒麦（Elymus sibiricus L.），又称西伯利亚披碱草、垂穗大麦草等，是禾本科小麦族披碱草属的模式种。作为一种异源四倍体植物（2n = 4x = 28，StStHH），老芒麦广泛分布于欧亚大陆，是我国重要乡土草种，并展现出了丰富的遗传多样性和生态适应性。因此，它被广泛应用于高产人工草地的建立和天然草地的恢复与改良工作中，在青藏高原草地畜牧业发展和草原生态修复方面发挥着重要作用。       2024年4月20日，四川省草原科学研究院/西南科技大学白史且、鄢家俊团队联合扬州大学严学兵团队和四川农业大学马啸团队在bioRxiv在线发表了题为A high-continuity and annotated reference genome of allotetraploid Siberian wildrye (Elymus sibiricus L., Poaceae: Triticeae) 的研究论文，公布了染色体级别的“川草2号”老芒麦参考基因组序列，对老芒麦的基因组序列及群体基因组数据进行了深度挖掘，揭示了老芒麦遗传基础和起源进化过程。       “川草2号”老芒麦（Elymus sibiricus L. cv. Chuancao No. 2）是由中国四川省草原科学研究院选育的优良老芒麦品种，因其产量高和抗逆性强的特性，在青藏高原地区被广泛应用。前期通过流式细胞仪的调查研究，初步估算了“川草2号”老芒麦的基因组大小约为6.74 Gb。在此基础上，本研究整合了单分子测序（PacBio，97.34X）和双末端测序（Illumina，68X）技术，完成了“川草2号”老芒麦基因组的高质量从头组装，其基因组大小为6.57 Gb，Contig N50 达到了4.46 Mb。进一步通过461.17 Gb的Hi-C测序数据，成功将6.53 Gb的基因序列挂载到14条染色体上，其中St亚基因组和H亚基因组分别包含3.15和3.37 Gb的基因序列（图1）。这一成果标志着国际上首次获得了达到染色体级别的“川草2号”老芒麦参考基因组序列。图1  染色体级别的“川草2号”老芒麦参考基因组图谱       染色体级别的“川草2号”老芒麦参考基因组图谱的获得，有助揭示老芒麦基因组大小变异的动态历史及其进化轨迹。研究人员通过比较基因组学，推断出老芒麦的H亚基因组与大麦的H亚基因组的遗传距离较近，并且Gypsy (RLG)和未分类逆转座元件（RLX）是老芒麦基因组扩增的主要贡献者（图2）。此外，古染色体进化分析的结果表明老芒麦H和St亚基因组中的3号染色体（Es3St和Es3H），在小麦族中具有高度保守的进化模式。值得注意的是，通过基因组之间的共线性分析，我们发现老芒麦H亚基因组上4号染色体（Es4H）和6号染色体（Es6H）之间存在较大的易位片段，并且这个较大的结构变异与老芒麦的抗性有关（图3）。图2 比较基因组及LTR插入分析图3“川草2号”老芒麦基因组进化及结构变异（易位）分析       基于“川草2号”老芒麦参考基因组数据，开展了老芒麦的群体基因组学研究。通过对来自我国东北、西北、华北和青藏高原地区的90份老芒麦野生种质进行重测序分析，不仅从SNP和INDEL水平揭示了老芒麦自然群体的遗传多样性，还首次提出了青藏高原是老芒麦起源和发展中心的观点。这项研究为老芒麦的遗传进化和环境适应性研究提供了宝贵的数据支持。图4 老芒麦野生种质的群体多样性分析       成功绘制“川草2号”老芒麦参考基因组精细图谱并探究老芒麦自然群体的遗传多样性，不仅有助于深入理解老芒麦的遗传基础和分子机制，而且为揭示老芒麦在不同生境下的适应机制和进化历史提供了关键信息。此外，这一成果有助于加速发掘老芒麦的优异新基因及培育优异新品种。同时，深入了解老芒麦的遗传背景有利于促进全球野生老芒麦种质资源的遗传保护，这对未来披碱草属优异种质资源的保护、发掘与育种利用具有重要的战略意义。       该项研究得到十三五国家重点研发项目、四川省重点研究项目、首批万人计划天府杰出科学家项目、草原生态修复科技支撑等项目的支持。 作者简介       白史且，1964年生，彝族，二级教授、博士，博士生导师，长期从事乡土草种质资源发掘与育种利用工作，现任西南科技大学农业科技研究院院长，中国草学会副理事长，曾任四川省草原科学研究院院长和四川省林草局总工程师。享受国务院特殊津贴专家，国家牧草产业技术创新战略联盟首席科学家，国家公益性行业科技专项首席科学家。主持国家和省项目20余项，选育草品种19个，制定标准52项，获科技成果9项，其中：国家科技进步二等奖2项（第一、第五），神农中华农业科技奖优秀团队奖1项（第一）。 

