Journal of Crop Breeding

fa مقایسه الگوریتم‌های یادگیری ماشین جهت تعیین ژن‌های کلیدی سورگوم در پاسخ به تنش‌های دمایی Comparison of Machine-Learning Algorithms for Identifying Key Genes Involved in Sorghum's Response to Temperature Stress اصلاح براي تنش هاي زنده و غيرزنده محيطي Special پژوهشي Research <div style="text-align: justify;">چکیده مبسوط مقدمه و هدف: سورگوم به‌عنوان یک گیاه چهار کربنه، اگرچه نسبت به تنش‌های غیر زیستی مختلف نسبتاً متحمل است، اما عملکرد آن به‌طور قابل توجهی تحت تأثیر دماهای بالاتر از ۳۲ درجه سانتی‌گراد و پایین‌تر از ۱۵ درجه سانتی‌گراد قرار می‌گیرد. انتخاب ژن‌های کلیدی داده‌های بیان ژن با استفاده از روش‌های انتخاب ویژگی، فرآیندی است که در آن به کمک الگوریتم‌های آماری و محاسباتی، مهم‌ترین ژن‌های موثر در تحمل به تنش شناسایی می‌شوند. نتیجه این فرآیند، فیلتر شدن ژن‌هایی است که بیشترین ارتباط را با تنش مورد مطالعه دارند. روش فیلتر یکی از روش‌های انتخاب ویژگی است که مستقل از الگوریتم‌های یادگیری ماشین عمل می‌کند. ترکیب روش‌های مختلف فیلتر، امکان انتخاب بهینه و دقیق ویژگی‌های موثر در پاسخ ژنتیکی سورگوم به تنش‌های دمایی را فراهم می‌آورد. با توجه به این موضوع، هدف از این مطالعه شناسایی ژن‌های کلیدی مؤثر در پاسخ به تنش‌های دمایی (سرما و گرما) در گیاه سورگوم از طریق داده‌های ترانسکریپتومی و به‌کارگیری روش‌های فیلتر شامل کسب اطلاعات (Information Gain)، نسبت کسب اطلاعات (Gain Ratio) و Relief است. مواد و روش‌ها: در این مطالعه، داده‌های شمارش مربوط به بیان ژن از پایگاه GEO (https://www.ncbi.nlm.nih.gov/geo/) با شماره دسترسی GSE225632 استخراج شدند. تجزیه و تحلیل بر روی داده‌های برگ گیاه سورگوم در شرایط کنترل و تحت تنش دما در چهار زمان مختلف روز انجام شد. داده‌ها به دو کلاس کنترل و تنش (سرما و گرما) تقسیم شدند و با استفاده از بسته DESeq2 در نرم‌افزار R، ژن‌های با تغییرات بیان شناسایی گردیدند. سپس با استفاده از سه الگوریتم انتخاب ویژگی (Information Gain، Gain Ratio و Relief) ژن‌های برتر انتخاب شدند و با استفاده از نمودار ون، تعداد ژن‌های مشترک بین الگوریتم‌ها بررسی شد. برای اعتبارسنجی نتایج، از الگوریتم‌های یادگیری ماشین Bayes Net و Random Forest استفاده شد. این الگوریتم‌ها در نرم‌افزار Weka 3.7 اجرا شدند و عملکرد آن‌ها در طبقه‌بندی نمونه‌ها بر اساس ویژگی‌های شناسایی‌شده مقایسه شد .برای مقایسه و ارزیابی الگوریتم‌های طبقه‌بندی 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 طبقه‌بندی از ماتریس درهم‌ریختگی استفاده شد. یافته‌ها: در این پژوهش، ابتدا تحلیل تغییرات بیان ژن‌ها با مقایسه بین شرایط کنترل و تنش‌های سرمایی و گرمایی انجام شد. از مجموع ۳۴۱۲۹ ژن بررسی‌شده، ۲۱۳۶ ژن با تغییر بیان معنادار در سطح 0/05 که دارای log2FoldChange بیشتر از یک بودند، انتخاب شدند و در مراحل بعدی برای انتخاب ویژگی و تحلیل‌های یادگیری ماشین مورد استفاده قرار گرفتند. برای استخراج ژن‌های کلیدی پاسخ‌دهنده به تنش‌های دمایی، سه الگوریتم انتخاب ویژگی اجرا شد. در هر الگوریتم، 50 ژن برتر بر اساس رتبه‌بندی استخراج شدند. در مجموع، نه ژن به‌طور مشترک توسط سه الگوریتم انتخاب ویژگی شناسایی شدند. کارایی دو مدل‌ طبقه‌بندی برای تفکیک سه کلاس کنترل، تنش سرما و تنش گرما ارزیابی شد. الگوریتم Bayes Net دقت بالایی در تفکیک کلاس‌ها داشت. برای کلاس کنترل، نرخ حساسیت (TP Rate) برابر با 1، نرخ مثبت کاذب (FP Rate)  برابر با 0/021 و دقت (Precision)  برابر با 0/980 بود. در کلاس تنش سرما، دقت 1 و نرخ حساسیت 0/958 بدست آمد. در تنش گرما، تمامی نمونه‌ها به‌درستی طبقه‌بندی شدند (دقت و نرخ حساسیت  برابر با 1). الگوریتم Random Forest نیز دقت بالایی در تشخیص کلاس‌ها از خود نشان داد. در کلاس کنترل، نرخ صحیح طبقه‌بندی برابر با 1 و دقت برابر با 0/96 بود. برای کلاس‌های تنش سرما و تنش گرما، نرخ صحیح طبقه‌بندی 0/958 و دقت 1 به‌دست آمد که بیانگر عملکرد قوی الگوریتم در شناسایی صحیح نمونه‌های تحت تنش بود. نتیجه‌گیری: نتایج این مطالعه نشان می‌دهند که شناسایی و تحلیل ژن‌های کلیدی موثر در پاسخ گیاه سورگوم به تنش‌های دمایی زمینه‌ساز مطالعه دقیق‌تر مسیرها و شبکه‌های بیولوژیکی دخیل در تنظیم پاسخ‌های سلولی است و می‌تواند به افزایش فهم ما از مکانیسم‌های مولکولی این گیاه تحت شرایط تنش کمک شایانی نماید. از میان ۲۱۳۶ ژن شناسایی‌شده با تغییرات بیان معنادار، نه ژن