“Smart Crop” когнитивная платформа для реконструкции, визуализации и анализа генных сетей стрессового ответа риса и пшеницы, основанная на ANDSystem и Multiomics

КАРТОЧКА ПРОЕКТА ФУНДАМЕНТАЛЬНЫХ И ПОИСКОВЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ

Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.

ОБЩИЕ СВЕДЕНИЯ

Номер проекта 23-44-00030

Название“Smart Crop” когнитивная платформа для реконструкции, визуализации и анализа генных сетей стрессового ответа риса и пшеницы, основанная на ANDSystem и Multiomics

Руководитель Иванисенко Владимир Александрович, Кандидат биологических наук

Организация финансирования, регион Федеральное государственное бюджетное научное учреждение "Федеральный исследовательский центр Институт цитологии и генетики Сибирского отделения Российской академии наук" , Новосибирская обл

Конкурс №74 - Конкурс 2022 года «Проведение фундаментальных научных исследований и поисковых научных исследований международными научными коллективами» (NSFC)

Область знания, основной код классификатора 04 - Биология и науки о жизни; 04-207 - Системная биология; биоинформатика

Ключевые слова Рис, пшеница, ANDSystem, нкРНК, генные сети, мультиомика, интеллектуальный анализ текста, машинное обучение, когнитивная платформа

Код ГРНТИ34.03.23

ИНФОРМАЦИЯ ИЗ ЗАЯВКИ

Аннотация
Рис (Oryza sativa L.) и пшеница (Triticum aestivum L.) имеет высокую пищевую, техническую, кормовую ценность и являются одними из важнейших сельскохозяйственных культур. Почти половина населения мира использует рис в качестве основного продукта питания. Наибольшее распространение данный продукт получил в Азии. Пшеница является основным продуктом питания для 35% населения мира и представляет собой важнейшую сельскохозяйственную культуру для России. Такие широкие масштабы в использовании риса и пшеницы как пищевых продуктов определяют их центральную роль в обеспечении глобальной продовольственной безопасности. Однако, экстремальные воздействия окружающей среды, в том числе вызванные неблагоприятными изменениями климата, болезни растений и насекомые-вредители приводят к значительным потерям урожая. Изучение молекулярно-генетических механизмов устойчивости растений к неблагоприятным биотическим и абиотическим факторам (высокая или низкая температура, засуха, засоленность, загрязнение почв металлами, болезни, действие патогенов и вредителей и т.д.) требуют исследования функционирования целых молекулярно-генетических систем, включающих сложные сигнальные, регуляторные, транспортные и метаболические пути. Среди известных систем, специализирующихся в области биологии растений, обладающих мощным пользовательским интерфейсом и средствами реконструкции и анализа генных сетей, можно выделить только Pathway Studio Plant. Pathway Studio Plant принадлежит редакции Elsevier, т.е., ни в России, ни в Китае нет собственных разработок, сравнимых по мощности с Pathway Studio Plant. Создать систему такого уровня с «чистого листа» за несколько лет отдельным коллективом практически невозможно, учитывая сложность задачи и чрезвычайно выраженную междисциплинарность проблемы. Однако, объединение компетенций российского и китайского коллектива, каждый из которых является мировым лидером в своей области, обеспечивает успешность решения задачи создания национальной Российско-Китайской программно-информационной системы «Smart Crop», превосходящей по функциональным характеристикам существующие когнитивные системы, включая Pathway Studio Plant. Российская коллектив из ИЦиГ СО РАН разработал интеллектуальную технологию text mining для извлечения знаний и реконструкции генных сетей в области биомедицины, реализованную в когнитивной системе ANDSystem. ANDSystem превосходит по многим характеристикам существующие системы. Технология может быть адаптирована для применения в конкретной предметной области, включая биологию растений, как показал опыт успешного создания базы знаний по картофелю SOLANUM TUBEROSUM. Китайская группа располагает большим опытом и передовыми информационными технологиями data mining для анализа «сырых» экспериментальных данных, включая омиксные данные растений, а также мощной экспериментальной платформой для верификации реконструированных генных сетей. В рамках проекта с использованием методов искусственного интеллекта будет создана когнитивная программно-информационная платформа «Smart Crop», обеспечивающая полный цикл инженерии знаний в области биологии растений для реконструкции и анализа генных сетей, ориентированная на решение задач по изучению молекулярно-генетических механизмов взаимосвязи генотип-фенотип-среда для сельскохозяйственно-ценных культур риса и пшеницы. Платформа будет ориентирована на решение таких содержательных задач как интерпретация результатов омиксных данных (установление связи наборов генов с биологическими процессами, фенотипическими признаками и т.д.); реконструкцию генных сетей, описывающих связь между молекулярно-генетическими объектами и объектами, соответствующими понятиям селекции, феномики и семеноводства, фитопатологии, диагностики, средствам защиты и т.д.; выявление регуляторных и сигнальных путей ответа растения на конкретные условия роста, биотические и абиотические стрессы (высокая или низкая температура, засуха, засоленность, загрязнение почв металлами, реакция на удобрения, действие гормонов, элиситеров и т.д.); предсказания генов-кандидатов для генотипирования; поиска маркеров для маркер-ориентированной селекции; кандидатов-мишеней для направленного воздействия веществами (в том числе внешними факторами) на растения для решения проблем раннего/равномерного всхода, лучшего вегетативного роста, эффективного поглощения питательных веществ и др.

