研判2026！中国设计育种行业发展历程、政策汇总、发展现状、未来趋势：“十五五”规划的落地，进一步推动设计育种行业规模化发展[图]

内容概要：近年来，我国先后启动了多个与设计育种相关的项目，例如中国科学院启动实施的战略性先导科技专项(A类)“分子模块设计育种创新体系”“种子精准设计与创造”项目，科技部启动实施的“七大农作物育种”项目。通过项目实施，我国在作物基因组、水稻理想株型、水稻杂种优势、养分高效利用、作物-微生物互作、作物基因组编辑和分子改良等方面均取得了一系列突破性成果，总体上在作物科学和技术应用方面处于国际第一方阵，水稻等研究领域已经处于世界引领地位。

相关上市企业：ST荃银（300087）、天域生物（603717）、隆平高科（000998）等。

相关企业：中农种源(深圳)科技有限公司、深圳兴旺生物种业有限公司、山东极智生物科技有限公司、石家庄博瑞迪生物技术有限公司‌等。

关键词：设计育种行业相关政策、分子育种行业市场规模、设计育种行业发展趋势

一、设计育种行业相关概述

设计育种是指在计算机平台上对植物体的生长、发育和对外界反应行为进行预测；然后根据具体育种目标，构建品种设计的蓝图；最终结合育种实践培育出符合设计要求的农作物新品种。

设计育种的核心是建立以分子设计为目标的育种理论和技术体系，通过各种技术的集成与整合，对生物体从基因(分子)到整体(系统)不同层次进行设计和操作，在实验室对育种程序中的各种因素进行模拟、筛选和优化，提出最佳的亲本选配和后代选择策略，实现从传统的“经验育种”到定向、高效的“精确育种”的转化，以大幅度提高育种效率。

全球种业经历了四个清晰的代际跃迁。育种1.0为数千年的农家驯化选种；育种2.0始于20世纪初的杂交育种，利用杂种优势大幅提升产量；育种3.0以20世纪90年代转基因技术商业化应用为标志，实现单一性状的跨物种导入；当前正迈入育种4.0阶段——设计育种，即基于基因模块及其非线性耦合理论，以及合成生物学思路，借助计算生物学和人工智能设计出理想的品种，大大缩短了育种周期，提高了育种效率。

中国的发展路径与之并行又独具特色。20世纪50至70年代以地方良种评选和矮化育种为起点；70至90年代以杂交水稻、杂交玉米的成功为标志，实现育种2.0的全面突破；2000年后转基因技术研发跟进，但商业化审慎；2020年“十四五”启动种业振兴行动，转基因产业化试点逐步放开；至“十五五”规划，智能设计育种被确立为先导性产业，标志着中国正式进入育种4.0全面布局阶段。

当前，设计育种的研究共形成九大技术方向，分别为：光传感表型技术、计算机视觉技术、深度学习技术、多组学融合分析技术、基因编辑技术、数据库存储技术、基于全基因组选择的表型预测技术、基于机器学习的表型预测技术、基因知识图谱辅助育种。

光传感表型（OSP）技术是指利用光学传感技术获取植物或生物体表型特征的一种方法，全球范围内使用了OSP技术的表型监测平台在欧洲国家较为成熟，如比利时CropDesign公司的TraitMill平台、法国农业科学研究院的Pheno⁃scope和PHENOPSIS表型平台、荷兰KeyGene公司的PhenoFab平台、捷克PSI公司的PlantScreen平台等。

在中国，多个研究机构和公司也引进或自研了高通量表型平台，例如，华中农业大学研制了国内首套水稻表型自动检测分析系统；南京农业大学自主设计并建造了田间作物表型舱、人工智能气候舱；中国科学院植物研究所研发了国内首套高通量作物三维表型监测系统——Crop 3D等。光传感表型技术可以帮助育种者快速、准确地评估作物的性状和表型特征，为育种目标的选择和优化提供科学依据。

