ارزیابی کارایی مدل‌های رگرسیون چند‌متغیره و شبکۀ عصبی مصنوعی (ann) در پیش‌بینی فعالیت آنزیم‌های آنتی‌اکسیدان در شاخسارۀ گندم نان (triticum aestivum) تحت سمیت کادمیم

هدف از انجام این تحقیق مقایسه کارایی مدل‌های رگرسیون چند‌متغیره و شبکه عصبی مصنوعی (ann) جهت پیش‌بینی مقدار فعالیت آنزیم‌های آنتی‌اکسیدان سوپراکسید دیسموتاز (sod)، کاتالاز (cat)، آسکوربات پراکسیداز (apx) و پراکسیداز (pox) در شاخساره گندم (triticumaestivum) رقم الوند در خاک آلوده به کادمیم بود. تیمارهای آزمایش شامل چهار سطح کادمیم (صفر (شاهد)، 25، 50 و 100 میلی‌گرم کادمیم در کیلوگرم خاک) بود. پس از گذشت 30 روز (هم‌زمان با مرحله به ساقه رفتن) اقدام به برداشت نمونه‌ها و اندازه‌گیری ده پارامتر مختلف شامل وزن تر و خشک، غلظت کلروفیل‌های a و b، غلظت عناصر کادمیم، مس، آهن، منگنز، روی و پتاسیم شد. همچنین، مقدار فعالیت آنزیم‌های sod، cat، apx و pox اندازه‌گیری شد. در مرحله بعد ضرایب همبستگی بین پارامترهای ده‌گانه و مقدار فعالیت آنزیم‌های آنتی‌اکسیدان تعیین شد. نتایج حاصل از مدل‌های بهینه‌شده رگرسیون چند‌متغیره و شبکه عصبی مصنوعی نشان داد که کارایی مدل شبکه عصبی مصنوعی در پیش‌بینی مقدار فعالیت آنزیم‌های sod و pox بیش از مدل رگرسیون چند‌متغیره بود. ضرایب همبستگی (r2) بین مقادیر اندازه‌گیری‌شده و پیش‌بینی‌شده فعالیت آنزیم sod برای مدل‌های رگرسیون چند‌متغیره و شبکه عصبی مصنوعی به ترتیب 0/76 و 0/87 بود. ضرایب همبستگی آنزیم pox برای مدل‌های رگرسیون چند‌متغیره و شبکه عصبی مصنوعی به ترتیب 0/96 و 0/98 بود. ضرایب همبستگی بین مقادیر اندازه‌گیری‌شده و پیش‌بینی‌شده فعالیت آنزیم cat برای مدل‌های رگرسیون چند‌متغیره و شبکه عصبی مصنوعی به ترتیب 0/97 و 0/98 بود. در رابطه با آنزیم apx این ضرایب برای مدل‌های رگرسیون چند‌متغیره و شبکه عصبی به ترتیب 0/97 و 0/99 بود. با توجه به نتایج این تحقیق می‌توان گفت کارایی مدل شبکه عصبی مصنوعی در پیش‌بینی مقدار فعالیت آنزیم‌های آنتی‌اکسیدان در شاخساره رقم الوند تحت سمیت کادمیم به طور کلی بیش از مدل رگرسیون چند‌متغیره بود.

Evaluation of the Performance of Multiple Regression vs Neural Network Models to Predict the Activity of Antioxidant Enzymes in Shoots of Wheat (Triticum aestivum) when under Cadmium Toxicity

The aim followed in this study was to compare the performance of multiple regression vs neural network models to predict the activity of antioxidant enzymes Super Oxide Dismutase (SOD), CAT alase (CAT), Ascorbate Pero Xidase (APX) and PeroXidase (POX) in the shoots of wheat (Triticum aestivum), Alvand cultivar in a soil polluted with cadmium. The treatments consisted of four levels of cadmium (0 (control), 25, 50 and 100 mg kg1 soil), respectively. After 30 days (almost simultaneous with the stage of the plant's stem elongation) plant sles were harvested. The following ten different parameters namely: wet and dry weight, chlorophyll a and b, concentrations of cadmium, copper, iron, manganese, zinc and potassium, were determined. The activities of the enzymes SOD, CAT, APX and POX were assessed. As a next step, the correlation coefficients between the ten parameters and the activity of antioxidant enzymes were determined. The results of multiple regression and neural network models optimized, showed that the efficiency of Artificial Neural Network, in predicting the activity of SOD and POX enzymes, was more pronounced than those of the Multiple Regression models. Coefficients of multiple determinations (r2) between measured and predicted values ​​of SOD activity for Multiple Regression and Neural Network models were recorded as 0.76 and 0.87 respectively. Coefficients of Multiple Determination (r2) ​​of POX activity for Multiple Regression vs Neural Network models were 0.96 and 0.98 respectively. Also the coefficients of Multiple Determination (r2) between the measured and predicted values ​​of CAT activity for multiple regression and neural network models were 0.97 and were 0.98 respectively. With regard to the APX enzyme, coefficients for Multiple Regression and Neural Network models were 0.97 and 0.99 respectively. According to the results of the research, in general the efficiency of artificial neural network model in predicting the activity of antioxidant enzymes in wheat shoots, and under toxicity of Cd was more than that of the multivariate regression model.