ОТЧЁТНЫЕ МАТЕРИАЛЫ

Публикации

1. Орлов Ю.Л., Чен М., Колчанов Н.А., Хофестадт Р. BGRS: bioinformatics of genome regulation and data integration Journal of Integrative Bioinformatics, 2023 Nov 16. doi: 10.1515/jib-2023-0032 (год публикации - 2023)
10.1515/jib-2023-0032

2. Волянская А.Р., Антропова Е.А., Зубаирова У.С., Деменков П.С., Вензель А.С., Орлов Ю.Л., Макарова А.А., Иванисенко Т.В. , Горшкова Т.А., Агълямова А.Р., Колчанов Н.А., Чен М., Иванисенко В.А. Reconstruction and analysis of the gene regulatory network for cell wall function in Arabidopsis thaliana L. leaves in response to water deficit Вавиловский журнал генетики и селекции, 27(8):1031-1041. (год публикации - 2023)
10.18699/VJGB-23-118

3. Чао Х., Жанг С., Ху Я., Ни К., Ксин С., Жао Л., Иванисенко В.А., Орлов Ю.Л., Чен М. Integrating omics databases for enhanced crop breeding Journal of Integrative Bioinformatics, 2023 Jul 25. doi: 10.1515/jib-2023-0012 (год публикации - 2023)
10.1515/jib-2023-0012

4. Велькович АН, Орлов ЮЛ, Митич НС. BioGraph: Data Model for Linking and Querying Diverse Biological Metadata International Journal of Molecular Sciences, 24(8):6954 (год публикации - 2023)
10.3390/ijms24086954

5. Клещев М.А., Мальцева А.В., Антропова Е.А., Деменков П.С., Иванисенко Т.В., Орлов Ю.Л. , Чао Х., Чэнь М., Колчанов Н.А., Иванисенко В.А. Реконструкция и компьютерный анализ генной сети, отражающей роль микроРНК в регуляции ответа пшеницы на засуху Вавиловский журнал генетики и селекции, Том 28, №8, doi 10.18699/vjgb-24-98 (год публикации - 2024)
10.18699/vjgb-24-98

6. Антропова Е.А., Волянская А.Р., Адамовская A.В., Деменков П.С., Яцык И.В., Иванисенко Т.В., Орлов Ю.Л., Чао Х., Чэнь М., Иванисенко В.А. Поиск перспективных генетических маркеров, ассоциированных с молекулярными механизмами снижения устойчивости риса к Rhizoctonia solani при избытке азотных удобрений методом реконструкции и анализа генных сетей Вавиловский журнал генетики и селекции, Том 28, №8, doi 10.18699/vjgb-24-103 (год публикации - 2024)
10.18699/vjgb-24-103

7. Деменков П.С., Иванисенко Т.В., Клещев М.А., Антропова Е.А., Яцык И.В., Волянская А.Р., Адамовская А.В., Мальцева А.В., Вензель А.С., Чао Х., Чен М., Иванисенко В.А. SmartCrop: база знаний молекулярно-генетических механизмов адаптации риса и пшеницы к стрессовым факторам Вавиловский журнал генетики и селекции, 29(8):1221-1234 (год публикации - 2025)
10.18699/vjgb-25-129

