به گزارش گروه دانشگاه خبرگزاری دانشجو، این دستاورد تاکنون به انتشار چهار مقاله علمی در مجلات معتبر بینالمللی و تعریف و اجرای مجموعهای از رسالهها و پایاننامههای تحصیلات تکمیلی در حوزه تکثیر و اصلاح ارکیده منجر شده است.
این پروژه پژوهشی بینرشتهای، توسط شیرین دیانتی دیلمی عضو هیأت علمی دانشکده فناوری کشاورزی دانشگاه تهران که با همکاری کیوان آصفپور وکیلیان عضو هیأت علمی دانشگاه گرگان در بحث Machine Learning انجام شده است که با هدف مدیریت هوشمند عوامل مؤثر بر رشد و نمو درونشیشهای ارکیده فالانوپسیس، تلفیقی از علوم باغبانی و هوش مصنوعی است و طی آن از ظرفیت روشهای یادگیری ماشین برای بهینهسازی شرایط کشت بافت گیاهی بهره گرفته است.
نتایج این پژوهش، نشان میدهد که میتوان با استفاده از مدلهای هوشمند، محیطهای کشت مناسبتری برای افزایش رشد، بهبود ویژگیهای مورفولوژیک و بیوشیمیایی و ارتقای کیفیت تولید این گیاه زینتی ارزشمند طراحی کرد.
بهکارگیری روشهای یادگیری ماشین در علوم گیاهی و کشت بافت، افقهای جدیدی را برای تولید هوشمند گیاهان زینتی گشوده است. نتایج این پروژه نشان میدهد که تلفیق هوش مصنوعی با فناوریهای نوین کشاورزی، میتواند ضمن کاهش هزینهها و زمان تولید، به افزایش بهرهوری و ارتقای کیفیت محصولات گیاهی منجر شود و زمینهساز توسعه پژوهشهای میانرشتهای در دانشگاه تهران باشد.
دستاوردهای این بخش از پروژه، تاکنون در قالب چهار مقاله علمی در مجلات معتبر بینالمللی منتشر شده است. مقاله «بهبود جذب نیتروژن و رشد گیاهچههای فالانوپسیس با بهینهسازی عناصر پرمصرف مبتنی بر یادگیری ماشین» و مقاله «تحول در کشت درونشیشهای؛ بهینهسازی مواد غذایی برای ارتقای ویژگیهای مورفولوژیک و بیوشیمیایی ارکیده فالانوپسیس با استفاده از یادگیری ماشین» در سال ۲۰۲۵ در مجله Plant Cell, Tissue and Organ Culture (PCTOC) منتشر شدند.
همچنین مقاله «بهینهسازی مبتنی بر شبکههای عصبی مصنوعی کایتوزان و ۲۴- اپیبراسینولید برای ارتقای رشد گیاهچههای فالانوپسیس در شرایط درونشیشهای» در سال ۲۰۲۶ در همین مجله به چاپ رسیده است. مقاله چهارم نیز با عنوان «شناسایی شرایط بهینه اختصاصی اندامهای گیاهی برای تأمین عناصر غذایی، کیفیت نور، وضعیت رشد گیاه و پیکربندی کشت در تکثیر درونشیشهای Phalaenopsis amabilis با استفاده از مدل ANFIS» در سال ۲۰۲۶ در مجله BMC Plant Biology منتشر شده است.
این پروژه علاوه بر انتشار مقالات علمی، بستری برای تربیت دانشجویان تحصیلات تکمیلی و توسعه پژوهشهای نوآورانه در حوزه تکثیر و اصلاح ارکیده فراهم کرده است.
همچنین طی سالهای گذشته، مجموعهای از پایاننامههای کارشناسی ارشد و رسالههای دکتری با موضوعاتی همچون مقایسه محیطهای کشت مبتنی بر هوش مصنوعی، سازگارسازی گیاهچههای کشتبافتی، تولید بذر مصنوعی، تکثیر انبوه ارکیده، القای جنینزایی و گلدهی درونشیشهای و بهبود ویژگیهای رشد ارکیده فالانوپسیس در قالب نقشهای مختلف راهنمایی و مشاوره علمی به انجام رسیده یا در حال اجرا است.
عناوین چهار مقاله پژوهشی در این زمینه در پیوندهای زیر قابل مشاهده است:
• Mahdavi Z. ; Dianati Daylami, S*; Asefpour Vakilian, K; Vahdati , K; ۲۰۲۵, Machine learning-based macronutrients optimization enhances nitrogen uptake and growth in Phalaenopsis plantlets, Plant Cell, Tissue and Organ Culture (PCTOC).
• Mahdavi Z. ; Dianati Daylami, S*; Asefpour Vakilian, K; Vahdati , K; ۲۰۲۵, Revolutionizing in vitro cultivation: Machine learning-based optimization of nutrients for superior morphology and biochemistry of Phalaenopsis orchids, Plant Cell, Tissue and Organ Culture (PCTOC) ,.
• Mahdavi, Z. , Dianati Daylami, S. , Asefpour Vakilian, K. et al. Artificial neural network-based optimization of chitosan and ۲۴-epibrassinolide for enhancing Phalaenopsis plantlet growth in vitro. Plant Cell Tiss Organ Cult ۱۶۵, ۶۰ (۲۰۲۶).
• Mohammadpour Barough, A. , Dianati Daylami, S. , Asefpour Vakilian, K. et al. ANFIS-derived response surfaces reveal organ-specific optimal conditions for nutrient supply, light quality, plant developmental status, and culture configuration in Phalaenopsis amabilis in vitro propagation. BMC Plant Biol (۲۰۲۶).