اخبار و اعلانات
آمار
| تعداد نشریات | 20 |
| تعداد شماره‌ها | 396 |
| تعداد مقالات | 3,227 |
| تعداد مشاهده مقاله | 4,584,531 |
| تعداد دریافت فایل اصل مقاله | 3,111,842 |
Identifying key traits for heat stress tolerance in wheat using machine learning | ||
| Iranian Journal of Genetics and Plant Breeding | ||
| دوره 13، شماره 1 - شماره پیاپی 25، تیر 2024، صفحه 61-84 اصل مقاله (2.55 M) | ||
| نوع مقاله: Research paper | ||
| شناسه دیجیتال (DOI): 10.30479/ijgpb.2025.20893.1378 | ||
| نویسندگان | ||
| Mehdi Zahravi* 1؛ Nazanin Amirbakhtiar1؛ Yousef Arhsad1؛ Javad Mahdavimajd2 | ||
| 1Department of Genetic Research, Seed and Plant Improvement Institute, Agricultural Research, Education and Extension Organization (AREEO), Karaj, Iran. | ||
| 2Agricultural and Natural Resources Research Center of Khuzestan, Agricultural Research, Education and Extension Organization (AREEO), Ahwaz, Iran. | ||
| تاریخ دریافت: 19 شهریور 1403، تاریخ بازنگری: 30 آذر 1403، تاریخ پذیرش: 27 دی 1403 | ||
| چکیده | ||
| This study aimed to investigate the effectiveness of machine learning techniques in identifying and prioritizing key traits associated with heat stress tolerance in wheat. Two datasets comprising 203 and 236 wheat genotypes, previously evaluated under normal and heat stress conditions, were analyzed. Machine learning algorithms, including k-Nearest Neighbors (KNN), Support Vector Machines (SVM), Random Forest (RF), and Artificial Neural Networks (ANN), were employed to model the relationships between traits and grain weight of five spikes under heat stress. Results indicated that SVM and ANN models exhibited superior performance in predicting the target trait, with R-squared values approaching 1.0. Correlation analysis and dendrogram analysis highlighted distinct patterns in trait relationships under normal and stress conditions, emphasizing the importance of considering environmental context when studying trait interactions. The analysis of feature importance consistently revealed traits such as the number of grains per spike, days to heading, and 100-grain weight as key characteristics, repeatedly highlighted across different algorithmic approaches, underscoring their fundamental role in heat stress tolerance. The identified key traits can serve as potential targets for genetic manipulation or selection, contributing to the development of heat-tolerant wheat cultivars. The findings of this study highlight the efficacy of machine learning in expediting the breeding of heat-tolerant wheat cultivars. | ||
| کلیدواژه‌ها | ||
| Artificial Neural Network (ANN)؛ Precision Breeding؛ Predictive Modeling؛ Support Vector Machines (SVM)؛ Trait Importance | ||
| عنوان مقاله [English] | ||
| شناسایی صفات کلیدی برای تحمل به تنش گرمایی در گندم با استفاده از یادگیری ماشین | ||
| نویسندگان [English] | ||
| مهدی زهراوی1؛ نازنین امیربختیار1؛ یوسف ارشد1؛ جواد مهدوی مجد2 | ||
| 1سازمان تحقیقات، آموزش و ترویج کشاورزی، مؤسسه تحقیقات اصلاح و تهیه نهال و بذر، کرج، ایران. | ||
| 2سازمان تحقیقات، آموزش و ترویج کشاورزی، مرکز تحقیقات کشاورزی و منابع طبیعی خوزستان، اهواز، ایران. | ||
| چکیده [English] | ||
| این پژوهش، با هدف بررسی کارایی روش‌های یادگیری ماشین در شناسایی و اولویت‌بندی صفات کلیدی مرتبط با تحمل به تنش گرما در گندم انجام شد. دو مجموعه داده؛ شامل 203 و 236 ژنوتیپ گندم که پیش‌تر در شرایط تنش گرما ارزیابی شده بودند، مورد تحلیل قرار گرفت. الگوریتم‌های یادگیری ماشین، شامل k -نزدیک‌ترین همسایه (KNN)، ماشین بردار پشتیبان (SVM)، جنگل تصادفی (RF) و شبکه‌های عصبی مصنوعی (ANN) برای مدل‌سازی روابط بین صفات ارزیابی شده و وزن دانه پنج سنبله، تحت تنش گرما به کار گرفته شدند. نتایج نشان داد که مدل‌های SVM و ANN با مقادیر R-squared نزدیک به یک، عملکرد بهتری در پیش‌بینی صفت هدف داشتند. تحلیل اهمیت ویژگی‌ها مبتنی بر پیاده‌سازی مدل‌ها، در اکثر حالات صفات تعداد دانه در سنبله، تعداد روز تا ظهور سنبله و وزن صد دانه را به عنوان عوامل کلیدی موثر بر تحمل به تنش گرما شناسایی کرد. علاوه بر این، نتایج تجزیه‌ها، پیچیدگی روابط بین صفات تحت تنش گرما را برجسته نمود، که نشان‌دهنده نیاز به تکنیک‌های تحلیلی پیشرفته برای درک کامل مکانیسم‌های تحمل به گرما است. تحلیل هم‌بستگی و تحلیل دندروگرام، الگوهای متمایزی در روابط بین صفات تحت شرایط عادی و تنش نشان داد، که تأکید بر اهمیت در نظر گرفتن زمینه محیطی هنگام مطالعه روابط بین صفات دارد. یافته‌های این پژوهش، کارایی یادگیری ماشین را در تسریع روند اصلاح ارقام گندم برای تحمل به تنش گرما را نشان می‌دهد. صفات کلیدی شناسایی‌شده می‌توانند به‌عنوان اهداف بالقوه برای اصلاح ژنتیکی یا انتخاب، جهت توسعه ارقام گندم متحمل به تنش گرما استفاده شوند. | ||
