شبیه‌سازی جامع فرآیند جهش‌زایی پرتوی در برنج (.Oryza sativa L) با استفاده از مدل‌های پیشرفته پرتوزیستی و زیست‌سنجی مجازی

۱. مقدمه

برنج (Oryza sativa L.) به‌عنوان غذای اصلی بیش از نیمی از جمعیت جهان، نقشی محوری در امنیت غذایی ایفا می‌کند. بهبود ژنتیکی این محصول برای مقاومت به تنش‌های زیستی و غیرزیستی، افزایش عملکرد و بهبود کیفیت دانه، از اولویت‌های راهبردی برنامه‌های اصلاح نباتات در سراسر جهان است. در این میان، جهش‌زایی القایی با پرتوهای یون‌ساز به‌عنوان یک رویکرد مکمل در کنار روش‌های کلاسیک اصلاح، امکان ایجاد تنوع ژنتیکی گسترده‌ای را فراهم می‌کند که در جمعیت‌های طبیعی یا وجود ندارد یا با فراوانی بسیار پایین یافت می‌شود.

با این حال، کارایی جهش‌زایی پرتوی به‌شدت وابسته به انتخاب دقیق دوز و نرخ دوز پرتو است. دوزهای پایین ممکن است تنوع کافی ایجاد نکنند، در حالی که دوزهای بالا منجر به آسیب کشنده گسترده و کاهش شدید جمعیت زنده‌مانده می‌شوند. علاوه بر این، عواملی نظیر رطوبت بذر، سطح اکسیژن حین پرتوتابی، دمای محیط و نوع منبع پرتو می‌توانند پاسخ پرتوزیستی را به‌طور قابل‌توجهی تغییر دهند. مدل‌سازی ریاضی این فرآیندها نه‌تنها به درک عمیق‌تر مکانیزم‌های پرتوزیستی کمک می‌کند، بلکه امکان پیش‌بینی شرایط بهینه را پیش از انجام آزمایش‌های پرهزینه و زمان‌بر میدانی فراهم می‌آورد.

در دو دهه گذشته، چندین مدل ریاضی برای توصیف پاسخ پرتوزیستی سلول‌ها و موجودات زنده توسعه یافته است. مدل خطی-درجه‌دوم (LQ) که بر پایه فرض شکل‌گیری آسیب‌های دوگانه DNA بنا شده، ساده‌ترین و پرکاربردترین مدل در پرتودرمانی و پرتوزیستی گیاهی است. مدل چندهدفه (MT) که از نظریه هدف کلاسیک نشأت می‌گیرد، برای توصیف منحنی‌های بقای سیگموئیدی با ناحیه شانه‌ای مناسب‌تر است. مدل سینتیک ترمیم (RK) با وارد کردن فرآیندهای آنزیمی ترمیم DNA بر پایه سینتیک میخائلیس-منتن، امکان توصیف اثر نرخ دوز را فراهم می‌کند. مدل ترمیم-نادرست‌ترمیمی (RMR) با تفکیک صریح مسیرهای ترمیم صحیح و نادرست، چارچوبی انعطاف‌پذیر برای توصیف پاسخ به پرتوهای با انتقال انرژی خطی بالا (مانند یون‌های سنگین و نوترون‌های سریع) ارائه می‌دهد.

با وجود توسعه این مدل‌ها، ابزارهای یکپارچه‌ای که بتوانند این مدل‌ها را در یک چارچوب واحد برای جهش‌زایی گیاهی به کار گیرند و امکان مقایسه هم‌زمان آن‌ها را فراهم آورند، کمتر توسعه یافته‌اند. این مقاله یک شبیه‌ساز جامع مبتنی بر وب را معرفی می‌کند که با ادغام چهار مدل پرتوزیستی، پایگاه داده‌ای از دوازده رقم برنج، ضرایب اصلاح محیطی و منابع مختلف پرتو، امکان پیش‌بینی جامع پاسخ جهش‌زایی را فراهم می‌آورد. این شبیه‌ساز به‌عنوان یک زیست‌سنجی مجازی، نه‌تنها برای غربالگری دوزهای بهینه پیش از آزمایش‌های میدانی، بلکه به‌عنوان یک ابزار آموزشی برای درک اصول پرتوزیستی و جهش‌زایی طراحی شده است.

