Pflanzenzüchtung 4.0: Schneller, smarter, nachhaltiger

Der Begriff Pflanzenzüchtung 4.0 beschreibt den Übergang von einer überwiegend erfahrungsbasierten Züchtung hin zu einem digital vernetzten, datenbasierten Ansatz. Automatisierte Verfahren, Hochdurchsatzanalysen und umfangreiche Datensätze ermöglichen es heute, Pflanzeneigenschaften gezielter vorherzusagen und Sorten effizienter zu entwickeln.

Die Bezeichnung lehnt sich an das Konzept der Industrie 4.0 an. Vernetzung, Digitalisierung und integrierte Datennutzung spielen auch in der Pflanzenzüchtung eine zentrale Rolle. Pflanzenzüchtung 4.0 ist dabei kein einzelnes Verfahren, sondern ein Zusammenspiel verschiedener Technologien entlang der gesamten Züchtungspipeline.

Abgrenzung zu klassischer Züchtung

Der zentrale Unterschied zwischen Pflanzenzüchtung 4.0 und etablierten Ansätzen liegt weniger in einzelnen Techniken als in der engen Vernetzung von Daten und Verfahren sowie im systematischen Einsatz von Vorhersagemodellen. Auch klassische Züchtung nutzt genetische Informationen, um zu entscheiden, welche Pflanzenlinien gekreuzt und weiterentwickelt werden. Die Auswahl basiert jedoch überwiegend auf beobachtbaren Merkmalen wie Widerstandsfähigkeit gegen Krankheiten oder Ertrag. Neue Pflanzensorten entstehen dabei über mehrere Generationen hinweg, indem Pflanzen immer wieder im Feld getestet und die besten ausgewählt werden.

Ein wichtiger Entwicklungsschritt war die sogenannte markergestützte Selektion. Dabei nutzen Forschende bestimmte Stellen im Erbgut, sogenannte genetische Marker, die mit bestimmten Eigenschaften der Pflanze zusammenhängen. So können vielversprechende Pflanzen bereits früh erkannt und gezielt weitergezüchtet werden. In ihrer klassischen Form bleibt diese Methode jedoch auf einzelne Eigenschaften und wenige bekannte Marker beschränkt.

Pflanzenzüchtung 4.0 geht darüber hinaus. Der Schwerpunkt verschiebt sich von der reinen Beobachtung und Markeranalyse hin zu einer modellbasierten, vorhersagegestützten Arbeitsweise. Große Mengen genetischer Daten werden mit Informationen über sichtbare Pflanzenmerkmale und Umweltbedingungen kombiniert. Mithilfe von statistischen Methoden und künstlicher Intelligenz entstehen Modelle, die vorhersagen können, wie leistungsfähig eine Pflanze später sein wird. Dadurch lässt sich schon in sehr frühen Entwicklungsstadien abschätzen, welche Pflanzen besonders vielversprechend sind, häufig noch bevor umfangreiche Feldversuche stattfinden. 

Forschung und Innovationsförderung in Deutschland

Die Entwicklung datenbasierter Züchtungsansätze zählt zu den wichtigsten Innovationsfeldern der modernen Pflanzenforschung und gewinnt zunehmend auch wirtschaftliche Bedeutung. Für Deutschland ist es strategisch entscheidend, bei der Entwicklung und Anwendung digital gestützter Züchtungsverfahren eine führende Rolle einzunehmen. Eine leistungsfähige Forschungslandschaft in den Pflanzenwissenschaften sowie eine international wettbewerbsfähige Saatgutbranche bilden hierfür eine solide Ausgangsbasis.

In den vergangenen Jahren haben Bund und Länder diese Position durch gezielte Förderprogramme gestärkt. Im Rahmen der Nationalen Bioökonomiestrategie und großangelegter Forschungsinitiativen wurden moderne Forschungsinfrastrukturen aufgebaut, digitale Plattformen entwickelt und interdisziplinäre Verbundprojekte an der Schnittstelle von Pflanzenforschung, Biotechnologie und Datenwissenschaft konsequent vorangetrieben (mehr dazu auf Seite 5 in diesem Dossier).

