تجزیه و تحلیل داده‌های ژنتیکی بزرگ برای پیش‌بینی ویژگی‌های کراس‌بردها برای افزایش بازده غذا

نوع مقاله : مقاله پژوهشی

نویسندگان

گروه علوم کامپیوتر و فناوری اطلاعات، دانشگاه کالینگا، رایپور، هند.

10.22103/jab.2025.24004.1612

چکیده

هدف: اصلاح‌کنندگان نباتات (PB) با بهره‌گیری از پیشرفت‌های علمی و فناوری مدرن، به طور قابل‌توجهی بازده و کیفیت کشاورزی را بهبود بخشیده‌اند. هزینه‌ها کاهش یافته و فرآیند PB به دلیل توسعه ابزارهای ژنومی و توالی یابی، به ویژه از زمان پروژه ژنوم انسانی، سریع شده است. پرداختن به مسائل جهانی مربوط به منابع آب و امنیت غذایی نیازمند این پیشرفت است. فنوتیپ با کارایی بالا، کشاورزی دقیق و پیش‌بینی محصول همگی با ادغام فناوری‌های پیشرفته مانند سیستم‌های حسگر، تصاویر ماهواره‌ای، ربات‌ها، تجزیه و تحلیل داده‌های بزرگ و ژنومیک بهبود یافته‌اند. این پیشرفت‌ها به رشد کشاورزی دیجیتال کمک می‌کند، که پتانسیل تغییر PB را با اتخاذ رویکردی بین‌رشته‌ای‌تر دارد. برای بررسی روشی که با آن پیشرفت‌های جدید در کشاورزی دیجیتال، ژنومیک و فن‌آوری‌های حسگر، اصلاح نباتات را تغییر می‌دهند، کیفیت و بهره‌وری محصول را افزایش می‌دهند و با مسائل جهانی مدیریت منابع آب و امنیت غذایی مقابله می‌کنند.
نتایج: اصلاح نباتات به دلیل ترکیبی از ابزارهای ژنتیکی، تکنیک‌های توالی‌یابی و فناوری‌های کشاورزی معاصر سریعتر و کم هزینه‌تر شده است. کشاورزی دقیق با استفاده از فناوری‌هایی مانند روباتیک، تجزیه و تحلیل داده‌های بزرگ و عکاسی ماهواره‌ای، فنوتیپ‌سازی و شناسایی محصولات با کارایی بالا را بسیار افزایش داده است. این پیشرفت‌ها به ایجاد روش‌های کشاورزی پایدار و مؤثرتر کمک می‌کند.
نتیجه‌گیری: یک رویکرد نوآورانه برای بهبود محصول با ادغام مداوم فناوری‌های چند رشته‌ای در اصلاح نباتات در حال توسعه است. پیش بینی می‌شود که ژنومیک پیشرفته و کشاورزی دیجیتالی ظرفیت‌های پرورش دهندگان نباتات را بهبود بخشد و به آنها اجازه دهد تا با مشکلات فزاینده امنیت غذا و آب در دنیایی که روز به روز به هم پیوسته‌تر می شود، مقابله کنند.

کلیدواژه‌ها


عنوان مقاله [English]

Big genetic data analysis to predict features in cross-breeding to increase food yields

نویسندگان [English]

  • Priya Vij
  • Patil Manisha Prashant
Department of CS & IT, Kalinga University, Raipur, India.
چکیده [English]

Objective
Plant breeders (PB) have significantly improved agricultural output and quality by utilizing modern scientific and technological developments. Costs have decreased and the PB process has quickened due to the development of genomic tools and sequencing, especially since the human genome project. Addressing global issues pertaining to water resources and food security requires this progress. High-throughput phenotyping, precision agriculture, and crop-scouting have all been improved by the integration of cutting-edge technology such sensor systems, satellite images, robots, big data analytics, and genomics. These developments contribute to the growth of digital agriculture, which has the potential to transform PB by taking a more interdisciplinary approach. To examine the method by which new developments in digital agriculture, genomics, and sensor technologies are changing plant breeding, enhancing crop quality and productivity, and tackling global issues with water resource management and food security.

Results
Plant breeding has become faster and less expensive due to the combination of genetic tools, sequencing techniques, and contemporary agricultural technologies. Precision agriculture has greatly increased high-throughput phenotyping and crop scouting, by using technology like robotics, big data analytics, and satellite photography. These developments aid in the creation of sustainable, more effective farming methods.

