|
ДокладыПрименение методов машинного обучения для исследования устойчивости растений к стрессу и патогенамАграрно-Технологический Институт, Российский Университет Дружбы Народов (РУДН), Россия, 117198, Москва, morrowind1946@gmail.com 1Первый МГМУ им. И.М.Сеченова (Сеченовский Университет), Россия, 119991, Москва, y.orlov@sechenov.ru Фундаментальная проблема исследования устойчивости растений к внешнему стрессу, вызванному, в том числе, патогенами на молекулярном уровне требует применения междисциплинарных методов основанных на анализе данных секвенирования, что в свою очередь предполагает разработку специализированных компьютерных инструментов (Chen et al., 2017; Orlov et al., 2020). В данной работе представлен обзор направлений разработки компьютерных программ моделирования генных сетей растений по данным высокопроизводительного геномного секвенирования, в том числе секвенирования патогенов растений (метагеном). Необходимо создание новых электронных ресурсов биоинформатики растений, исследование структуры генома и эволюции модельных растений в плане ответа на стрессовые воздействия окружающей среды для решения агробиотехнологических задач (Wang et al., 2021). Само научное направление компьютерного моделирования стресс-устойчивости растений является междисциплинарным, находится на стыке агробиологии, компьютерных технологий, методов математического моделирования. С прикладной точки зрения понимание молекулярных механизмов ответа растений на изменение условий окружающей среды, засуху, присутствие тяжелых металлов и других элементов важно для защиты растений, в том числе зерновых культур. Такие задачи становятся особенно важными в связи с изменениями климата, повышением температуры и цикличности осадков в последние годы. Имеющиеся данные по составу микробиома растения (корни, листья, микробиом почвы) и функционального состояния позволяют применять технологии Машинного Обучения, Искусственного Интеллекта для оценки физиологического состояния модельного растения.
Литература 1. Chen M., Harrison A., Shanahan H., Orlov Y. Biological Big Bytes: Integrative Analysis of Large Biological Datasets // Journal of Integrative Bioinformatics 14, 3, 2017. p. 20170052. 2. Orlov Y.L., Ignatov A.N., Galieva E.R., Dobrovolskaya O.B. Microbiology research at the systems biology and bioinformatics - 2019 (SBB-2019) school // BMC Microbiology. 20, 2, 2020. p. 348. 3. Wang J., Orlov Y.L., Li X., Zhou Y., Liu Y., Yuan C., Chen M. In situ dissecting the evolution of gene duplication with different histone modification patterns based on high-throughput data analysis in Arabidopsis thaliana // PeerJ 9, 2021. p. e10426.
Материалы доклада |
