مقایسه الگوریتم های یادگیری ماشین جهت تعیین ژن های کلیدی سورگوم در پاسخ به تنش های دمایی

چکیده مبسوط مقدمه و هدف: سورگوم به عنوان یک گیاه چهار کربنه، اگرچه نسبت به تنش های غیر زیستی مختلف نسبتا متحمل است، اما عملکرد آن به طور قابل توجهی تحت تاثیر دماهای بالاتر از ۳۲ درجه سانتی گراد و پایین تر از ۱۵ درجه سانتی گراد قرار می گیرد. انتخاب ژن های کلیدی داده های بیان ژن با استفاده از روش های انتخاب ویژگی، فرآیندی است که در آن به کمک الگوریتم های آماری و محاسباتی، مهم ترین ژن های موثر در تحمل به تنش شناسایی می شوند. نتیجه این فرآیند، فیلتر شدن ژن هایی است که بیشترین ارتباط را با تنش مورد مطالعه دارند. روش فیلتر یکی از روش های انتخاب ویژگی است که مستقل از الگوریتم های یادگیری ماشین عمل می کند. ترکیب روش های مختلف فیلتر، امکان انتخاب بهینه و دقیق ویژگی های موثر در پاسخ ژنتیکی سورگوم به تنش های دمایی را فراهم می آورد. با توجه به این موضوع، هدف از این مطالعه شناسایی ژن های کلیدی موثر در پاسخ به تنش های دمایی (سرما و گرما) در گیاه سورگوم از طریق داده های ترانسکریپتومی و به کارگیری روش های فیلتر شامل کسب اطلاعات (Information Gain)، نسبت کسب اطلاعات (Gain Ratio) و Relief است. مواد و روش ها: در این مطالعه، داده های شمارش مربوط به بیان ژن از پایگاه GEO (https://www.ncbi.nlm.nih.gov/geo/) با شماره دسترسی GSE۲۲۵۶۳۲ استخراج شدند. تجزیه و تحلیل بر روی داده های برگ گیاه سورگوم در شرایط کنترل و تحت تنش دما در چهار زمان مختلف روز انجام شد. داده ها به دو کلاس کنترل و تنش (سرما و گرما) تقسیم شدند و با استفاده از بسته DESeq۲ در نرم افزار R، ژن های با تغییرات بیان شناسایی گردیدند. سپس با استفاده از سه الگوریتم انتخاب ویژگی (Information Gain، Gain Ratio و Relief) ژن های برتر انتخاب شدند و با استفاده از نمودار ون، تعداد ژن های مشترک بین الگوریتم ها بررسی شد. برای اعتبارسنجی نتایج، از الگوریتم های یادگیری ماشین Bayes Net و Random Forest استفاده شد. این الگوریتم ها در نرم افزار Weka ۳.۷ اجرا شدند و عملکرد آن ها در طبقه بندی نمونه ها بر اساس ویژگی های شناسایی شده مقایسه شد .برای مقایسه و ارزیابی الگوریتم های طبقه بندی از معیارهای نرخ مثبت واقعی (TP Rate)، نرخ مثبت کاذب (FP Rate)، دقت (Precision)، بازخوانی (Recall)، معیار F، ضریب همبستگی متیوز (MCC)، مساحت زیر منحنی نرخ مثبت واقعی در مقابل نرخ مثبت کاذب (ROC) و مساحت زیر منحنی دقت در مقابل یادآوری (PRC) استفاده شد. جهت نمایش اشتباهات طبقه بندی از ماتریس درهم ریختگی استفاده شد. یافته ها: در این پژوهش، ابتدا تحلیل تغییرات بیان ژن ها با مقایسه بین شرایط کنترل و تنش های سرمایی و گرمایی انجام شد. از مجموع ۳۴۱۲۹ ژن بررسی شده، ۲۱۳۶ ژن با تغییر بیان معنادار در سطح ۰/۰۵ که دارای log۲FoldChange بیشتر از یک بودند، انتخاب شدند و در مراحل بعدی برای انتخاب ویژگی و تحلیل های یادگیری ماشین مورد استفاده قرار گرفتند. برای استخراج ژن های کلیدی پاسخ دهنده به تنش های دمایی، سه الگوریتم انتخاب ویژگی اجرا شد. در هر الگوریتم، ۵۰ ژن برتر بر اساس رتبه بندی استخراج شدند. در مجموع، نه ژن به طور مشترک توسط سه الگوریتم انتخاب ویژگی شناسایی شدند. کارایی دو مدل طبقه بندی برای تفکیک سه کلاس کنترل، تنش سرما و تنش گرما ارزیابی