کاربرد رویکردهای چندوجهی یادگیری ماشین و یادگیری عمیق در شناسایی و مدیریت بیماری های ناشی از ویروس های گیاهی

ویروس های گیاهی از عوامل اصلی محدودکننده عملکرد محصولات کشاورزی و تهدیدی جدی برای امنیت غذایی جهانی هستند. تشخیص دقیق و به موقع این بیماری ها نقشی کلیدی در کنترل شیوع و کاهش خسارات اقتصادی دارد. در سال های اخیر پیشرفت های هوش مصنوعی به ویژه یادگیری ماشین (ML) و یادگیری عمیق (DL)، راهکارهایی نوین برای تحلیل داده های زیستی و شناسایی بیماری های ویروسی فراهم کرده اند. مدل های ترکیبی چندوجهی با ادغام داده های تصویری، مولکولی و محیطی دقت تشخیص را به طور چشمگیری افزایش داده اند. الگوریتم های یادگیری عمیق در تحلیل توالی های ژنتیکی ویروس ها از جمله پیش بینی جهش در ویروس های RNAدار و شناسایی تعاملات پروتئینی دفاعی-گیاه عملکرد موثری داشته اند. در ویروس های RNA نرخ بالای جهش، نوترکیبی و بازآرایی ژنومی موجب تکامل سریع و ظهور استرین های جدید می شود. ویروس های دارای DNA نیز از طریق نوترکیبی دستخوش تنوع ژنتیکی و تغییر در بیماری زایی می شوند. مطالعات متعددی نشان داده اند که الگوریتم های ML به ویژه مدل های مبتنی بر زبان ژنومی و شبکه های attention توانایی بالایی در پیش بینی جهش های ویروسی، طبقه بندی استرین های نوظهور و ردیابی مسیرهای تکاملی در ویروس ها دارند. ابزارهایی مانند AlphaFold۲، شبکه های عصبی کانولوشنی (CNN) و یادگیری تقویتی (RL) نیز در فهم ساختار و عملکرد پروتئین های ویروسی نقش کلیدی دارند. با این حال چالش هایی نظیر کمبود داده های واقعی و برچسب خورده از شرایط مزرعه، نیاز به ادغام داده های چندمی کی و تبیین ناپذیری مدل ها، مانع بهره برداری کامل از این فناوری ها شده اند. بهره گیری هوشمندانه از ML و مدل های چندوجهی می تواند تحولی بنیادین در پیش بینی، پایش و مدیریت بیماری های ویروسی گیاهی ایجاد کرده و زمینه ساز توسعه کشاورزی هوشمند، دقیق و مقاوم در برابر تنش های زیستی و اقلیمی باشد.

کلیدواژه ها:

یادگیری ماشین ، یادگیری عمیق ، ویروس های گیاهی ، مدل های چندوجهی ، تعامل ویروس-گیاه