تحلیل تنوع ژنتیکی فرامیک و ژنومیک گیاهی با هوش مصنوعی

پیچیدگی های ژنوم گیاهی به ویژه در گونه های پلی پلوئید مانند گندم و نیشکر، وجود مناطق غیرکدکننده گسترده (۹۸ درصد ژنوم) و سونامی داده های چنداومیکی، تحلیل تنوع ژنتیکی را به چالشی عمیق تبدیل کرده اند. هوش مصنوعی با ارائه راهکارهای نوین شامل مدل های زبانی بزرگ (LLMs) مانند AgroNT، PlantRNA-FM با دقت ۹۶ درصد در پیش بینی پروموترها و FloraBERT با تبدیل توالی های DNA به واحدهای معنادار (k-mer)، عناصر تنظیمی ناشناخته را کشف کرده است. همچنین، طراحی ژن های هوشمند مثل پروموترهای القاپذیر (شوری) را ممکن ساخته و اثرات میلیون ها جهش را پیش بینی می کنند. شبکه های عصبی عمیق (DNNs) شامل AlphaFold for Plants پیش بینی ساختار پروتئین ها، CNNها کاهش ۷۰ درصد زمان فنوتیپ یابی و LSTM/GRU کشف ژن های تحمل استرس، الگوهای پنهان داده های چندمقیاسی را رمزگشایی کنند و یادگیری انتقالی با انتقال دانش از گونه های مدل به گیاهان کمتر مطالعه شده، نیاز به داده را تا ۸۰ درصد کاهش داده و خطای پیش بینی صفات پیچیده را ۴۰ درصد کم می کند. اگرچه کمبود داده برای گیاهان گرمسیری و محدودیت پردازش ژنوم های غول پیکر چالش هایی باقی است، راهکارهایی مانند معماری های سلسله مراتبی HiFiGeno، پلتفرم های اشتراک گذاری جهانی Tropical Genomes و ادغام هوش مصنوعی با CRISPR در حال پایه ریزی انقلاب سبز دوم هستند که با کاهش زمان نقشه برداری ژن های کلیدی، طراحی ارقام مقاوم به تغییرات اقلیمی و کشاورزی پایدار در زمین های حاشیه ای را ممکن می سازد.

کلیدواژه ها:

به نژادی ، شتاب ، یافته ، پلی پلوئیدی ، فنوتیپ یابی ، هوشمند ، فرامیک ، یادگیری انتقالی