沈阳应用生态研究所在森林根系及菌根生物学过程方面取得新进展

沈阳应用生态研究所在森林根系及菌根生物学过程方面取得新进展       根系是林木重要的功能器官，也是维持森林生产力与土壤肥力的重要驱动力。一方面根系不断地从土壤中获取养分和水分，满足林木生长发育；另一方面根系在固持森林土体以及防治土壤侵蚀等方面发挥着至关重要的作用。同时，林木根系与土壤中的真菌侵染而形成的互惠共生体系，对于森林土壤有机质提升以及造林过程中的幼苗生长等具有重要实践应用意义。基于长期野外原位监测、跨区域联网研究以及整合分析等手段，中国科学院沈阳应用生态研究所北方生态屏障功能形成维持机制与提质增效创新组群林业生态工程（地下）团队在森林根系过程、菌根真菌介导的森林土壤碳积累方面取得如下新进展：       （1）系统研究了不同根序细根的全寿命周期过程，揭示了不同区域林木细根寿命的调控机制，并发现细根寿命和叶片寿命不相关。林木的全寿命周期过程主要包括萌生、生长、衰老、死亡与分解等。采用微根管技术，连续4年、跨区域联网动态追踪了中国东北温带森林12个人工林树种、美国东北部温带森林12个人工林树种以及芬兰北部北方森林4个人工林树种细根的全寿命周期过程，生长季内根系的监测周期为2周至4周。累计动态追踪了近20000条吸收根（1-3级根）和运输根（4-5级根）的动态过程，发现细根的生长与死亡在冬季均较小。其中，落叶阔叶树种细根的生长主要发生在春季，死亡主要发生在春季和夏季；针叶树种细根的生长主要发生在夏季，死亡主要发生在夏季和秋季。细根表现出的不同季节动态格局可能主要受树木的生长策略以及根系储存碳水化合物库容能力的调控。       图1 细根寿命与细根功能性状之间的关系。MRL：细根寿命；RD：根直径；RCN：碳氮比；RN：根氮浓度；MAT：年均温度；MAT：年均降水量；SRL：比根长       尽管吸收根（1-3级根）的生物量较低（仅占根系生物量的4%左右），却主导着整株树木根系的产量和周转。通过整合全球其它站点利用微根管技术监测吸收根的数据，发现全球森林树木吸收根的平均寿命是226天，其中最短的是27天，最长的是656天。细根寿命的最佳预测模型参数包括细根直径、细根氮浓度、年均温度及降水量，预测解释度为47%。吸收根的寿命随氮含量的增加而减少，随直径的增加而显著增加，特别是在年均温度较低、降水较多的地点，细根具有较长的寿命（图1）。此外，除常绿树种外，细根寿命和叶片寿命不相关，这表明细根和叶片具有不同的进化选择和周转策略以适应地上和地下不同的环境条件。吸收根（1-3级根）由于具有较高的产量和周转速率，然而衰老和死亡以后，分解速率却较低（图2），因此该根系模块对森林土壤碳的贡献可能居首位。依托该研究网络监测的数据，初步估算吸收根输入对森林土壤碳库的贡献可占整株林木根系的75%以上。       图2 不同分支结构（根序）细根的动力学过程概念框架       我国是全球人工林面积最大的国家，但存在树种组成单一、地力衰退等林业问题，其服务功能不能满足国家战略需求。该研究成果可为我国人工林地力提升与土壤培育提供参考。例如，未来人工林结构优化或造林过程中，优先补植或选择低级根密度分布较高的树种更有利于土壤肥力和地力的提升，从而加速森林土壤碳和养分循环过程，促进其生产-生态功能协同提升。       （2）揭示了外生菌根真菌通过调控土壤锰元素循环促进了落叶松人工林腐殖质层碳库积累的新机制。北方森林（Boreal forests）储存了全球陆地生态系统24%以上的碳库，其中大约64%储存于地下。其储存的碳库主要位于腐殖质层中，包含正在分解的凋落物和其它有机物质。Agaricomycetes是高纬度地区落叶松人工林土壤中普通存在的一类外生菌根真菌，Agaricomycetes特异性产生的锰过氧化物酶通过驱动锰氧化还原循环，可以把腐殖质层中可利用的二价锰离子（Mn2+）转化为活性三价锰离子（Mn3+），该活性三价锰离子与真菌分泌的草酸类螯合剂形成化合物，可穿透木质素和木质素类化合物的酚类结构，从而调控有机质分解和腐殖质层碳库积累。基于此假设，研究团队在大兴安岭寒温带落叶松人工林设置了长达14年的锰添加实验（图3），发现锰添加处理进行到第5年后，显著改变了外生菌根真菌的群落组成并增加了腐殖层碳库容量。本研究解析到的锰添加的滞后影响，可能是由于外生菌根真菌需要一定周期后才能适应锰有效性的增加和土壤环境的变化。       图3 长期锰添加（14年）对大兴安岭落叶松人工林腐殖质层碳储量的影响       对我国大兴安岭落叶松人工林318个样点腐殖层碳库的调查研究，也表明腐殖质层可交换态锰含量是调控碳库的重要调控因子（r2=0.20）。同时，结合瑞典国家森林土壤清查、瑞典国家森林清查数据以及数据整合分析的手段，建立了覆盖全球北方森林范围的2437个样点的腐殖质层碳储量数据，发现可交换态锰含量可以解释北方森林腐殖层碳库36%的变化（图4）。研究结果与长期锰添加实验相互验证和补充。       图4 北方森林腐殖质层可交换态锰含量与腐殖质层碳储量的关系       该研究揭示的外生菌根真菌通过调控土壤锰元素循环促进腐殖质层碳库积累的机制，可为外生菌根树种为对象的人工林经营与服务功能提升提供方案。例如，未来通过甄别介导人工林土壤有机质形成与稳定性的关键真菌类别，研发“根+菌”应用技术，可为解决人工林长期经营或连栽后土壤退化等问题提供实践依据。       以上两方面研究成果分别于2024年3月份和2月份被PNAS期刊接受录用。沈阳应用生态研究所侯佳文博士研究生为以上第一篇论文的第一作者，合作者还有美国莫顿植物园M. Luke McCormack博士和芬兰赫尔辛基大学Yiyang Ding博士等。沈阳应用生态研究所张云宇硕士研究生为以上第二篇论文的第一作者，合作者还有芬兰赫尔辛基大学Björn Berg教授等。沈阳应用生态研究所孙涛研究员为2篇论文的通讯作者。研究得到了国家自然科学基金（32022054、32192432）、国家重点研发计划青年科学家项目（2022YFD2201300）和中国科学院青促会优秀会员等项目资助。       #1论文链接：https://www.pnas.org/doi/10.1073/pnas.2320623121#core-collateral-metrics        #2论文链接：https://www.pnas.org/doi/10.1073/pnas.2318382121#core-collateral-metrics  

