随着分子生物学和信息技术的发展，全基因组选择已广泛应用于作物育种中，但单一组学的解释瓶颈也越来越大，实现遗传－表型联合预测亟待开展研究。近红外光谱技术作为一种快速、无损的分析方法，在牧草品质检测中得到了广泛应用，但在牧草育种及其联合应用中，还没有研发提出可靠模型。

近日，我院草业所草地管理与加工利用创新团队开展牧草近红外光谱模型分析及深度学习建模，开发了基于多组学贝叶斯算法的建模框架。通过核函数压缩技术，从数千个光谱波长中提取关键特征，解决了高维数据冗余问题；结合再生核希尔伯特空间算法，突破线性模型限制，精准捕捉光谱吸收峰的非线性交互效应。首次建立牧草光谱－基因组联合模型（Forage GS-NIR），该模型通过数据处理、模型架构、训练方法、优化策略和应用场景等方面（图1），成功开发软件平台——牧草光谱－基因组联合模型分析平台v1.0（图2）。

Forage GS-NIR模型具备以下优势：（1）预测精度显著提升。通过全面解析遗传背景与表型特征的关联性，目标性状预测精度较传统方法显著提升。（2）育种周期大幅缩短。基于早期性状预测功能，快速筛选具有优良特性的个体，有效减少田间试验工作量，缩短育种周期。（3）综合成本大幅优化。通过虚拟表型预筛技术，避免对低潜力个体的冗余田间鉴定，减少人力、物力投入，综合降低育种成本。（4）精准育种技术革新。支持复杂性状（如抗逆性、品质）的高精度预测与数据驱动的杂交组合优化，加速优良品系选育进程，为定向培育高产、优质牧草品种提供科学依据。

当前，Forage GS-NIR模型主要应用于牧草品质、产量、抗逆性等性状的解析。未来，团队将进一步整合多组学数据资源，构建智能化育种分析平台，同时深化国内、国际育种数据整合，推动AI育种技术规模化应用，为牧草育种效率提升与农业可持续发展提供科技支撑。

该研究得到重庆英才创新创业示范团队项目以及院草地管理与加工利用创新团队项目的资助。