9月14日消息，中国工程院院士赵书红 9月13日在浦江创新论坛下设的专题论坛上介绍，靠数据与模型迭代，育种准确率大幅提升，种业迎来重大变革。这句话对应的论文，是她团队 2026年4月24日发表在 Nature Communications 的 IFAM 模型，赵书红为三位通讯作者之一。论文给出的各数据集预测准确性提升幅度为：人类疾病数据 WTCCC1 提升 9.46%，英国生物银行 6.15%，杜洛克猪 4.59%，约克夏猪 4.09%，水稻 10.83%。论文同时划出两条前提，其中一条决定了这个提升从哪里来。
论坛上那句话对应的模型
IFAM 的全称是 Integrating Functional Annotations by Multi random effect model。做法是在 GBLUP 模型上扩展多个随机效应，容纳大量类型的功能注释，并把对表型方差贡献相近的注释类型自动合并成一个随机效应。速度上沿用团队此前提出的 HE 加 PCG 策略，计算复杂度不随随机效应数量增加。
论文要处理的问题是缺失遗传力。SNP 能解释复杂性状表型变异的 5% 到 49%，余下部分长期悬空，组学数据被看作基因型与表型之间的桥。既有方法里，BayesRC 不适用一个 SNP 属于多个注释的情形，计算复杂度高；SBayesRC 在 UK Biobank 上提升 5.28%，但依赖人群通用的连锁不平衡矩阵，到了动植物不适用，原因是品种间遗传多样性大、连锁不平衡结构复杂。
这篇论文的落点在于：既有的人类遗传学方法迁移不过去，畜禽需要一个能用个体水平基因型与表型数据、同时自动处理从几种到几百种功能注释的模型。
五组数据集的数字，与竞争方法的失手
杜洛克猪用的是 7 个生产性状，注释来自 IFmut 数据库的 11 种类型加 GWAS 显著位点，其中增强子窄峰的基因组覆盖率居首。相比 GBLUP，IFAM 在全部性状上给出提升，背膘厚的增益居首，为 7.90%。非自动合并的多随机效应模型在同一批注释下的准确率均值为 0.3416，预测偏差 0.4854，落后于 IFAM。
约克夏猪的数据集规模大于杜洛克，IFAM 相比 GBLUP 的提升幅度均值为 4.09%，相比同注释的非自动合并模型提高 5.58%，乳头数性状的改善突出。两个对比方法在这批数据上出了问题：Adaptive MultiBLUP 生成的估计遗传值方差为零，无法给出有意义的结果；BayesR 在乳头数性状上大幅失手，拉低了整体准确性；BayesRC 因为 SNP 标记数量大、计算时间过长，直接跑不起来。
水稻用 3000 水稻基因组计划的 5 个性状，注释来自 RGAP 数据库的 9 种类型。IFAM 相比 GBLUP 的提升幅度均值为 10.83%，粒长宽比的增益居首，为 18.15%。相比 BayesR，IFAM 准确率低 1.54%，但预测偏差优于 BayesR，运行时间从数小时降到几分钟。
计算效率的对照同样值得看。相同资源下，GBLUP 用时 0.30 小时，IFAM 0.74 小时，Adaptive MultiBLUP 1.75 小时，BayesR 需要数天。
两条前提：真实注释与 GWAS 位点
论文做了一组伪注释对照。把真实注释换成按同等规模随机选取的伪注释后，IFAM 在杜洛克群体的准确率均值降到 0.3700，略低于 GBLUP；在约克夏群体与水稻数据上同样大幅下降，水稻的跌幅为 10.33%。模型依赖真实的生物学信息，这条对照排除了「注释本身即可带来提升」的可能。
另一条限定关系到提升的来源。剔除性状特异的 GWAS 注释之后，纯功能注释在英国生物银行数据集上带来 1.40% 的提升，在畜禽与作物数据集上属于边际改善。论文的解释是，多组学信息的效果受物种特异的注释质量、组织与性状相关性、现有功能数据集分辨率的限制。
按这个结果，IFAM 在猪身上那 4% 到 5%，依靠的是 GWAS 关联位点这类信息，不单是多组学注释本身。论文自己的预期是，等功能基因组学资源继续扩展，整合的价值随之上升。
能说到哪
这篇论文让「靠数据与模型迭代，育种准确率大幅提升」有了同行评议支撑，范围是 4% 到 10% 的相对提升，提升依赖真实注释与 GWAS 位点两个条件。
论坛发言与这篇论文是否同一批工作，没有实录可证。论文给的是相对 GBLUP 模型的提升幅度均值，与「育种准确率从多少提升到多少」这类绝对值表述不是一回事。她在论坛上没有给出数值。
一个可核验的信号是代码与工具的公开程度。IFAM 论文为开放获取，团队此前的方法 KAML 与 HIBLUP 提供了公开仓库与软件站。这套路线能否被同行复现，取决于后续是否放出 IFAM 的实现。
AI 速览