Conclusions
An innovative approach for crop improvement is being developed by the ongoing integration of multidisciplinary technologies in plant breeding. It is anticipated that enhanced genomics and digital agriculture would improve plant breeders' capacities, allowing them to tackle the escalating problems of food and water security in a world that is becoming more interconnected by the day.
.

کلیدواژه‌ها [English]

  • Big data
  • cross breeding
  • food yield
  • prediction
Allgaier J, Pryss R (2024) Cross-Validation Visualized: A Narrative Guide to Advanced Methods. Mach Learn Knowl Extr 6(2), 1378-1388.
Ansarifard I, Mostafavi K, Khosroshahli M, et al. (2020) A study on genotype-environment interaction based on GGE biplot graphical method in sunflower genotypes (Helianthus annuus L.). Food Sci Nutr 8(7), 3327-3334.
Begna T (2021) Conventional breeding methods are widely used to improve self-pollinated crops. Int J Res 7(1), 1-16.
Camgözlü Y, Kutlu Y (2023) Leaf image classification based on pre-trained convolutional neural network models. Nat Eng Sci 8(3), 214-232.
Dessy A, Ratna D, Leni S, et al. (2023) Using distance measure to perform optimal mapping with the K-medoids method on medicinal plants, aromatics, and spices export. J Wirel Mob Netw Ubiquitous Comput Dependable Appl 14(3), 103-111.
Ghotbaldini H, Mohammadabadi M, Nezamabadi-pour H, et al. (2019) Predicting breeding value of body weight at 6-month age using artificial neural networks in Kermani sheep breed. Acta Sci - Anim Sci 41, e45282.
Guo T, Li X (2023) Machine learning predicts phenotypes from genotypes and environments. Curr Opin Biotechnol 79, e102853.
Liu J, Li M, Zhang Q, et al. (2020) Exploring the molecular basis of heterosis for plant breeding. J. Integr Plant Biol 62(3), 287-298.
Mohammadabadi M, Kheyrodin H, Afanasenko V, et al. (2024) The role of artificial intelligence in genomics. Agric Biotechnol J 16 (2), 195-279.
Pour Hamidi S, Mohammadabadi MR, Asadi Foozi M, Nezamabadi-pour H (2017) Prediction of breeding values for the milk production trait in Iranian Holstein cows applying artificial neural networks. J Livestock Sci Technol 5(2), 53-61.
Radhika A, Masood MS (2022) Crop yield prediction by integrating et-dp dimensionality reduction and ABP-XGBOOST technique. J Internet Serv Inf Secur 12(4), 177-196.
Scott MF, Ladejobi O, Amer S, et al. (2020) Multi-parent populations in crops: a toolbox integrating genomics and genetic mapping with breeding. Heredity 125(6), 396-416.
Shivanna KR (2022) Climate change and its impact on biodiversity and human welfare. Proc Indian Nat Sci Acad 88(2), 160-171.
Srinivasa Rao M, Praveen Kumar S, Srinivasa Rao K (2023) Classification of Medical Plants Based on Hybridization of Machine Learning Algorithms. Indian J Inform Sourc Serv 13(2), 14-21.
Surendar A, Veerappan S, Sindhu S, Arvinth N (2024) A Bibliometric Study of Publication- Citations in a Range of Journal Articles. Indian J Inf Sources Serv 14(2), 97-103.
Suyama Y, Hirota SK, Matsuo A, et al. (2022) Complementary combination of multiplex high‐throughput DNA sequencing for molecular phylogeny, Hoboken, USA: John Wiley & Sons, Inc 37(1), 171-181.
Swarup S, Cargill EJ, Crosby K, et al. (2021) Genetic diversity is indispensable for plant breeding to improve crops. Crop Sci 61(2), 839-852.
Tsai HY, Janss LL, Andersen JR, et al. (2020) Genomic prediction and GWAS of yield, quality and disease-related traits in spring barley and winter wheat. Sci Rep 10(1), 3347.
Zoran G, Nemanja A, Srđan B (2022) Comparative analysis of old-growth stands Janj and Lom using vegetation indices. Arch Tech Sci 2(27), 57-62.