Аннотация результатов, полученных в 2024 году
В отчетном году была проведена работа по расширению онтологии системы Smart crop и развитию технологий извлечения знаний из текстов научных публикаций и патентов, их интеграции с данными омиксных исследований и применению для анализа молекулярно-генетических механизмов адаптации сельскохозяйственных культур. Одним из ключевых достижений стало создание технологии извлечения знаний, базирующейся на комбинированном использовании традиционных методов (словари и семантико-лингвистические правила) и методов искусственного интеллекта, таких как графовые нейронные сети и большие языковые модели. Этот подход позволил значительно повысить точность и полноту идентификации объектов онтологии Smart crop, а также установить новые взаимодействия между ними. На этапе распознавания наименований объектов использовались онтологические словари для первичного сопоставления терминов, а затем применялись языковые модели, обученные анализировать контекст, в котором упоминаются предполагаемые объекты. Это позволило увеличить показатель F1 с 0.60 до 0.90. Особенно значимым стало улучшение точности идентификации сортов пшеницы и риса, где показатель F1 достиг 0.88 и 0.92 соответственно. Для анализа взаимодействий объектов онтологии была реализована технология построения графа знаний, в котором вершины представляли объекты, а ребра — их взаимодействия. С помощью графовых нейронных сетей, обученных методом GraphSAGE, были сформированы эмбеддинги вершин графа, учитывающие их топологические характеристики. Эти эмбеддинги стали основой для обучения многослойного перцептрона, предсказывающего новые взаимодействия. Применение адаптированной языковой модели Gemma-2-9b-it для анализа контекстов предсказанных взаимодействий повысило точность метода и позволило снизить вычислительные затраты. Оценка точности на примере белок-белковых взаимодействий показала высокие результаты, где коэффициент корреляции Маттьюса (MCC) составил 0.844 и 0.8422 на валидационной и тестовой выборках. В ходе работы база знаний Smart crop была значительно расширена информацией, извлеченной из текстов научных публикаций и патентов, охватывающих период с 1970 по 2024 год. Было экстрагировано более 2 миллионов взаимодействий различных типов, включая «ассоциацию», «регуляцию экспрессии» и «физическое взаимодействие». Для риса и пшеницы проведен детальный статистический анализ. Например, для риса зарегистрировано 210 тысяч взаимодействий типа «ассоциация», а для пшеницы — 148 тысяч. Эти данные подтверждают высокую информативность графа знаний для обеих культур. Важным этапом работы стало включение в базу Smart crop данных омиксных исследований из баз ncPlantDB и PncStress, предоставленных китайскими коллегами. Эти данные содержат информацию об экспрессии генов, некодирующих РНК и пептидов риса и пшеницы в различных условиях. Интеграция данных позволила существенно дополнить существующие знания о механизмах адаптации растений к стрессам. Например, некодирующие РНК, включая микроРНК, длинные некодирующие РНК и кольцевые РНК, играют ключевую роль в регуляции генов, что делает их важными объектами для изучения. Онтология Smart crop была дополнена новой информацией, связанной с сортами растений, средствами защиты растений, удобрениями и сельскохозяйственным оборудованием. Были проанализированы ключевые международные ресурсы, включая Европейский портал сортов растений (EUPVP), базы данных по пестицидам Agworld DBX, EU Pesticides Database, PPDB, а также ресурсы по удобрениям и оборудованию, такие как FAOSTAT и AgriExpo. В результате онтология была расширена сведениями о более чем 6000 сортах пшеницы и риса, 8000 средствах защиты растений и 1700 наименованиях сельскохозяйственной техники. Разработанная система была использована для изучения механизмов адаптации сельскохозяйственных культур к неблагоприятным условиям. Например, для риса исследовались механизмы снижения устойчивости к ризоктониозу в условиях избытка азота. Были выявлены ключевые молекулярные пути (OsGSK2, OsMYB44-OsWRKY6-OsPR1, SOG1-Rad51-PR1/PR2), определены перспективные гены и некодирующие РНК для селекционных программ. Для пшеницы анализ был сосредоточен на механизмах адаптации к водному дефициту. Реконструированная генная сеть выявила ключевую роль транскрипционных факторов (MYB, WRKY41) и микроРНК (MIR7757, MIR9653a), которые могут быть использованы для создания сортов, устойчивых к засухе. Система Smart crop может найти применение для решения широкого круга задач в фундаментальных исследованиях и прикладных разработках в области агробиотехнологий и адаптивных сельскохозяйственных технологий.

