استفاده از پهباد برای درمان بیماری گیاهان!

خبرگزاری برنا- گروه علمی و فناوری؛ برنج هم چون گندم یکی از مهمترین غلات و محصولات غذایی در جهان محسوب می‌شود که بیش از نیمی از جمعیت جهان از آن به عنوان منبع غذایی اولیه استفاده می‌کند. بنابراین در کشاورزی مدرن حفاظت از مزارع برنج در برابر بیماری‌ها و آفات بسیار حائز اهمیت است.

از میان بسیاری از پاتوژن‌هایی که باعث آلودگی گیاهی برنج می‌شوند، باکتری زانتوموناس (Xanthomonas oryzae) یکی از بدترین آن‌ها محسوب می‌شود. این باکتری گرم منفی مسئول سوختگی برگ‌های برنج (bacterial blight (BB)) بوده و می‌تواند تا 50 درصد بازدهی را کاهش دهد. طبق آمار و ارقام به دست آمده سالانه صدها میلیون دلار محصول به دلیل بیماری (BB) از بین می‌رود و میلیون‌ها دلار برای اقدامات پیشگیرانه و تحقیقات هزینه می‌شود.

یکی از ثمربخش‌ترین راهکارها برای کنترل بیماری (BB) و سایر بیماری‌ها، پرورش برنج‌هایی با مقاومت ژنتیکی بالا است. با این حال، از آنجایی که پاتوژن‌ها می‌توانند به سرعت تکامل پیدا کنند، محققان باید به طور مداوم ژن‌های جدیدی را که مقاومت ایجاد می‌کنند کشف کرده و سپس آن‌ها را در نسل‌های بعدی بکار ببرند. از این رو، محققان باید به طور منظم چندین گیاه برنج را در زمان‌های مختلف سال نمونه‌برداری کرده و پاسخ گیاه به عفونت باکتریایی را اندازه‌گیری کنند؛ که یک کار فشرده و زمان‌بر محسوب می‌شود.

استفاده از فناوری‌های نوین، این فرایند را تسهیل می‌کند، چه اتفاقی خواهد افتاد؟ در مطالعه اخیر منتشر شده در Plant Phenomics، یک تیم تحقیقاتی به رهبری دکتر زوپینگ فنگ از دانشگاه ژجیانگ چین، یک استراتژی نوآورانه طراحی کردند.

در این استراتژی با توسعه پهپادهای یادگیرنده می‌توان علاوه بر اندازه‌گیری میزان شیوع بیماری BB، به بررسی ژن‌های مقاوم نیز پرداخت. محققان دو سایت آزمایشی را در استان ژجیانگ چین راه‌اندازی کردند که در آن بیش از 60 نوع برنج را با مقاومت‌های متفاوت در برابر پاتوژن زانتوموناس کشت دادند. محققان از مزارع کشت برنج با استفاده از پهپادهایی که مجهز به دوربین‌های معمولی و چند طیفی بودند، در مراحل مختلف توسعه گیاه برنج تصویربرداری کردند.

نکته مهمی که در مورد کشت گیاهان باید دانست، این است که هر‌ گونه گیاهی برای رسیدن به مرحله پایانی رشد خود به دریافت میزان خاصی از درجه حرارت در طول فصل رشدش نیاز دارد که مجموع دماهای دریافتی در کل دوره رشد را دمای انباشته یا تجمعی (Accumulated temperature) می‌گویند. برای محاسبه میزان درجه حرارت تجمعی باید دمای مبنای گونه مورد مطالعه را بدانیم، دمای مبنا نیز عبارت است از دمایی که بالاتر از آن گونه گیاهی شروع به رشد می‌کند.

 به منظور آموزش هوش مصنوعی، محققان تصاویر گرفته شده توسط پهپادها را با داده‌های دمای انباشته در یک دوره معین ادغام کردند و یک مدل یادگیری عمیق (Deep Learning) برای ارزیابی شدت سوختگی برگ‌های برنج ایجاد کردند.

شایان ذکر است، ادغام داده‌های AT با تصاویر گرفته شده توسط پهپاد در مراحل مختلف، یک استراتژی منحصر به فرد برای این تحقیقات بوده است، تا مدل آموزش دیده بتواند پیش‌بینی‌های دقیقی در مورد شدت بیماری BB داشته باشد.

دکتر زوپینگ فنگ گفت: خوشبختانه تا اینجای کار نتایج بدست آمده از هوش مصنوعی آموزش‌دیده بسیار امیدوار کننده بود؛ البته ما متوجه شدیم که در سایت‌های مختلف با توجه به هزینه نمونه برداری میدانی، انتقال تنها 20 درصد از داده‌های جدید برای به‌روزرسانی مدل‌ها و دستیابی به پیش‌بینی‌های قابل اعتماد کافی است. در ادامه، به دنبال انجام نقشه‌برداری مکان صفات کمی (Quantitative trait locus (QTL)) بودیم. نقشه برداری  یک تجزیه و تحلیل آماری برای شناسایی نشانگرهای مولکولی (مانند SNPها یا AFLPها) است که منجر به تغییر کمی یک صفت خاص می‌شود.

دکتر فنگ افزود: QTL مکانی را در ژنوم مشخص می‌کند که در آن یک ژن صفات کمی خاص مانند حساسیت به یک بیماری را کنترل می‌کند. نقشه‌برداری QTL از پاسخ‌های محصول تحت تنش پاتوژن می‌تواند به پرورش دهندگان و کشاورزان کمک کند تا عملکردها یا ویژگی‌های  مطلوب محصولات را شناسایی کنند. به بیان ساده‌تر، نقشه‌برداری QTL شامل تجزیه‌وتحلیل ژنوم نمونه‌های متعدد یک ارگانیسم و ​​تلاش برای تعیین دقیق اینکه کدام ژن می‌تواند مسئول یک صفت هدف، از جمله مقاومت به بیماری باشد، است.

در این مطالعه، محققان به طور غیرمستقیم با استفاده از تصاویر پهپاد، شدت بیماری BB را در محصولات کشاورزی مشخص کرده و این اطلاعات را با نتایج تجزیه‌وتحلیل ژنتیکی چند نمونه برنج که در مراحل مختلف رشد گرفته شده بود ترکیب کردند. از طریق این رویکرد، محققان موفق شدند هم QTLهای شناسایی شده قدیمی مرتبط با مقاومت در برابر BB و هم سه مورد جدید را شناسایی کنند!

همانطور که نتایج نشان می‌دهد، استراتژی کلی که در این مطالعه به کار رفته است می‌تواند به صرفه جویی در زمان واقعی انجام تحقیقات بر روی بیماری‌های کشاورزی تبدیل شود. نتیجه‌گیری دکتر فنگ این گونه است که در مقایسه با پایش مستقیم شدت بیماری‌های کشاورزی، تکنیک‌های سنجش از راه دور توسط پهپاد ما را قادر می‌سازد تا اطلاعات فنوتیپی در مقیاس بزرگ را به سرعت جمع‌آوری کنیم، و مهم‌تر از همه، در حالی که این رویکرد به طور خاص برای برنج و BB توسعه یافته است، می‌تواند با سایر محصولات و بیماری‌ها نیز سازگار شود.

انتهای پیام/