استفاده از یادگیری عمیق و متابولومیکس برای کشف خواص دارویی گیاهان در اکوسیستم های تحت فشار اقلیمی

تغییرات اقلیمی (افزایش دما، نوسانات رطوبتی، افزایش CO₂ و دوره های خشکی) ساختار و فنوتیپ شیمیایی گیاهان دارویی را دگرگون کرده و کارآمدی آن ها به عنوان منبع ترکیبات دارویی را تحت تاثیر قرار می دهد. هدف این مطالعه میان رشته ای توسعه یک چارچوب تجربی-محاسباتی بود که متابولومیکس هدفمند/غیرهدفمند را با یک مدل یادگیری عمیق دو مرحله ای ادغام کند تا هم (۱) تغییرات پروفایل های متابولیتیک در گونه های مهم دارویی تحت سه فشار اقلیمی شبیه سازی شده (کنترل، خشکی، گرما) را مشخص سازد و هم (۲) توانایی پیش بینی تغییرات در فعالیت بیولوژیک ترکیبات (bioactivity) را بر مبنای داده های مولکولی و اقلیمی ارزیابی نماید. کار در مزرعه ی تحقیقاتی دانشگاه اصفهان، با طراحی عاملی دوطرفه (گونه × تیمار) و ۶ تکرار بیولوژیک انجام شد. نمونه برداری برگ در فاز تولید ثانویه متابولیت ها انجام و آنالیزها با LC–MS (LC–HRMS)، پردازش داده ها با XCMS/MZmine و تحلیل داده های بزرگ متابولومیکی با MetaboAnalyst همراه شد؛ مدل یادگیری عمیق (معماری چندلایه با دو مرحله پیش بینی متوالی) برای پیش بینی پروفایل های بیواکتیویته از TensorFlow پیاده سازی شد. نتایج نشان داد که خشکی به طور معناداری سطح فنول ها و برخی ترپنوئیدها را افزایش می دهد (p<۰.۰۱) در حالی که گرما الگوی متغیری ایجاد کرد؛ مدل یادگیری عمیق توانست با ضریب تعیین R²≈۰.۷۸ تغییرات بیواکتیویته را پیش بینی کند که از روش های کلاسیک (RF, GBR) بهتر بود. محدودیت های مطالعه شامل تعداد گونه ها و اندازه ی نمونه برداری در مقیاس منطقه ای است؛ به همین دلیل توصیه می کنیم چارچوب پیشنهادی در مقیاس شبکه ای و با داده های فضایی (hyperspectral / remote sensing) ترکیب شود. این رویکرد نوآورانه امکان ردیابی و محافظت از منابع دارویی ارزشمند در شرایط اقلیمی متغیر و شناسایی سریع ترکیبات با اولویت دارویی را فراهم می آورد.

کلیدواژه ها:

متابولومیکس ، یادگیری عمیق ، گیاهان دارویی ، تغییر اقلیم ، کشف دارویی