上海交通大学安渊团队揭示果胶乙酰酯酶MsPAE12调控紫花苜蓿分枝形成的分子机制

上海交通大学安渊团队揭示果胶乙酰酯酶MsPAE12调控紫花苜蓿分枝形成的分子机制      近日，上海交通大学农业与生物学院安渊教授团队在Plant Physiology在线发表了题为“PECTIN ACETYLESTERASE12 regulates shoot branching via acetic acid and auxin accumulation in alfalfa shoots” 的研究论文。该研究揭示了紫花苜蓿果胶乙酰酯酶MsPAE12调控苜蓿分枝形成的分子机制，并发掘到抑制MsPAE12表达的转录因子MsNAC73，建立了MsNAC73-MsPAE12-乙酸-生长素调控苜蓿分枝形成的通路。      紫花苜蓿是广泛栽培的豆科牧草，营养价值高，经济效益好，其分枝的多少直接决定了苜蓿的株型和产量。果胶乙酰酯酶（PECTIN ACETYLESTERASE，PAE）是植物中一类重要的细胞壁果胶修饰酶，广泛参与植物的生长发育及生物胁迫响应调控。MsPAE12定位于细胞膜，在顶芽中高表达；超表达（12OE）和RNAi干扰（12RNAi）表达MsPAE12发现，MsPAE12以细胞壁果胶为底物水解乙酰酯键，从而降低苜蓿顶芽中乙酸(AA）、色氨酸（TRP）和吲哚丙酸（IPA）含量，抑制IAA合成通路MsTAA1, MsTAR2 和MsYUCC4的表达。作为生长素合成的前体物质，乙酸含量的减少抑制了苜蓿顶芽生长素的合成(图1 A-B, D-H)，从而促进苜蓿分枝的形成，但株高并未受到抑制，因此，产量明显增加；外源添加乙酸、IAA和IAA合成/运输抑制剂获得与转基因苜蓿一致的结果和分枝表型。进一步研究发现，植物中特有的NAC转录因子MsNAC73直接与MsPAE12基因启动子结合，抑制其表达。过表达MsNAC73（73OE）促进乙酸和IAA的合成，抑制苜蓿分枝的形成 (图1 C, I)。图1 MsNAC73-MsPAE12模块调控苜蓿分枝形成      上海交通大学农业与生物学院已毕业博士生樊娜娜为论文第一作者，安渊教授为通讯作者，苏连泰博士后、吕爱敏博士后、文武武博士后、博士生高鲤、硕士生游翔凯及周鹏副教授等参与了研究工作。该研究得到科技创新2030重大项目、国家自然科学基金等项目资助。       原文链接：https://doi.org/10.1093/plphys/kiae071

