АПК
Ускоренная селекция с применением ИИ: от случайного отбора к инженерии данных
За последние 50 лет средняя температура в России выросла примерно на 2,5 °C, этого оказалось достаточно, чтобы начали смещаться климатические зоны и усилилась нестабильность погодных условий. Для агросектора это означает рост рисков — засухи, возвратные заморозки и перепады температур всё сильнее влияют на урожайность. При этом традиционная селекция, основанная на многолетних полевых испытаниях, не успевает за скоростью климатических изменений. Поэтому агрохолдинги и научные центры всё активнее внедряют ИИ, геномный анализ и предиктивные модели, которые позволяют быстрее создавать сорта, адаптированные к новым условиям.
Содержание:
Климатический сдвиг и экономика урожая
Изменение климата в России происходит в 2,5 раза быстрее, чем в среднем по планете. Для аграриев это означает не только постепенное смещение климатических зон, но и рост частоты экстремальных погодных явлений. Так, в последние 7–8 лет несколько раз повторялись засухи в Поволжье, на Южном Урале, в южной и западной Сибири. На юге страны это сочетается с аномальными ливнями, наводнениями, волнами жары и резкими перепадами температур.
Исторически сеть региональных НИИ в России формировалась под относительно стабильные климатические зоны. Однако рост средних температур постепенно разрушает эту логику, так как засухи, дефицит влаги и погодные аномалии становятся регулярными даже в регионах, где раньше они не считались критическим фактором. В результате селекционерам приходится одновременно повышать устойчивость культур к целому набору климатических стрессов — от жары и засухи до возвратных заморозков и резких перепадов температур. В засушливые годы неадаптированные сорта пшеницы могут терять от 10% до нескольких десятков процентов урожайности.
По словам генерального директора агрохолдинга «Степь» Андрея Недужко, рынок всё активнее требует высокоадаптированных сортов, способных выдерживать климатические стрессы. Однако объединить в одном сорте устойчивость сразу ко всем рискам — засухе, возвратным заморозкам и перепадам температур — крайне сложно, поскольку набор климатических угроз меняется от сезона к сезону.
Андрей Недужко
генеральный директор агрохолдинга «Степь»
Сейчас ведётся работа над новым сортом озимой пшеницы, который отличается высокой адаптивностью к различным климатическим условиям, и в условиях дефицита влаги показывает урожайность на 15% выше аналогов. В структуре агрохолдинга «Степь» есть дивизион, который занимается семеноводством, и мы планируем нарастить его мощность в ближайшие годы с 30 000 до 50 000 тонн посевного материала по зерновым и бобовым культурам.
В этих условиях возрастает роль цифрового моделирования и технологий анализа данных, которые помогают быстрее подбирать комбинации признаков под конкретные климатические сценарии и условия выращивания.
Салис Каракотов
генеральный директор АО «Щёлково Агрохим», академик РАН
Показательный пример — ситуация с яровой пшеницей. Это важнейшая культура для производства высококачественной хлебопекарной муки и экспорта из России. Однако сейчас она теряет конкурентоспособность по сравнению с озимыми сортами: яровая пшеница более уязвима к стрессам, а её урожайность нередко снижается из-за физиологических особенностей, например высыпания зёрен из колоса в предуборочный период. Чтобы преодолеть этот барьер, агробизнесу необходимо собирать данные со всех регионов и моделировать принципиально новые биотипы яровой пшеницы.
Технологии: предиктивная аналитика и «цифровые двойники» семян
Современная селекция — это работа с большими массивами данных: геномикой, фенотипированием, сведениями о климате, почвах и устойчивости растений к стрессам. Количество возможных генетических комбинаций при скрещивании пшеницы, кукурузы или подсолнечника настолько велико, что классический метод «полевых проб и ошибок» требует многих лет испытаний.
По оценкам компании «Яков и Партнёры», внедрение ИИ может приносить российскому агропромышленному комплексу 2–2,9 млрд долларов дополнительного эффекта ежегодно только в сельскохозяйственном производстве за счёт роста урожайности, сокращения затрат и повышения эффективности процессов.
Какие технологии уже применяются в селекции
Алгоритмы машинного обучения прогнозируют характеристики будущего растения на основе ДНК, погодных условий и данных о почвах. ИИ помогает находить скрытые взаимосвязи между генетическими маркерами и хозяйственно важными признаками растений: урожайностью, устойчивостью к болезням и климатическим стрессам. Это позволяет быстрее отбирать перспективные генотипы и сокращать количество неудачных полевых испытаний.
Аграрный университет имени Тимирязева разработал цифровую платформу предиктивной селекции на основе ИИ. Система анализирует геномные и фенотипические данные растений — урожайность, устойчивость к болезням и климатическим стрессам — и позволяет прогнозировать признаки будущих сортов по их ДНК ещё на ранних стадиях развития. Платформа также помогает подбирать оптимальные комбинации для скрещивания и определять наиболее подходящие регионы для выращивания культур.