به‌طور مشترک توسط سه الگوریتم انتخاب ویژگی شناسایی شدند. برای تایید این ژن‌ها به عنوان شاخص‌های مولکولی مناسب، نیاز است که آزمایش‌های بیولوژیکی مستقل بر روی رقم‌های مختلف سورگوم انجام شوند تا تغییرات بیان آن‌ها در شرایط تجربی تأیید گردد. عملکرد مطلوب الگوریتم‌های یادگیری ماشین شامل Bayes Net و Random Forest در طبقه‌بندی نمونه‌ها نشان‌دهنده قدرت و دقت این مدل‌ها در تفکیک بیان ژن‌ها در شرایط تنش دما و کنترل است. بررسی همولوگ ژن Sobic.004G283300 در آرابیدوپسیس و ذرت، و همولوگ‌های ژن‌های Sobic.010G100600 و Sobic.006G093500 در آرابیدوپسیس بر نقش آن‌ها در تنش‌های گرمایی دلالت دارد. علاوه بر این، بررسی همولوگ‌های ژن‌های شناسایی‌شده در گونه‌های مدل مانند برنج و ذرت در پایگاه‌های داده ژنومی و مقالات علمی نشان می‌دهد که تاکنون گزارش معتبر و مستندی در خصوص نقش دقیق و عملکرد زیستی ژن‌های Sobic.010G128900، Sobic.001G093100، Sobic.007G168100، Sobic.002G269100، Sobic.006G183701 و Sobic.002G047800 در پاسخ به تنش‌های دمایی وجود ندارد. این شش ژن به‌عنوان ژن‌های ناشناخته (uncharacterized)  معرفی شده‌اند و عملکرد آن‌ها در سطح مولکولی تاکنون مورد مطالعه قرار نگرفته است. بنا بر این، انجام تحقیقات بیشتر برای مشخص کردن نقش این ژن‌ها در فرآیندهای فیزیولوژیکی و پاسخ به تنش‌های دمایی در سورگوم ضروری است تا درک بهتری از عملکرد آن‌ها در واکنش به تنش‌های محیطی به دست آید. این اطلاعات می‌تواند زمینه‌ساز توسعه ارقام جدید و مقاوم در برابر شرایط نامساعد زیست‌محیطی باشد و به پایداری کشاورزی در آینده کمک کند. پیشنهاد می‌شود که مطالعات بیشتری بر روی ژن‌های شناسایی‌شده و همچنین ژن‌های ناشناخته انجام شوند تا عملکرد دقیق آن‌ها در زمینه‌های مختلف تنش‌های زیستی و غیر زیستی بیشتر مورد بررسی قرار گیرد. همچنین، اقدامات تجربی و میدانی برای ارزیابی کارایی این شاخص &lrm;های مولکولی در شرایط واقعی کشاورزی ضروری است. انجام چنین عملیاتی می‌تواند به بهبود مستمر و پایداری تولیدات زراعی کمک کند.</div> Extended Abstract Background: Sorghum, a C4 plant, is relatively tolerant to various abiotic stresses. However, its performance is significantly affected by temperatures above 32 °C and below 15 °C. Identifying key genes through gene expression data and feature selection methods is a valuable approach to understanding stress tolerance. Feature selection filters out the most relevant genes using statistical and computational algorithms. Filter-based methods, which are independent of machine-learning algorithms, offer a fast and efficient way to identify relevant features. Combining multiple filter methods allows for a more precise and robust selection of key genes involved in sorghum’s response to temperature stress. Therefore, this study aimed to identify key genes involved in cold and heat stress response in sorghum using transcriptomic data and filter-based methods, including Information Gain, Gain Ratio, and Relief. Methods: In this study, gene expression count data were extracted from the GEO database (https://www.ncbi.nlm.nih.gov/geo/) with accession number GSE225632. The analysis focused on sorghum shoot data under control conditions and temperature stress at four different times of day. The data were divided into two classes, control and stress (cold and heat), and differentially expressed genes were identified using the DESeq2 package in R. Subsequently, top genes were selected using three feature selection algorithms (Information Gain, Gain Ratio, and Relief), and the Venn diagram was used to examine the overlap of genes identified by the algorithms. Two machine-learning algorithms, Bayes Net and Random Forest, were employed for validation. These algorithms were run in WEKA 3.7, and their performance was compared in classifying samples based on the identified features. The classification algorithms were evaluated and compared using metrics, including True Positive Rate (TP Rate), False Positive Rate (FP Rate), Precision, Recall, F1 score, Matthews Correlation Coefficient (MCC), Area Under the ROC Curve (ROC AUC), and Area Under the PRC Curve (PRC