تشخیص تنش‌های غیر زیستی گیاه برنج با استفاده از یک زیست‌حسگر نوری هوشمند مبتنی بر نانوذرات طلا

تشخیص اختصاصی نوع و شدت تنش‌های غیر زیستی گیاه به منظور انجام اقدامات به موقع به جلوگیری از کاهش عملکرد کمک می‌کند. این مطالعه روش جدیدی را برای تشخیص نوع و شدت تنش در گیاه برنج در شرایط شوری، خشکی و گرما به کمک بررسی ترکیبات microrna معرفی می‌کند. در این پژوهش، غلظت هشت ترکیب microrna در بافت گیاهان قرار گرفته تحت تنش‌های فوق به کمک یک زیست‌حسگر نوری مبتنی بر نانوذرات طلا اندازه‌گیری شد. اساس کار این زیست‌حسگر بر اساس هیبریدیزاسیون پراب-ترکیب هدف بود که در آن، اختلاط پراب/نانوذرات طلای پوشش داده شده با سیترات (ترکیب 1) و microrna/نانوذرات پوشش داده شده با پلی‌اتیلن‌ایمین (ترکیب 2) منجر به تجمع نانوذرات و تغییر ویژگی‌های طیف‌سنجی نمونه می‌شد. در ادامه، از روش‌های یادگیری ماشین برای پیش‌بینی نوع و شدت تنش با داشتن این غلظت‌ها استفاده شد. نتایج نشان داد که ماشین بردار پشتیبان بهینه‌شده توسط الگوریتم ژنتیک با عملکرد مناسب و به ترتیب با ضرایب تبیین 0.94، 0.91 و 0.86 توانایی تشخیص سطح تنش شوری، خشکی و گرمای وارده به گیاهان برنج را داشت. در ادامه، نتایج انتخاب ویژگی مبتنی بر نظریه بازی‌های مشارکتی نشان داد که در میان ترکیبات microrna مورد مطالعه، mirna-156، mirna-393، و mirna-159 به ترتیب بیشترین سهم را در پیش‌بینی تنش‌های خشکی، شوری و گرما در گیاه برنج داشتند. نتایج تحقیق نشان می‌دهد که بررسی ترکیبات microrna گیاه به کمک زیست‌حسگرهای نوری می‌تواند منجر به ویژگی‌های قابل اعتمادی برای تعیین شرایط رشد گیاهی و تنش‌های گیاه در مراحل اولیه ظهور شود.

detecting abiotic stresses in rice plants using a smart optical biosensor based on gold nanoparticles

the specific detection of the type and severity of plant abiotic stresses to take timely measures helps prevent yield reduction. this study introduces a new method to detect the type and severity of stress in rice plants under salinity, drought, and heat conditions by investigating micrornas. the concentration of eight micrornas in the tissue of plants subjected to salinity, drought, and heat conditions was measured with the help of an optical biosensor based on gold nanoparticles. the biosensor worked based on probe-target hybridization, in which the mixture of probe/citrate-capped gold nanoparticles (compound 1) and microrna/polyethyleneimine-capped nanoparticles (compound 2) resulted in the aggregation of nanoparticles and changes in their spectroscopic properties. in the following, machine learning methods were used to predict the type and severity of stress using such concentrations. the results showed that the support vector machine optimized by the genetic algorithm was able to detect the severity of salinity, drought, and heat stress applied to rice plants with appropriate performance and with coefficients of determination of 0.94, 0.91, and 0.86, respectively. then, the results of feature selection based on the cooperative game theory showed that among the micrornas studied, mirna-156, mirna-393, and mirna-159 had the largest contribution in predicting drought, salinity, and heat stresses in the rice plants, respectively. the findings of the research show that the examination of plant micrornas with the help of optical biosensors can lead to reliable features for determining plant growth conditions and plant stresses in the early stage.