بررسی واکنش ژنوتیپ‌های گندم به بیماری‌های رایج با استفاده از الگوریتم‌های یادگیری ماشین

صبوری, حسین; سجادی, سیدجواد; طلیعی, فاختک; فلاحی, حسین علی; کازرانی, برزو; زبرجد, آیلین

doi:10.22103/gpb.2024.4852

تعداد نشریات	27
تعداد شماره‌ها	485
تعداد مقالات	5,091
تعداد مشاهده مقاله	6,494,272
تعداد دریافت فایل اصل مقاله	4,282,301

	بررسی واکنش ژنوتیپ‌های گندم به بیماری‌های رایج با استفاده از الگوریتم‌های یادگیری ماشین
مجله ژنتیک و به‌نژادی گیاهی
دوره 1، شماره 1، مهر 1403، صفحه 51-88 اصل مقاله (1.41 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22103/gpb.2024.4852
نویسندگان
حسین صبوری^* ¹؛ سیدجواد سجادی²؛ فاختک طلیعی²؛ حسین علی فلاحی³؛ برزو کازرانی⁴؛ آیلین زبرجد⁵
¹استاد، گروه تولیدات گیاهی، دانشکده کشاورزی و منابع طبیعی، دانشگاه گنبد‌کاووس، گنبدکاووس، ایران.
²استادیار، گروه تولیدات گیاهی، دانشکده کشاورزی و منابع طبیعی، دانشگاه گنبدکاووس، گنبدکاووس، ایران.
³گروه تحقیقات علوم کشاورزی و باغبانی، مرکز تحقیقات و آموزش منابع کشاورزی مازندران، سازمان تحقیقات، آموزش و ترویج کشاورزی (AREEO)، ساری، ایران.
⁴دانشجوی سابق دکتری، گروه اصلاح نباتات، دانشکده علوم زراعت، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران.
⁵دانشجوی کارشناسی ارشد، گروه تولیدات گیاهی، دانشکده کشاورزی و منابع طبیعی. دانشگاه گنبدکاووس، ایران.
چکیده
هدف: به‌منظور پیش‌بینی واکنش 297 ژنوتیپ گندم به بیماری‌های رایج منطقه، از 71 و 81 نشانگر iPBS و SSR استفاده شد. مواد و روش‌ها: ژنوتیپ‌های گندم به‌صورت اگمنت و قالب طرح بلوک‌های کامل تصادفی در مزرعه ایستگاه تحقیقات کشاورزی قراخیل قائمشهر کشت شدند. داده‌های مورد بررسی شامل داده‌های مولکولی و داده‌های فنوتیپی بودند. برای تجزیه و تحلیل داده‌ها، از الگوریتم‌های انتخاب ویژگی و دسته‌بندی مانند RandomForest و مدل ارزیابی InfoGainAttributeEval استفاده شد. نتایج: نتایج نشان داد که ژنوتیپ‌های گندم از نظر داده‌های مولکولی و فنوتیپی دارای تنوع ژنتیکی قابل توجهی هستند. با این حال، کارایی الگوریتم‌های به‌کاررفته در پیش‌بینی واکنش ژنوتیپ‌ها به بیماری‌های مختلف بسته به نوع بیماری متفاوت بود. در مورد بیماری‌های لکه خرمایی و فوزاریوم سنبله، داده‌های مولکولی و الگوریتم‌های مورد استفاده نتوانستند به‌طور مؤثر واکنش ژنوتیپ‌ها را پیش‌بینی کنند. این عدم کارایی نشان می‌دهد که این داده‌ها ممکن است برای تشخیص حساسیت یا مقاومت به این بیماری‌ها کافی نباشند. در مقابل، برای بیماری زنگ زرد، الگوریتم‌های به‌کاررفته توانستند واکنش ژنوتیپ‌ها را با دقت بالایی پیش‌بینی کنند. همچنین، میانگین دقت پیش‌بینی برای بیماری لکه خرمایی حدود 90/34 درصد بود که نشان‌دهنده کارایی نسبی پایین این روش در پیش‌بینی این بیماری است. در مورد بیماری‌های سفیدک پودری و زنگ قهوه‌ای، الگوریتم‌های مورد استفاده عملکردی بهتری داشتند. بالاترین دقت پیش بینی مربوط به بیماری زنگ زرد بود که به‌طور متوسط 70 درصد دقت نشان داد. به‌طور میانگین، دقت پیش‌بینی برای سفیدک پودری 00/56 درصد و برای زنگ قهوه‌ای 28/56 درصد بود. با این حال، بررسی داده‌ها نشان داد که برای بیماری سفیدک پودری، داده‌های فنوتیپی دقت بیشتری در پیش‌بینی واکنش ژنوتیپ‌ها داشتند، در‌حالی‌که برای زنگ قهوه‌ای، داده‌های مولکولی عملکرد دقیق‌تری ارائه دادند. همچنین، داده‌های مولکولی SSR و iPBS زمانی که با استفاده از الگوریتم دسته‌بندی RandomForest و مدل ارزیابی InfoGainAttributeEval مورد بررسی قرار گرفتند، توانستند درصد قابل توجهی از واکنش ژنوتیپ‌ها را به‌درستی پیش‌بینی کنند. نتیجه‌گیری: نتایج نشان داد که پیش‌بینی واکنش ژنوتیپ‌ها به برخی بیماری‌ها بر اساس داده‌های مولکولی و به برخی دیگر بر اساس داده‌های مورفولوژیک دقیق‌تر انجام می‌شود. علاوه بر این، در مورد بیماری زنگ زرد، داده‌های مولکولی و فنوتیپی توانستند واکنش ژنوتیپ‌ها را با دقت بالایی پیش‌بینی کنند.
کلیدواژه‌ها
انتخاب ویژگی؛ بیماری‌های گندم؛ پیش‌بینی؛ یادگیری ماشین

مراجع

آمار تعداد مشاهده مقاله: 222 تعداد دریافت فایل اصل مقاله: 235

سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب

پیوندهای مفید

آمار

بررسی واکنش ژنوتیپ‌های گندم به بیماری‌های رایج با استفاده از الگوریتم‌های یادگیری ماشین