计算机视觉技术利用图像处理和模式识别等方法，通过对图像和视频数据的分析和解释，提取有关作物表型特征和性状的信息。在产业化方面，我国慧诺瑞德公司开发的多光能数字化玉米考种机iMaize®，基于机器视觉和AI技术自动测量玉米的多项表型指标，实现自动化玉米考种。可见，计算机视觉技术通过处理大量的作物图像和表型数据，为育种者提供更全面、准确的数据支持，帮助其制定更优化的育种策略。

深度学习是机器学习领域中的一个分支，其通过构建和训练深层神经网络模型，能够对复杂的作物数据进行高效的学习和分析。我国之江实验室智能设计育种团队采集大豆的各类表型数据、基因数据和生长环境数据，结合AI算法分析，预测最耐盐碱和高产组合。2019年，中国农业科学院生物技术研究所汪海副研究员等开发出从基因组DNA序列预测基因表达调控模式的人工神经网络模型，有望借助人工智能（AI）技术实现定向育种，相关成果发表在《美国科学院院刊》上。可见，深度学习技术将基因数据、表型数据、环境数据等多源异构数据进行集成分析，从而从大规模、高维度的作物数据中提取有价值的信息和模式。

多组学融合分析技术是将多个不同类型的组学数据进行整合和联合分析的方法。相对于单一的GWAS分析，不同组学间的关联分析有助于解析发育特征是如何被精准调控的，当前研究涉及的多组学关联分析包括mGWAS（基于代谢组的全基因组关联分析）、TWAS（基于转录组的全基因组关联分析）、EWAS（基于表观组的全基因组关联分析）等。

基因编辑技术是一种对生物体基因组进行定点修改的技术，它可以较精确地添加、插入、删除或修改目标基因的DNA序列。目前CRISPR/Cas9系统已成为育种的热门领域，2012年，来自加州大学伯克利分校的结构生物学家Jennifer Doudna和瑞典于默奥大学的Emmanuelle Charpentier首次将CRISPR/Cas作为基因编辑系统应用。随后，多种基因编辑作物在全球范围内被商品化，至今美国已有150多种植物品种被免除监管，进行商业种植。2023年，南京农业大学万建民院士团队发表了一项新型水稻启动子编辑技术的研究，该技术可调控水稻抽穗期，提高水稻品种的适应性和种植效益。目前基因编辑技术已应用于小麦、大豆和水稻等作物育种中，对作物育种的基因功能研究、基因改良、新品种创制、遗传纯化和背景消除等具有重要价值。

数据库存储技术可以有效地管理和存储大量的育种数据及其中间数据，提供数据的可靠性、一致性和可访问性。2015年，美国成立了农业生物数据库联盟AgBioData，2021年，美国投入2 500万美元（约1.7亿元人民币）成立可编程植物系统研究中心（CROPPS），促进数字生物学新领域发展。2015年，中国农业科学院作物科学研究所水稻分子设计技术与应用创新团队在《科学通报》发布了水稻功能基因组育种数据库（RFGB）的雏形，2019年RFGB v2.0构建完成。2020年，华中农业大学创建了玉米多组学数据库ZEAMAP，整合了基因组、转录组等数据，支持性状相关的遗传分析。2021年，国家基因库推出农业数字化服务平台，提供从种质资源到基因数据的全链条服务。2022年，国家基因库发布了全球最大的生菜种质基因资源数据库LettuceDB，计划扩展至3 000+生菜数据资源，促进精准育种。2023年，国家作物种质库联合腾讯公司，共同发起“国家作物种质库2.0项目”，支持育种研究。同年，中国科学院发布了大豆多维组学数据库SoyOmics，提供大豆遗传学及育种研究的数据支持，展示了多维组学数据的深度整合能力。

