بررسی مکانیسم‌های متابولومیکس دفاعی گیاهان مبتنی بر هوش مصنوعی
الموضوعات :
مژگان زنگنه
1
,
محمدرضا صالحی سلمی
2
1 - دکتری، گروه علوم و مهندسی باغبانی، دانشکده کشاورزی، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان، ملاثانی، ایران
2 - دانشیار، گروه علوم و مهندسی باغبانی، دانشکده کشاورزی، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان، ملاثانی، ایران
الکلمات المفتاحية: تحلیل داده‌ها, تنش, چنداُمیکسی, کشاورزی پایدار, محصول مقاوم,
ملخص المقالة :
متابولومیکس با کمک هوش مصنوعی به‌عنوان یک رویکرد تحول‌آفرین در مطالعات واکنش دفاعی گیاهان در برابر تنش‌ها ظهور کرده است که بینش‌های بی‌سابقه‌ای در مورد پاسخ‌های متابولیک پیچیده گیاهان به تنش‌های زیستی و غیرزیستی ارائه می‌دهد. این مقاله مروری، روندهای فعلی و جهت‌گیری‌های آینده تکنیک‌های متابولومیکس مبتنی بر هوش مصنوعی را بررسی می‌کند و نقش آن‌ها را در رمزگشایی شبکه‌های متابولیکی پیچیده، شناسایی زیست‌نشانگرهای پاسخ‌دهنده به تنش و کشف الگوهای پنهان در مجموعه‌داده‌های اُمیکس در مقیاس بزرگ برجسته می‌سازد. رویکردهای سنتی متابولومیکس اغلب با چالش‌هایی در زمینه یکپارچه‌سازی داده‌ها، تفسیر و مقیاس‌پذیری مواجه هستند، اما هوش مصنوعی، به‌ویژه الگوریتم‌های یادگیری ماشین و یادگیری عمیق، این حوزه را با امکان تحلیل سریع و دقیق داده‌ها متحول کرده است. تکنیک‌های مبتنی بر هوش مصنوعی، کشف متابولیت‌های کلیدی درگیر در مکانیسم‌های دفاعی گیاهان را تسهیل می‌کنند، پیش‌بینی تحمل تنش را بهبود می‌بخشند و در توسعه واریته‌های مقاوم به تنش نقش دارند. علاوه بر این، یکپارچه‌سازی داده‌های چنداُمیکسی، شامل ژنومیکس، ترانسکریپتومیکس و پروتئومیکس، با متابولومیکس از طریق پلتفرم‌های مبتنی بر هوش مصنوعی، درک جامعی از پاسخ‌های گیاهان به تنش فراهم می‌کند. با وجود این پیشرفت‌ها، چالش‌هایی مانند استانداردسازی داده‌ها، تفسیرپذیری مدل‌ها و نیاز به منابع محاسباتی همچنان وجود دارد. این مقاله همچنین پتانسیل متابولومیکس مبتنی بر هوش مصنوعی را در بهینه‌سازی روش‌های کشاورزی، بهبود مقاومت محصولات و تضمین تولید پایدار غذا در مواجهه با تغییرات اقلیمی بررسی می‌کند. با توجه به رفع محدودیت‌های فعلی و بررسی فناوری‌های نوظهور، این حوزه نویدبخش پیشرفت‌های چشمگیر در علوم گیاهی و مقابله با چالش‌های امنیت غذایی جهانی است.
Altman, N., and Krzywinski, M. 2018. The curse(s) of dimensionality. Nature Methods, 15(6), 399-400.
Anderson, P. K., Cunningham, A. A., Patel, N. G., Morales, F. J., Epstein, P. R., and Daszak, P. 2004. Emerging infectious diseases of plants: pathogen pollution, climate change, and agrotechnology drivers. Trends in Ecology & Evolution, 19(10), 535-544.
Arabnia, H., and Tran, Q. N. 2011. Software tools and algorithms for biological systems. Springer.
Arsenovic, M., Karanovic, M., Sladojevic, S., Anderla, A., and Stefanovic, D. 2019. Solving current limitations of deep learning based approaches for plant disease detection. Symmetry, 11(7), 939.
Avelino, J., Cristancho, M., Georgiou, S., Imbach, P., Aguilar, L., Bornemann, G. 2015. The coffee rust crises in Colombia and Central America, (2008–2013): impacts, plausible causes and proposed solutions. Food Security, 7, 303-321.
Bebber, D. P., Ramotowski, M. A., and Gurr, S. J. 2013. Crop pests and pathogens move polewards in a warming world. Nature Climate Change, 3(11), 985-988.
Biabi H., Abdanan Mehdizadeh, S. and Salehi, M.R., 2019, Design and implementation of a smart system for water management of lilium flower using image processing, Computers and Electronics in Agriculture.
Du, Q., Campbell, M., Yu, H., Liu, K., Walia, H. and Zhang, Q. 2019. Network-based feature selection reveals substructures of gene modules responding to salt stress in rice. Plant Direct, 3(8), e00154.