JGG | 西北农林科技大学植物免疫研究团队构建小麦条锈菌泛基因组

论文链接：https://doi.org/10.1016/j.jgg.2023.12.004

PNAS: 人工智能与生态学的协同未来

PNAS: 人工智能与生态学的协同未来NewEcologist 生态学家      生态学和人工智能领域的研究都致力于对复杂系统的预测性理解，而复杂系统的非线性则来自多维度的相互作用和多尺度的反馈。一个世纪以来，计算和生态学研究取得了独立、不同步的进展；然而，在全球变化的背景下，两个学科迫切需要有意识地协同合作，以应对当前的社会挑战。这些挑战包括理解系统级现象的不可预测性以及快速变化的地球上的恢复力动态。在此，本文强调生态学与人工智能融合研究范式的前景和紧迫性。即使使用当今最著名的人工智能技术：深度神经网络，也很难对生态系统进行全面、整体的建模。此外，生态系统具有突发性和恢复的行为，这可能会激发新的、稳健的人工智能架构和方法。本文将举例说明生态系统建模方面的挑战如何从人工智能技术的进步中获益，而人工智能技术本身也受到了其所要建模的系统的启发。这两个领域在向这种融合发展的过程中相互启发，尽管是间接的。本文强调需要更有目的性的协同，以加快对生态恢复力的理解，同时建立现代人工智能系统目前所缺乏的复原力。持续存在的认识论障碍将受益于两个学科的关注。成功融合的意义不仅在于推动生态学科的发展或实现人工通用智能--它们对于在不确定的未来持续发展和繁荣都至关重要。      要应对多种相互关联的现象，包括疾病爆发频率的增加、全球生物多样性的指数级损失以及气候变化的深远影响，了解生态至关重要。这些危机都有一个共同点：它们产生于复杂系统的扰动，而复杂系统的高维度支撑着难以预测的非线性动态。人工智能的进步有可能改变我们对生态系统的理解。同时，生态系统本身也是推动人工智能进步的动力。在多尺度、依赖环境和观测不完全的生态系统中普遍存在的挑战提供了一系列问题，通过这些问题，人工智能更接近于实现其全部潜力。预测和有目的地管理对自然复杂系统的扰动所造成的结果是我们这个时代面临的一项巨大挑战，它要求人工智能与生态科学大胆地协同融合，以实现更全面的理解，从而为行动提供依据——创造系统智慧，实现具有恢复能力的未来（图 1）。▲图1 | 数据、信息、知识和智慧之间相互联系的示意图。      数据反映了原始观测或测量结果（例如，卫星数据，如特定地点的海面温度（SST）），而将这些测量结果综合成有意义的形式则构成了信息（例如，以时间序列图的形式为 SST 测量结果提供空间或时间背景）。知识增加了背景，提供类似的例子或与其他知识系统进行比较（例如，一些海洋生物会经历热应力）。最后，智慧会考虑所有这些因素以及社会或文化价值，以评估可能采取的行动（例如，限制碳排放以减轻气候变暖的有害影响）。箭头表示机器学习（ML，蓝色）和生态系统研究（黄色）如何在此框架内建立联系。ML 可以将数据转化为信息，但也可以绕过信息步骤，直接进行推理，并将其作为知识传达。相比之下，生态学的双向箭头代表了对数据收集过程的迭代反馈，以便通过统计建模和假设完善来实现知识。如果我们能将各学科的优势结合起来，明确识别偏差，管理不确定性和不同的认知方式，尤其是在信息和知识层面，那么人工智能和生态系统科学的有意协同进步可能会促进对复杂系统功能的更深入理解、预测和保护。      正如人类从数据中学习模式以建立对系统的智能思考一样，人工智能是现代人工智能的基础，其近似目标是在特定领域执行任务或做出决策。将人工智能工具应用于生态领域，大大提高了我们量化以前无法量化或难以观察的现象的能力，并为更快、更准确地预测生态系统提供了可能。最近的例子包括通过摄像头和声学数据研究生物与其环境之间的相互作用；将地球系统卫星数据提炼为有意义的生态功能（如生产力）；通过深度学习和姿势估计分析动物行为；利用生物信息学预测和验证新病毒是否能够感染人类；以及哪些动物物种最有可能携带这些病毒。      这些都是"AI for Ecology"的例子--将现有的人工智能工具应用于生态问题。然而，生态科学启发人工智能新范式的另一个方向也同样重要。人工智能研究的终极目标是实现人工通用智能（AGI），能够推断和推理其他领域和系统，与人类智能类似。AGI 很可能需要将数据驱动的 ML 与表现和推理不同知识类型的新方法结合起来，以应对对无模拟未来进行可信预测的挑战，例如我们在瞬息万变的地球上所预测的未来。从根本上改变人工智能与生态研究相互推动的方式，可能有助于应对这些挑战。      