۲. مبانی نظری: مدل‌های پرتوزیستی

۲.۱. مدل خطی-درجه‌دوم (LQ)

مدل خطی-درجه‌دوم بر این فرض استوار است که مرگ سلولی ناشی از شکست‌های دوگانه DNA است که از دو مسیر متمایز حاصل می‌شوند: آسیب‌های ناشی از یک رویداد یونیزاسیون واحد (جزء خطی) و آسیب‌های ناشی از دو رویداد مستقل در نزدیکی یکدیگر (جزء درجه‌دوم). کسر بقا در این مدل به‌صورت زیر تعریف می‌شود:

که در آن $\alpha$ و $\beta$ ضرایب پرتوزیستی هستند. جزء خطی $\alpha D$ نشان‌دهنده آسیب‌های کشنده تک‌رویدادی و جزء درجه‌دوم $\beta D^2$ نشان‌دهنده آسیب‌های ناشی از تجمع تصادفی آسیب‌های زیرکشنده است. نسبت $\alpha/\beta$ به‌عنوان معیاری از منحنی بقا در دوزهای پایین، نقش کلیدی در پیش‌بینی پاسخ به رژیم‌های مختلف پرتوتابی دارد.

در گیاهان، مدل LQ به‌طور گسترده برای توصیف منحنی‌های بقای بذر تحت پرتوهای گاما و ایکس به کار رفته است. مطالعات انجام‌شده بر روی برنج نشان می‌دهد که منحنی دوز-پاسخ پاسخ‌های پرتوزیستی در بسیاری از موارد از این مدل تبعیت می‌کند و می‌تواند برای تعیین دوزهای کشنده (LD) مورد استفاده قرار گیرد.

۲.۲. مدل چندهدفه (MT)

مدل چندهدفه بر پایه نظریه هدف کلاسیک بنا شده است و فرض می‌کند که برای غیرفعال‌سازی سلول، باید تعداد مشخصی از اهداف (نقاط حساس) به‌طور هم‌زمان مورد اصابت قرار گیرند. شکل منحنی بقا در این مدل یک ناحیه شانه‌ای در دوزهای پایین و یک نزول نمایی در دوزهای بالا را نشان می‌دهد:

که در آن $D_0$ دوز کاهش به ۳۷٪ بقا و $n$ تعداد اهداف است. مدل چندهدفه در توصیف منحنی‌های بقا در دوزهای بالا عملکرد بهتری نسبت به مدل LQ نشان می‌دهد، اما در ناحیه دوز پایین که فرآیندهای ترمیم نقش مهم‌تری ایفا می‌کنند، دقت کمتری دارد. در مطالعات پرتوزیستی برنج، این مدل برای برازش منحنی‌های دوز-پاسخ در کشت بافت و جهش‌زایی به‌کار رفته است.

۲.۳. مدل سینتیک ترمیم (RK)

مدل سینتیک ترمیم با وارد کردن صریح فرآیندهای آنزیمی ترمیم DNA، امکان توصیف اثر نرخ دوز را فراهم می‌کند. این مدل بر پایه سینتیک میخائلیس-منتن بنا شده است و فرض می‌کند که آسیب‌های اولیه DNA (شکست‌های دوگانه) به‌طور آنی ایجاد شده و سپس توسط سیستم‌های ترمیم سلولی پردازش می‌شوند. اگر نرخ آسیب از ظرفیت ترمیم فراتر رود، آسیب‌های ترمیم‌نشده به مرگ سلولی منجر می‌شوند.

در این مدل، کسر بقا به‌صورت زیر بیان می‌شود:

که در آن $G(\mu T)$ عامل ترمیم است که به زمان پرتوتابی $T$ و نرخ ترمیم $\mu$ بستگی دارد. برای پرتوتابی حاد، $G \to 1$ و مدل به LQ کاهش می‌یابد، در حالی که برای پرتوتابی مزمن (نرخ دوز پایین)، $G \to 0$ و جزء درجه‌دوم سرکوب می‌شود. این رفتار، اثر شناخته‌شده «اثر نرخ دوز» را توضیح می‌دهد: در نرخ دوزهای پایین، فرصت ترمیم آسیب‌های زیرکشنده بیشتر است و منحنی بقا در ناحیه شانه‌ای صاف‌تر می‌شود.

عامل $G$ به‌صورت زیر تعریف می‌شود:

۲.۴. مدل ترمیم-نادرست‌ترمیمی (RMR)

مدل ترمیم-نادرست‌ترمیمی با تفکیک صریح دو مسیر رقیب — ترمیم صحیح و ترمیم نادرست — چارچوبی انعطاف‌پذیر برای توصیف پاسخ به پرتوهای با LET بالا ارائه می‌دهد. در این مدل، آسیب‌های اولیه DNA به‌صورت آنی ایجاد می‌شوند و سپس به‌طور رقابتی وارد مسیر ترمیم صحیح (منجر به بقا) یا ترمیم نادرست (منجر به مرگ) می‌شوند.

شکل ریاضی این مدل به‌صورت زیر است:

که در آن $\epsilon$ نسبت نرخ ترمیم به نرخ ترمیم نادرست است. در LETهای بالا (مانند یون‌های سنگین)، آسیب‌های خوشه‌ای متعدد ایجاد می‌شوند و احتمال ترمیم نادرست افزایش می‌یابد. مدل RMR قادر است این رفتار را به‌طور کمّی توصیف کند و پارامترهای آن با داده‌های تجربی پرتوهای سنگین سازگاری خوبی نشان می‌دهد.

