DOI: https://doi.org/10.1038/s41467-025-56330-x
PMID: https://pubmed.ncbi.nlm.nih.gov/39856113
تاريخ النشر: 2025-01-24
المؤلف: Tessa R MacNish وآخرون
الموضوع الرئيسي: التخطيط الجيني والتنوع في النباتات والحيوانات
نقاش
تسلط قسم النقاش في ورقة البحث الضوء على الدور الهام لتعلم الآلة (ML) في تحسين المحاصيل، لا سيما في التنبؤ بالأنماط الظاهرة وتعزيز استراتيجيات التربية. تم توثيق تطبيقات مختلفة لتعلم الآلة، بدءًا من التنبؤ بالعائدات المبكرة باستخدام الشبكات العصبية الاصطناعية إلى نماذج أكثر تعقيدًا مثل الشبكات العصبية التلافيفية (CNNs) التي تدمج البيانات الجينية والبيئية. من الجدير بالذكر أنه بينما أظهرت نماذج التعلم العميق (DL) وعودًا، تشير المعايير إلى أن طرق الاختيار الجيني التقليدية غالبًا ما تحقق نتائج مماثلة أو أفضل. لقد أظهر دمج البيانات الجينية مع العوامل البيئية تحسينًا في دقة التنبؤ، كما يتضح من الدراسات حول عائدات الذرة والشعير.
يتناول القسم أيضًا التحديات التي تواجه المحاصيل اليتيمة، التي تفتقر إلى بيانات جينية وظاهرية واسعة مقارنة بالمحاصيل الرئيسية. على الرغم من ذلك، تم تطبيق تقنيات تعلم الآلة بنجاح للتنبؤ بالسمات في المحاصيل اليتيمة باستخدام بيانات محدودة متاحة. على سبيل المثال، تم تطوير نماذج التعلم العميق للتنبؤ بسمات الجودة في الدخن وPerilla، مما يظهر دقة عالية. كما يتم مناقشة إمكانيات نماذج اللغة الكبيرة (LLMs) في تحليل التسلسلات البيولوجية، مع التأكيد على قدرتها على نقل المعرفة من المحاصيل المدروسة جيدًا إلى المحاصيل اليتيمة، مما يعزز التعليقات الجينية وتنبؤات السمات. بشكل عام، تؤكد الورقة على ضرورة إنشاء قواعد بيانات شاملة وجهود تعاونية للاستفادة من تعلم الآلة في تحسين المحاصيل اليتيمة، مع الاعتراف أيضًا بالقيود التي تفرضها نقص الموارد الجينية المحددة.
DOI: https://doi.org/10.1038/s41467-025-56330-x
PMID: https://pubmed.ncbi.nlm.nih.gov/39856113
Publication Date: 2025-01-24
Author(s): Tessa R MacNish et al.
Primary Topic: Genetic Mapping and Diversity in Plants and Animals
Discussion
The discussion section of the research paper highlights the significant role of machine learning (ML) in crop improvement, particularly in predicting phenotypes and enhancing breeding strategies. Various ML applications have been documented, from early yield predictions using artificial neural networks to more sophisticated models like convolutional neural networks (CNNs) that integrate genetic and environmental data. Notably, while deep learning (DL) models have shown promise, benchmarks indicate that traditional genomic selection methods often yield comparable or superior results. The integration of genomic data with environmental factors has been shown to improve prediction accuracy, as evidenced by studies on maize and barley yields.
The section also addresses the challenges faced by orphan crops, which lack extensive genomic and phenotypic data compared to major crops. Despite this, ML techniques have been applied successfully to predict traits in orphan crops using limited available data. For instance, deep learning models have been developed to predict quality traits in sorghum and Perilla, demonstrating high accuracy. The potential of large language models (LLMs) in analyzing biological sequences is also discussed, emphasizing their ability to transfer knowledge from well-studied crops to orphan crops, thereby enhancing genomic annotations and trait predictions. Overall, the paper underscores the necessity of establishing comprehensive databases and collaborative efforts to leverage ML for the improvement of orphan crops, while also recognizing the limitations posed by the lack of specific genomic resources.