Pflanzenzüchtung 4.0 beruht weniger auf einer einzelnen Schlüsseltechnologie als auf dem Zusammenspiel verschiedener komplementärer Werkzeuge. Erst ihre Kombination ermöglicht eine datengetriebene und vorhersagebasierte Züchtung: Genomische Daten liefern Informationen über die genetische Ausstattung von Pflanzen, während phänotypische Daten zeigen, wie sich diese Gene unter bestimmten Umweltbedingungen tatsächlich ausprägen. Ergänzt durch Umwelt- und Standortdaten lassen sich zudem Wechselwirkungen zwischen Genotyp und Umwelt erfassen, die maßgeblich für die Leistungsfähigkeit neuer Pflanzensorten sind.

Daten über das Erbgut ermöglichen genomische Selektion

Leistungsfähige Sequenzierungstechnologien ermöglichen es heute, das Erbgut von Pflanzen schnell und vergleichsweise kostengünstig zu analysieren. So erhalten Forschende umfassende Informationen über die genetische Ausstattung von Kulturpflanzen. Fortschritte bei Methoden wie der Long-Read-Sequenzierung erlauben dabei zunehmend detailliertere Einblicke in komplex aufgebaute Pflanzengenome.

Die Abbildung zeigt die Entwicklung der Qualität und Anzahl veröffentlichter Pflanzengenome von Landpflanzenarten. Jeder Punkt steht für eine Pflanzenart. Die Farben kennzeichnen die jeweils verwendete Sequenzierungsmethode (Blau: Long-Read-Sequenzierung; Grün: Short-Read-Sequenzierung; Grau: keine Angaben). Die Größe der Punkte gibt an, wie viele Genomrekonstruktionen (Assemblierungen) für diese Art verfügbar sind. Mit dem Aufkommen der Long-Read-Sequenzierung hat sich die Vollständigkeit der rekonstruierten Genome deutlich verbessert. Gleichzeitig ist die Zahl der jährlich veröffentlichten Genome stark gestiegen. 

Referenzgenome dienen als genetische Orientierung: Sie helfen, Gene zu identifizieren und genetische Regionen mit wichtigen agronomischen Eigenschaften zu verknüpfen. Ergänzend erschließt die Populationsgenomik genetische Vielfalt innerhalb ganzer Pflanzenpopulationen und ermöglicht den gezielten Einbezug bislang wenig genutzter genetischer Ressourcen. Konzepte wie Pan-Genome erweitern diesen Ansatz, indem sie die Gesamtheit genetischer Varianten einer Art berücksichtigen.

Auf dieser Datengrundlage setzt die genomische Selektion an. Statt einzelne Marker zu betrachten, werden vollständige genomische Profile genutzt, um Zuchtwerte rechnerisch vorherzusagen. Dadurch lassen sich komplex vererbte Eigenschaften wie Ertrag oder Stresstoleranz zuverlässiger bewerten.

Ein entscheidender Vorteil ist die Frühselektion: Vielversprechende Pflanzenlinien können bereits in frühen Entwicklungsstadien identifiziert werden. Fortschritte in der Bioinformatik ermöglichen es, große und heterogene genomische Datensätze auszuwerten und genetische Informationen systematisch in modellgestützte Züchtungsentscheidungen zu überführen.

Hochdurchsatz-Phänotypisierung liefert umfassende Daten zu Pflanzenmerkmalen 

Phänotypische Daten bilden die Verbindung zwischen genetischer Ausstattung und tatsächlicher Leistungsfähigkeit von Pflanzen. Sie zeigen, wie sich genetisches Potenzial unter realen Umwelt- und Anbaubedingungen in messbaren Merkmalen wie Wachstum, Ertrag oder Stressreaktionen ausdrückt.

Automatisierte Verfahren der Hochdurchsatz-Phänotypisierung (HTP) gewinnen deshalb zunehmend an Bedeutung. Kamerasysteme, multispektrale Sensoren, Drohnen und mobile Messplattformen erlauben es, große Pflanzenbestände objektiv und mit hoher zeitlicher Auflösung zu erfassen. Neben klassischen Messgrößen lassen sich so auch dynamische Prozesse wie Wachstum oder Stressreaktionen kontinuierlich beobachten.

Moderne bildgebende Verfahren erweitern diese Analysen zunehmend in den dreidimensionalen Raum und erlauben eine zerstörungsfreie Untersuchung innerer Pflanzenstrukturen. Der besondere Mehrwert entsteht jedoch erst durch die Verknüpfung phänotypischer Messungen mit genomischen und Umweltinformationen. Dadurch können Wechselwirkungen zwischen Genotyp und Umwelt systematisch analysiert und in datenbasierte Züchtungsmodelle integriert werden.

