هوش مصنوعی در کشت بافت گیاهی کاربردها شواهد اثربخشی و ارزش عملی در باغبانی

کشت بافت گیاهی یکی از ابزارهای کلیدی در بیوتکنولوژی باغبانی است اما طراحی پروتکل های پایدار در بسیاری از گونه ها همچنان با آزمون و خطای گسترده وابستگی شدید به ژنوتیپ و هزینه زیاد همراه است. در سال های اخیر هوش مصنوعی، یادگیری ماشین، بینایی ماشین، سامانه های حسگر محور و روش های بهینه سازی برای تحلیل و بهبود مراحل مختلف کشت بافت به کار گرفته شده اند. این مرور با هدف ارزیابی تحلیلی کاربردها و شواهد اثربخشی این رویکردها در کشت بافت گیاهی تدوین شد. مطالعات بررسی شده نشان می دهند که بیشترین ظرفیت کاربردی هوش مصنوعی در مسائل چند عاملی و چند هدفه دیده می شود؛ از جمله بهینه سازی محیط کشت، کالوس زایی، اندام زایی، ریزازدیادی، ریشه زایی، ضدعفونی، القای پلی پلوئیدی و پایش کیفیت کشت. شواهد قوی تر مربوط به مطالعاتی است که خروجی مدل را به تیمار آزمایشگاهی قابل اجرا تبدیل کرده و آن را در آزمایش تاییدی بررسی کرده اند. در مقابل، بخشی از مطالعات هنوز در سطح مدل سازی آماری باقی مانده اند و ارزش عملی آن ها به اعتبارسنجی بیشتر نیاز دارد. سامانه های تصویری طیفی و حسگر محور نیز مسیر مهمی برای تشخیص، آلودگی، هایپرهایدریسیته و پایش غیرتخریبی رشد فراهم کرده اند، اما بسیاری از آن ها هنوز در مرحله اثبات مفهوم قرار دارند. در مجموع هوش مصنوعی جایگزین دانش زیستی و تجربه متخصص کشت بافت نیست، بلکه ابزاری تصمیم یار برای کاهش آزمون و خطا، بهبود کیفیت داده و افزایش دقت تصمیم گیری است. آینده این حوزه به داده های استاندارد، مدل های قابل تفسیر، اعتبارسنجی بیرونی و توجه به کل زنجیره تولید، از شرایط درون شیشه ای تا اکلایماتیزاسیون وابسته است.

کلیدواژه ها:

هوش مصنوعی ، کشت بافت گیاهی ، یادگیری ماشین ، بیوتکنولوژی باغبانی ، فنوتایپینگ دیجیتال