Публикации

Аннотация результатов, полученных в 2025 году
В отчетном периоде работа по проекту была сосредоточена на развитии когнитивной системы SmartCrop и её применении для изучения молекулярных механизмов адаптации риса и пшеницы к стрессовым факторам среды, а также на поиске генов-мишеней для селекции и геномного редактирования. С использованием SmartCrop реконструированы ассоциативные генные сети реакции пшеницы (Triticum aestivum L.) и риса (Oryza sativa L.) на ключевые абиотические стрессы — засоление, холод, повышенную температуру и недостаток влаги, а также на заражение патогенным грибом Rhizoctonia solani. Для каждой культуры получены интегрированные сети, включающие гены, белки, биологические процессы, фенотипические и хозяйственно значимые признаки. Анализ топологии этих сетей позволил выделить набор центральных регуляторов. Для пшеницы к ним относятся аквапорины, кальмодулины, белки теплового и холодового шока, убиквитины, пероксидазы и дегидрины, формирующие основу водно-солевого гомеостаза, кальциевой сигнализации и антиоксидантной защиты. Для риса выявлены ключевые транскрипционные факторы OsDREB2B, OsMADS23, OsPIL13, киназа OsCPK10 и белки типа OsZFP, участвующие в устойчивости к засухе, солевому стрессу, холоду и поражению патогенами. Эти гены предложены как перспективные мишени для создания стрессоустойчивых сортов. Разработан и реализован новый методический подход к приоритизации генов-кандидатов для маркер-ориентированной селекции. В основу положен анализ путей регуляции в генных сетях SmartCrop с учётом трёх групп критериев: (1) специфичности влияния гена на целевой признак (устойчивость к конкретному стрессу), (2) плейотропности действия, то есть влияния на другие хозяйственно важные признаки, и (3) однонаправленности эффекта на биологические процессы, усиливающие или подавляющие целевой фенотип. Для каждого гена автоматически рассчитываются интегральные скоринговые показатели, позволяющие ранжировать его приоритет для селекции и/или геномного редактирования. На основе этого подхода сформированы списки приоритетных генов пшеницы и риса для устойчивости к засолению, холоду, жаре, засухе и R. solani. Показано, что, например, пероксидаза PER1, ряд аквапоринов, убиквитинов, эндохитиназ и MYB-факторов обладают высокими суммарными оценками и могут обеспечивать улучшение сразу нескольких стрессовых и продуктивных признаков. Существенным результатом стало создание полнофункционального веб-интерфейса системы SmartCrop. Реализован клиент-серверный веб-сервис, обеспечивающий: – поиск генов, белков и некодирующих РНК по идентификаторам, функциям и условиям стресса; – интерактивную визуализацию генных сетей с возможностью масштабирования, фильтрации и экспорта изображений; – интеграцию с внешними базами данных (в частности, ncPlantDB и PncStress) с подгрузкой данных экспрессии при стрессе и ChIP-seq; – просмотр детальной информации о взаимодействиях (тип связи, метод экспериментального подтверждения, ссылки на публикации). Интерфейс снабжён механизмами аутентификации и защиты данных и может использоваться как исследовательскими группами, так и специалистами-селекционерами для планирования экспериментов. Практическая применимость SmartCrop продемонстрирована на примере интерпретации транскриптомных данных корней мягкой пшеницы при солевом стрессе (5829 дифференциально экспрессирующихся генов). Проведён анализ перепредставленности по объектам базы SmartCrop (биологические процессы, фенотипы, агрофенотипы, патогены). Показано, что набор генов связан не только с ответом на засоление, но и с реакцией на водный дефицит, скоростью закрытия устьиц, прорастанием семян и признаками качества зерна. Построена генная сеть устойчивости к гиперосмотическому стрессу, включающая аквапорины, Na⁺/H⁺-транспортеры, антиоксидантные ферменты, транскрипционные факторы семейств MYB и WRKY, дегидрины, белки холодового шока, DELLA-белки и кальций-зависимые киназы, а также ряд микроРНК, регулирующих ключевые транскрипционные факторы. Показано, что в условиях эксперимента доминирует активация путей антиоксидантной защиты и гормональных сигнальных каскадов, обеспечивающих устойчивость к засолению. Отдельный блок работ был посвящён изучению роли некодирующих РНК в устойчивости риса к засолению. На основе данных SmartCrop показано, что в регуляцию вовлечён комплекс из 30 генов, нескольких микроРНК (osa-MIR444e/f, osa-MIR319a, osa-MIR396c) и сотен длинных некодирующих РНК. Выделены шесть lncRNA, коэкспрессирующихся с osa-MIR396c и многими другими микроРНК, что позволяет рассматривать их в качестве потенциальных «узловых» регуляторов в многоуровневой сети «lncRNA – miRNA – транскрипционный фактор – целевые гены» для контроля устойчивости риса к засолению. В совокупности полученные результаты расширяют представления о молекулярно-генетических механизмах адаптации риса и пшеницы к абиотическим и биотическим стрессам, формируют систематизированный набор генов-мишеней для селекционных программ и геномного редактирования, а также создают программно-информационную платформу для интегрированного анализа литературных и омиксных данных в задачах устойчивого растениеводства и обеспечения продовольственной безопасности. Реконструкция генных сетей, описывающих молекулярно-генетические механизмы ответа риса и пшеницы на стресс, приоритизация генов-кандидатов для генотипирования, поиск маркеров, значимых для маркер-ориентированной селекции, а также разработка веб-интерфейса системы SmartCrop проводилась совместно с китайскими партнерами, которые работали под руководством профессора Мин Чена.

