در ادامه سلسله سخنرانی‌های  علمی پژوهشگاه بیوتکنولوژی کشاورزی، روز یکشنبه، 28 شهریورماه، سخنرانی‌ای با عنوان «بهبود انوتیشین برنج با استفاده از پیش‌بینی موقعیت‌های اسپلایسینگ توسط یادگیری عمیق و پایگاه‌های داده پروتئوژنومیک» در قالب وبینار برگزار شد.

به گزارش روابط عمومی پژوهشگاه بیوتکنولوژی کشاورزی، دکتر امیرحسین عزیزی، محقق پسادکتری پژوهشگاه در این وبینار به معرفی روش ارائه شده در تحقیقات خود پرداخت که با پیش‌بینی موقعیت‌های اسپلایسینگ جدید به بهبود انوتیشن ژنوم برنج کمک کرده و پیش‌بینی‌های قابل سنجشی در مورد موتاسیون‌های فانکشنال ارائه دهد.

 این روش راه را برای مطالعه روی گونه‌های گیاهان تراریخته برتر هموار می‌کند.

عزیزی با بیان این که در مطالعات اخیر از داده‌های طیف‌سنجی جرمی برای انوتیشین ژنوم برنج استفاده می‌شود اظهار داشت: با استفاده از تکنیکهایی میتوان کیفیت انوتیشین برنج را که ناشی از محدودیت‌های ذاتی داده‌های طیف سنجی جرمی است افزایش داد. 

وی تصریح کرد: شبکه‌های عصبی عمیق (DNNs) در یافتن ویژگی‌های پنهان در ورودی‌های پیچیده متوالی عملکرد بسیار خوبی دارند. در این راستا در این مطالعه با استفاده از یک شبکه عصبی جدید، موقعیت‌های اسپلایسینگ جدید را در ژنوم برنج پیش‌بینی کردیم. 

عزیزی با بیان این که با شناسایی موقعیت‌های اسپلایسینگ جدید در ژنوم می‌توان یک  پایگاه داده دقیق سفارشی پروتئین ساخت، خاطرنشان کرد: از این پایگاه داده می‌توان برای تأیید در سطح پروتئینی از احتمال بیان ژن‌ها استفاده کرد. به علاوه، این شبکه می‌تواند تأثیر موتاسیون‌ها را بر الگوی اسپلایسینگ یافته و نیز مکان و نوع موتاسیون‌های مخرب را بیابد.

پژوهشگر پژوهشگاه بیوتکنولوژی کشاورزی تصریح کرد: در این مطالعه، شبکه عصبی عمیق SpliceAI را با استفاده از انوتیشن استاندارد برنج آموزش دادیم. این آموزش با استفاده از کارت گرافیکی جدیدی که اخیراً توسط پژوهشگاه خریداری شد، بر روی بزرگترین شبکه عصبی این مدل (SpliceAI 2k-nt) انجام شد.

با استفاده از پیش‌بینی های SpliceAI، پایگاه داده سفارشی پروتئین ساخته و از آن برای جستجوی پروتئین‌های جدید استفاده می‌شود. همچنین با پایش تمام جهش‌های مختلف حول یک ژن هدف، آن‌هایی را که شبکه SpliceAI به عنوان تغییر دهنده الگوی اسپلایسینگ تشخیص می‌دهد معرفی کردیم.

عزیزی خاطرنشان کرد: مدل ما نقاط اسپلایسینگ جدیدی برای جهشی که در یک مطالعه جدید به عنوان عامل مقاومت گرمایی شناسایی شده بود، پیش‌بینی کرد. محصولات پپتیدی ناشی از این نقاط در پایگاه داده پروتئوم مربوطه یافت شده و پیش‌بینی‌های مدل ما را تأیید کردند. 

وی تصریح کرد: ما همچنین از نحوه ساخت پایگاه داده سفارشی پروتئین و استفاده از آن برای جستجوی پروتئینهای جدید و جستجو برای شواهد ترنسکریپتومی برای تأیید پیش‌بینی تقاطع‌های جدید استفاده کردیم. بنابراین روش ما برای پیش‌بینی موقعیت‌های اسپلایسینگ جدید می‌تواند به بهبود انوتیشن ژنوم برنج کمک کرده و پیش‌بینی‌های قابل سنجشی در مورد موتاسیون‌های فانکشنال ارائه دهد که در نهایت راه را برای مطالعه روی گونه‌های گیاهان تراریخته برتر هموار می‌کند.