全基因组选择（genomic selection, GS） 是Meuwissen等在2001年提出的一种选择育种方法，是指利用覆盖整个基因组的遗传标记信息对未知表型的个体育种值进行估计，其作为一种高效育种方法，通过早期选择缩短世代间隔，提高育种值估计准确性。基于全基因组选择的表型预测技术能够将微效多基因调控的位点应用于育种实践，为作物育种提供了一种高效、精确的方法，推动了作物品种改良。

基于机器学习的表型预测技术利用大量遗传标记数据和表型数据，通过建立预测模型和算法，可以准确地预测作物个体的表型表现。大量研究表明，基于深度学习的模型（CNN和RNN等）预测准确度较高。2022年，中国农业科学院李慧慧研究员团队联合多家单位提出利用植物海量多组学数据进行全基因组预测的深度学习方法（deep neural network for genomic predic⁃tion, 简称DNNGP），可以实现育种大数据的高效整合与利用。

基因知识图谱辅助育种是一种利用知识图谱技术来整合、存储和分析与基因相关的信息，并将其应用于作物育种的方法。上海师范大学黄学辉教授领衔开创的“水稻导航育种系统”（RiceNavi），构建了迄今为止最完善的水稻数量性状基因关键变异（causative variation）图谱。中国农科院深圳农业基因组研究所张兴坦团队主导，联合国内多家单位成功构建茶树首个泛基因组图谱，研究成果发表于Nature Plants。Hassani-PAK 等开发了一个开源基因发现平台KnetMiner，利用基因组规模的知识图谱生成循证生物网络，可用于任何具有测序基因组的物种。

二、设计育种行业相关政策

设计育种可大幅缩短育种周期，提高了育种效率，因此，加快设计育种发展，对实现中国种业科技自立自强、种源自主可控，确保国家粮食和重要农产品有效供给等意义重大。近年来，我国政府出台多项政策，积极推动生物育种和智能设计育种发展，如2026年6月，国务院发布《加快农业农村现代化“十五五”规划》，其中提出积极推动种业振兴与农业科技创新能力条件建设。前瞻布局智能设计与合成育种、生境模拟试验等农业科研基础设施，推进智能农机装备、生物合成等中试验证平台建设。随着“十五五”规划的落地，国内智能设计育种的产业支持政策将逐步细化，上下游技术的持续迭代，也会继续缩短品种研发周期，带动国内种业的竞争力持续提升。

相关报告：智研咨询发布的《中国设计育种行业市场运营态势及投资前景研判报告》

三、设计育种行业现状

近年来，设计育种等重要育种技术快速发展，相关发表论文数量占生物育种领域发表论文总量的比例逐年增加。但我国目前设计育种技术较少，与发达国家相比还有较大差距。数据显示，中国设计育种技术论文量占本国育种技术相关论文总量的5%，远落后于美国的13%。可见，我国设计育种技术布局有待进一步优化。

近年来，我国先后启动了多个与设计育种相关的项目，例如中国科学院启动实施的战略性先导科技专项(A类)“分子模块设计育种创新体系”“种子精准设计与创造”项目，科技部启动实施的“七大农作物育种”项目。通过项目实施，我国在作物基因组、水稻理想株型、水稻杂种优势、养分高效利用、作物-微生物互作、作物基因组编辑和分子改良等方面均取得了一系列突破性成果，总体上在作物科学和技术应用方面处于国际第一方阵，水稻等研究领域已经处于世界引领地位。

分子育种，是指将分子生物学、基因组学、生物信息学等现代生物技术整合于经典遗传育种方法中，在基因或分子水平上对生物性状进行精准鉴定、选择与改良，以设计培育优良新品种的技术体系。其主要技术手段包括分子标记辅助选择（MAS）、转基因育种、基因编辑育种、分子设计育种以及全基因组选择等。

2020年至2025年，中国分子育种行业市场规模由人民币7亿元增长至44亿元，年均复合增长率达到44.4%，展现出强劲的增长动能。这一增长得益于国家政策的大力支持、育种企业对分子技术的日益依赖以及农业现代化的深入推进。随着分子育种行业的持续发展，设计育种作为分子育种的高级形式，其市场规模也呈现上升趋势。

