پیش بینی مقاومت گیاهچه های برنج به سمیت آهن با استفاده از هوش مصنوعی و داده های مولکولی و فنوتیپی

هدف: سمیت آهن یکی از تنش های مهم محدودکننده تولید برنج در خاک های غرقابی اسیدی است. روش های مرسوم ارزیابی تحمل به این تنش که مبتنی بر فنوتیپ برداری پرهزینه و زمان بر هستند، به عنوان یک محدودیت اساسی در برنامه های اصلاحی محسوب می شوند. این مطالعه با هدف ارائه یک چارچوب پیش بینی کارآمد و بین شرایطی انجام شد تا امکان ارزیابی تحمل به سمیت آهن را با استفاده از داده های جمع آوری شده در شرایط نرمال و تنش فراهم کند.مواد و روش ها: برای این منظور، داده های فنوتیپی و ژنوتیپی (نشانگرهای iPBS، IRAP، ISSR و SSR) مربوط به ۹۶ لاین اینبرد برنج و والدین آن ها، در هر دو شرایط نرمال و تنش سمیت آهن گردآوری شد. پس از پیش پردازش داده ها شامل حذف داده گمشده، تشخیص و حذف نقاط پرت و نرمال سازی داده ها، انتخاب ویژگی با سه الگوریتم شامل آزمون F، الگوریتم MRMR و الگوریتم RReliefF برای وزن دهی ویژگی ها بر اساس توانایی آن ها در تمایز بین نمونه های همسایه مورد استفاده قرار گرفت. عملکرد ده مدل یادگیری ماشین شامل شبکه عصبی مصنوعی، ماشین بردار پشتیبان، درخت تصمیم، روش های گروهی شامل جنگل تصادفی، XGBoost و AdaBoost، فرایند گاوسی، رگرسیون خطی، تحلیل ممیز خطی نزدیک ترین همسایه و Naive Bayes در دوازده حالت پیش بینی مدل سازی مختلف (مبتنی بر نوع داده و شرایط آموزش - آزمون) با معیارهای MAE، RMSE و R² ارزیابی شد. داده ها به نسبت ۷۰:۳۰ به مجموعه های آموزش و آزمون تقسیم شدند و به منظور ارزیابی پایداری مدل ها و جلوگیری از بیش برازش، از اعتبارسنجی متقاطع استفاده شد. بهینه سازی فراپارامترها با استفاده از جستجوی شبکه ای و بهینه سازی بیزی انجام شد و ارزیابی نهایی مدل ها بر روی مجموعه آزمون صورت گرفت.نتایج: نتایج نشان داد که حالت های پیش بینی مبتنی بر ادغام کامل داده ها (D۱۰ و D۱۲) با دستیابی به ضرایب تعیین بالا (R² > ۰.۹۶) به عنوان دقیق ترین رویکردها شناخته شدند. حالت پیش بینی D۸ که تنها از داده های ژنوتیپی شرایط نرمال و الگوریتم MRMR استفاده می کند، با دقت متوسط (R² = ۰.۶۷۸) نشان داد که می توان برخی الگوهای آماری نشانگری مرتبط با پاسخ ژنوتیپ ها به سمیت آهن را در جمعیت مورد مطالعه شناسایی کرد و از آن ها برای غربالگری اولیه بین شرایطی استفاده نمود.نتیجه گیری: نتایج این پژوهش نشان می دهد که استفاده مرحله ای از مدل ها می تواند در غربالگری اولیه ژنوتیپ ها موثر باشد؛ به طوری که مدل هایی مانند D۸ با وجود دقت متوسط، می توانند به کاهش هزینه و تمرکز منابع در مراحل ابتدایی کمک کنند، در حالی که انتخاب نهایی ژنوتیپ های متحمل همچنان نیازمند اعتبارسنجی با مدل های دقیق تر، فنوتیپ برداری مستقیم تحت تنش و آزمون های مستقل مزرعه ای است.

کلیدواژه ها:

انتخاب ویژگی ، برنج ، پیش بینی بین شرایطی ، سمیت آهن ، یادگیری ماشین