تطبيق التعلم الآلي وعلم الجينوم لتحسين المحاصيل اليتيمة

محاصيل خفية ذات إمكانات كبيرة

في إفريقيا وآسيا وأمريكا اللاتينية، يعتمد ملايين الأشخاص على ما يعرف بـ «المحاصيل اليتيمة» مثل السورغم والتهف (التيف) والكسافا والفول السوداني. هذه النباتات نادراً ما تتصدر العناوين، ومع ذلك غالباً ما تتحمّل الحرارة والجفاف والآفات والتربة الفقيرة أفضل من الحبوب العالمية مثل القمح أو الأرز. تستعرض هذه المقالة المراجعية كيف يمكن لأداتين قويتين — علم الجينوم والتعلم الآلي — أن تفتحا إمكانات هذه المحاصيل المُهملة، معزِّزَتَين الأمن الغذائي المحلي ومزوِّدَتَين في الوقت نفسه بجينات قيِّمة قد تقوّي المحاصيل الرئيسية حول العالم.

لماذا تهم المحاصيل المُهملة

تُسمى المحاصيل اليتيمة أحياناً «المهملة» أو «قليلة الاستخدام» لأنها حظيت باهتمام علمي وتجاري أقل بكثير من محاصيل التصدير الكبيرة. ومع ذلك، فهي مصادر غذائية أساسية لعديد من المجتمعات وغالباً ما تُزرَع في بيئات هامشية قاسية حيث تفشل المحاصيل الأخرى. وعلى عكس القمح أو الأرز، فقد حرمت معظم المحاصيل اليتيمة من فوائد الثورة الخضراء وتقدّم التهجين والتقنيات الحديثة مثل التربية بمساعدة العلامات والتحرير الجيني. بدأت مشاريع جينومية مثل اتحاد المحاصيل اليتيمة الأفريقية في تسلسل وفهرسة حمضها النووي، لكن تحويل البيانات الجينية الخام إلى تحسينات عملية لا يزال تحدياً كبيراً.

تعليم الحواسيب قراءة النباتات

التعلم الآلي — طرق حاسوبية تتعلم الأنماط من مجموعات بيانات كبيرة — يغيّر بالفعل ممارسات التربية في المحاصيل الكبرى. من خلال دمج تسلسلات الجينوم وسجلات الطقس والتربة وقراءات المستشعرات والصور من الطائرات بدون طيار أو الهواتف الذكية، يمكن للخوارزميات أن تتنبأ بصفات معقدة مثل المحصول ومقاومة الأمراض أو جودة الحبوب. أنواع النماذج المختلفة، من أشجار القرار إلى الشبكات العصبية العميقة، تتفوق في مواقف متباينة. أحياناً تظل الأدوات الإحصائية التقليدية مساوية أو أفضل من التعلم العميق، لكن عموماً فإن مزج مصادر وطرائق بيانات متعددة يمكّن المربين من الحصول على توقعات أكثر دقة وثباتاً من أي نهج منفرد.

استغلال أفضل للبيانات النادرة

بالنسبة للمحاصيل اليتيمة، العقبة الأساسية ليست قدرة الحاسوب بل ندرة البيانات. لا توجد سوى مجموعات جينومية وصور عامة محدودة، ونادراً ما تكون كبيرة بما يكفي لأنابيب عمل التعلم الآلي التقليدية. ومع ذلك، تظهر العروض التجريبية الأولية نتائج واعدة. في السورغم، على سبيل المثال، استخدمت نماذج التعلم العميق صوراً بسيطة للحبوب للتنبؤ بمستويات البروتين ومضادات الأكسدة بدقة عالية، ما يوفر بديلاً أرخص للاختبارات المخبرية. وفي حالة أخرى، استُخدمت قياسات الأشعة تحت الحمراء القريبة والتعلم العميق لتقدير الصفات الغذائية في نبات البيرِيلا. وتجادل المراجعة بأن بناء قواعد بيانات مشتركة للجينومات والصور والملفات الكيميائية للمحاصيل اليتيمة سيضاعف بسرعة أثر هذه الأدوات.