本文发现，生态学研究与人工智能研究的融合即将到来，而生态学研究历来落后于人工智能和计算科学的发展（图 2）。这种融合寻求新的思维范式，以支持对未观察到（或无法观察到）的系统和未来进行智能推断。本文的论点超出了 "AI for XX"范式，即简单地将人工智能应用于XX领域。向共同生产、融合研究的转变有可能推动下一代人工智能的进步和对生态的理解。▲图2 | 生态建模中计算方法的弧线（黄色）落后于计算方法本身的发展（蓝色），但已接近趋同。      两种科学认识文化的融合将有助于这种趋同。生态学的主要目标是理解跨越物理和生物的复杂系统。这种理解通常体现在数学模型中，数学模型反映了我们对产生可观测结果的协同作用机制的假设。但是，生态学既不会屈服于 "数学的不合理有效性"（如纯物理现象），也不会屈服于 "数据的不合理有效性"（如某些生物现象）。简单的数学方程无法完全捕捉到生态系统的本质。同样，复杂的 ML 模型也不能很好地概括意外扰动带来的非线性--ML 模型从数据中获得算法理解，而这些数据往往是关于一个特定系统的。此外，由于生态学研究的目标不仅仅是预测，而是对复杂系统的现象学和机理的理解，因此生态学家在不同尺度上使用各种建模技术，这些建模技术以系统级的整体方式连贯地捕捉突发特性，有利于进一步的研究。这种方法与人工智能研发形成了鲜明对比，在人工智能研发中，多个模型之间的冲突并非不可取，因为这些模型只是用于预测（哪个模型表现最好），而不是用于解释（为什么一个模型比另一个模型表现更好）。例如，人工智能中的大型语言模型会显示出小型语言模型所不具备的新兴行为，但目前的人工智能技术却无法解释这些行为。生态系统研究的工作方式是优先了解我们所观察到的数据的生成机制，这可以推动人工智能研究人员将重点放在能够更深入地了解这些观察到的现象背后的原因的方法上--系统中的哪些定量变化会导致系统行为的定性变化。       生态系统的一个重要新兴行为--如果可以说是一种智能--就是它们对扰动的惊人恢复力。这种特性进一步表明，生态学是人工智能的灵感源泉，而人工智能在为神经启发式人工智能的现有脆性智能注入弹性方面只取得了喜忧参半的成功。因此，不仅是不同的、综合的生态系统建模方式有助于推动人工智能研究，而且生态系统本身也能为人工智能的稳健多尺度架构提供灵感。[这与量子化学和量子计算之间的协同关系不谋而合。］      通过共同开辟一条相互交织的研究道路，人工智能和对生态的理解能够很好地相互促进，超越每个学科独立完成的领域。在未来，人工智能研究发展与生态学研究的协同作用将推动人们在与社会需求相关的时间和空间尺度上理解复杂的生态系统。下面，本文将介绍人工智能研究的现状（第 1 节）。本文简要追溯了生态系统建模的历史，直至目前深度神经网络的使用（第 2 节），并阐述了人工智能与生态学融合研究的机遇。然后，本文将举例说明这种融合研究范式，探讨生态学研究如何推动人工智能的发展（第 3 节）、人工智能如何推动生态学的发展（第 4 节），以及开展协同研究以加快相互发现和发展的机会（第 5 节）。最后，本文确定了人工智能和生态学学科应解决的一些不同和共同的偏见，并强调了一些共同的机会，以便更负责任地开发和部署人工智能（第 6 节）。        1. 人工智能：技术现状      在过去的 10 年中，深度神经网络（又称深度学习）因其强大的建模能力而成为人工智能的代名词。本文所熟知的成功案例包括：通过放射成像获得更准确的临床诊断，以及用于自动驾驶汽车技术的日益快速的分析和决策。2022 年 12 月，基于深度学习的语言模型 ChatGPT 显示了深度学习模型迅速扩展的潜力。深度神经网络是 ML 的一个子领域。ML 的智能来源于数据中的模式，无论是表格数据、时间序列、图像还是文本。其目标是将这些数据中的模式推广到新的未见数据点上。ML 模型有多种形式；有些较为简单，如决策树和线性模型，有些则较为复杂。例如，人工神经网络受到大脑神经元布线的启发，利用层级结构通过非线性函数计算加权点积。深度神经网络有很多层，并在大型数据集上进行训练。尽管最近人工智能中的 ML，尤其是深度学习大放异彩，但其他几种人工智能方法也在同步发展，它们可能会克服深度学习的局限性，为复杂系统建模，并实现更具弹性的智能。其中一个例子是符号人工智能，它涉及知识图谱的逻辑推理。知识图谱与统计数据不同，它明确捕捉概念及其语义关系。图中的顶点可能是 "动物"、"牛"、"植物 "和 "草"，它们之间的边表示牛 "是 "动物，草 "是 "植物，牛 "吃 "草。