通过将多组学与高通量表型分析（high-throughput phenotyping，HTP）相结合，作物保护中的基因型筛选技术正在发生革命性的变化。这全面解释了植物-昆虫相互作用的生化和分子抗性机制。代谢组学揭示了植物对昆虫伤害的代谢变化和激活途径，而蛋白质组学揭示了植物防御过程中蛋白质的动态表达和修饰。非结构化/基于图像和半结构化数据的定量测量需要复杂的存储、处理和先进的分析方法。机器学习（Machine learning，ML）和人工智能（artificial intelligence，AI）在这种集成方法中至关重要，可以对大型数据集进行自动化、准确和高效的分析。强大的机器学习模型可以通过分析代谢和蛋白质组学特征来预测植物的抗性水平，而深度学习技术可以识别复杂数据集中的模式和相关性。机器学习模型需要创新，以同时考虑多个压力因素，更准确地反映实际情况。利用先进的成像平台、传感器技术和人工智能驱动的数据分析，有望在了解和增强植物对害虫的抵抗力方面取得重大进展，最终为可持续农业和粮食安全做出贡献。本文综述了跨学科方法在发现与植物抗虫害相关的特定生物标志物和途径方面的意义。

图1  寄主-植物抗性机制综述。寄主植物抗性（Host-plant resistance，HPR）是植物的一种关键防御机制，它通过阻止或限制草食性昆虫的发育来减少它们对植物的影响。它通过三个主要类别起作用：抗异质性、抗菌性和耐受性。抗虫性通过降低植物对取食、产卵或遮蔽的吸引力来影响昆虫的行为。抗生素直接影响昆虫的生理机能，当它们以植物为食时，会降低它们的生存、生长或繁殖。与其他两种不同的是，耐受性使植物能够承受并从虫害中恢复过来，而不会显著影响其适应性。这些机制单独或结合起来有助于作物的持久和可持续虫害管理战略。

图2  植物抗虫基因型筛选的传统与现代筛选方法综述。传统方法包括在害虫热点地区对大量试验基因型进行初步现场筛选，然后在控制/实验室条件下进行无选择、双选择和多选择试验，以评估所选基因型的产卵偏好。此外，对选择的基因型进行生化分析，以了解基于生化的寄主植物抗性机制。相比之下，现代方法利用先进的组学技术，如基因组学、代谢组学和蛋白质组学，在分子水平上了解植物对害虫的抗性。其次是高级表型组学，其中包括使用生物传感器成像和机器学习的高通量表型。

图3  用于筛选不同害虫基因型的不同类型表型技术/工具。高通量表型分析（High-throughput phenotyping，HTP）：该过程包括各种平台，如地面，空中和温室系统。地面平台在现场运行，可以进行详细的近距离成像和数据收集。包括无人机和直升机在内的空中平台提供了更广泛的覆盖范围，而温室系统提供了受控环境，可以在受控条件下精确筛选植物对害虫的反应。HTP成像技术：它包括可见光（RGB）、红外（包括热）、多光谱/高光谱和用于高级成像技术的层析成像。寄主植物抗性表型分型：这种表型分型技术通过量化取食损害和植物生理过程的变化（包括光合效率和叶绿素含量）来评估植物的抗虫水平。数据处理：将采集到的数据进行图像分析、数据采集和机器学习，找出植物的确切生理差异。此外，该技术有助于预测建模，以选择抗虫基因型，并促进有针对性的害虫管理策略的发展。