نقش هوش مصنوعی در فنوتایپینگ پیشرفته و مطالعات ژنوتایپ-فنوتایپ گیاهی

کشاورزی مدرن با چالش های فزاینده ای از جمله افزایش جمعیت جهانی پیش بینی ۱۰ میلیارد نفر تا ۲۰۵۰، کاهش منابع خاک و آب و تغییرات اقلیمی مواجه است. هوش مصنوعی با تحول بنیادین در فنوتایپینگ گیاهی امکان استخراج و تفسیر طیف وسیعی از فنوتیپ ها را در سطوح مختلف بیولوژیکی فراهم کرده است. در سطح ماکرو، الگوریتم های پردازش تصویر مانند ResNet با دقت ۹۷ درصد صفات مرئی مانند مساحت برگ را اندازه گیری می کنند و سرعت تحلیل را ۱۰۰ برابر افزایش داده اند. در سطح میکرو ترکیب فناوری هایی مانند میکروسکوپ های هوشمند و الگوریتم های U-Net پارامترهای سلولی مانند تراکم روزنه ها تحت تنش خشکی را با دقت ۰.۵ میکرومتر کمی سازی می کنند. برای فنوتیپ های پویا معماری های ترکیبی نظیر ConvLSTM با یکپارچه سازی داده های محیطی رشد گیاه را با خطای ۰.۱۲ RMSE میلی متر پیش بینی می کنند. هوش مصنوعی همچنین فنوتیپ های نهفته مانند تحمل شوری در ریشه گندم با همبستگی ۰.۹۱ را از طریق شبکه های خودرمزگذار B-VAE شناسایی می کند که ارتباط قوی تری با عملکرد نهایی گیاه دارند. جهت گیری های آینده بر ادغام هوش مصنوعی فیزیک محور، فنوتایپینگ چند میکی (Multi-Omics) تلفیق ژنومیک و متابولومیک و توسعه سنسورهای زیستی نانومقیاس متمرکز است. این تحولات به سوی رویکرد فنوتایپینگ پیش بینی محور حرکت می کند که در آن ویژگی های گیاهان پیش از ظهور فیزیکی با دقت بسیار بالا پیش بینی شده و نقش تعیین کننده ای در تحقق کشاورزی پایدار، بهینه سازی مصرف منابع و شتاب دهی به به نژادی ایفا می نماید.

کلیدواژه ها:

شبکه های خودرمزگذار ، فنوتایپینگ کشاورزی ، فنوتیپیابی هوشمند ، فنوتایپینگ چند میکی ، هوش مصنوعی توضیح پذیر