نقش مدلهای هوش مصنوعی در شتاب بخشی به برنامه های اصلاح نباتات

هدف از پژوهش حاضر، تحلیل نظام مند و ارزیابی جامع نقش مدلهای هوش مصنوعی در شتاب بخشی به برنامه های اصلاح نباتات و عبور از محدودیت های روش های سنتی است. بدین منظور با اتکا به متدولوژی پریزما و بررسی منابع علمی معتبر بین سال های ۲۰۱۵ تا ۲۰۲۶ داده های مربوط به کارایی الگوریتم های هوشمند استخراج و تحلیل شدند. یافته های آماری و عددی نشان داد که الگوریتم های یادگیری عمیق به ویژه شبکه های عصبی کانولوشنی در فنوتیپینگ دیجیتال و مدل های بازگشتی در پیش بینی عملکرد با دستیابی به ضرایب تبیین بالای ۰.۹۰ زمان داده برداری فنوتیپی را تا ۷۰ درصد کاهش و دقت گزینش ژنومی را در مقایسه با روش های کلاسیک تا ۲۸ درصد افزایش داده اند. این ابزارها با ترکیب داده های ژنومیک و محیطی امکان غربالگری شبیه سازی شده ارقام مقاوم به تنش ها را پیش از آزمون های میدانی فراهم می کنند. با این حال، چالش وابستگی شدید به حجم داده های آموزشی باکیفیت و عدم شفافیت لایه های تصمیم گیری الگوریتم ها از موانع اصلی توسعه این فناوری است. در نهایت اشتراک گذاری داده های استاندارد در بستر پایگاه های مرجع و بهره گیری از هوش مصنوعی توضیح پذیر به عنوان راهکارهایی کلیدی جهت بهینه سازی چرخه های اصلاح ژنتیکی و تضمین امنیت غذایی پیشنهاد می شود.

کلیدواژه ها:

هوش مصنوعی ، اصلاح نباتات ، گزینش ژنومی ، فنوتیپینگ دیجیتال ، یادگیری عمیق