本网讯 近日，人工智能学院岳振宇/高羽佳团队在《The Crop Journal》在线发表题为 "Crop-GPA 2.0: Cross-species and trait-aware hierarchical genomic representations for predicting crop genotype–phenotype associations" 的研究论文。该研究整合了10种主要作物、8类重要农艺性状下超过20万条基因型-表型关联数据，构建了新一代跨物种基因型-表型关联预测框架Crop-GPA 2.0。

作物重要农艺性状（如产量、抗病性、抗逆性和品质等）的形成，本质上受到遗传变异（Genetic Variation）的调控。近年来，随着高通量测序技术的快速发展，大量作物基因组数据不断积累，为采用深度学习技术实现功能变异的挖掘提供了新的机遇。Crop-GPA 2.0通过跨物种预训练和性状感知学习，实现了不同作物间重要性状与单核苷酸多态性（Single Nucleotide Polymorphism, SNP）关联知识的有效迁移，为解析作物重要性状形成的遗传机制和功能变异提供了解决方案。

图 Crop-GPA 2.0的整体框架

Crop-GPA 2.0的核心创新在于构建了融合多尺度DNA序列与DNA结构特征的层级基因组表示，并结合跨物种预训练和性状感知学习，实现了不同作物间基因型–表型关联知识的有效迁移。实验结果表明，模型在水稻、玉米、小麦等多个代表性作物中均表现出优于现有主流方法的预测性能，在跨物种迁移和有限训练数据条件下仍保持稳定、优异的预测性能。该平台集成了作物基因型–表型关联数据库、基于不同物种和性状的候选SNP预测、可视化与在线分析等功能，为作物功能变异挖掘提供开放、高效的研究工具。Crop-GPA 2.0建立了可扩展的跨物种基因型–表型关联预测框架，进一步提升作物重要性状的解析和功能变异的挖掘，为作物功能变异发现、功能基因组学研究和精准育种提供了新的人工智能技术支撑。

安徽农业大学人工智能学院讲师高羽佳、2025级智能科学与技术专业研究生谢施平、2023级计算机科学与技术专业硕士生王猛为共同第一作者，人工智能学院岳振宇副教授为通讯作者。研究得到了国家自然科学基金、安徽省高校自然科学研究重点项目等资助。（文/图：高羽佳 一审：范雅辰 二审：岳振宇 三审：张志平）

论文链接：https://www.sciencedirect.com/science/article/pii/S2214514126002047