然后，人工智能系统就可以推理出更广泛的概括，例如有些动物吃有些植物。知识图谱是符号人工智能中使用的一种表示方法。其他表示法包括本体、逻辑规则集、概率依赖图、微分方程和解析方程；每种表示法都有建立在其上的推理算法。这些知识和推理构成了专家系统。目前的人工智能技术是基于在难以想象的庞大数据集上训练出来的 "基础模型"，这些数据集被用作许多不同任务的基础模型。在特定领域的小型数据集上进行微调的过程，可以使基础模型专门用于该任务。此外，基础模型还被用于生成模型中，生成模型能够创建新数据，例如，生成新病毒变体的序列和分子结构，从而研究人类和其他动物的感染风险假设。另一方面，神经符号人工智能结合了深度神经网络和基于知识的符号方法的优点，超越了每种方法的独特局限。神经符号人工智能系统被认为比狭隘的深度学习方法更宽泛，在通往 AGI 的道路上更进一步。它们可以帮助完成具有挑战性的知识发现任务（生成新假设），并处理不同模式、规模、质量和数量的异构复杂数据--所有这些在复杂系统的生态学研究中都很常见。与贝叶斯统计方法一样，神经符号人工智能也能在推理中纳入不同模式的专家知识，而这些知识并不总是以数据的形式呈现。与其他人工智能方法相比，神经符号人工智能还具有更强的适应性和鲁棒性，并能提供可解释的输出结果，从而提供机理上的洞察力，而这正是生态学研究的指导原则。        2. 生态系统模拟      生态系统的预测是复杂系统建模困难的缩影，复杂系统的定义是由跨越时间、空间和社会等多个尺度的反馈和依赖关系所产生的非线性动态。由于生态系统科学是多个成熟分支学科的交叉学科，许多物理和生物原理都可以指导我们对这些系统的理解--例如，水文学、生物地球化学和景观生态学的物理学原理，或种群动力学中的适应性原理。从对生态系统的观测中提取信息时，最好考虑到生态系统固有的随机性和环境依赖性。生态学家们采用了大量建模方法来应对这一挑战，其中一些方法侧重于系统的组成部分（例如，有限资源的分布和丰度受哪些生物物理因素控制等问题），而另一些方法则侧重于全局建模（例如，在快速变化的景观中，生态群落将如何发挥不同的功能？） 改进生态学中的系统级预测也可能对新型人工智能的发展大有裨益，而且这些创新可能比过去更快实现。在生态建模中，新计算方法的采用通常会滞后多年（图 2）。这方面的例子包括图论（如食物网建模）、线性回归（如遗传建模）、偏微分方程（如种群增长建模）、专家系统（如环境决策管理）、分层贝叶斯方法（如估算树木繁殖力）和深度学习（如评估生物多样性）。从发明一种计算方法到将其融入生态建模之间的历史滞后期似乎正在缩短（图 2），人工智能在生态建模中的应用大大增加（图 3）。在水文学、人畜共患病生态学和森林生态学等领域，基于 ML 的预测已开始补充理论驱动的预测。然而，人工智能的应用范围在很大程度上仍局限于模式识别和预测，人工智能作为一种工具仍未得到充分利用，例如，用于生态学大数据的综合或用于确定生态功能的新假说并确定其优先级以进行进一步研究。▲图3 | 关键词为((TS=("artificial intelligence" OR "machine learning"))) AND WC=(Ecology OR "environmental sciences")的Web of Science上的论文数量。      与深度学习中受大脑启发而取得的突破类似，生物学的自组织特性和过程很可能隐藏着人工智能系统设计的灵感，人工智能研究与生态问题的紧密结合将揭示这些灵感。扩展这种生物学灵感提供了一个新的视角，突出了人工智能创新的机会，这些创新借鉴了从简单生物体（如粘菌）中经验观察到的智能决策，这些生物体违背了我们目前对 "智能 "的概念。同样，作为生物学和生态学基础的进化原理也为人工智能研究提供了灵感。进化计算是受生态学启发的人工智能分支，它应用遗传算法来指导系统进化，以实现应用目标，其进展源自硅学研究，如微生物的定向进化。符号回归是进化计算的另一种形式，目前通过在生态学中的应用得到了发展，从而产生了人类可解释的复杂生态系统函数方程模型，这些模型是由更原始的方程组成的。生态学中的生物多样性测量通常是生态系统复杂性的代用指标，它激励人工智能研究人员开发新的方法来测量训练数据中不必要的偏差。本文看好人工智能和生态研究之间的协同进步--生态理论有可能推动人工智能研究的前沿；现有的人工智能方法被注入复杂系统的生态建模中；人工智能和生态研究的共同成果有望实现关键的共同进步。        