استفاده از یادگیری ماشین در تحلیل روابط میان متابولیتهای حفاظتی و آنزیم های آنتی اکسیدانی گیاهان تحت تنش شوری

تنش شوری یکی از مهمترین تنشهای غیر زیستی محدود کننده رشد و عملکرد گیاهان است که از طریق ایجاد تنش اسمزی، سمیت یونی و تنش اکسیداتیو، تعادل فیزیولوژیک و بیوشیمیایی سلول را برهم می زند. گیاهان برای مقابله با این شرایط مجموعه ای از سازوکارهای دفاعی را فعال می کنند که در میان آنها تجمع متابولیتهای حفاظتی و تقویت سامانه آنتی اکسیدانی از اهمیت ویژه ای برخوردار است. متابولیتهایی مانند پرولین، آسکوربات، قندهای محلول، گلیسین، بتائین و ترکیبات فنولی در کنار آنزیم هایی نظیر سوپراکسید دیسموتاز، کاتالاز، آسکوربات پراکسیداز، پراکسیداز و گلوتاتیون ردکتاز نقش کلیدی در تنظیم اسمزی، حفظ هم ایستایی ردوکس، پایداری غشاها و کاهش آسیب اکسیداتیو ایفا می کنند. با این حال تفسیر پاسخ گیاه به شوری بر اساس یک یا چند شاخص منفرد اغلب ناکافی است زیرا این پاسخ ها ماهیتی چندمتغیره، پویا و وابسته به گونه، ژنوتیپ، شدت تنش و شرایط محیطی دارند. در این مقاله، ابتدا مبانی فیزیولوژیک و بیوشیمیایی پاسخ گیاهان به تنش شوری و نقش متابولیتهای حفاظتی و آنزیم های آنتی اکسیدانی در تحمل شوری بررسی شد. سپس برهم کنش های عملکردی میان این شاخص ها و محدودیتهای روش های متداول آماری در تحلیل روابط پیچیده میان آنها مورد بحث قرار گرفت. در ادامه کاربرد یادگیری ماشین به عنوان رویکردی نوین برای تحلیل داده های فیزیولوژیک و بیوشیمیایی معرفی شد و توانایی آن در شناسایی الگوهای پنهان، انتخاب ویژگی های کلیدی، طبقه بندی ژنوتیپ ها و پیش بینی تحمل به شوری تبیین گردید. همچنین چالش های اصلی این حوزه شامل ناهمگنی داده ها، محدودیت اندازه نمونه، خطر بیش برازش، دشواری تفسیر زیستی و نیاز به استانداردسازی و اعتبارسنجی نتایج بررسی شد. در مجموع این تحقیق نشان می دهد که ادغام دانش فیزیولوژی گیاهی با ابزارهای یادگیری ماشین می تواند به درک عمیق تر شبکه دفاعی گیاه در برابر شوری، شناسایی نشانگرهای قابل اعتماد تحمل و بهبود غربالگری و اصلاح ژنوتیپ های متحمل کمک کند. با این حال بهره برداری موثر از این ظرفیت نیازمند داده های باکیفیت، طراحی آزمایشی دقیق و تفسیر زیستی محتاطانه است.

کلیدواژه ها:

آنزیمهای آنتی اکسیدانی ، تحلیل چندمتغییره ، متابولیتهای حفاظتی ، یادگیری ماشین