Deutschland hat in den vergangenen Jahren gezielt in entsprechende Forschungsinfrastrukturen investiert. Hochmoderne Phänotypisierungsplattformen in Forschungseinrichtungen und Versuchsstationen ermöglichen standardisierte Datenerhebungen und stärken die internationale Wettbewerbsfähigkeit der deutschen Pflanzenforschung im Bereich datengetriebener Züchtung.

Referenz: Marks, R.A., Hotaling, S., Frandsen, P.B. et al. (2021) Representation and participation across 20 years of plant genome sequencing. Nat. Plants 7, 1571–1578, https://doi.org/10.1038/s41477-021-01031-8, CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/)

Zwischen der Erhebung großer genomischer, phänotypischer und umweltbezogener Datensätze und ihrer praktischen Nutzung in der Pflanzenzüchtung liegen zahlreiche Verarbeitungsschritte. Erst wenn diese Daten systematisch zusammengeführt, vereinheitlicht und ausgewertet werden, entstehen belastbare Grundlagen für moderne Züchtungsprogramme.

Eine zentrale Herausforderung dabei ist, dass die Daten aus sehr unterschiedlichen Quellen stammen. Verschiedene Messmethoden, fehlende Metadaten oder variierende Umweltbedingungen erschweren häufig den Vergleich von Versuchsergebnissen. Gemeinsame Datenstandards und strukturierte Erfassungsstrategien gewinnen daher zunehmend an Bedeutung. Nationale Initiativen wie das NFDI-Konsortium DataPLANT entwickeln hierfür gemeinsame Standards und Dienste, um pflanzenwissenschaftliche Forschungsdaten besser zu verwalten.

Digitale Plattformen als Grundlage integrierter Züchtung

Heute werden genomische, phänotypische und umweltbezogene Daten über spezialisierte digitale Plattformen zusammengeführt. Sie verbinden Datenspeicherung, Analysewerkzeuge und Modellierungsumgebungen in einer einzigen Arbeitsumgebung. 

Mithilfe dieser Plattformen lassen sich große Züchtungspopulationen standortübergreifend verwalten, Versuchsdaten zusammenführen und genetische Informationen mit Umweltparametern verknüpfen. Damit bilden die Plattformen die technische Grundlage einer integrierten und datengetriebenen Pflanzenzüchtung.

Pilotprojekt BreedFides: Zusammenarbeit im digitalen Züchtungsökosystem

Digitale Pflanzenzüchtung erfordert neben leistungsfähiger IT-Infrastruktur auch neue Formen der Zusammenarbeit zwischen Forschungseinrichtungen und Züchtungsunternehmen. Wie ein gemeinsames Datenökosystem praktisch aussehen kann, zeigte das Pilotprojekt BreedFides (Förderzeitraum: 2022–2024) am Beispiel der Weizenzüchtung.

Ziel des Projekts war es, dass unterschiedliche Beteiligte ihre Daten gemeinsam nutzen können, ohne die Kontrolle über die eigenen Informationen zu verlieren. Hierfür wurden Metadatenstandards, Qualitätskriterien sowie sichere Zugriffsmodelle für geschützte Datenräume entwickelt. Das Projekt verdeutlicht, dass Vertrauen, transparente Nutzungsregeln und interoperable Standards entscheidend sind, um datengetriebene Züchtungsprozesse erfolgreich umzusetzen.

Die entwickelten Konzepte werden derzeit im vom Bundesministerium für Forschung, Technologie und Raumfahrt (BMFTR) geförderten Projekt DRIVE weitergeführt und schrittweise in praktische Züchtungsanwendungen überführt (siehe Seite 5).

Vorhersagemodelle bilden das zentrale Bindeglied zwischen der wachsenden Datenbasis der modernen Pflanzenzüchtung und den konkreten züchterischen Entscheidungen. Sie nutzen integrierte Datensätze aus Genomik, Hochdurchsatz-Phänotypisierung und Umweltmonitoring, um relevante Eigenschaften neuer Pflanzenlinien frühzeitig einzuschätzen.

