2026年5月，剑桥大学Johannes Kromdijk等人在New Phytologist发表题为Kinetic parameter prediction using neural networks identifies limitations to C4 photosynthesis的文章，开发了名为C4TUNE的深度学习框架，仅需输入常规的气体交换响应曲线(A/CO₂和A/光响应曲线)，即可高效预测包含236个可调参数的完整动力学模型，实现了从表型数据到基因型特异性参数的快速映射。
传统方法估算参数既耗时又依赖大量实验，限制了模型的应用。C4TUNE的核心创新在于引入替代神经网络，在训练过程中绕过了耗时的微分方程求解，极大提升了计算效率。结果表明，该模型预测的参数误差低(中位数相对误差0.30)，且超过99%的参数可直接用于模拟，曲线拟合准确(误差中位数低于0.6)。在对68份玉米MAGIC群体两个生长季的数据分析中，C4TUNE表现稳定，不仅能可靠预测不同品种的参数，还能有效克服实验测量中的误差干扰。
基于C4TUNE预测的高精度参数集，研究团队通过相关性分析成功定位出限制光合效率的几个关键因子，如NADP-苹果酸脱氢酶(NADP-MDH)的最大反应速率、线粒体呼吸速率，以及光反应中的ATP合酶、卡尔文循环中的转酮醇酶等。
为了进一步评估这些限制因子的实际潜力，研究人员基于C4TUNE预测的高精度参数集开展了计算机模拟优化实验。结果表明，提升NADP-MDH的最大反应速率可显著提高净光合速率(中位数增加0.53%)，而降低线粒体呼吸速率也能带来明显增益(中位数增加0.72%)。
深度学习可从常规气体交换数据中解码光合系统的动力学特征。C4TUNE不仅突破了光合模型参数化的技术瓶颈，还能规模化解析不同基因型的光合限制位点，实现从表型数据到分子机制的快速映射。该框架的优势在于：兼容非标准酶动力学、无需复杂实验、预测规模远超传统方法，并可识别参数间的代偿效应与协同限制关系。
该研究不仅精准定位了限制C4植物光合效率的关键“开关”，更为通过智能设计育种提升作物产量提供了重要的理论依据和工具支撑。