Результат
По данным академии, применение ИИ позволяет значительно повысить эффективность анализа генетических данных по сравнению с традиционными статистическими методами и сократить объём длительных полевых испытаний. В перспективе технология должна ускорить создание новых сортов и гибридов, повысить прогнозируемость селекции и помочь российским компаниям быстрее адаптировать культуры к изменению климата.
Системы компьютерного зрения позволяют автоматически анализировать состояние растений по изображениям с камер, дронов и сенсоров. Алгоритмы оценивают скорость роста, форму листьев, признаки болезней, реакцию на засуху и другие параметры без необходимости ручного осмотра тысяч растений. Это помогает быстрее выявлять перспективные линии для дальнейшей селекции.
Российские учёные разработали систему мультиспектрального анализа растений с портативными камерами и дронами, которая автоматически фиксирует признаки растений на больших площадях. Система использует ИИ для обработки данных и выявления проблемных участков по изменениям цвета, плотности листвы и других параметров.
Результат
Точность автоматического фенотипирования повышается с 39 до 99%, что позволяет селекционерам быстрее отбирать перспективные образцы и сокращать ручную работу. Система даёт возможность оценивать тысячи растений одновременно вместо ручного отбора десятков образцов.
На основе биоклиматических теплиц с управляемым климатом ИИ-системы помогают ускорять рост, создавая оптимальные условия для развития и давая 3–5 урожаев за год вместо одного в открытом грунте.
Российские учёные разработали установку ускоренного развития растений для АПК с технологией спидбридинга. Оборудование создаёт благоприятный климат в теплицах (усиленное освещение, управляемую температуру, влажность), что позволяет растениям проходить полный цикл развития за несколько недель вместо месяцев.
Результат
Спидбридинг сокращает срок получения новых сортов с 12–15 до 4 лет. Установка позволяет создавать стрессовые условия (засуху, заморозки) для ускоренной проверки устойчивости растений, что даёт возможность быстрее отбирать перспективные генотипы до полевых испытаний.
На основе генетических данных ИИ-системы помогают прогнозировать появление нужных признаков у будущих гибридов и заранее определять наиболее перспективные комбинации для скрещивания.
Аграрный университет имени Тимирязева разрабатывает генетико-селекционную платформу ускоренной селекции F1-гибридов. Система анализирует генетические данные растений и моделирует наиболее перспективные комбинации для скрещивания, позволяя прогнозировать появление нужных признаков ещё до начала длительных полевых испытаний. Платформа уже тестируется в рамках селекционной программы по яровому рапсу.
Результат
По оценке разработчиков, технология позволит сократить цикл селекции как минимум вдвое, примерно с 6 до 2 лет, помогая аграрному сектору быстрее адаптироваться к климатическим изменениям.
Математические модели позволяют оценивать устойчивость культур к засухе, жаре, заморозкам и другим погодным аномалиям под конкретные регионы выращивания.
Учёные из Восточного Казахстана разработали модель для оценки зависимости урожайности зерновых культур от климатических факторов. На основе линейной модели исследовали, как температура, осадки и другие погодные условия влияют на продуктивность зерновых в конкретных условиях Восточного Казахстана.
Результат
Оптимистичный сценарий показал, что использование засухоустойчивых сортов зерновых культур, адаптированных к климату Восточного Казахстана, позволит снизить риски потерь урожая и стабилизировать урожайность на уровне 14–15 ц/га. Регрессионный анализ подтвердил зависимость урожайности от климатических факторов, что позволило разработать рекомендации по адаптации сельского хозяйства к изменению климата в регионе.
Ещё больше кейсов применения ИИ в бизнесе — читайте на СберПро.
Однако для масштабного внедрения таких технологий недостаточно самих алгоритмов и цифровых платформ. Не менее важно подготовить специалистов, которые смогут использовать их в практической селекционной работе.
Татьяна Крейтор
управляющий директор развития корпоративного бизнеса ПАО Сбербанк
В начале 2026 года Сбер совместно со «Школой 21» провели экспертный интенсив по применению искусственного интеллекта в АПК, объединив представителей агробизнеса, научного сообщества и органов власти. По итогам обсуждения стало очевидно, что отрасли необходимы не только новые цифровые инструменты, но и специалисты, способные применять их в практической работе. Именно на основе этих запросов была разработана линейка образовательных программ для агропромышленного комплекса.
Одно из направлений посвящено практическому применению ИИ в ускоренной геномной селекции. Участники учатся искать ДНК-маркеры, моделировать схемы скрещивания и применять алгоритмы для решения реальных селекционных задач своих предприятий.
Такой подход позволяет агрокомпаниям не просто освоить цифровой инструмент, а сформировать собственные команды, способные самостоятельно использовать ИИ в селекции. В результате цифровизация перестаёт зависеть от внешних консультантов, а управление селекционным процессом всё больше строится на данных.
Переход от просто скрещивания к моделированию результата уже доказал свою состоятельность на практике. В России его внедряет семеноводческая компания Ruseed. В агробиотехнопарке компании в Адыгее используются алгоритмы предиктивной селекции для создания семян, адаптированных под конкретные климатические условия и запросы заказчиков. Такой подход позволяет быстрее подбирать перспективные комбинации признаков и сокращать сроки создания новых гибридов.
