محمدرضا عبداللهی

چکیده: گل اطلسی (Petunia hybrida) به عنوان یک گیاه فوق زینتی از نظر اقتصادی به دلیل تنوع رنگی و صفات مورفولوژیکی بالا در سراسر جهان کشت می‎شود. روش های جدید مهندسی ژنتیک همچون کریسپر می تواند جهت تولید ارقام جدید در گیاه اطلسی مورد استفاده قرار گیرد. با این حال، بهینه سازی شرایط کشت درون شیشه ای، شرایط انتقال ژن و طراحی gRNA پیش نیاز استفاده از این فن آوری می باشد. برای این منظور، مدل های هوش مصنوعی و الگوریتم های بهینه سازی می توانند ابزاری قدرتمند و قابل اعتماد باشند. بنابراین، این پژوهش به منظور مدل سازی و بهینه سازی کشت درون شیشه ای، شرایط کلونینگ gRNA انجام شد. نتایج آزمایش مدل سازی و بهینه سازی گندزدایی درون شیشه ای با استفاده از GRNN-NSGAII نشان داد که استفاده از 73/8% 2Ca(ClO) در 54/13 دقیقه زمان غوطه وری می تواند کمترین درصد آلودگی (27/4%) و بیشترین درصد جوانه زنی بذر (63/90%) ایجاد کند. نتایج آزمایش مدل سازی و بهینه سازی تاثیر غلظت های مختلف تنظیم کننده های رشد گیاهی بر کالوس‎زایی با استفاده از GRNN-GA نشان داد که تیمار 31/1 میلی‌گرم در لیتر BAP، 02/1 میلی‌گرم در لیتر KIN، 44/1 میلی‎گرم در لیتر NAA و 70/1 میلی‌گرم در لیتر IBA برای ایجاد درصد قابل توجه کالوس 83/95٪ ایجاد می‎کند. همچنین در آزمایش دیگری تاثیر تنظیم‎کننده‎های رشد بر پاسخ‎های باززایی غیرمستقیم گل اطلسی با استفاده از مدل GRNN-GA مورد بررسی قرار گفت. نتایج نشان داد که ترکیب 72/0 میلی‌گرم در لیتر BAP، 14/1 میلی‌گرم در لیتر KIN، 38/0 میلی‌گرم در لیتر NAA و 85/1 میلی گرم در لیتر IBA برای ایجاد درصد قابل توجهی باززایی (100%) شناسایی شد. نتایج آزمایش مدل سازی و بهینه سازی کلونینگ با استفاده از GRNN-GA نشان داد که دمای لیگاز 6/3 درجه‌سانتی گراد، غلظت gRNA سه برابر غلظت وکتور، دمای 42 درجه سانتی‎گراد به مدت 63/4 و دمای 4 درجه سانتی‎گراد به مدت 47/71 ثانبه منجر به تعداد کلون بهینه شد. به طور کلی، هیبرید مدل های هوش مصنوعی و الگوریتم های بهینه سازی به عنوان یک روش قدرتمند، می تواند راه را برای ایجاد راهبرد محاسباتی جدید در مهندسی ژنتیک و کشت بافت بافت گیاهی هموار کند.