2026年6月，英国约翰英纳斯中心Haopeng Yu等在New Phytologist上发表了题为AI foundation models in plant biology的综述文章，系统梳理了基础模型在植物生物学主要数据模态(包括基因组序列、蛋白质结构、单细胞转录组及表型图像)中的应用范式。
1.基础模型的流程框架
植物生物学进入多模态数据爆发时代。研究对象从“单一数据类型”扩展为“复杂数据网络”。
基础模型在这一背景下出现，通过学习跨模态的通用表征，为复杂生物数据的整合分析与功能解析提供了新的计算框架。
基础模型的流程框架包括：预训练、微调、推理与预测、模型解释、跨模态/跨物种应用。
2.基因组基础模型：读懂“DNA”
GWAS一直卡在一个难题：非编码区看不懂。
而基础模型的出现，正在改变这一点，它们通过在海量跨物种基因组上预训练，学会了DNA的“语法规则”，开始真正“读懂”调控序列。
比如 PlantCaduceus，在16种植物基因组上训练后，能够跨物种识别有害变异，灵敏度比传统方法提升约3倍。原来“看不见功能”的区域，现在开始变得可预测。
3.RNA模型：补上调控的另一块拼图
如果说DNA是“剧本”，RNA就是“导演手记”。但这一层，以前几乎没人能系统读懂。
PlantRNA-FM用1124个物种的转录组数据训练后，直接发现了100+种RNA结构基序，其中21种还是“全新类型”。
更重要的是，它提示我们：RNA结构稳定性，本身就会影响翻译效率和性状表达。这一层，以前是空白，现在开始被补齐。
4.蛋白质模型：把“设计蛋白”变成现实
从DNA到RNA，再到蛋白质，这是功能的终点执行者。
而基础模型正在让“设计蛋白”变得可计算。以AiCE为代表的模型，把结构信息+进化信息一起建模，用来指导蛋白质进化。
结果是什么？——新一代碱基编辑器被优化出来了。过去靠实验“试出来”，现在可以先在计算机里“设计出来”。
5.表型+单细胞：让规模数据“看得懂”
分子问题解决了，新的瓶颈来了：表型太多、细胞太杂。于是视觉模型和单细胞模型登场。
FoMo4Wheat在250万张田间小麦图像上训练后，直接在多项农田任务上超越通用模型。一句话：更懂“田里的作物”。
而scPlantLLM则更进一步——用100万+细胞训练后，几乎不用标注，就能跨玉米、水稻做细胞注释。原来最难的“人工标细胞”，正在被模型接管。
6.AI智能体：从“回答问题”到“做科研”
如果说前面模型是在“看数据”，那智能体已经开始“做事情”。
以 PlantScience.AI为例，它不只是聊天工具，而是一个科研执行系统：
· 查文献
· 画流程
· 做多组学分析
· 甚至帮你设计实验
它开始从“工具”，变成“虚拟科研助手”。
从DNA到RNA，从蛋白到表型，再到智能体，基础模型正在把植物科学拆成五层重新建模。但真正的变化不是“替代实验”，而是让实验问题变得更精准、让探索空间变得更大、让发现速度变得更快。未来的竞争，不只是做实验，而是谁更会用AI理解生命系统。