Im Mittelpunkt steht die rechnerische Schätzung des erwarteten Zuchtwerts unter definierten Umweltbedingungen. So lassen sich Pflanzenlinien bereits früh im Züchtungsprozess selektieren, gezielter weiterentwickeln oder standortspezifisch empfehlen. Der größte Mehrwert liegt in kürzeren Züchtungszyklen, höherer Kosteneffizienz und größerer Flexibilität im Umgang mit variierenden Umweltbedingungen.

Von der Datensammlung zur belastbaren Selektionsentscheidung

Es gibt verschiedene Ansätze, um den Zuchtwert einer Pflanzenlinie abzuschätzen. Viele von ihnen nutzen genomische Selektion, um genetische Effekte statistisch zu erfassen. In der Praxis zeigt sich jedoch, dass genetische Information allein nicht ausreicht, um verlässliche Vorhersagen zu ermöglichen. Ein wesentlicher Grund dafür ist, dass die Leistung von Pflanzen stark von Umwelt- und Anbaubedingungen abhängt.

Heutige Vorhersagemodelle erweitern daher den Blick von der reinen Bewertung des Genotyps und berücksichtigen systematisch die Wechselwirkungen zwischen Genotyp und Umwelt. Solche „G×E-Modelle“ liefern nicht nur Hinweise, warum Pflanzen mit bestimmter genetischer Ausstattung in einer Umgebung gut und in einer anderen schlecht abschneiden, sondern ermöglichen auch, gezielte Vorhersagen. Damit entwickelt sich die Pflanzenzüchtung schrittweise von einer überwiegend beobachtungsbasierten hin zu einer modellgestützten Entscheidungsdisziplin.

Fallstudie: Integrierte Züchtungspipeline für klimaresilienten Brotweizen

Eine groß angelegte Studie des International Maize and Wheat Improvement Center (CIMMYT) untersuchte, wie sich genomische Selektion, Hochdurchsatz-Phänotypisierung und Vorhersagemodelle kombinieren lassen, um den Kornertrag von Brotweizen unter Trocken- und Hitzestress vorherzusagen. Dafür analysierten die Forschenden Elitepopulationen, also besonders leistungsfähige Pflanzenlinien, aus laufenden Züchtungsprogrammen unter realistischen Feldbedingungen.

Sensor- und bildbasierte Hochdurchsatzverfahren, darunter drohnengestützte Fernerkundung, lieferten zeitlich aufgelöste Daten zur Pflanzenentwicklung und Stressreaktion. Diese phänotypischen Informationen kombinierten die Forschenden mit umfangreichen genomischen Markerinformationen und testeten sie in unterschiedlichen Vorhersagemodellen.

Die Abbildung zeigt die farbcodierte Darstellung einer Größe (Vegetationsindex, NDVI) als Maß für die Pflanzengesundheit während der Kornfüllung für ausgewählte Weizenlinien unter spät ausgesäten, hitzestressigen Bedingungen. (Rot: hoher NDVI-Wert → Pflanzen gesund, vital und mit hoher Blattmasse; Grün: niedriger NDVI-Wert → geringere Vitalität bzw. weniger grüne Biomasse; Blau: Boden bzw. kaum Vegetation.)

Zusammengefasst zeigen die Ergebnisse der Studie, dass die Genauigkeit der Prognosen stark vom Umweltkontext abhängt: Während innerhalb vergleichbarer Standorte zuverlässige Ertragsabschätzungen möglich waren, nahm die Genauigkeit über unterschiedliche Umweltbedingungen hinweg ab. Der größte Mehrwert entstand durch integrierte Modelle, die genomische Daten mit hochauflösender Phänotypisierung verbinden und Umweltunterschiede besser abbilden konnten.

Referenz: Juliana, P., Montesinos-López, O. A., Crossa, J., et al. (2019) Integrating genomic-enabled prediction and high-throughput phenotyping in breeding for climate-resilient bread wheat. Theor. Appl. Genet. 132, 177–194, https://doi.org/10.1007/s00122-018-3206-3, CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/)

KI, Machine Learning & Deep Learning

Methoden der Künstlichen Intelligenz (KI) gewinnen in der Pflanzenzüchtung zunehmend an Bedeutung. Sie erweitern klassische statistische Verfahren um die Fähigkeit, komplexe und nichtlineare Zusammenhänge in großen und heterogenen Datensätzen zu erkennen.

