跨越萬年的研究
育種是一門古老的應用科學。從一萬多年前的穀物馴化開始，人類便有意識地留下較易結果或種子飽滿的植株，進行下一輪種植。
這種直觀的表型選拔，至今仍是花卉產業育種的主要骨架。中間縱然導入了現代遺傳學、雜交設計與統計試驗，核心邏輯依然沒變——想培育花開得大的玫瑰，就把雜交種子撒在田裡，等開花後看誰的花最大，留下來繼續下一輪。
這個流程的鐵律是: 你必須等它長大開花、親眼看到，才能進行淘汰與選拔。
而當代花卉育種遇到的兩大經營痛點，正在鬆動這個鐵律，而且都跟錢錢有關。
驅動轉型的兩大營運痛點
壓力一: 單位面積成本
育種是一場極端的淘汰賽。雜交種子撒下去，最後真正能上市的商業品種，比例往往是數千分之一到數萬分之一。換句話說，絕大多數的溫室面積、加溫費與人工，最後都等於往水裡丟。運氣不好整批通通作廢也不是新鮮事。
於是問題就變成: 有沒有辦法，在植物還是小苗的時候就先檢測它有沒有潛力？
這件事的槓桿很明確。只要能在苗期就淘汰掉明顯沒有希望的個體，真正走完整個生長週期的族群就會變小，直接騰出寶貴的溫室面積做更多實驗，砍掉大筆無效的加溫與空間維護成本。對於溫室能源成本沖破天際的荷蘭，這個誘因非常巨大——想想飛天的天然氣價格以及年年上漲能源稅。
回到商業利益上的抉擇，每株的檢測成本，必須明顯低於把它養到看得出好壞的成本。 這條不等式，才是所有分子育種工具能不能落地的真正門檻。後面所有的技術路線，本質上都是在跟這條不等式搏鬥。
壓力二: 人工篩選成本，以及背後的法規
現在的花卉選品已經不單單專注在外觀上面，對抗病、抗蟲與抗逆境的重視程度日漸提升。新菸鹼類就是典型案例。這類藥劑對粉蝨、蚜蟲等刺吸式害蟲確實非常有效，但同時對蜜蜂等授粉昆蟲具有毒性風險，所以相關的農藥逐步從市場退場。
化學防治的工具在縮小，就必須從別的地方補回來。補的方式有兩條: 一是生物防治(釋放天敵、寄生蜂、微生物製劑)，二是宿主抗性(直接培養有抗性的品種)。
問題是，篩選抗病品種比篩選花形、花色貴得多。你得另外培養病原體、確認接種均勻、控制環境條件，最後還要靠人力逐株評分。花色可以用眼睛掃過去，抗病性不行。
分子標記輔助選拔(MAS, Marker-Assisted Selection)與其天花板
歸功於植物分子遺傳學的累積，我們發現了許多與抗病性、特定花色緊密連鎖的DNA標記。既然有了指標，育種家就不用等到植株開花或發病，在小苗階段抽一片葉子檢測分子標記，就能快速篩選出帶有目標優良性狀的個體，大幅降低時間與試驗成本。
MAS至今仍是商業花卉育種中落地最深、效益最明確的工具，但它有著難以突破的天花板: 它只擅長處理由少數主效基因控制的簡單性狀。
然而現代花卉最具商業價值的核心性狀——瓶插壽命、分枝性、花產量、複合抗病力、非生物逆境耐受性——全都是典型的多基因微效性狀，由遍布全基因組的數百甚至數千個位點共同調控，每個位點的影響力微乎其微。要為這些微效位點一個個找標記、驗效應，在講求快速推陳出新的商業市場中，根本遠水救不了近火。
這就逼出了另一種思維: 既然個別微效基因抓不勝抓，能不能乾脆放棄尋找單一基因標記，直接用整個基因組的資訊去預測植株的表現？
全基因組選拔 (Genomic Selection, GS)
偉大的統計學上線啦！面對成千上百個微效基因控制的複雜性狀，就算完全不清楚背後的分子機轉，只要資料量夠大，統計模型就能把全基因組的微小效應一起吃下來。
這個在2001年提出的方法，流程主要分為三步:
建立參考群體: 收集具代表性的育種材料，同時完成全基因組高密度基因型分型，以及高品質的表型量測。
統計建模: 利用統計模型同步估算全基因組各標記對性狀的微小效應量。
預測: 面對新雜交的幼苗，不再需要等它染病或開花，只要定序其基因型並帶入模型，系統便能計算出一個綜合分數。分數高的留下，分數低的直接淘汰。
統計學的好，工作沒煩惱！？
未來展望: 算力數據驅動的花卉育種要來了嗎？
我個人認為還有一段路要走，比起糧食作物，花有千千百百種，而GS的模型不能跨物種共用，每個作物都要自己的參考群體、自己的分型平台、自己的表型累積。單價再便宜，乘上物種數與品項數，總體仍是相當可觀的前期投資。
雖然在過去二十年，分型成本斷崖式下降，加上高效能運算普及，如今單株基因型分型的成本已落在數美元到數十美元之間，資料判讀幾小時內就能跑完。但真正決定誰能導入的分水嶺是依舊是商業規模，不是科學難度。無性繁殖體系裡的少數大宗品項——菊花、非洲菊、秋海棠等——育種族群集中，資料也能持續累積，投報率算得出來；而小眾品項無論科學上多可行，都湊不出那個門檻。再次回到前面那條不等式，當單株分型成本掉到低於單株溫室培養成本，才會迫使大家朝這方向前進，而現在尚未進入到甜蜜點，不過也不是完全無法承受的重。