Farooq, A., Mir, R. A., Sharma, V., Pakhtoon, M. M., Bhat, K. A. and Shah, A. A. 2022. Crop proteomics: Towards systemic analysis of abiotic stress responses. In Advancements in developing abiotic stress-resilient plants (pp. 265-285). CRC Press.
Food and Agriculture Organization of the United Nations. 2017. The future of food and agriculture – Trends and challenges. Rome: FAO.
Fürtauer, L., Pschenitschnigg, A., Scharkosi, H., Weckwerth, W., and Nägele, T. 2018. Combined multivariate analysis and machine learning reveals a predictive module of metabolic stress response in Arabidopsis thaliana. Molecular Omics, 14(6), 437-449.
Gokalp, O., and Tasci, E. 2019. Weighted voting based ensemble classification with hyper-parameter optimization. In 2019 Innovations in Intelligent Systems and Applications Conference (ASYU) (pp. 1-4). IEEE.
Guyon, I., and Elisseeff, A. 2006. An introduction to feature extraction. In I. Guyon, S. Gunn, M. Nikravesh, & L. A. Zadeh (Eds.), Feature extraction: foundations and applications (pp. 1-25). Springer.
Guyon, I., Gunn, S., Nikravesh, M., and Zadeh, L. A. (Eds.). 2008. Feature extraction: foundations and applications (Vol. 207). Springer.
Isewon, I., Apata, O., Oluwamuyiwa, F., Aromolaran, O., and Oyelade, J. 2022. Machine learning algorithms: their applications in plant omics and agronomic traits’ improvement. F1000Research, 11, 1256.
Joyce, A. R., and Palsson, B. Ø. 2006. The model organism as a system: integrating 'omics' data sets. Nature Reviews Molecular Cell Biology, 7(3), 198-210.
Khalid, S., Khalil, T., and Nasreen, S. 2014. A survey of feature selection and feature extraction techniques in machine learning. In 2014 science and information conference (pp. 372-378). IEEE.
Li, J., Wei, L., Guo, F., and Zou, Q. 2021. EP3: an ensemble predictor that accurately identifies type III secreted effectors. Briefings in Bioinformatics, 22(2), 1918-1928.
Liu, K., Abdullah, A. A., Huang, M., Nishioka, T., Altaf-Ul-Amin, M., and Kanaya, S. 2017. Novel approach to classify plants based on metabolite-content similarity. BioMed Research International.
Maimon, O., and Rokach, L. 2005. Data Mining and Knowledge Discovery Handbook (Vol. 2). Springer.
Nakagami, H., Sugiyama, N., Mochida, K., Daudi, A., Yoshida, Y., Toyoda, T., Tomita, M., Ishihama, Y., and Shirasu, K. 2010. Large-scale comparative phosphoproteomics identifies conserved phosphorylation motifs in plants. Plant Physiology, 152(2), 711-723.
Niazian, M., and Niedbała, G. 2020. Machine learning for plant breeding and biotechnology. Agriculture, 10(10), 436.
Noor, E., Cherkaoui, S., and Sauer, U. 2019. Biological insights through omics data integration. Current Opinion in Systems Biology, 15, 39-47.
Reel, P. S., Reel, S., Pearson, E., Trucco, E., and Jefferson, E. 2021. Using machine learning approaches for multi-omics data analysis: A review. Biotechnology Advances, 49, 107739.
Ristaino, J. B., Anderson, P. K., Bebber, D. P., Brauman, K. A., Cunniffe, N. J. and Fedoroff, N. V. 2021. The persistent threat of emerging plant disease pandemics to global food security. Proceedings of the National Academy of Sciences, 118(23), e2022239118.
Savary, S., Willocquet, L., Pethybridge, S. J., Esker, P., McRoberts, N., and Nelson, A. 2019. The global burden of pathogens and pests on major food crops. Nature Ecology & Evolution, 3(3), 430-439.
Scholz, M., Gatzek, S., Sterling, A., Fiehn, O., and Selbig, J. 2004. Metabolite fingerprinting: detecting biological features by independent component analysis. Bioinformatics, 20(15), 2447-2454.
Shen, D., Wang, Y., Chen, X., Srivastava, V., and Toffolatti, S. L. 2022. Advances in multi-omics study of filamentous plant pathogens. Frontiers in Microbiology.
Silva, J. C. F., Teixeira, R. M., Silva, F. F., Brommonschenkel, S. H., and Fontes, E. P. 2019. Machine learning approaches and their current application in plant molecular biology: A systematic review. Plant Science, 284, 37-47.
Singh, A., Ganapathysubramanian, B., Singh, A. K., and Sarkar, S. 2016. Machine learning for high-throughput stress phenotyping in plants. Trends in Plant Science, 21(2), 110-124.
Sperschneider, J., Dodds, P. N., Gardiner, D. M., Singh, K. B., and Taylor, J. M. 2018. Improved prediction of fungal effector proteins from secretomes with EffectorP 2.0. Molecular Plant Pathology, 19(9), 2094-2110.
Yan, J., and Wang, X. 2022. Unsupervised and semi-supervised learning: the next frontier in machine learning for plant systems biology.
