کاربرد الگوریتم های تکاملی و بهینه سازی جمعیت های گیاهی در طراحی ژنوتیپ های ایده آل

الگوریتم های تکاملی به عنوان موتورهای طراحی فعال در اصلاح نباتات، فرآیند تکامل طبیعی را در محیط محاسباتی شبیه سازی و تسریع می کنند تا ژنوتیپ های ایده آل را در مقیاس زمانی انسانی طراحی نمایند. این مرور سیستماتیک، کاربردهای عملی EA را در سه مقیاس کلیدی بهینه سازی استراتژی های برنامه اصلاحی در مزرعه مجازی، طراحی ایدئوتایپ و انتخاب مارکر در سطح ژنوم، و انتخاب بهینه والدین و شبکه های تلاقی بررسی می کند. قیاس مفهومی میان تکامل طبیعی، الگوریتم ژنتیک و برنامه های اصلاحی، زبان مشترکی برای هدایت جستجو در فضای ژنوتیپی عظیم فراهم می آورد. در این تحقیق برخی نتایج ۳۰-۲۰% بهبود ژنتیکی، ۲۵% افزایش کارایی برنامه ریزی، و ۱۵% دقت بیشتر GEBV را با استفاده از الگوریتم های تکاملی نشان داد. چالش های اصلی در این مسیر شامل Rugged fitness landscapes، مقیاس پذیری محاسباتی و شکاف سیلیکو-واقعیت هستند. آینده این رویکرد در ادغام EA با Surrogate neural networks (۱۰۰۰ بار سریع تر)، Evolutionary Reinforcement Learning و Multiplex CRISPR design نهفته است. این پژوهش به به نژادگران توصیه می کند از پلتفرم های آماده AlphaSimR، Galgo، DEAP و MOEA Framework استفاده کنند تا بدون کدنویسی پیچیده، در کوتاهترین و کم هزینه ترین حالت به Pareto front (جبهه پارتو) آماده دست یابند. الگوریتم های تکاملی نه تنها تکامل را شبیه سازی، بلکه آن را از آزمون وخطای ۲۰ ساله به طراحی فعال ۲ تا ۵ ساله هدایت می کنند. این پارادایم نوین، اصلاح نباتات را از انتظار تکامل به هدایت تکامل ارتقا می دهد.

کلیدواژه ها:

الگوریتم های تکاملی ، بهینه سازی چندهدفه ، انتخاب ژنومی ، طراحی ژنوتیپ