fa به‌کارگیری الگوریتم‌های یادگیری ماشین در شناسایی ژن‌ها و مسیرهای مولکولی مرتبط با مقاومت تنش‌ها در گیاهان تراریخته تخصصي Special مروری Review <h6 dir="RTL" style="text-align:justify; margin-bottom:8px"><span style="font-size:10pt"><span style="direction:rtl"><span style="unicode-bidi:embed"><span new="" roman="" style="font-family:" times=""><span style="font-weight:normal"><span lang="FA" style="font-size:12.0pt"><span b="" nazanin="" style="font-family:">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 (</span></span>ML<span lang="FA" style="font-size:12.0pt"><span b="" nazanin="" style="font-family:">)</span></span> <span lang="FA" style="font-size:12.0pt"><span b="" nazanin="" style="font-family:">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 </span></span>ML<span lang="FA" style="font-size:12.0pt"><span b="" nazanin="" style="font-family:"> 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.</span></span></span></span></span></span></span></h6> <span style="font-size:12pt"><span style="background:white"><span style="line-height:normal"><span style="unicode-bidi:embed"><span new="" roman="" style="font-family:" times=""><span style="font-size:10.0pt"><span style="color:black">Throughout their life cycle, plants are exposed to a wide range of abiotic stresses, including salinity, drought, water deficit, temperature extremes, oxidative stress, heavy metal toxicity, as well as biotic stresses such as various pests and diseases. These stresses are major factors hindering crops from reaching their genetic potential and achieving optimal performance. This review article first examines the role of these stresses in limiting plant performance and explores biotechnological strategies for managing them. It then discusses the application of machine learning (ML) algorithms in identifying and prioritizing genes and molecular pathways associated with stress resistance, alongside both traditional and modern agricultural biotechnology tools. Artificial intelligence (AI) and ML, through the analysis of multilayered genomic, transcriptomic, and other omics datasets, enable the modeling of signaling and metabolic networks, the simulation of plant performance under stress conditions, and the interpretation of genetic and epigenetic interactions. This approach ultimately enhances research efficiency and reduces costs and time requirements. The article further presents ML algorithms such as Random Forest (RF), Support Vector Machines (SVM), and deep learning (DL) models for identifying key resistance factors and supporting breeding decisions. Finally, it reviews case studies on crops like rice, corn, and Arabidopsis, and discusses associated challenges and limitations, as well as biosafety, legal, and economic considerations.</span></span><span style="font-size:10.0pt"></span></span></span></span></span></span><br> &nbsp; اُمیکس, بیوتکنولوژی, تراریخته, تنش‌های گیاهان, یادگیری‌ماشین Omics, Biotecchnology, Transgenic, Plant Stresses, Machine Learning 15 34 http://journalofbiosafety.ir/browse.php?a_code=A-10-933-1&slc_lang=fa&sid=1 Narjessadat Mousavimadani نرجس سادات موسوی مدنی narjessadat.mousavimadani@iau.ir 10031947532846004459 10031947532846004459 No Department of Microbial Biotechnology, Agricultural Biotechnology Research Institute of Iran (ABRII), Agricultural Research, Education and Extension Organization (AREEO), Karaj, Iran بخش بیوتکنولوژی میکروبی، پژوهشگاه بیوتکنولوژی کشاورزی ایران (ABRII)، سازمان تحقیقات، آموزش و ترویج کشاورزی (AREEO)، کرج، ایران Akram Sadeghi اکرم صادقی aksadeghi@abrii.ac.ir 10031947532846004460 10031947532846004460 Yes Department of Microbial Biotechnology, Agricultural Biotechnology Research Institute of Iran (ABRII), Agricultural Research, Education and Extension Organization (AREEO), Karaj, Iran بخش بیوتکنولوژی میکروبی، پژوهشگاه بیوتکنولوژی کشاورزی ایران (ABRII)، سازمان تحقیقات، آموزش و ترویج کشاورزی (AREEO)، کرج، ایران Reza Sharafi رضا شرفی Rezasharafi19882@gmail.com 10031947532846004461 10031947532846004461 No Department of Microbial Biotechnology, Agricultural Biotechnology Research Institute of Iran (ABRII), Agricultural Research, Education and Extension Organization (AREEO), Karaj, Iran بخش بیوتکنولوژی میکروبی، پژوهشگاه بیوتکنولوژی کشاورزی ایران (ABRII)، سازمان تحقیقات، آموزش و ترویج کشاورزی (AREEO)، کرج، ایران