AUC). A confusion matrix was used to display classification errors. Results: In this study, gene expression changes were first analyzed by comparing control conditions with temperature stress (cold and heat). Among 34,129 genes examined, 2,136 genes with significant expression changes at a 0.05 level and a log2FoldChange greater than 1 were selected and used in subsequent feature selection and machine-learning analyses. Key genes responsive to temperature stress were identified using three feature-selection algorithms, with the top 50 genes extracted by each algorithm based on ranking. Across all methods, nine genes were consistently identified by all three feature selection approaches. The performance of two classification models was evaluated in classifying three classes (control, cold stress, and heat stress). The Bayes Net algorithm showed high discriminative accuracy; a TP Rate of 1, FP Rate of 0.21, and Precision of 0.980 were obtained for the control class; a Precision of 1 and a TP Rate of 0.958 were achieved for the cold-stress class; both accuracy and TP Rate were 1 for the heat-stress class. The Random Forest algorithm also demonstrated strong discriminative power. A correct classification rate of 1 and a Precision of 0.96 were observed for the control class; a correct classification rate of 0.958 and a Precision of 1 were obtained for the cold-stress and heat-stress classes, indicating robust performance in accurately identifying stressed samples. Conclusion: This study demonstrates that identifying and analyzing key genes involved in sorghum’s temperature stress response can provide insights into the biological pathways and regulatory networks activated under such conditions. Nine out of the 2,136 differentially expressed genes were consistently identified by three different selection algorithms. These genes can serve as potential molecular markers, but further biological validation is necessary across different sorghum varieties. The high accuracy of Bayes Net and Random Forest confirms the strength of these models in distinguishing gene expression patterns between stressed and control conditions. Homology analysis of genes, such as Sobic.004G283300, Sobic.010G100600, and Sobic.006G093500, in Arabidopsis and maize supports their role in heat stress response. However, six genes (Sobic.010G128900, Sobic.001G093100, Sobic.007G168100, Sobic.002G269100, Sobic.006G183701, and Sobic.002G047800) remain uncharacterized, with no documented molecular function. Further research is required to explore the roles of these genes in physiological and stress-related processes. Understanding their functions could contribute to breeding sorghum varieties that are more resilient to environmental stresses, ultimately supporting sustainable agriculture. Field-based and experimental validation of these molecular markers is also recommended to confirm their applicability under real-world farming conditions.   انتخاب ویژگی, بیان ژن, سورگوم, تنش دمایی Feature selection, Gene expression, Sorghum, Temperature stress 32 43 http://jcb.sanru.ac.ir/browse.php?a_code=A-10-828-1&slc_lang=fa&sid=1 Leyla Nazari لیلا نظری l.nazari@areeo.ac.ir 100319475328460026803 100319475328460026803 No Department of Crop and Horticultural Science Research, Fars Agricultural and Natural Resources Research and Education Center, Agricultural Research, Education and Extension Organization (AREEO), Shiraz, Iran بخش تحقیقات زراعی و باغی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی فارس، سازمان تحقیقات، آموزش و ترویج کشاورزی، شیراز، ایران Zahra Zinati زهرا زینتی zahrazinati@shirazu.ac.ir 100319475328460026804 100319475328460026804 Yes Department of Agroecology, College of Agriculture and Natural Resources of Darab, Shiraz University, Shiraz, Iran. بخش اگرواکولوژی، دانشکده کشاورزی و منابع طبیعی داراب، دانشگاه شیراز، شیراز، ایران