Unraveling relationship between physiological and seed-yield traits in wheat (Triticum aestivum L.) through genotype–trait interactions

कल्पना कीजिए कि आप एक जासूस हैं जो एक रहस्य को सुलझाने की कोशिश कर रहे हैं, लेकिन आप किसी लापता व्यक्ति की तलाश नहीं कर रहे हैं, बल्कि आप गेहूं के पौधे के लिए एक आदर्श रेसिपी (नुस्खा) की खोज कर रहे हैं। यह शोध एग्रोनॉमी (कृषि विज्ञान) और प्लांट ब्रीडिंग (पादप प्रजनन) की दुनिया में रहता है, जहाँ वैज्ञानिक शेफ और जेनेटिकिस्ट (आनुवंशिकीविद्) का मिश्रण होते हैं। उनका लक्ष्य सरल लेकिन बहुत बड़ा है: दुनिया का पेट भरना। ऐसा करने के लिए, उन्हें ऐसा गेहूं उगाना होगा जो अधिक से अधिक अनाज पैदा कर सके, भले ही मौसम कठिन हो।

लेकिन पौधे जटिल होते हैं। एक गेहूं का पौधा केवल एक चीज़ नहीं है; यह कई हिस्सों का एक संग्रह है जो एक साथ काम करते हैं। कुछ हिस्से आसानी से देखे जा सकते हैं, जैसे कि पौधा कितना लंबा है या बीज कितने भारी हैं (यील्ड/उपज)। अन्य हिस्से इनके अंदर छिपे होते हैं, जैसे कि उनकी पत्तियों में कितना पानी है, वे कितने हरे हैं, या वे ऊर्जा में बदलने के लिए सूर्य के प्रकाश का कितनी कुशलता से उपयोग कर रहे हैं (फिजियोलॉजिकल ट्रेड्स/शारीरिक लक्षण)। बड़ी चुनौती यह है कि एक पौधा जो एक बगीचे में बहुत अच्छा दिखता है, वह मिट्टी, बारिश या तापमान के कारण दूसरे बगीचे में विफल हो सकता है। इसे जीनोटाइप × एनवायरनमेंट इंटरैक्शन (Genotype × Environment interaction) कहा जाता है—यह कहने का एक शानदार तरीका है कि "पौधे के जीन और मौसम के बीच बातचीत हो रही है, और कभी-कभी वे आपस में नहीं पटते।"

इसे हल करने के लिए, वैज्ञानिक पहले केवल अनुमान लगाते थे और कोशिश करते थे, बीज बोते थे और सबसे अच्छे की उम्मीद करते थे। लेकिन अब, उनके पास एक नई महाशक्ति है: मशीन लर्निंग (Machine Learning)। इसे एक सुपर-स्मार्ट कंप्यूटर दिमाग के रूप में सोचें जो हजारों सूक्ष्म सुरागों (जैसे पत्ती का रंग या पानी का स्तर) को देख सकता है और यह पता लगा सकता है कि वास्तव में कौन से कारक एक बड़ी फसल की भविष्यवाणी करते हैं। यह शोध उन "चैंपियन" गेहूं के पौधों को खोजने और यह समझने के बारे में है कि वे वास्तव में क्यों जीतते हैं।

---

द ग्रेट व्हीट हंट: चैंपियंस की खोज

इस अध्ययन में, शोधकर्ताओं की एक टीम ने "प्लांट रूलेट" का एक उच्च-दांव वाला खेल खेला। उन्होंने 23 अलग-अलग प्रकार के गेहूं (सोचिए कि ये 2 'एथलीटों की अलग-अलग टीमें' हैं) लिए और उन्हें ईरान के तीन बहुत अलग स्थानों पर भेजा: करज, दमावंद और कज़्विन। ये स्थान एक वीडियो गेम के विभिन्न स्तरों की तरह हैं; एक ऊँचा और ठंडा है, जबकि अन्य मध्यम हैं। लक्ष्य यह देखना था कि कौन सी गेहूं टीम हर वातावरण में सबसे अधिक अंक (अनाज की उपज) स्कोर कर सकती है।