Beim Machine Learning lernen Modelle aus Trainingsdaten, wie Genotyp-, Phänotyp- und Umweltdaten funktionell zusammenhängen. Auf dieser Grundlage lassen sich komplexe Merkmale wie Ertrag oder Stresstoleranz besser vorhersagen. Deep-Learning-Verfahren ermöglichen darüber hinaus die automatisierte Auswertung hochdimensionaler Rohdaten, etwa aus Bild- oder Zeitreihenanalysen der Hochdurchsatz-Phänotypisierung.

Das besondere Potenzial liegt darin, dass sie unterschiedliche Datentypen miteinander verknüpfen und genauere Prognosen liefern. Gleichzeitig bleiben hohe Datenanforderungen, Rechenaufwand und eingeschränkte Interpretierbarkeit zentrale Herausforderungen.

Übersichtsartikel: KI als Treiber präziser Selektionsentscheidungen

Eine aktuelle Übersichtsarbeit unter deutscher Federführung hat die Rolle künstlicher Intelligenz in der Pflanzenzüchtung unter die Lupe genommen. Sie zeigt, dass KI-basierte Modelle entscheidend zur Verbesserung von Vorhersage und Selektion beitragen. Durch die gemeinsame Auswertung von Genom-, Phänotyp- und Umweltdaten können komplexe Merkmale wie Ertrag oder Stresstoleranz deutlich zuverlässiger prognostiziert werden als mit klassischen Verfahren. Besonders relevant ist die Fähigkeit von Machine- und Deep-Learning-Ansätzen, Genotyp-Umwelt-Interaktionen abzubilden und Pflanzenleistungen unter zukünftigen Umweltbedingungen vorherzusagen.

Referenz: Gogna, A., Kamali, B., Wimmer, V. et al. (2026) Predicting enviromically adapted varieties with big data. Genome Biol. 27, 3, https://doi.org/10.1186/s13059-025-03914-x

Die Bundesregierung hat frühzeitig die strategischen Weichen für eine leistungsfähige und innovationsgetriebene Pflanzenzüchtungsforschung gestellt und hierfür umfangreiche Förderinitiativen etabliert. 

Einen wichtigen Ausgangspunkt bildete das Programm Genomanalyse im biologischen System Pflanze (GABI), das 1998 vom damaligen Bundesministerium für Bildung und Forschung (BMBF) gestartet wurde. Die Initiative legte den Grundstein für eine koordinierte nationale Förderung der Pflanzengenomforschung und den Aufbau leistungsfähiger Forschungsnetzwerke.

In den folgenden Jahren wurden weitere Förderprogramme aufgebaut, die die molekulare Pflanzenforschung und moderne Züchtungsmethoden systematisch weiterentwickelten. Dazu zählen insbesondere die Programme PLANT-KBBE (I-IV, 2009–2018) sowie Pflanzenbiotechnologie der Zukunft (2011–2017), die neue biotechnologische Ansätze für die Pflanzenzüchtung erschlossen. Ergänzend wurde mit der Initiative Nutzpflanzen der Zukunft (2018–2020) die Entwicklung innovativer Züchtungsstrategien für wichtige Kulturpflanzen vorangetrieben.

Parallel wurde die Pflanzenforschung zunehmend in übergeordnete Strategien der Forschungs- und Innovationspolitik eingebettet. Dazu zählen insbesondere die Nationale Bioökonomiestrategie sowie die Hightech-Strategie der Bundesregierung, die wichtige Impulse für Forschung und technologische Entwicklung im Bereich nachhaltiger biologischer Ressourcen setzen. Auch internationale Kooperationen wurden gezielt ausgebaut, etwa über das Förderprogramm Bioökonomie International, das gemeinsame Forschungsprojekte mit internationalen Partnern unterstützt und derzeit in die nächste Runde geht.

Mit der Koordinationsplattform PLANT 2030 wurde diese Entwicklung weitergeführt und die nationale Pflanzenforschung stärker gebündelt. Ziel war es, Kompetenzen zu vernetzen, Synergien zwischen Forschungseinrichtungen und Unternehmen zu schaffen und Forschungsergebnisse schneller in innovative Züchtungsstrategien zu überführen.