اقتراض المعرفة من المحاصيل الأكبر

فكرة مركزية في المقال هي «نقل المعرفة» بين الأنواع. العديد من المحاصيل اليتيمة قريبات نسبياً من المحاصيل الرئيسية، وتشارك معها امتدادات كبيرة من الحمض النووي وجينات مشابهة. يمكن لنماذج التعلم الآلي استغلال هذا القرابة. الأدوات التي تُدرَّب أولاً على نباتات مدروسة جيداً مثل الأرابيدوبسيس أو الذرة يمكن أن تساعد في تحديد الجينات المسؤولة عن صفات مثل ارتفاع النبات وجودة البذور أو تحمل الإجهاد في أقارب أقل شهرة. يمكن أيضاً للنماذج اللغوية الكبيرة المطورة أصلاً للجينومات البشرية أو النباتية أن تعامل الحمض النووي كنوع من النص، متعلمةً أنماطاً تميز المناطق التنظيمية أو الجينات الهامة. وبمجرد تدريبها على مجموعات بيانات غنية، يمكن تحسين هذه النماذج على بيانات محدودة للمحاصيل اليتيمة للتنبؤ بوظيفة الجين، وتحديد أهداف للتحرير الجيني، وتوجيه برامج التهجين بكفاءة أكبر.

من الخوارزميات إلى الحقول والمزارعين

يؤكد المؤلفون أن التكنولوجيا وحدها لن تحوّل المحاصيل اليتيمة. يعتمد التقدم على الاستثمار في العلماء المحليين، والشراكات مع المزارعين أصحاب الحيازات الصغيرة، وسياسات تضمن استفادة المجتمعات من الأصناف الجديدة. يمكن أن تولّد مناهج علم المواطن، حيث يختبر المزارعون الأصناف مباشرة على أراضيهم، بيانات قيِّمة للتعلم الآلي بينما تضمن توافق البحث مع الاحتياجات والأذواق المحلية. وبما أن التمويل محدود، توصي المقالة باستراتيجية متوازنة: دمج التهجين التقليدي منخفض التكلفة والممارسات الزراعية مع مشاريع جينومية وتعلم آلي مُوجّهة بعناية، ومشاركة الأدوات والبيانات بين الدول وبين المحاصيل اليتيمة والرئيسية.

ماذا يعني هذا لمستقبل طعامنا

بعبارات بسيطة، تستنتج المقالة أن حواسيب أكثر ذكاءً إلى جانب معلومات وراثية أفضل يمكن أن تساعد في تحويل محاصيل اليوم «المنسية» إلى محاصيل جاهزة لمواجهة المناخ غداً. من خلال التعلم من المحاصيل الكبيرة وتطبيق تلك الدروس على الأصغر، ثم إعادة نتيجة الاكتشافات في الاتجاه المعاكس، يمكن للتعلم الآلي وعلم الجينوم تسريع البحث عن أصناف متينة ومغذية. إذا دُعمت هذه المقاربة بسياسات مدروسة وتعاون حقيقي مع المجتمعات الزراعية، فقد تُحسّن الحميات الغذائية، وتقوّي القدرة على التكيّف مع تغيّر المناخ، وتوسع أدوات الزراعة العالمية خارج مجموعة ضيقة من المحاصيل الأساسية.

الاستشهاد: MacNish, T.R., Danilevicz, M.F., Bayer, P.E. et al. Application of machine learning and genomics for orphan crop improvement. Nat Commun 16, 982 (2025). https://doi.org/10.1038/s41467-025-56330-x

الكلمات المفتاحية: المحاصيل اليتيمة, التعلم الآلي, علم الجينوم, تربية المحاصيل, الأمن الغذائي