2026年7月，美国亚利桑那大学Duke Pauli团队联合多所研究机构在 Trends in Plant Science 发表了题为 Digital twins for plant and crop improvement 的观点文章。该研究系统阐述了植物数字孪生(Digital Twins, DTs)的概念缘起、技术架构及多尺度应用路径，指出这一框架有望成为打通基因型—表型(G2P)鸿沟、加速作物遗传改良的颠覆性工具。
1.什么是植物数字孪生？
数字孪生技术最早源于美国宇航局(NASA)的航天工程——通过物理复制品来模拟和测试太空飞行器。与传统模型不同，数字孪生的核心在于持续的数据反馈循环：随着新的表型数据和环境数据不断汇入，虚拟模型会同步更新、校准和进化，从而与物理实体保持“同频共振”。
在植物科学领域，数字孪生并非简单的3D可视化模型，而是一个集形态结构、生理功能和环境响应于一体的动态虚拟系统。它能够模拟从单片叶子到整个植株、再到田间冠层的生长过程，帮助研究者回答“如果改变这个基因、在那个环境下生长，植物会怎样？”这类传统实验难以高效解答的问题。
2.如何构建植物级数字孪生？
本研究主张以功能—结构植物模型(FSPM)为内核搭建DT。构建流程主要包含四步：首先，通过3D点云、热成像及高光谱等技术采集植株多源表型数据；其次，由AI驱动的数据管道完成数据清洗、分割与关键性状提取(如叶面积、叶角、蒸腾状态)；随后，利用参数初始化FSPM，并结合双向光线追踪模拟冠层内动态光环境；最后，通过数据同化机制，在每一轮新数据汇入时自动校准模型。
这一循环使得DT具备了“学习能力”——它能不断修正参数，以逼近真实的生物学过程，这是区别于传统作物模型的本质所在。
3.从叶片到小区：数字孪生的跨尺度设计
数字孪生并非"一蹴而就"的单一模型，而是一套可跨尺度部署的通用框架——从单张叶片到整株植株，再到田间小区，每个层级都有其独特的研究问题与建模重点。
在叶片尺度上，核心在于采集真实植株的结构与生理数据，如叶面积、气孔导度、光合参数等，为上层模型提供最基础的输入参数，这是整个数字孪生的"数据起点"。
到了单株尺度，数据开始"活"起来。功能-结构模型接管模拟任务，将碳同化、源-库分配、器官生长发育、水分传输等关键生理过程整合进3D株型框架中，让虚拟植物具备了"生长逻辑"。
而最上层的小区尺度，关注的是冠层的整体表现：叶面积发展、辐射截获、冠层光合与蒸腾、微气候梯度——这些决定产量的群体属性，正是通过将多个单株孪生体组合并嵌套作物生长模型后"涌现"出来的。
4.嵌套式框架：FSPM 与 CGM 的融合
文章提出了嵌套式FSPM-CGM耦合框架：先利用田间实测变异参数化多个单株DT实例，构成虚拟冠层；FSPM负责模拟器官级碳同化与水分动态，其输出聚合后输入作物生长模型(CGM)，用以模拟冠层级的辐射利用效率与群体蒸腾；CGM再将更新后的环境条件反馈给FSPM，驱动下一轮生长。
该框架使得研究人员能精准量化单株性状(如叶倾角)如何“涌现”为冠层功能差异(如光穿透梯度与光合非均匀性)，为解决“叶片高水分利用效率导致冠层减产”等尺度悖论提供了新工具。
5.打通基因型-表型鸿沟的三条路径
本文研究指出DT连接基因与表型的关键在于将遗传变异映射为动态生理参数，而非终点产量：
连续动态表型：DT可将离散的观测“快照”延拓为连续发育轨迹，助力GWAS分析从“单一时间点性状”升级为“性状形成的动态响应模式”。
模型参数作为功能表型：直接测冠层温度只能定位位点，而DT推导出的“气孔对水汽压亏缺的敏感性参数”则能清晰揭示遗传变异调控植株水分平衡的生理机制。
赋能基因组预测(GP)：GP可预测特定基因型的DT生理参数(而非直接预测产量)，进而初始化“合成DT”模拟目标环境下的生长轨迹。这避免了预测强G×E互作性状时的精度陷阱，显著提升跨环境泛化能力。
从单株到冠层，从快照式表型到动态模拟，从田间试错到虚拟设计，数字孪生正在把植物科学拆成结构、生理、环境与时间四层重新建模。但真正的变化不是“替代田间试验”，而是让试验问题更聚焦、让基因型-表型关系更可解释、让育种决策更前置。未来的竞争，不只是谁种得更好，而是谁更会用数字孪生理解生命系统。
该研究系统阐述了植物数字孪生的概念缘起、技术架构(以功能-结构植物模型FSPM为内核，融合AI数据管道与双向光线追踪)及多尺度应用路径(从叶片、单株到冠层)，并指出该框架可通过延拓连续发育轨迹、提取生理参数作为功能表型、赋能基因组预测三条路径打通基因型-表型鸿沟，有望成为加速作物遗传改良的颠覆性工具。
