【新闻】智能IT系统变革美国大农细秆萤蔺

发布时间：2020-10-19 00:41:55 阅读：次来源：熔点仪厂家

智能IT系统变革美国大农

生物技术和培育的途径

生物技术的特征和种质资源本土化的需求，导致农业研发途径的发展在整体形式上跟制药行业类似(图3)，不同阶段会做出不同的产品改善决策。在各个阶段，候选产品被逐一剔除，只剩下最有前景的产品进入下一阶段。为了保证未来商业产品能满足客户需求，后续阶段的测试越来越严格。

(每阶段必须收集和检查信息来做出最优决策)

注:1.时间估算以经验为基础，可能会重叠。某些特定产品的开发时间可能会跟所示估算时间有出入。

2.基因最终会成为商业产品的平均可能性估算以经验为基础。这些可能性也许会随时间改变。

几千位科学家在高通量产品开发和评估途径中处理信息，以农业科技公司孟山都为例，其有两个主要途径，一个针对生物科技，另一个针对育种。生物科技途径为抗虫性、除草剂耐性和抗寒性等特征开发新的基因。培育途径是利用适应全球特殊地理区域的本身优质基因，来创造种质资源。

生物科技和育种形成并行研发途径，通过共享工具和技术相联系。IT平台是支持研究、产品描述和产品改良决策的链接

有助于筛选了解新基因和种质资源的实验室与田间工作在两种途径中融合。信息收集产业规模化，且往往高度自动化。

IT系统促成全球育种种质资源交换，种子切片、基因分型分子标记等自动化和技术进步需要IT系统管理分析和解读

例如在生物科技途径中，每年基因组学和分子生物工具被用于选择和描绘几千种基因。该途径由一系列步骤组成，包括基因提名、测序、克隆、转化、温室和田野测试。每个步骤包括综合实验室和田间工作共同提供的有关基因功能和质量的所有信息。

分子标记辅助育种是一种用DNA标记来界定个体有利基因组合的技术，用于育种途径。单个种子变得“切损”，切下来的部分用来分析每个种子的DNA基因型。每年数以百万计的样本被处理，生成数十亿数据点。

预测最优选择的切片、基因分型和种植，具有极强的时间敏感性且高度自动化。目前，孟山都经营世界上最大的田野测试网络，每年把种子种植在全球数以千计的试验点，大量收集每个出产作物的特征信息(比如产量、水分含量、作物高度、疾病反应等)，每年还在不同地方进行多次评估。

这个网络的物流经营包括对每个进行种植、收获和分析试验点的种子库存、分配和实验设计管理。仅仅北美的收获季节，就分析了数以百万计的数据点。

通过分析，在最适应本土的种质资源中，生物技术和培育途径发展出的产品进行整合(再利用遗传杂交、田间试验点评估、分子标记)，创造出带有感兴趣新基因的高级产品。大规模开发新型生物技术产品和评估产品性能，只有先进IT系统能够完成。

IT途径

发现和商业化新型基因改良产品需要10到15年，这个过程要求标准化流程和规范化测试来验证性状表现和农场价值。为了编排这个多步骤、多阶段、多年、相互依存的评估过程，IT系统必须模拟这个途径，这样候选产品才能被跟踪和优化容量、分析结果和解读、并全程保证合规。换一种说法，就是需要IT途径来管理研发途径。

例如，管理全球范围的作物生物科技途径，需要一个无缝连接实验评估试点(基因提名、基因建设、转化)的IT工作流程系统来追踪细节信息、理解和评估不同特征的基因。系统给该途径带来透明度，帮助决策基因提升，并且免除了费力的手动跟踪。

科学以IT速度进步

具备快速利用大量新型科学突破能力的组织拥有重要的竞争优势，IT系统是把科学突破转化为产业规模生产的核心部分。例如，十多年前能够准确标记感兴趣基因的分子标记技术的突破，引发了新基因编入到适合种质的巨大变化。这种变化只能通过IT系统大规模创新实现，该系统建立了高通量、高容量DNA基因分型实验室，自动挑选最优背景下的兴趣基因作物优化工作流程，并且把这些工作流程整合到全球培育途径的巨大背景中。

大多数公司的研发途径，依靠结合第三方以及在各途径整合工作流程步骤信息的高度定制专有IT系统。这些系统使大量手动步骤得以免除并代之以可重复的自动化操作。让IT系统做大部分工作实现了科学自动化，也实现了以“集成电路的速度”大规模利用创新。

建立以理想速度和规模运转的系统，需要创造新型IT组织，能把育种和生物技术的科学专业知识融合到计算机和产业工程中。因此，IT组织构成中除了电脑工程师外还有专门科学家——在单一组织里强力结合生物科技专门技能、育种、基因组学、生物信息和计算机学。

这个新IT模型使得新兴研发需求和突破，快速转变成工程软件解决方案。该方案通过标准化工作流程步骤、自动化信息生产和分析、使用标准算法的工业化创新应用，来推荐最优种子放置决策。

在DNA分子标记基因分型例子中，基因分型试验结果必须记录每单个种子。由于存在数以百万计的样本，通过手动检查刻痕是难以有效完成这个任务。自动化流程可以免除工作流程瓶颈和避免人为错误。

培育途径的另一个例子是收获期间田野试验的信息分析，此时必须统计分析成千上万的设计试验，来决定哪些候选产品在感兴趣的特征、区域和长年评估上表现最好。因为每一次收获都需要几周而进一步决策又具备时间敏感性，所以分析必须重复多次才能收集到更多田野信息。

编辑：解骅