شد. الگوریتم Bayes Net دقت بالایی در تفکیک کلاس ها داشت. برای کلاس کنترل، نرخ حساسیت (TP Rate) برابر با ۱، نرخ مثبت کاذب (FP Rate)  برابر با ۰/۰۲۱ و دقت (Precision)  برابر با ۰/۹۸۰ بود. در کلاس تنش سرما، دقت ۱ و نرخ حساسیت ۰/۹۵۸ بدست آمد. در تنش گرما، تمامی نمونه ها به درستی طبقه بندی شدند (دقت و نرخ حساسیت  برابر با ۱). الگوریتم Random Forest نیز دقت بالایی در تشخیص کلاس ها از خود نشان داد. در کلاس کنترل، نرخ صحیح طبقه بندی برابر با ۱ و دقت برابر با ۰/۹۶ بود. برای کلاس های تنش سرما و تنش گرما، نرخ صحیح طبقه بندی ۰/۹۵۸ و دقت ۱ به دست آمد که بیانگر عملکرد قوی الگوریتم در شناسایی صحیح نمونه های تحت تنش بود. نتیجه گیری: نتایج این مطالعه نشان می دهند که شناسایی و تحلیل ژن های کلیدی موثر در پاسخ گیاه سورگوم به تنش های دمایی زمینه ساز مطالعه دقیق تر مسیرها و شبکه های بیولوژیکی دخیل در تنظیم پاسخ های سلولی است و می تواند به افزایش فهم ما از مکانیسم های مولکولی این گیاه تحت شرایط تنش کمک شایانی نماید. از میان ۲۱۳۶ ژن شناسایی شده با تغییرات بیان معنادار، نه ژن به طور مشترک توسط سه الگوریتم انتخاب ویژگی شناسایی شدند. برای تایید این ژن ها به عنوان شاخص های مولکولی مناسب، نیاز است که آزمایش های بیولوژیکی مستقل بر روی رقم های مختلف سورگوم انجام شوند تا تغییرات بیان آن ها در شرایط تجربی تایید گردد. عملکرد مطلوب الگوریتم های یادگیری ماشین شامل Bayes Net و Random Forest در طبقه بندی نمونه ها نشان دهنده قدرت و دقت این مدل ها در تفکیک بیان ژن ها در شرایط تنش دما و کنترل است. بررسی همولوگ ژن Sobic.۰۰۴G۲۸۳۳۰۰ در آرابیدوپسیس و ذرت، و همولوگ های ژن های Sobic.۰۱۰G۱۰۰۶۰۰ و Sobic.۰۰۶G۰۹۳۵۰۰ در آرابیدوپسیس بر نقش آن ها در تنش های گرمایی دلالت دارد. علاوه بر این، بررسی همولوگ های ژن های شناسایی شده در گونه های مدل مانند برنج و ذرت در پایگاه های داده ژنومی و مقالات علمی نشان می دهد که تاکنون گزارش معتبر و مستندی در خصوص نقش دقیق و عملکرد زیستی ژن های Sobic.۰۱۰G۱۲۸۹۰۰، Sobic.۰۰۱G۰۹۳۱۰۰، Sobic.۰۰۷G۱۶۸۱۰۰، Sobic.۰۰۲G۲۶۹۱۰۰، Sobic.۰۰۶G۱۸۳۷۰۱ و Sobic.۰۰۲G۰۴۷۸۰۰ در پاسخ به تنش های دمایی وجود ندارد. این شش ژن به عنوان ژن های ناشناخته (uncharacterized)  معرفی شده اند و عملکرد آن ها در سطح مولکولی تاکنون مورد مطالعه قرار نگرفته است. بنا بر این، انجام تحقیقات بیشتر برای مشخص کردن نقش این ژن ها در فرآیندهای فیزیولوژیکی و پاسخ به تنش های دمایی در سورگوم ضروری است تا درک بهتری از عملکرد آن ها در واکنش به تنش های محیطی به دست آید. این اطلاعات می تواند زمینه ساز توسعه ارقام جدید و مقاوم در برابر شرایط نامساعد زیست محیطی باشد و به پایداری کشاورزی در آینده کمک کند. پیشنهاد می شود که مطالعات بیشتری بر روی ژن های شناسایی شده و همچنین ژن های ناشناخته انجام شوند تا عملکرد دقیق آن ها در زمینه های مختلف تنش های زیستی و غیر زیستی بیشتر مورد بررسی قرار گیرد. همچنین، اقدامات تجربی و میدانی برای ارزیابی کارایی این شاخص ‎های مولکولی در شرایط واقعی کشاورزی ضروری است. انجام چنین عملیاتی می تواند به بهبود مستمر و پایداری تولیدات زراعی کمک کند.

کلیدواژه ها:

Feature selection ، Gene expression ، Sorghum ، Temperature stress ، انتخاب ویژگی ، بیان ژن ، سورگوم ، تنش دمایی