يعتبر تحسين الإنتاجية الزراعية من التحديات الكبرى التي تواجه علماء الوراثة والمربين الزراعيين. يمثل التنبؤ بالصفات الوراثية بناءً على المعلومات الجينية (Genotype-to-Phenotype Prediction) خطوة محورية لتسريع قرارات التربية وزيادة المكتسبات الوراثية. هذا ما يثير اهتمام الباحثين في دراسة جديدة نشرها فريق من العلماء، حيث اقترحوا نموذجًا هجينًا مبتكرًا يُعرف باسم LiT-G2P (Linear-Transformer Genotype-to-Phenotype).

يعتمد LiT-G2P على دمج التأثيرات الوراثية الإضافية مع التفاعلات غير الخطية المعتمدة على تقنية Transformers، مستخدمًا بيانات تعدد الأشكال النووية الفردية (Single-Nucleotide Polymorphisms - SNPs) على نطاق الجينوم. تم تطبيق هذا النموذج على مجموعة متنوعة من الأصناف العنبية التي تم تصنيفها بواسطة علامات SNP وقياس الصفات الفيزيائية على مدار سنتين متتاليتين.

ركزت الدراسة على عدة صفات، مثل كثافة الشعر على الأوراق وكثافة الشعيرات في نباتات العنب. أظهرت النتائج أن LiT-G2P يُحقق أداءً تفوقياً عبر مجموعة من السيناريوهات، حيث تمتلك دقة التوقعات أقل خطأ ممكن في تقديرات كثافة الشعر، مما يجعل دقة النموذج تصل إلى 79.2%. أما بالنسبة لكثافة الشعيرات، فقد استمرت النتائج في إثبات جودة أداء G2P بشكل متميز.

أضاف الباحثون أيضًا بعدًا إضافيًا لهذه الدراسة من خلال القيام بتحليل مقسم حسب الأليلات المستخرجة من أوزان الانتباه، ما يساعد على توفير علامات مرشحة يمكن التحقق منها فعليًا في مراحل لاحقة.

بفضل هذا النموذج الهجين، تبرز إمكانيات جديدة في تطبيق التنبؤ القائم على SNP، مما يعزز من متانة النماذج عبر السنوات ويدعم جهود الاختيار الوراثي.

ما رأيكم في هذه الخطوة المتقدمة نحو تحسين زراعة العنب باستخدام الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات.