یادگیری ماشین و یک باکتری خاکی نشان می‌دهند گوجه‌فرنگی چگونه با پژمردگی ویرانگر مقابله می‌کند
پژمردگی باکتریایی یکی از مخرب‌ترین بیماری‌ها در تولید گوجه‌فرنگی در سراسر جهان است. این بیماری که عامل آن باکتری خاک‌زی Ralstonia pseudosolanacearum است، می‌تواند با سرعت نگران‌کننده‌ای در یک مزرعه گسترش یابد و با مسدود کردن رگ‌های انتقال آب گیاه، باعث افتادگی برگ‌ها، فروپاشی ساقه‌ها و تبدیل محصولی ظاهراً سالم به بقایای پژمرده در عرض چند روز شود. از آنجا که این عامل بیماری‌زا در خاک باقی می‌ماند و از طریق ریشه وارد گیاه می‌شود، کنترل شیمیایی تأثیر محدودی دارد و ارقام مقاوم گوجه‌فرنگی نیز هنوز کمیاب هستند. اکنون گروهی از پژوهشگران در چین با ترکیب فیزیولوژی گیاهی، تحلیل گسترده بیان ژن‌ها، علوم شبکه و یادگیری ماشین، توضیح داده‌اند که چگونه یک باکتری مفید خاکی به گوجه‌فرنگی کمک می‌کند در برابر این حمله مقاومت کند و مجموعه‌ای از ژن‌ها را برای هدایت تولید محصولات مقاوم‌تر پیشنهاد داده‌اند.
این پژوهش که در مجله BMC Plant Biology منتشر شده، بر سویه H23 از باکتری Bacillus safensis تمرکز دارد؛ عضوی از گروه باکتری‌های محرک رشد گیاه (PGPR) که مجموعه‌ای از میکروارگانیسم‌های ساکن ریشه هستند و به بهبود سلامت گیاه کمک می‌کنند. این تیم به رهبری علیا ایاز و هوئیژن فو، نویسنده مسئول از دانشگاه هاینان، با همکاری پژوهشگرانی از دانشگاه گوانگشی، تلاش کرد به پرسشی پاسخ دهد که مدت‌ها ذهن آسیب‌شناسان گیاهی را درگیر کرده بود: یک باکتری محافظ در سطح مولکولی دقیقاً چه تغییری درون گیاهِ تحت حمله ایجاد می‌کند؟ عوامل کنترل زیستی مانند گونه‌های Bacillus به‌طور گسترده استفاده می‌شوند، اما الگوی تغییرات ژنی که در گیاه میزبان ایجاد می‌کنند، به‌ویژه در بیماری پژمردگی باکتریایی، همچنان تا حد زیادی ناشناخته باقی مانده است.
طراحی آزمایش در ظاهر ساده بود، اما اجرای آن نیازمند کار گسترده‌ای بود. پژوهشگران گیاهان گوجه‌فرنگی را در شرایط مختلف پرورش دادند: گیاهان شاهد سالم، گیاهان آلوده به Ralstonia pseudosolanacearum، گیاهان تیمارشده با باکتری H23 و گیاهانی که هم با عامل محافظ و هم با عامل بیماری‌زا مواجه شدند. سپس نشانه‌های بیماری و مجموعه‌ای از شاخص‌های فیزیولوژیکی را اندازه‌گیری کردند و در دو زمان، یعنی پنج و ۱۰ روز پس از آغاز تعامل، از بافت گیاه نمونه‌برداری کردند تا مراحل اولیه و دیرتر پاسخ گیاه را بررسی کنند. توالی‌یابی RNA این نمونه‌ها به تیم اجازه داد تغییر فعالیت هزاران ژن را در مقایسه‌های مختلف میان تیمارها دنبال کند.
نتایج فیزیولوژیکی کاملاً روشن بود. گیاهانی که پیش از مواجهه با عامل بیماری‌زا با H23 تیمار شده بودند، شدت بیماری کمتری نشان دادند و در شرایط فشار بیماری رشد بهتری داشتند. این باکتری محافظ همچنین فعالیت آنزیم‌های آنتی‌اکسیدانی گیاه را افزایش داد؛ آنزیم‌هایی که نخستین خط دفاعی در برابر مولکول‌های فعال اکسیژن هستند که هم عوامل بیماری‌زا و هم سلول‌های گیاهی تحت تنش تولید می‌کنند. H23 به‌طور قابل اندازه‌گیری آسیب اکسیداتیو را کاهش داد: سطح مالون‌دی‌آلدئید، شاخص آسیب چربی‌های غشای سلولی، کاهش یافت و تجمع پراکسید هیدروژن و نشت الکترولیت‌ها که نشانه از بین رفتن یکپارچگی غشاهاست نیز کمتر شد. به بیان دیگر، این باکتری به گیاه کمک کرد در حالی که عامل بیماری‌زا در حال حمله بود، ساختار سلولی خود را حفظ کند.
داده‌های ترانسکریپتومیک گستردگی بازبرنامه‌ریزی ژنتیکی ایجادشده را نشان دادند. پژوهشگران در تمامی مقایسه‌های تیماری، در زمان پنج‌روزه ۱۱٬۷۸۸ ژن با بیان متفاوت و در زمان ۱۰ روزه ۱۱٬۶۷۴ ژن شناسایی کردند. این اعداد نشان می‌دهند تعامل میان گیاه و میکروب باعث تغییر گسترده و پایدار در فعالیت ژنوم گوجه‌فرنگی می‌شود، نه صرفاً یک واکنش دفاعی کوتاه‌مدت. تحلیل‌های غنی‌سازی مسیرهای Gene Ontology و KEGG نیز نشان دادند که دو میکروب مسیرهای متفاوتی را در گیاه فعال می‌کنند. تیمار با H23 عمدتاً ژن‌های مرتبط با سازمان‌دهی دیواره سلولی، متابولیسم پلی‌ساکاریدها، زیست‌ساخت ترکیبات فنیل‌پروپانوئیدی، پیام‌رسانی MAPK و مسیرهای هورمونی گیاه را فعال کرد. در مقابل، عفونت با رالستونیا بیشتر پاسخ‌های تنش اکسیداتیو، متابولیسم گلوتاتیون و مسیرهای دفاعی را تحریک کرد.
این تفاوت از نظر علمی اهمیت زیادی دارد. الگوی ایجادشده توسط H23 نشان می‌دهد این باکتری گیاه را از نظر ساختاری و سیستمی آماده می‌کند: دیواره‌های سلولی را تقویت می‌کند، تولید ترکیبات فنیل‌پروپانوئیدی مانند لیگنین و دیگر مواد دفاعی را افزایش می‌دهد و شبکه‌های پیام‌رسانی هورمونی هماهنگ‌کننده پاسخ ایمنی را فعال می‌کند. در مقابل، الگوی ناشی از عامل بیماری‌زا نشانه گیاهی است که تحت حمله اکسیداتیو قرار گرفته و تلاش می‌کند با استفاده از متابولیسم گلوتاتیون، گونه‌های فعال اکسیژن را خنثی کند و هر دفاع ممکنی را فعال سازد. این یافته نشان می‌دهد H23 تنها به‌طور مستقیم با عامل بیماری‌زا مقابله نمی‌کند، بلکه گیاه را وارد حالت «مقاومت القاشده سیستمیک» می‌کند؛ وضعیتی آماده‌باش که در آن ساختار و سامانه‌های پیام‌رسانی دفاعی گیاه پیش از حمله و هنگام آن تقویت شده‌اند.
برای تفسیر بیش از ۱۱ هزار ژن تغییرکرده، تیم پژوهشی از تحلیل شبکه هم‌بیانی ژن‌ها با وزن‌دهی‌شده (WGCNA) استفاده کرد؛ چارچوبی آماری که ژن‌ها را بر اساس شباهت الگوهای بیانشان در نمونه‌های مختلف در قالب ماژول‌هایی گروه‌بندی می‌کند. این تحلیل پنج ماژول کلیدی را شناسایی کرد که فعالیت آن‌ها با ویژگی‌های فیزیولوژیکی اندازه‌گیری‌شده مرتبط بود. درون این ماژول‌ها، پژوهشگران ۱۵۰ ژن مرکزی را مشخص کردند؛ ژن‌هایی که بیشترین ارتباط را در هر خوشه هم‌بیانی داشتند و احتمالاً نقش مهم‌تری ایفا می‌کنند. این ژن‌ها با مقاومت در برابر بیماری، تنظیم تنش اکسیداتیو، سم‌زدایی، پیام‌رسانی هورمونی و متابولیسم ثانویه ارتباط داشتند و تصویری منسجم از فرآیندهای زیستی مهم در گیاهان محافظت‌شده ارائه کردند.
آخرین و شاید نوآورانه‌ترین مرحله پژوهش، استفاده از یادگیری ماشین بود. پژوهشگران به جای اتکا تنها به آمارهای غنی‌سازی، داده‌های ژن‌های نامزد را وارد الگوریتم‌های یادگیری ماشین کردند تا ژن‌هایی را که بیشترین ارتباط را با پاسخ به عامل بیماری‌زا و تنظیم ناشی از H23 دارند، اولویت‌بندی کنند. این تحلیل در نهایت به شناسایی ۱۰ ژن کلیدی نامزد منجر شد که نویسندگان آن‌ها را نشانگرهای مولکولی اصلی این تعامل محافظتی پیشنهاد می‌کنند. ترکیب تحلیل شبکه و یادگیری ماشین بازتاب روندی گسترده‌تر در زیست‌شناسی گیاهی است؛ زیرا با افزایش حجم داده‌های توالی‌یابی، ابزارهای محاسباتی برای تشخیص ژن‌هایی که واقعاً عامل ایجاد یک ویژگی هستند از هزاران ژنی که تنها همراه با آن تغییر می‌کنند، ضروری شده‌اند.
پیامدهای عملی این پژوهش در دو مسیر دنبال می‌شود. برای اصلاح‌گران نباتات، ۱۰ ژن نامزد هدف‌های مشخصی فراهم می‌کنند؛ نشانگرهایی که می‌توان آن‌ها را در برنامه‌های اصلاحی برای تولید ارقام گوجه‌فرنگی با مقاومت ذاتی بیشتر در برابر پژمردگی باکتریایی، چه از طریق انتخاب سنتی و چه ویرایش ژنومی، دنبال کرد. برای کشاورزان و متخصصان مدیریت تلفیقی آفات نیز این مطالعه از استفاده از کنترل زیستی مبتنی بر PGPR به‌عنوان بخشی از مدیریت بیماری حمایت بیشتری می‌کند و توضیح مولکولی برای مزیتی ارائه می‌دهد که پیش‌تر بیشتر بر پایه مشاهده تجربی شناخته شده بود. از آنجا که اثر محافظتی H23 از طریق دفاع آنتی‌اکسیدانی، تقویت ساختار گیاه و پیام‌رسانی ایمنی عمل می‌کند، می‌تواند در کنار روش‌های کنترلی موجود قرار گیرد و وابستگی به مواد شیمیایی را کاهش دهد؛ موادی که در برابر یک عامل بیماری‌زای ریشه‌زی و عروقی با چالش روبه‌رو هستند.
این پژوهش که با حمایت مالی استان هاینان و دانشگاه هاینان انجام شده، مانند دیگر مطالعات اولیه کاربردی با محدودیت‌هایی همراه است. ژن‌های نامزد بر اساس ارتباط و اولویت‌بندی شناسایی شده‌اند و تأیید عملکرد آن‌ها به آزمایش‌های ژنتیکی مستقیم در گوجه‌فرنگی نیاز دارد. همچنین عملکرد H23 در شرایط مزرعه‌ای با خاک‌ها، اقلیم‌ها و سویه‌های مختلف عامل بیماری‌زا هنوز باید بررسی شود. با این حال، چارچوب این مطالعه که اندازه‌گیری‌های فیزیولوژیکی را با ترانسکریپتومیک زمان‌مند، شبکه‌های هم‌بیانی و یادگیری ماشین ترکیب می‌کند، الگویی برای بررسی دیگر میکروب‌های مفید و محصولات کشاورزی فراهم می‌سازد. برای بیماری مخربی مانند پژمردگی باکتریایی، ترسیم نقشه مولکولی از اینکه چگونه یک باکتری بی‌ضرر خاکی به گیاه گوجه‌فرنگی آموزش می‌دهد از خود دفاع کند، گامی مهم به سوی تولید محصولاتی است که بتوانند در شرایطی که پیش‌تر از پا می‌افتادند، مقاومت کنند.
موضوع پژوهش: القای مقاومت گوجه‌فرنگی در برابر پژمردگی باکتریایی رالستونیا توسط Bacillus safensis با استفاده از ترانسکریپتومیک و یادگیری ماشین
عنوان مقاله: ترانسکریپتومیک تلفیقی و یادگیری ماشین، ژن‌های اصلی مرتبط با مقاومت گوجه‌فرنگی در برابر پژمردگی باکتریایی ناشی از Bacillus safensis را آشکار می‌کنند
منبع مقاله: Ayaz, A., Ikram, M., Jin, R., Gao, F., Yu, W., Wang, Z., Liu, P., Huang, J., & Fu, H. (2026). Integrated transcriptomics and machine learning reveal core genes associated with Bacillus safensis-mediated resistance to tomato bacterial wilt. BMC Plant Biology. https://doi.org/10.1186/s12870-026-10116-5
اعتبار تصویر: تولیدشده با هوش مصنوعی
DOI: 10.1186/s12870-026-10116-5
کلیدواژه‌ها: گوجه‌فرنگی، پژمردگی باکتریایی، Bacillus safensis، Ralstonia pseudosolanacearum، PGPR، ترانسکریپتومیک، ژن‌های با بیان متفاوت، WGCNA، یادگیری ماشین، ایمنی گیاه، کنترل زیستی، دفاع آنتی‌اکسیدانی
منبع خبری: Morgan Morrow. (۱۴ اکتبر ۲۰۲۶). Machine Learning and a Soil Bacterium Reveal How Tomatoes Fight a Devastating Wilt. Scienmag.