طبقه ‎بندی پیش ‎سازهای microRNA در گاو (Bos Taurus) با استفاده از ویژگی‎ های کاهش یافته تکرارهای دو نوکلئوتیدی

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 RNA‎ های 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 ارایه نمودند. از زمان کشف lin-4 و let‐7، هزاران miRNA در گونه های حیوانات مزرعه شناسایی و در پایگاه های داده miRNA ثبت شده اند. miRNA‎ها را می‎توان به ‎عنوان نشانگرهای زیستی، اهداف تشخیصی، پیش ‎آگهی و درمانی برای مدیریت بیماری‎ های 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 به ‎صورت آزمایشگاهی هزینه ‎بر و زمان‎بر است، بنابراین این پژوهش با هدف استفاده از روش‎های محاسباتی مبتنی بر یادگیری ماشین به‎‎ منظور 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 به‎ طور 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 نوکلیوتیدی ژن های pre-miRNA و محتوای بازهای سیتوزین و گوانین (G+C) در توالی ها در نظر گرفته شد. ترکیب دی نوکلیوتیدی مشاهده شده به‎عنوان ویژگی های ساختاری ترکیب توالی برای هر ژن miRNA محاسبه شد. مجموع ترکیبات دو نوکلیوتیدی در گونه گاو (Bos Taurus) با محتویات ژنومی G+C برای 1064 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 17 ویژگی بهینه شده مربوط به ساختارهای توالی برای آموزش مدل‎ها استفاده شد. این مدل ها با روش اعتبارسنجی متقاطع 10 تایی آموزش یافتند و اعتبارسنجی شدند.

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 99 درصد و ضریب همبستگی متیو 97/9 درصد دست یافت.

نتیجه‎ گیری: 

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 ویژگی‎ های ساختاری دو نوکلیوتیدی می‎توان در پیش‎بینی توالی‎ های miRNA به ‎دقت بالایی دست یافت.