گیاهان در طول چرخه حیات خود با طیف گسترده‌ای از تنش‌های غیرزیستی شامل شوری، خشکی، کم‌آبی، دمایی، اکسیداتیو، فلزات سنگین و تنش های زیستی شامل انواع آفات و بیماری‌ها مواجه می‌شوند. این تنش‌ها یکی از مهم‌ترین عوامل ایجاد شکاف میان پتانسیل ژنتیکی و عملکرد واقعی محصولات زراعی محسوب می‌شوند. در این مقاله‌، ابتدا نقش تنش‌ها در محدودسازی عملکرد گیاهان و راهبردهای زیست‌فناورانه مقابله با آن‌ها بررسی می‌شود. سپس به‌کارگیری الگوریتم‌های یادگیری ماشین (ML) در شناسایی و اولویت‌بندی ژن‌ها و مسیرهای مولکولی مرتبط با مقاومت به تنش ها، در کنار ابزارهای کلاسیک و نوین زیست‌فناوری گیاهی مورد بحث قرار می‌گیرد. هوش مصنوعی و ML با تحلیل داده‌های چندلایه‌ی ژنومی، ترنسکریپتومی و اُمیکس، امکان مدل‌سازی شبکه‌های سیگنال‌دهی و متابولیکی، پیش‌بینی عملکرد گیاه تحت شرایط تنش و تفسیر برهم‌کنش‌های ژنتیکی و اپی‌ژنتیکی را فراهم می‌کنند و بدین‌ترتیب به افزایش کارایی پژوهش‌ها و کاهش هزینه و زمان منجر می‌شوند. در ادامه، روش‌هایی نظیر درخت تصادفی، ماشین بردار پشتیبان و مدل‌های یادگیری عمیق برای شناسایی عوامل کلیدی مقاومت و پشتیبانی از تصمیم‌گیری‌های اصلاحی ارائه شده است. در انتها، مطالعات موردی انجام‌شده بر روی برنج، ذرت، آرابیدوپسیس و چالش‌ها و محدودیت‌های موجود و ملاحظات ایمنی‌زیستی، قانونی و اقتصادی مورد بحث قرار می‌گیرند.