本综述讨论了整合多组学数据和人工智能(AI)在推进园艺研究，特别是植物表型方面的变革潜力。传统的植物表型分析方法虽然有价值，但在捕捉植物生物学复杂性方面的能力有限。(元)基因组学、(元)转录组学、蛋白质组学和代谢组学的出现为更全面的分析提供了机会。人工智能和机器学习（ML）技术可以有效处理复杂而大量的多组学数据，提供有意义的解释和预测。本综述反映了这一研究领域的多学科性质，读者可在其中找到一系列先进的解决方案，这些解决方案是整合多组学数据和人工智能进行园艺表型实验的关键，包括实验设计注意事项、若干技术和非技术挑战以及潜在的解决方案。这一整合的未来前景包括精准园艺、预测育种、改善疾病和胁迫响应管理、可持续作物管理和植物生物多样性探索。多组学和人工智能的结合为园艺研究和应用带来了巨大的希望，预示着植物表型的新时代。

传统的表型方法通常需要耗费大量人力，主观性强，通量低，因此很难捕捉不同生长阶段和环境条件下植物性状的动态特性（图1和表1）。此外，这些方法通常侧重于可观察到的性状，而忽略了对植物整体表型有重大贡献的亚细胞过程和相互作用。因此，植物表型的下一个前沿显然需要向更精确、客观和高通量的方法转变。过去几年植物表型技术不断创新，文中概述了一些植物表型技术及其对园艺研究的影响：

高通量表型平台:在温室和田间，可同时非侵入性地测量植物的多个性状。利用成像技术、传感器测量和机器人技术相结合，在相对较短的时间内对大型植物种群进行表型分析。

成像技术：RGB成像、高光谱成像、热成像、三维成像和荧光成像等技术可以捕捉植物生理、形态和营养状况各个方面。

传感器测量：为获取精确、连续的表型数据提供了便利。其中包括用于测量土壤湿度、叶片温度、光照强度和植物水分状况等的传感器。

无人机和遥感：它们可以捕捉整个田地的高分辨率、多维图像，从而能够评估大面积植物性状的空间变异性。同样，遥感技术也能对作物健康、产量和环境条件进行大规模监测。

多组学与人工智能的整合：多组学方法与先进表型技术的整合可提供植物系统的整体视图，揭示可观察到的植物性状背后复杂的相互作用和调控机制。此外，还可利用人工智能和机器学习技术分析这些方法产生的大量复杂数据集，揭示植物表型的隐藏模式和预测模型。

图1 传统和先进的表型技术综述

表1 传统与先进的表型方法比较

表2 多元组学技术综述

图2 用机器学习方法解决物体检测问题

图3 机器学习方法:有监督、无监督和半监督

表3 AI与ML技术在园艺中的应用

表4 AI与ML技术在园艺中的应用