
با قدرت هوش مصنوعی و کلان داده، دانشمندان مرزهای جدید هیجان انگیزی را در رمزگشایی دنیای پیچیده ژنوم گیاهی برای نسل بعدی پرورش گیاهان سفارشی دنبال می کنند که می تواند امنیت غذایی و سازگاری با تغییرات آب و هوایی را متحول کند.
یک ساقه گندم، یک نیشکر. برای بسیاری از ما، اینها صرفاً مواد خام برخی از غذاهای مورد علاقه ما هستند – اما برای دانشمندان، معمایی پیچیده را نشان می دهند که پس از حل شدن، می تواند اسراری را باز کند که به ما امکان می دهد مواد غذایی بیشتری با اثرات مضر کمتری بر روی زمین تولید کنیم. ، به طور سفارشی منابع سوخت زیستی جدید را در مقیاس تولید می کند و به مردم کمک می کند زندگی طولانی تر و سالم تری داشته باشند. این اسرار در ژنوم گیاهان حبس شده اند – و با ابزارهای پیشرفته هوش مصنوعی، دانشمندان شروع به کشف اسرار این ژن ها کرده اند.
📷
ظرفیت هوش مصنوعی برای تجزیه و تحلیل حجم عظیمی از داده ها، راه را برای حل چالش های درک بهتر ژنوم گیاهان باز می کند. این درک از تعامل بین عناصر ژنتیکی موجود در گیاهان و ویژگیهای مختلف میتواند به محققان کمک کند تا گونههای مقاومتری از گیاهان ایجاد کنند و آنها را قادر میسازد تا بر استرسهای زیستی و غیرزیستی مانند چالشهای محیطی مانند تغییر الگوهای آب و هوایی، آلودگی به آفات و مقاومت به آفتکشها غلبه کنند.
ژنوم گیاهان – حتی گیاهان “ساده” مانند نیشکر – به طور قابل توجهی بزرگتر از ژنوم انسان یا حیوان است و در یک دوره بسیار طولانی تر از سایر اشکال زندگی تکامل یافته است. گیاهان چندپوئیدی هستند – جایی که ژن ها یا کل ژنوم ها تکرار می شوند – و جذب برهمکنش بین ژن ها و آلل ها از پلوئیدی های مختلف یک چالش است، زیرا برخی از پلوئیدی ها می توانند ژن های یتیم سویه های گیاهی قدیمی را نشان دهند که لزوماً اکنون فعال نیستند.
هدف پژوهشگران شناسایی پلی مورفیسم های تک نوکلئوتیدی (توالی های DNA مشترک) است که می توانند از آنها برای درک نحوه عملکرد گیاهان و تعامل با محیط استفاده کنند. هنگامی که این امر محقق شد، محققان می توانند عملکرد هر ژن را بهتر درک کنند – و از آن اطلاعات برای پرورش گیاهانی استفاده کنند که می توانند با نیازهای انسان سازگار شوند. بنابراین، اگر محققان بخواهند گونهای از گندم تولید کنند که در مناطق خشکتر رشد کند، سعی میکنند ژنهایی را در گندم شناسایی کنند که علیرغم کمبود آب، امکان رشد کامل را فراهم کند. همه نمونهها احتمالاً حامل این ژن نیستند، زیرا میتواند یک ژن یتیم و در حال حاضر غیرفعال باشد که بخشی از ژنوم پلیپویدال است. یادگیری ماشینی میتواند ژن و تعامل آن با محیط را تجزیه و تحلیل کند و نشانههایی از پتانسیل ژنتیکی استفاده نشده برای دستیابی به این هدف از طریق استراتژیهای پرورشی طراحیشده توسط هوش مصنوعی ارائه کند.
در حالی که این تحقیقات می تواند برای دستکاری سویه های گیاهی مورد استفاده قرار گیرد، چنین مهندسی ژنتیکی تنها راه برای محققان برای توسعه گونه هایی از محصولات با کیفیت مطلوب نیست. انسان ها برای هزاران سال است که گونه های مختلف محصولات را پرورش می دهند. هوش مصنوعی در اینجا نیز می تواند مفید باشد – شناسایی سویه هایی برای انتخاب پرورشی که بیشترین سازگاری را دارند و به احتمال زیاد نتایج مورد نظر را به همراه دارند.
علاوه بر این، سیستمهای هوش مصنوعی میتوانند به پیشبینی اینکه کدام روش پرورش – هیبریداسیون ، اصلاح متقابل گسترده ، دوبرابر کردن کروموزومها – مؤثرتر خواهد بود کمک کنند. با در دست داشتن اطلاعات ژنتیکی عمیق در مورد گیاهان، محققان میتوانند از یادگیری ماشینی برای تطبیق ژنها با محیطهای بهینه که در آن به احتمال زیاد رشد میکنند، استفاده کنند. این میتواند منجر به محصولاتی شود که میتوانند یک فصل رشد طولانی را تحمل کنند یا کاشت محصولات در مناطقی که قبلاً نمیتوانستند آنها را حفظ کنند، در نتیجه عرضه غذا برای جهانی پرجمعیت و گرسنه افزایش مییابد. گونههایی که سختتر خواهند بود را میتوان توسعه داد – قادر به مقاومت در برابر آسیبهای تغییرات اقلیمی یا رشد حتی در مناطقی که شهرنشینی یا بیابانزایی در آن رخ داده است.
اطلاعات ژنتیکی گیاهی همچنین میتواند برای کمک به پرورش گونههایی از محصولاتی که در برابر آفات یا بیماریهای خاص مقاومتر هستند، استفاده شود. یادگیری ماشینی میتواند ویژگیهای گیاهانی را که برای حشرات یا آفات جذابتر هستند – بو، رنگ و غیره – شناسایی کند و محققان را قادر به توسعه ژنهایی کند که جذابیت این گیاهان را برای آفات کاهش دهد. این می تواند منجر به کاهش استفاده از آفت کش ها، توسعه آفت کش های سازگار با محیط زیست شود که برای گیاهان خاص در مناطق خاص یا حتی مزارع منفرد طراحی شده اند – نوعی از “کشاورزی شخصی” که ایمن تر، تمیزتر و سبزتر است.
قبل از قابلیتهای فعلی هوش مصنوعی، شناسایی ژنومهای گیاهان تقریباً غیرممکن بود – اما اکنون که آنها شناسایی شدهاند، درک نحوه عملکرد آنها بدون فناوریهای پیشرفته هوش مصنوعی مانند یادگیری ماشین غیرممکن است. با ابزارهایی که اکنون در دسترس هستند، محققان قادر خواهند بود گیاهان را بهتر درک کنند و روشهای جدید و بهتری را برای کمک به رشد گیاهان در مواجهه با تغییرات محیطی، آلودگی، شهرنشینی و سایر مسائلی که بر رشد و کیفیت گیاهان تأثیر میگذارند، توسعه دهند. با یادگیری ماشینی پیشرفته، محققان می توانند اسرار گیاهان را کشف کنند – و از آن اسرار برای ایجاد آینده ای بهتر برای بشریت استفاده کنند.