مروری سیستماتیک بر کاربرد شبکه های عصبی و یادگیری عمیق بر پژوهش های به نژادی گیاهی

روش های سنتی به نژادی به دلیل زمان بر بودن، هزینه بالا و تاثیرپذیری شدید از محیط، قادر به بهره گیری کامل از داده های عظیم ژنومی و ترانسکریپتومی نیستند. در سال های اخیر، محاسبات نرم و به ویژه یادگیری عمیق به عنوان نسل جدید ابزارهای تحلیلی، ظرفیت بی سابقه ای برای مدل سازی روابط غیرخطی بین توالی DNA، شرایط محیطی و خروجی های زیستی مانند بیان ژن و عملکرد پروتئین فراهم کرده اند. این مقاله یک مرور سیستماتیک بر استفاده از شبکه های عصبی و معماری های یادگیری عمیق در پیش بینی بیان ژن، ویژگی های تنظیمی، ساختار و برهم کنش پروتئین ها و نیز صفات پیچیده فنوتیپی در گیاهان ارائه می کند. این مطالعات نشان می دهند که مدل های CNN، RNN/LSTM و ترنسفورمر می توانند به عنوان «شبیه سازهای بیان ژن» و «پیش بین های فنوتیپ» عمل کرده و طراحی هدفمند سازه های ژنی، انتخاب ژنومی و مهندسی پروتئین را تسریع کنند. در عین حال، این مرور چالش های اساسی شامل گلوگاه داده (کمبود داده های استاندارد چند-امیک برای بسیاری از گونه های زراعی)، ماهیت جعبه سیاه و محدودیت تفسیرپذیری مدل ها، تعمیم پذیری ضعیف بین گونه و محیط، و موانع محاسباتی و زیرساختی را برجسته می کند. در ادامه، چشم اندازهایی مانند توسعه مدل های پایه مخصوص گیاهان، ادغام چندوجهی داده ها در قالب «دوقلوهای دیجیتال»، یادگیری انتقالی برای گونه های کم داده و شکل گیری حلقه های بسته پیش بینی-آزمایش به عنوان مسیرهای تحول آفرین پیشنهاد می شود. این مرور می کوشد پلی مفهومی و عملی میان بیوتکنولوژیست های گیاهی و متخصصان هوش مصنوعی ایجاد کند و نشان دهد که ادغام هوشمند یادگیری عمیق در خطوط لوله اصلاح نباتات می تواند عدم قطعیت در مهندسی ژنتیک گیاهان را کاهش داده و به تسریع دستیابی به امنیت غذایی پایدار کمک کند.

کلیدواژه ها:

یادگیری عمیق در گیاهان ، شبکه های عصبی مصنوعی ، پیش بینی بیان ژن ، بیوانفورماتیک گیاهی ، اصلاح نباتات مبتنی بر داده