वैज्ञानिकों ने केवल अंतिम स्कोर (अनाज) को नहीं देखा। उन्होंने उनके बीच के हर पहलू को मापा। उन्होंने पौधों के "वाइटल साइन्स" (महत्वपूर्ण संकेतों) की जांच की, जैसे कि उनकी पत्तियों में कितना पानी है, वे कितने हरे हैं, और वे कितनी तेजी से बढ़ रहे हैं। उन्होंने यहाँ तक कि एक विशेष कैमरे का उपयोग करके यह भी देखा कि पौधे प्रकाश के प्रति कैसे प्रतिक्रिया करते हैं जो फ्लोरेसेंस (एक चमकता प्रभाव जो बताता है कि क्या पौधे के सोलर पैनल काम कर रहे हैं) को देखता है।

बड़ी खोज: यह जटिल है!
शोधकर्ताओं ने जो पहली बात पाई वह यह थी कि कोई एक एकल "सुपर गेहूं" नहीं है जो हर जगह जीतता है। वातावरण बहुत मायने रखता है। एक पौधा जो करज में स्टार था, वह दमावंद में फ्लॉप हो सकता है। यह जीनोटाइप × एनवायरनमेंट इंटरैक्शन है। मौसम और मिट्टी खेल के नियम बदल देते हैं, इसलिए जीतने के लिए एक पौधे को अनुकूलन योग्य होना चाहिए।

हालाँकि, एक विशेष मानचित्र का उपयोग करके जिसे पॉलीगन प्लॉट (polygon plot) कहा जाता है (कल्पना कीजिए कि एक आकार सबसे अच्छे खिलाड़ियों के चारों ओर बनाया गया है), टीम ने कुछ विशिष्ट जीनोटाइप की पहचान की जो लगातार मजबूत रहे।

• दमावंद क्षेत्र में (ठंडी, उच्च ऊंचाई वाली चुनौती), जीनोटाइप G6 शीर्ष प्रदर्शन करने वाला रहा।
• कज़्वि़न में, जीनोटाइप G2 ने ताज पहना।
• सभी क्षेत्रों को मिलाकर सबसे स्थिर, विश्वसनीय चैंपियन खोजने के मामले में, जीनोटाइप G21, G14, G10 और G5 सबसे वांछनीय के रूप में उभरे।

लेकिन शोधकर्ता और गहराई में जाना चाहते थे। उन्होंने पूछा: "कौन से विशिष्ट लक्षण इन पौधों को विजेता बनाते हैं?" उन्होंने प्रिंसिपल कंपोनेंट एनालिसिस (PCA) नामक तकनीक का उपयोग किया, जो जानकारी के एक विशाल पुस्तकालय को केवल कुछ सारांश पुस्तकों में संकुचित करने जैसा है। उन्होंने पाया कि पहले दस "सारांश पुस्तकें" (प्रिंसिपल कंपोनेंट्स) पौधों के बीच के सभी अंतरों के 84% से अधिक की व्याख्या करती हैं। इसका मतलब है कि उनके द्वारा मापे गए लक्षण बहुत सुसंगत थे और स्पष्ट पैटर्न का पालन करते थे।

कंप्यूटर का दिमाग बनाम मानव अनुमान

अध्ययन का सबसे रोमांचक हिस्सा यह परीक्षण करना था कि क्या एक कंप्यूटर फसल की भविष्यवाणी इंसान से बेहतर कर सकता है। टीम ने मशीन लर्निंग का उपयोग करके तीन अलग-अलग "प्रेडिक्शन इंजन" बनाए:

1. रैंडम फॉरेस्ट (Random Forest - RF): विशेषज्ञों की एक समिति द्वारा उत्तर पर मतदान करने जैसा।
2. सपोर्ट वेक्टर मशीन (Support Vector Machine - SVM): एक सख्त रेफरी की तरह जो विजेताओं और हारने वालों के बीच एक आदर्श रेखा खींचने की कोशिश करता है।
3. एक्सट्रीम ग्रेडिएंट बूस्टिंग (Extreme Gradient Boosting - XGBoost): एक छात्र की तरह जो हर एक गलती से सीखता है, और हर प्रयास के साथ स्मार्ट होता जाता है।