| کلیدواژه‌ها [English] | ||
| اهمیت صفات, مدل‌سازی پیش‌بینی, اصلاح نباتات دقیق, ماشین بردار پشتیبان (SVM), شبکه‌های عصبی مصنوعی(ANN) | ||
| مراجع | ||
|
Acuña-Galindo M. A., Mason R. E., Subramanian N. K., and Hays D. B. (2015). Meta-analysis of wheat QTL regions associated with adaptation to drought and heat stress. Crop Science, 55(2): 477-492. Aiqing S., Somayanda I., Sebastian S. V., Singh K., Gill K., Prasad P. V. V., and Jagadish S. K. (2018). Heat stress during flowering affects time of day of flowering, seed set, and grain quality in spring wheat. Crop Science, 58(1): 380-392. Amirbakhtiar N., Zahravi M., Arshad Y., Mahdavimajd J., and Afraz M. H. (2023). Identification of bread wheat accessions tolerant to terminal heat stress. Cereal Research, 13(3): 231-247. DOI: 10.22124/CR.2023.25872.1794. Aziz A., Mahmood T., Mahmood Z., Shazadi K., Mujeeb-Kazi A., and Rasheed A. (2018). Genotypic variation and genotype×environment interaction for yield-related traits in synthetic hexaploid wheats under a range of optimal and heat-stressed environments. Crop Science, 58(1): 295-303. Azrai M., Aqil M., Andayani N. N., Efendi R., et al. (2024). Optimizing ensembles machine learning, genetic algorithms, and multivariate modeling for enhanced prediction of maize yield and stress tolerance index. Frontiers in Sustainable Food Systems, 8: 1334421. Bose S., Banerjee S., Kumar S., Saha A., Nandy D., and Hazra S. (2024). Review of applications of artificial intelligence (AI) methods in crop research. Journal of Applied Genetics, 65(2): 225-240. Cervantes J., Garcia-Lamont F., Rodríguez-Mazahua L., and Lopez A. (2020). A comprehensive survey on support vector machine classification: Applications, challenges and trends. Neurocomputing, 408: 189-215. Cheng T., Li M., Quan L., Song Y., Lou Z., Li H., and Du X. (2024). A multimodal and temporal network-based yield assessment method for different heat-tolerant genotypes of wheat. Agronomy, 14(8): 1694. Elbasyoni I. S. (2018). Performance and stability of commercial wheat cultivars under terminal heat stress. Agronomy, 8(4): 37. Etminan A., Pour-Aboughadareh A., Mohammadi R., Shooshtari L., Yousefiazarkhanian M., and Moradkhani H. (2019). Determining the best drought tolerance indices using artificial neural network (ANN): Insight into application of intelligent agriculture in agronomy and plant breeding. Cereal Research Communications, 47: 170-181. Fu Y. B. (2015). Understanding crop genetic diversity under modern plant breeding. Theoretical and Applied Genetics, 128: 2131-2142. Hasanuzzaman M., Sarwar S., and Islam M. (2020). Identification of yield predictors of wheat (Triticum aestivum L.) under salt stress using random forest, multiple and stepwise regression. International Journal of Experimental Agriculture, 10(1): 20-25. International Board for Plant Genetic Resources (IBPGR). (1978). Descriptors for wheat and Aegilops. Rome, Italy. IPCC, (2021). Climate change 2021: the physical science basis. Contribution of Working Group I to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change [Masson-Delmotte, V., P. Zhai, A. Pirani, S.L. Connors, C. Péan, S. Berger, N. Caud, Y. Chen, L. Goldfarb, M.I. Gomis, M. Huang, K. Leitzell, E. Lonnoy, J.B.R. Matthews, T.K. Maycock, T. Waterfield, O. Yelekçi, R. Yu, and B. Zhou (Eds.)]. Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA. Jeong J. H., Resop J. P., Mueller N. D., Fleisher D. H., et al. (2016). Random forests for global and regional crop yield predictions. PloS One, 11(6): e0156571. Lal M. K., Tiwari R. K., Gahlaut V., Mangal V., et al. (2021). Physiological and molecular insights on wheat responses to heat stress. Plant Cell Reports, 41(3): 501-518. Langridge P., and Reynolds M. (2021). Breeding for drought and heat tolerance in wheat. Theoretical and Applied Genetics, 134: 1753-1769. Mishra S. C., Singh S., Patil R., Bhusal N., Malik A., and Sareen S. (2014). Breeding for heat tolerance in wheat. Genetics, 2(2): 1. Mojtabaee Zamani M., Mabipour M., and Mesgarbashi M. (2015). Evaluating reaction of bread wheat genotypes to heat stress during grain filling stage in Ahwaz. Journal of Plant Productions, 37: 119-130. Niazian M., and Niedbała G. (2020). Machine learning for plant breeding and biotechnology. Agriculture, 10(10): 436. Paliwal R., Röder M. S., Kumar U., Srivastava J. P., and Joshi A. K. (2012). QTL mapping of terminal heat tolerance in hexaploid wheat (T. aestivum L.). Theoretical and Applied Genetics, 125(3): 561-575. Posch B. C., Kariyawasam B. C., Bramley H., Coast O., et al. (2019). Exploring high temperature responses of photosynthesis and respiration to improve heat tolerance in wheat. Journal of Experimental Botany, 70(19): 5051-5069. Rahimi Y., Bihamta M. R., Taleei A., Alipour H., and Ingvarsson P. K. (2019). Applying an artificial neural network approach for drought tolerance screening among Iranian wheat landraces and cultivars grown under well-watered and rain-fed conditions. Acta Physiologiae Plantarum, 41: 1-17. Rehman H. U., Tariq A., Ashraf I., Ahmed M., Muscolo A., Basra S. M., and Reynolds M. (2021). Evaluation of physiological and morphological traits for improving spring wheat adaptation to terminal heat stress. Plants, 10(3): 455. Rezaei E. E., Siebert S., Manderscheid R., Müller J., et al. (2018). Quantifying the response of wheat yields to heat stress: The role of the experimental setup. Field Crops Research, 217: 93-103. Rezaeizadeh A., Mohamadi V., Siahpoush M. R., and Ahmadi A. (2020). The response of Iranian spring wheat cultivars to heat stress at anthesis and grain filling stages. Journal of Crop Breeding, 12(33): 107-109. Satpathi A., Setiya P., Das B., Nain A. S., Jha P. K., Singh S., and Singh S. (2023). Comparative analysis of statistical and machine learning techniques for rice yield forecasting for Chhattisgarh, India. Sustainability, 15(3): 2786. Sharma N., Kumar M., Daetwyler H. D., Trethowan R. M., Hayden M., and Kant S. (2024). Phenotyping for heat stress tolerance in wheat population using physiological traits, multispectral imagery, and machine learning approaches. Plant Stress, 14: 100593. Shiferaw B., Smale M., Braun H. J., Duveiller E., Reynolds M., and Muricho G. (2013). Crops that feed the world 10. Past successes and future challenges to the role played by wheat in global food security. Food Security, 5: 291-317. 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. Thistlethwaite R., Tan D., Bokshi A., Ullah S., and Trethowan R. (2020). A phenotyping strategy for evaluating the high-temperature tolerance of wheat. Field Crops Research, 255: 107905. Uddin S., Haque I., Lu H., Moni M. A., and Gide E. (2022). Comparative performance analysis of K-nearest neighbour (KNN) algorithm and its different variants for disease prediction. Scientific Reports, 12(1): 6256. Ullah A., Nadeem F., Nawaz A., Siddique K. H., and Farooq M. (2022). Heat stress effects on the reproductive physiology and yield of wheat. Journal of Agronomy and Crop Science, 208(1): 1-17. Yadav M. R., Choudhary M., Singh J., Lal M. K., et al. (2022). Impacts, tolerance, adaptation, and mitigation of heat stress on wheat under changing climates. International Journal of Molecular Sciences, 23(5): 2838. Zahravi M., Amirbakhtiar N., Arshad Y., Mosharraf Ghahfarrokhi G., and Ahmadi M. (2021). Identification of heat tolerant genetic sources in bread wheat germplasm. Journal of Crop Breeding, 13(39): 228-238. DOI: 10.52547/jcb.13.39.228. Zhao Y., Xiao D., Bai H., Tang J., Liu D. L., Qi Y., and Shen Y. (2022). The prediction of wheat yield in the North China Plain by coupling crop model with machine learning algorithms. Agriculture, 13(1): 99. | ||
|
آمار تعداد مشاهده مقاله: 132 تعداد دریافت فایل اصل مقاله: 79 |
||