Публикации

Возможность практического использования результатов
Результаты проекта обладают значительным потенциалом практического применения в экономике и социальной сфере, прежде всего в области сельского хозяйства, агробиотехнологий и продовольственной безопасности Российской Федерации. Во-первых, созданная когнитивная платформа SmartCrop может использоваться как основа для разработки новых и усовершенствования существующих селекционных программ по рису и пшенице. Накопленные в системе знания о генах, некодирующих РНК, маркерах, QTL и регуляторных сетях позволяют: • ускорять выведение стрессоустойчивых сортов, адаптированных к засолению, засухе, перепадам температур и поражению патогенами; • более точно подбирать генотипы для скрещивания; • формировать панели маркеров для маркер-ориентированной селекции и генотипирования. Это напрямую способствует повышению урожайности и стабильности производства зерна в условиях климатических изменений, снижению рисков неурожаев и, как следствие, укреплению продовольственной безопасности страны. Во-вторых, SmartCrop может служить цифровой платформой для создания новых услуг и программных продуктов в сфере «умного» растениеводства и аграрной аналитики. На её основе могут быть разработаны: • сервисы для агрохолдингов и селекционных центров по анализу генетических и омиксных данных и рекомендации по подбору исходного материала; • модули поддержки принятия решений для систем точного земледелия (выбор сортов под конкретные почвенно-климатические условия и стрессовые факторы); • специализированные программные комплексы для научно-исследовательских институтов и вузов. Возможна коммерциализация платформы в виде лицензируемого программного обеспечения, облачного сервиса или интеграции в существующие аграрные ИТ-решения. В-третьих, разработанные в проекте методы анализа генных сетей, приоритизации генов-кандидатов и интеграции омиксных данных формируют важный научно-технологический задел в области применения искусственного интеллекта и больших данных в агробиотехнологиях. Гибридный подход, сочетающий графовые нейронные сети, большие языковые модели и онтологические методы, может быть перенесён: • на другие сельскохозяйственные культуры (ячмень, кукуруза, картофель и др.); • на задачи анализа устойчивости к вредителям, эффективности удобрений, влияния агротехнологий; • на смежные области (биомедицина, экология, промышленная биотехнология). Это усиливает технологический суверенитет России в стратегически важной области ИИ для биологических и аграрных задач. В-четвёртых, результаты проекта создают основу для улучшения качества аграрной продукции и повышения её конкурентоспособности. Использование знаний о генетических детерминантах качества зерна (белковость, технологические свойства, устойчивость к полеганию, прорастание) позволяет: • целенаправленно формировать сорта с улучшенными потребительскими и технологическими характеристиками; • снижать потери при хранении и переработке; • разрабатывать рекомендации по сочетанию сортов и агротехнологий для разных регионов. Это способствует повышению добавленной стоимости продукции и расширению её экспортного потенциала. В-пятых, созданный веб-интерфейс SmartCrop и набор инструментов анализа генных сетей могут использоваться в образовательных целях — при подготовке специалистов по биоинформатике, селекции, аграрным ИТ-технологиям. Включение SmartCrop в учебные и научно-производственные практики: • повышает качество подготовки кадров для аграрного и биотехнологического секторов; • способствует формированию компетенций в области работы с большими биологическими данными и ИИ; • укрепляет взаимодействие между университетами, НИИ и производственными структурами. Наконец, международное российско-китайское сотрудничество в рамках проекта создаёт основу для дальнейших совместных разработок, пилотных проектов и внедрения технологий SmartCrop в трансграничные селекционные программы. Это усиливает позиционирование России на глобальном рынке агробиотехнологий, способствует обмену технологиями и привлечению дополнительных инвестиций в высокотехнологичный аграрный сектор. В целом, результаты проекта формируют комплексный научный и технологический задел, который может быть использован: • для экономического роста за счёт повышения эффективности и устойчивости сельского хозяйства; • для социального развития через укрепление продовольственной безопасности и создание новых высокотехнологичных рабочих мест в аграрной и ИТ-отраслях; • для создания новых и усовершенствования существующих технологий, сервисов и продуктов в области «умного» растениеводства, аграрной аналитики и биоинформатики.