3. 人工智能生态学：复原力理论      在生态学中，复原力是指系统抵御干扰或从干扰中恢复的能力。生态系统之所以具有复原力，是因为其生态功能或系统成员所扮演的角色既是冗余的，又与环境有关。了解生态系统的恢复力是现代科学面临的最关键问题之一。我们在测量和预测系统恢复能力方面取得的进展，将决定我们能在多大程度上为全球气候变化和土地使用影响生物过程和高阶相互作用（生态系统恢复能力的基础）所带来的反响做好准备，并对这些影响做出响应。生态学中的复原力理论可为人工智能研究人员提供线索，帮助他们建立更稳健、适应性更强的系统，这些系统涉及反馈回路、冗余途径和满足行为，可确定系统的哪些基本原则最好能被量化和捕捉，以便再现复原力。这些人工智能系统本身可用于模拟和研究生态复原力。分布外泛化和对分布转移的复原力是人工智能研究的一个活跃领域。未来的人工智能技术可以模拟这种依赖于环境的行为，可能会受益于复杂的非线性互动和内置的鲁棒性。人工智能研究与生态学之间有目的的联合进展有可能扩展一般系统理论，受生态系统复杂性启发和制约的新型人工智能可作为通往其他领域（如心理学或经济学）的途径，在这些领域中，由于跨越多个相互作用尺度的复杂性，预测同样困难重重。        4. 生态学人工智能：知识引导的 ML      现有的深度学习算法都是数据饥渴型的，而且由于其架构不包含对所建模现象的先验知识，可能会产生与现实不一致的预测结果。不断发展的知识引导的 ML（KGML）领域是推动人工智能和生态学发展的一种方法，尤其是在数据稀缺的条件下，这在许多生态学领域仍然很常见。KGML 试图将科学知识注入 ML 算法的基础结构中，以帮助生成的模型做出更符合物理规律的预测。这种想法与贝叶斯统计方法中的先验知识是一致的，贝叶斯统计方法在生态学研究中也被用于类似目的，但往往受到数据需求和计算成本的限制。将知识指导注入 ML 模型的例子包括：定制损失函数以遵守物理定律；使用现有的 ML 架构（如长短期记忆（LSTM））或开发新的架构以更好地表示现实（如质量守恒-LSTM、递归图网络）；使用基于过程的模型输出作为 ML 模型的输入或作为预训练数据集；在 ML 模型中使用偏微分方程表示系统；或将神经网络嵌入分层模型。展望未来，生态建模可能会激发更先进的架构，其中包括与层次结构、物理和生物定律以及微分方程相结合的先验本体知识，以及分散和新兴的训练范例。        5. 通过人工智能与生态学的协同作用加速发现      人工智能系统正开始从模式识别扩展到假设生成和发现，部分是通过揭示代表复杂系统的高维网络中变量之间缺失的联系。这些缺失的环节代表了跨越多个尺度的系统组件中未曾预料到的相互作用或依赖关系。生态系统中状态和过程的多样性和广度为提高人工智能能力提供了令人兴奋的潜力，以识别这些缺失环节并提出新的假设。人工智能与生态学之间的一个协同机会是在人工智能研究中被称为模式崩溃的问题，即算法无法捕捉多模式分布的全部多样性，因为建模必然集中在少数观察到的模式上。生态学和人工智能交替解决了这一长期存在的问题--扩散模型是生态学的起点，目前在生成式人工智能中成功解决了这一问题；但自那时以来，生态建模取得了巨大进步，电报模型、反应扩散模型和种群循环模型在解决生态系统的模式坍塌问题上不断取得进展。在这里，共同生成的研究对人工智能和生态学都有好处--一个相关的例子是，人工智能生成的关于多模式分布的假设有可能阐明是什么驱动了埃博拉病毒从野生动物宿主溢出传播的双峰。这种生成式人工智能将受益于先进的生态建模技术。与许多人工智能系统不同，生态系统是通过基于理论的规则来理解的。例如，我们对生物地球化学的理解建立在物理和化学、地质学、水文学以及生物学规则的基础之上。我们对种群如何随时间变化的理解建立在支持适应性概念的进化规则之上，而适应性是捕食者与猎物之间的相互作用、生物之间的竞争以及食物网结构的基础。然而，尽管基于理论的方法提供了对机制的理解，但可能不足以应对我们面临的生态危机。在人工智能研究中，基础建模也采用了类似的理念--即模式和预测的基础是规则，但与生态学不同的是，基础模型是通过利用大量可用数据，而不是通过数十年的科学方法，以算法的方式学习规则。强化学习是人工智能研究中另一个活跃的前沿领域，在这一领域中，这些规则被明确纳入，以生成关于系统如何随时间演变和稳定的假设。因此，尽管生态系统非常复杂，看似混乱不可预测，但管理规则，无论是源自理论还是数据，都为我们观察、解释和预测复杂生态系统的突发特性提供了锚点。