Eine zentrale Rolle spielte dabei die Förderlinie Pflanzenzüchtungsforschung für die Bioökonomie (Phase I–III, 2016–2026), mit der die genom- und wissensbasierte Pflanzenzüchtung in Deutschland systematisch ausgebaut und strukturell gestärkt wurde. Ergänzend erschließt die Initiative Epigenetik – Chancen für die Pflanzenforschung (2022–2025) neue regulatorische Mechanismen jenseits der DNA-Sequenz und eröffnet zusätzliche Ansätze für Anpassungsfähigkeit, Resilienz und nachhaltige Ertragsstabilität von Kulturpflanzen.

Bereits zuvor zielte die Fördermaßnahme Innovative Pflanzenzüchtung zur Anpassung von Agrarsystemen (IPAS, 2014–2021) darauf ab, innovative Züchtungsansätze für klima- und standortangepasste Nutzpflanzen zu entwickeln und damit die Anpassungsfähigkeit landwirtschaftlicher Produktionssysteme zu stärken.

Mit dem derzeit laufenden Programm Moderne Züchtungsforschung für klima- und standortangepasste Nutzpflanzen von morgen (2024–2029) setzt das Bundesministerium für Forschung, Technologie und Raumfahrt (BMFTR) diese Entwicklung fort. In zahlreichen Verbundprojekten werden datengetriebene, modell- und KI-gestützte Züchtungsstrategien entwickelt.

Einen umfassenden Überblick über die in den vergangenen Jahren vom BMFTR geförderten Projekte bietet die öffentlich zugängliche Projektdatenbank auf Pflanzenforschung.de.

Mit der 2025 ausgeschriebenen Fördermaßnahme PhytoProtect – Neue Methoden zum nachhaltigen Schutz von Kulturpflanzen vor Schadinsekten setzt das BMFTR seine strategische Linie konsequent fort. Die Initiative adressiert den steigenden Schädlingsdruck unter veränderten Klima- und Anbaubedingungen und fördert innovative wissenschaftliche Ansätze für einen nachhaltigen, zukunftsfähigen Pflanzenschutz.

Parallel fördert das Bundesministerium für Landwirtschaft, Ernährung und Heimat (BMLEH) anwendungsnahe Forschung und Innovationen in späteren Entwicklungsphasen der Pflanzenzüchtung. Programme wie die Innovationsförderung des BMLEH, die Eiweißpflanzenstrategie, die Ackerbaustrategie 2035 sowie Fördermaßnahmen zu klimaangepassten Sorten und nachhaltigen Produktionssystemen unterstützen insbesondere die Umsetzung von Forschungsergebnissen in die Praxis. Die Projektförderung erfolgt häufig über die Fachagentur Nachwachsende Rohstoffe (FNR) oder die Bundesanstalt für Landwirtschaft und Ernährung (BLE).

Ergänzend schaffen die Digitalen Experimentierfelder Landwirtschaft bundesweite Reallabore für Digitalisierung und KI-gestützte Anwendungen im Pflanzenbau und leisten damit wichtige Beiträge zur Datenerhebung, Phänotypisierung und Skalierung digitaler Verfahren.

Auch das Bundesministerium für Wirtschaft und Energie (BMWE) unterstützt über technologieoffene Innovationsprogramme zur Digitalisierung, KI-Anwendung und Bioökonomie Vorhaben mit unmittelbarer Relevanz für datengetriebene Züchtung, digitale Plattformen und Sensortechnologien.

Neben diesen großen Programmen engagieren sich auch weitere Bundes- und Landesministerien mit eigenen Förderprogrammen und Leuchtturmprojekten, die zentrale Bausteine der Pflanzenzüchtung 4.0 adressieren.

Damit schafft die Bundesregierung ein starkes Innovationsökosystem für Pflanzenzüchtung 4.0. Die Kombination aus exzellenter Forschung, modernen Züchtungstechnologien und datengetriebenen Methoden positioniert Deutschland als führenden Standort für innovative Pflanzenforschung und nachhaltige landwirtschaftliche Produktionssysteme.

Die digitale Transformation der Weizenzüchtung

Der Beitrag „Die digitale Transformation der Weizenzüchtung“ stellt das Verbundprojekt DRIVE vor, in dem Forschung, Pflanzenzüchtung und IT große Datenbestände mit Methoden der Künstlichen Intelligenz, Klimamodellen und Genom-Editierung verknüpfen. Ziel ist die Entwicklung von Weizensorten, die Hitze, Dürre und Krankheiten besser standhalten.

Die digitale Transformation der Weizenzüchtung