उन्होंने कंप्यूटर को पौधों के शारीरिक लक्षणों (जैसे पत्ती का तापमान और पानी की मात्रा) का डेटा दिया और उससे अंतिम अनाज की उपज का अनुमान लगाने को कहा। परिणाम स्पष्ट थे: XGBoost निर्विवाद चैंपियन था।

करज क्षेत्र में, XGBoost ने 0.652 के सटीकता स्कोर (R²) के साथ उपज की भविष्यवाणी की।
कज़्वि़न में, इसने 0.628 स्कोर किया।
दमावंद में, इसने 0.698 तक का स्कोर प्राप्त किया।

इसे समझने के लिए, अन्य मॉडल (RF और SVM) अच्छे थे, लेकिन उन्होंने अधिक गलतियाँ कीं। XGBoost में त्रुटि दर सबसे कम थी, जिसका "मीन एब्सोल्यूट परसेंटेज एरर" (MAPE) दमावंद में 2.046% जितना कम था। इसका मतलब है कि कंप्यूटर वास्तविक फसल के आंकड़ों के अविश्वसनीय रूप से करीब था।

एक विजेता क्या बनाता है?
कंप्यूटर ने केवल अनुमान नहीं लगाया; इसने वैज्ञानिकों को बताया कि इसने अपने अनुमान क्यों लगाए। इसने खुलासा किया कि विभिन्न वातावरणों को अलग-अलग "सुपरपावर्स" की आवश्यकता होती है:

• करज में, सबसे महत्वपूर्ण कारक पत्ती का तापमान और सापेक्ष जल सामग्री थे। मूल रूप से, वे पौधे जो अपने पानी को थामे रख सकते थे और ठंडे रह सकते थे, विजेता थे।
• कज़्वि़न में, मुख्य कारक प्रकाश संश्लेषण (पौधा धूप को कितनी अच्छी तरह खाता है) और ऑस्मोटिक पोटेंशियल (वह अपने आंतरिक जल दबाव को कितनी अच्छी तरह प्रबंधित करता है) था।
• दमावंद में, विजेता वे थे जो तेजी से बढ़े और सबसे अधिक ड्राय मैटर (बायोमास) का उत्पादन किया।

निष्कर्ष (The Takeaway)

यह शोधपत्र यह दावा नहीं करता है कि इसने दुनिया भर में भूख मिटाने के लिए "परफेक्ट" गेहूं ढूंढ लिया है। इसके बजाय, यह प्रजनन कार्यक्रमों के लिए सर्वश्रेष्ठ उम्मीदवारों को खोजने का एक शक्तिशाली नया तरीका सुझाता है। पुराने जमाने के फील्ड माप को आधुनिक मशीन लर्निंग के साथ जोड़कर, वैज्ञानिक अब उन छिपे हुए लक्षणों को पहचान सकते हैं जो एक बड़ी फसल की ओर ले जाते हैं।

अध्ययन पुष्टि करता है कि जीनोटाइप G2, G10 और G12 भविष्य के प्रजनन कार्यक्रमों के लिए विशेष रूप से आशाजनक हैं क्योंकि उन्होंने कई आयामों में अच्छा प्रदर्शन किया। यह यह भी सिद्ध करता है कि XGBoost यह भविष्यवाणी करने के लिए एक बेहतर उपकरण है कि गेहूं का पौधा कटाई तक पहुँचने से पहले ही कैसा प्रदर्शन करेगा।

संक्षेप में, शोधकर्ताओं ने ब्रीडर्स (प्रजनकों) को एक नया मानचित्र और एक नया दिशा-सूचक यंत्र (कंपास) सौंपा है। अब वे एक पौधे के सूक्ष्म शारीरिक संकेतों को देख सकते हैं और एक स्मार्ट कंप्यूटर का उपयोग करके यह भविष्यवाणी कर सकते हैं कि क्या वह पौधा खेत में चैंपियन बनेगा, जिससे दुनिया का पेट भरने की यात्रा थोड़ी तेज़ और बहुत अधिक स्मार्ट हो जाएगी।