这种方法尤其有望将复杂系统的社会维度纳入其中，因为社会维度对生态系统的影响历来未得到充分认识，而且仍然是一个跨学科的前沿领域。        6. 负责任的人工智能与生态学      行业在人工智能研究中日益占据主导地位，导致产品和平台不断改进，从而提供了有用的方法，而有关人工智能伦理和其他社会因素的研究却相对被忽视。然而，对安全、合乎伦理和负责任的人工智能的呼吁以及对减少偏见的方法的研究正在不断增加。本土、女权主义、非殖民主义和其他批判性视角为此类人工智能研究提供了基础，但这些视角仍处于人工智能的边缘，面临着认识论上的障碍，需要加以克服才能纳入主流人工智能研究。同样，生态学的历史根植于殖民主义；生态保护主义经常被用来为控制环境辩护；排斥性做法继续产生只对社会中享有特权的子集有利的推论。最近，生态学家正在努力发展将各种知识联系起来的做法，以更好地理解社会生态系统。例如，在获得知情同意并了解对社区的明确互惠利益的情况下获得的本土知识（又称传统生态知识）加强了生态学的研究方向，扩展到保护、负责任的管理、监管以及人与自然之间的关系伦理。例如，土著知识对北极积雪和海冰状况的细微了解被用来指导无人驾驶飞行器和卫星数据收集。这些信息被用来更好地了解和管理环斑海豹，这是一个在不断变化的气候中具有重要文化价值的物种。社会和文化结构的细微差别及其融合对于获得有关复杂系统的知识和智慧以及负责任地影响其未来至关重要。例如，系统性种族主义深刻影响了城市环境的社会、生态和进化特征，这对于确保社会公正和加强这些系统对气候变化的适应能力非常重要。至关重要的是，人工智能和生态学都要继续扩大认识论的界限，承认不同的认识方式在科学上是有效的，并尊重本土数据主权。为了成功做到这一点，两者都可以从社会科学的定性研究方法中学习，特别是要捕捉 "与土著认识论密不可分的背景，同时保持标准化的时间和表示参数，使其与其他数据集保持一致，以便进行整合和分析"（图 1 的层次图在各种认识论下都有争议）。此外，对土著数据遵循 CARE 原则（集体利益、控制权、责任和道德）有助于确保这些数据对土著人民有用，并始终处于他们的控制之下，同时还能促进人工智能和生态学知识的发展。        7. 展望融合      研究事业一直沿着学科轨迹前进，人工智能与生态系统科学之间的重要融合正在快速接近。生物医学领域的融合研究凸显了人工智能在实现以往被称为 "登月计划 "的目标方面尚未实现的潜力--对尚未出现的传染性疾病和由多组相互作用因素引起的非传染性疾病的治疗。多方面的投资将有助于加速这种融合性突破：正视并改善目前存在的数据和认知方式中的偏见和局限性，考虑跨学科思维和实践以弥合知识构成中的哲学和伦理差异，以及在探索新的学科语言和视角的同时建立信任。对这种有意识的融合进行投资，有可能产生变革性的观点和解决方案，就像最近在聊天机器人和生成式深度学习方面取得的突破一样，具有超乎想象的颠覆性。在环境快速变化带来生存风险的时代，生态系统科学与人工智能之间的战略协同作用有助于推动我们更好地理解并有可能恢复我们赖以生存的生态系统的复原力。      论文信息      标题：A synergistic future for AI and ecology      期刊：PNAS      类型：Perspective       作者：Barbara A. Han, Kush R. Varshney, ..... ,  & Jacob Zwart【University of Vienna】      时间：2023-10-10      DOI：https://doi.org/10.1016/j.soilbio.2023.109205 

科学普及 更多

友情链接

智联软件中国农学会中国农业大学中国科学技术协会中国畜牧业信息网中华人民共和国农村农业部中华人民共和国科学技术部INTERNATIONAL GRASSLAND CONGRESS

Copyright © 2021 中国科学技术协会 版权所有

京ICP备10039388号-1 | 中科科界（北京）科技有限公司（技术支持）

京公网安备11010802042856号

联系我们

联系地址：北京市海淀区圆明园西路2号中国农业大学西校区土化楼101室 邮政编码：100193 联系电话：010-62732799 、62731666 传  真：86-10-62732799 电子邮箱：cgsoffice@163.com
 

关注微信公众号

 

关注微信服务号