طبقه بندی پیش سازهای microRNA در گاو (Bos Taurus) با استفاده از ویژگی های کاهش یافته تکرارهای دو نوکلئوتیدی
عنوان مقاله: طبقه بندی پیش سازهای microRNA در گاو (Bos Taurus) با استفاده از ویژگی های کاهش یافته تکرارهای دو نوکلئوتیدی
شناسه ملی مقاله: JR_RAP-14-41_004
منتشر شده در در سال 1402
شناسه ملی مقاله: JR_RAP-14-41_004
منتشر شده در در سال 1402
مشخصات نویسندگان مقاله:
عاطفه سیددخت - Animal Science Research Department, Khorasan Razavi Agricultural and Natural Resources Research and Education Center, AREEO, Mashhad, Iran
جواد رحمانی نیا - Animal Science Research Institute of Iran, Agricultural Research, Education and Extension Organization (AREEO), Karaj, Iran
حسن کرمی - Animal Science Research Institute of Iran, Agricultural Research, Education and Extension Organization (AREEO), Karaj, Iran
خلاصه مقاله:
عاطفه سیددخت - Animal Science Research Department, Khorasan Razavi Agricultural and Natural Resources Research and Education Center, AREEO, Mashhad, Iran
جواد رحمانی نیا - Animal Science Research Institute of Iran, Agricultural Research, Education and Extension Organization (AREEO), Karaj, Iran
حسن کرمی - Animal Science Research Institute of Iran, Agricultural Research, Education and Extension Organization (AREEO), Karaj, Iran
چکیده مبسوط
مقدمه و هدف: توسعه مداوم فناوری های مولکولی مورد استفاده برای تجزیه و تحلیل رونوشت ها، به ویژه فناوری های توالی یابی نسل بعدی و ابزارهای پیشرفته بیوانفورماتیک، امکان کاوش عمیق تر RNAهای پیام رسان (mRNAs) و RNAهای غیرکد کننده (ncRNA) از جمله miRNAها را فراهم می کند. این فناوری ها فرصت های بزرگی را برای اکتشاف عمیق تر دخالت miRNAها در بیماری های حیوانات مزرعه و همچنین بهره وری و رفاه دام ارائه نمودند. از زمان کشف lin-۴ و let‑۷، هزاران miRNA در گونه های حیوانات مزرعه شناسایی و در پایگاه های داده miRNA ثبت شده اند. miRNAها را میتوان بهعنوان نشانگرهای زیستی، اهداف تشخیصی، پیشآگهی و درمانی برای مدیریت بیماریهای دام استفاده کرد. با تعیین توالی ژنوم گاو (Bos Taurus)، فرصتی برای کشف miRNAهای جدید در این گونه فراهم خواهد شد. از آنجاییکه تعیین توالی و ساختار miRNA ها بهصورت آزمایشگاهی هزینهبر و زمانبر است، بنابراین این پژوهش با هدف استفاده از روشهای محاسباتی مبتنی بر یادگیری ماشین بهمنظور پیش بینی microRNAها در ژنوم گاو انجام شد.
مواد و روشها: یافتن روشی دقیق برای شناسایی مولکولهای miRNA میتواند به درک فرآیندهای تنظیمی کمک کند. در حال حاضر روش های محاسباتی مبتنی بر الگوریتم های یادگیری بهطور گسترده برای پیش بینی miRNAها استفاده می شوند. با الهام از سایر تحقیقات انجام شده در زمینه شناسایی miRNAها، یک مدل محاسباتی بهبود یافته یادگیری ماشین برای شناسایی توالیهای پیشساز miRNAهای واقعی (pre-miRNA) پیشنهاد شد. در مرحله اول فراوانی توالیهای دو نوکلئوتیدی ژن های pre-miRNA و محتوای بازهای سیتوزین و گوانین (G+C) در توالی ها در نظر گرفته شد. ترکیب دینوکلئوتیدی مشاهده شده بهعنوان ویژگی های ساختاری ترکیب توالی برای هر ژن miRNA محاسبه شد. مجموع ترکیبات دو نوکلئوتیدی در گونه گاو (Bos Taurus) با محتویات ژنومی G+C برای ۱۰۶۴ توالی miRNA و توالی های غیر miRNA محاسبه شد. در مرحله بعد دو مدل طبقه بندی مبتنی بر رویکرد یادگیری ماشین برای شناسایی pre-miRNA های واقعی و شبه واقعی آموزش داده شدند. مجموعه ای از ۱۷ ویژگی بهینه شده مربوط به ساختارهای توالی برای آموزش مدلها استفاده شد. این مدل ها با روش اعتبارسنجی متقاطع ۱۰ تایی آموزش یافتند و اعتبارسنجی شدند.
یافته ها: هدف بررسی عملکرد پیش بینی طبقه بندی کنندهها براساس ویژگی های RNA در تشخیص pre-miRNAها از سایر توالیها بود. مدل آنالیز شده در این پژوهش با استفاده از مجموعه دادههای گاو (Bos Taurus) بهدقت ۹۹ درصد و ضریب همبستگی متیو ۹۷/۹ درصد دست یافت.
نتیجهگیری: روش های محاسباتی هوش مصنوعی می توانند miRNAهای بالقوه جدیدی را در ژنوم گاو شناسایی کنند که برخی از آنها قبلا در این ژنوم شناسایی نشده بودند. در نتیجه لزوم استفاده از روش های محاسباتی جهت شناسایی این RNAهای تنظیمی در دام ها جهت اهداف اصلاحی ضروری به منظر می رسد. نتایج این پروژه نشان داد که تنها با استفاده از ویژگیهای ساختاری دو نوکلئوتیدی میتوان در پیشبینی توالیهای miRNA بهدقت بالایی دست یافت.
کلمات کلیدی: Bioinformatic, Cattle (Bos Taurus), Computational identification, Machine learning, miRNA., بیوانفورماتیک, شناسایی محاسباتی, گاو (Bos Taurus), یادگیری ماشینی, miRNA
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1859744/