Экономический эффект ИИ в агросекторе также становится измеримым. Как показал масштабный эксперимент в Индии, каждый доллар государственных инвестиций в алгоритмические погодные прогнозы для фермеров принёс более 100 долларов прямой выгоды за счёт сохранения урожайности.
Салис Каракотов
генеральный директор АО «Щёлково Агрохим», академик РАН
Чтобы система работала, нужны созданные нейросети, глубоко погружённые в агрономический процесс, и колоссальный массив цифрового материала. В таких условиях ИИ превосходно возьмёт на себя искусственный отбор в лабораторных условиях. Мы рассчитываем увидеть подобные кейсы на горизонте 5–7 лет, когда рынок подготовит соответствующую инфраструктуру и модели, способные справиться с поставленными задачами. На этом роль ИИ в селекции закончится. Когда мы выйдем в поле с разработками, нам понадобятся люди. На завершающем этапе испытаний в 12 разных климатических зонах России оценить результат без опытного селекционера как минимум в ближайшие годы будет невозможно.
2–2,9 млрд $ ежегодно —
эффект внедрения ИИ в сельском хозяйстве
Практика бизнеса: сколько стоит цифровая селекция
Как отмечает генеральный директор Агрохолдинга «Степь» Андрей Недужко, применение цифровых предиктивных моделей в селекции пока находится на начальном этапе и говорить о долгосрочных результатах использования выведенных таким образом сортов ещё рано. Российский АПК сейчас догоняет мировых лидеров, последовательно внедряя инструменты маркерной и прогнозной селекции.
ИИ — это надстройка, требующая фундаментальной базы. По словам Салиса Каракотова, для эффективной работы алгоритмов в селекции необходима детальная расшифровка генома конкретных растений, что требует значительных инвестиций и времени. Так, только на расшифровку ДНК сахарной свёклы у компании ушло около 5 лет и около 300 млн рублей.
При этом сформированная генетическая база уже позволяет с помощью маркерной селекции быстро выявлять и отбраковывать растения с нежелательными мутациями. Например, «цветушность» сахарной свёклы — ситуацию, когда растение вместо формирования корнеплода переходит к цветению. По словам эксперта, такие инструменты существенно ускоряют накопление качественного селекционного материала.
Для создания по-настоящему обучаемой модели необходим анализ десятков тысяч растений одной культуры, что невозможно без серьёзных капиталовложений.
По оценке агрохимической компании «Щёлково Агрохим», на выстраивание современной селекционно-генетической инфраструктуры и выведение портфеля конкурентных гибридов (более 40 гибридов сахарной свёклы, 15 гибридов подсолнечника, десятка сортов озимой пшеницы и сои) у компании ушло около 15 лет и не менее 10 млрд рублей. Это доказывает, что за ИИ-прогнозами стоят годы полевых испытаний и огромные центры обработки данных (ЦОД).
У России сохраняются сильные позиции в области ИТ и селекционной науки. Компании уже строят инфраструктуру, а наши ИТ-специалисты находятся на мировом уровне. Также бизнес уже освоил предселекционную работу за счёт «спидбридинга» — ускоренного выращивания растений в биоклиматических теплицах, дающего 3–5 урожаев за год.
Инвестиции в селекцию не отбиваются за год-два. Однако, как отмечает Каракотов, затраты, понесённые за 10 лет, могут полностью окупиться всего за 5 лет коммерческой реализации — при условии, что компания выведет по-настоящему востребованный гибрид. Построенная селекционная и цифровая инфраструктура, генетические базы данных и вычислительные мощности становятся фундаментом для создания следующих сортов, снижая стоимость и сроки последующих разработок.
Но одних инвестиций в технологии уже недостаточно.
По мнению Татьяны Крейтор, сегодня меняются требования не только к технологиям, но и к самим специалистам. Современный селекционер всё чаще работает с цифровыми платформами, генетическими моделями и алгоритмами прогнозирования. Поэтому одной из ключевых задач становится развитие новых компетенций агрономов и селекционеров, которые позволяют использовать ИИ как рабочий инструмент, а не как внешнюю технологию.
Конкуренция в селекции всё больше смещается из плоскости отдельных технологий в способность компаний одновременно инвестировать в данные, вычислительную инфраструктуру и подготовку специалистов. Только сочетание этих факторов позволяет сократить цикл создания новых сортов и быстрее адаптировать сельское хозяйство к меняющимся климатическим условиям.
Рынок семеноводства стремительно трансформируется: агробизнес объединяет классическую работу в полях с большими данными, предиктивной аналитикой и нейросетями. Машинное обучение позволяет находить оптимальные генетические комбинации среди миллионов вариантов, экономя десятилетия, которые раньше уходили на скрещивание вслепую. Однако внедрение ИИ требует фундаментальной подготовки: полной расшифровки геномов культур, сбора массивов фенотипических данных со всех регионов и создания дорогостоящей ИТ- и тепличной инфраструктуры.
Что это значит для бизнеса
Александр Ларионов
Автор