四、设计育种行业发展趋势

1、多学科深度融合夯实育种底层研发体系

设计育种的研发边界将持续拓宽，传统遗传学单独支撑研发的模式彻底转变，生物信息学、计算机科学、多组学、合成生物学等学科深度交叉融合。行业不再单一开展基因功能解析，而是构建基因、蛋白、代谢、田间表型联动的完整调控网络，打通从分子机理到田间性状的完整研究链路。各类生物数据标准体系逐步完善，打破不同作物、科研机构间的数据孤岛，形成统一共享的种质与基因数据库。跨学科协作成为研发常态，理论基础研究、算法开发、生物技术研发同步推进，为定向、精准的品种虚拟设计提供完备理论与技术支撑，持续提升性状改良的精准度。

2、人工智能全面渗透育种全流程环节

人工智能技术将覆盖种质挖掘、基因筛选、性状模拟、田间鉴定全部育种环节，彻底转变以往依靠田间试种筛选品种的经验化模式。各类机器学习模型持续优化基因与表型关联预测能力，依靠数字化模拟预判品种综合表现，大幅压缩田间试验依赖。算力配套、智能感知设备成为产业核心配套，自动采集田间表型数据，形成数据输入、模型运算、品种预判的闭环研发模式。行业研发重心逐步向算法迭代、生物大数据运算倾斜，依靠智能算法同步优化多个优良性状，规避传统育种性状连锁负面效应，推动行业全面转向数据驱动的智能育种模式。

3、多元化复合性状定向改良成为核心赛道

育种改良目标摆脱仅追求高产的单一导向，兼顾品质、抗逆、营养、绿色生产等多元复合性状成为研发核心方向。适配消费升级、生态农业、特色加工产业的差异化需求，定向培育功能性专用品种成为竞争关键。研发逻辑转向多性状协同平衡改良，在提升产量的同时兼顾耐胁迫、低投入、高营养等综合优势，贴合农业绿色可持续发展长期导向。细分品种赛道持续拓宽，依据不同地域、产业、消费需求开展精细化定向设计，差异化品种研发能力成为企业核心竞争力，推动种业产品供给向精细化、多元化转型。

以上数据及信息可参考智研咨询（www.chyxx.com）发布的《中国设计育种行业市场运营态势及投资前景研判报告》。智研咨询是中国领先产业咨询机构，提供深度产业研究报告、商业计划书、可行性研究报告及定制服务等一站式产业咨询服务。您可以关注【智研咨询】公众号，每天及时掌握更多行业动态。

智研咨询依托全链路上下游企业调研体系，整合供应商名录、交易占比、区域分布及客户画像等多维核心数据，通过可视化图谱技术，构建集供应商、客户、行业分布、市场占有率于一体的全景供应链图谱。助力企业快速锚定关键合作方、洞察行业竞争格局，为企业拓展产业版图、布局上下游合作、构建产业生态提供极具参考价值的全景视角与决策依据，实现被动响应到数智预判的供应链管理升级，为战略决策与资源整合提供高价值的数据底座。

企业供应链图谱服务内容：1.上下游企业深度调研：系统梳理供应链上游供应商、下游客户全名单，精准采集企业基本信息、交易金额占比、合作紧密度等核心数据。2.行业与区域分布解析：整合供应商/客户所属行业分类、区域分布特征，清晰呈现产业集聚格局与行业占比结构。3.全景图谱可视化呈现：基于调研数据构建供应链生态图谱，直观展示上下游关联关系、交易链路及市场份额分布。4.核心价值数据萃取：提取企业技术力量、市场占有率、商业模式等关键信息，同步呈现供应链核心竞争力与竞争态势。5.决策支撑服务：依托图谱数据，提供供应链风险节点识别、优质资源筛选、战略布局方向建议，赋能企业决策。