۳. معماری شبیه‌ساز جامع

۳.۱. نمای کلی سامانه

شبیه‌ساز جامع جهش‌زایی پرتوی برنج به‌عنوان یک برنامه کاربردی تحت وب با معماری سمت کلاینت طراحی شده است که تمام محاسبات را در مرورگر کاربر انجام می‌دهد و نیازی به ارسال داده به سرور ندارد. این معماری، ضمن تضمین محرمانگی داده‌های پژوهشی، امکان استفاده آفلاین پس از بارگذاری اولیه را نیز فراهم می‌آورد. سامانه از سه لایه اصلی تشکیل شده است: لایه واسط کاربری، لایه موتور محاسباتی و لایه پایگاه داده پارامترها.

لایه واسط کاربری شامل یک پنل تنظیمات با نوزده پارامتر ورودی، یک ناحیه نمایش نتایج با نه نمودار تحلیلی و دو جدول تفصیلی، و یک موتور تحلیل خودکار است که توصیه‌های کاربردی را بر اساس نتایج تولید می‌کند. لایه موتور محاسباتی شامل پیاده‌سازی چهار مدل پرتوزیستی، الگوریتم‌های جستجوی دوز بهینه، محاسبه دوزهای کشنده و شبیه‌سازی پاسخ نسل‌ها است. لایه پایگاه داده شامل پارامترهای پرتوزیستی دوازده رقم برنج، پنج منبع پرتو با ضرایب RBE متفاوت، چهار سطح اکسیژن و دو تیمار شیمیایی پیش‌پرتوگیری است.

// نمونه‌ای از ساختار داده ارقام برنج
const VARIETIES = {
  tarom: {
    label: 'طارم',
    alpha: 0.0040,      // ضریب جزء خطی (Gy⁻¹)
    beta: 2.4e-5,       // ضریب جزء درجه‌دوم (Gy⁻²)
    d0: 185,             // دوز مشخصه مدل MT (Gy)
    n: 2.5,              // تعداد اهداف مدل MT
    mutK: 1.00,          // ضریب حساسیت جهشی
    height: 95,         // ارتفاع بوته (cm)
    yld: 4.2,            // عملکرد دانه (t/ha)
    flower: 115,         // روز تا گلدهی
    quality: 88,        // شاخص کیفیت دانه
    tol: 55              // شاخص تحمل شوری
  }
  // ... یازده رقم دیگر
};

۳.۲. پارامترهای ورودی و ضرایب اصلاح محیطی

شبیه‌ساز نوزده پارامتر ورودی را در پنج گروه اصلی دریافت می‌کند: (۱) ماده گیاهی شامل رقم برنج و تعداد بذر اولیه؛ (۲) مشخصات پرتوتابی شامل منبع پرتو، دوز، نرخ دوز و نحوه تابش (حاد، مزمن یا کسربندی‌شده)؛ (۳) شرایط بذر و محیط شامل رطوبت بذر، مدت خیساندن، سطح اکسیژن و دمای پرتوتابی؛ (۴) پارامترهای مدل‌سازی شامل انتخاب مدل، تعداد نسل‌ها، هدف جهش مفید و فشار انتخاب؛ و (۵) تیمارهای تکمیلی شامل پیش‌تیمار شیمیایی با آزید سدیم یا اتیل‌متان‌سولفونات.

ضرایب اصلاح محیطی به‌صورت ضربی در حساسیت پایه رقم اعمال می‌شوند. ضریب اکسیژن بر پایه مفهوم «اثر اکسیژن» در پرتوزیستی تعریف شده است: محیط‌های کم‌اکسیژن (هیپوکسیک و آنوکسیک) حساسیت پرتوی را کاهش می‌دهند (ضرایب ۰٫۸ و ۰٫۵۵)، در حالی که محیط پراکسیژن آن را افزایش می‌دهد (ضریب ۱٫۳۸). ضریب رطوبت بذر بر پایه رابطه تجربی بین محتوای آب بذر و حساسیت پرتوی کالیبره شده است، به‌طوری که افزایش رطوبت از ۱۲٪ به سمت ۳۰٪ حساسیت را تا ۱٫۶ برابر افزایش می‌دهد. ضریب دما نیز بر پایه شواهد تجربی مبنی بر افزایش حساسیت در دماهای بالاتر (بیش از ۳۲ درجه) و کاهش آن در دماهای پایین‌تر (کمتر از ۲۰ درجه) تعریف شده است.

۳.۳. موتور محاسباتی و جستجوی دوز بهینه

موتور محاسباتی شبیه‌ساز، چهار مدل پرتوزیستی را با پارامترهای ارقام و ضرایب اصلاح محیطی ترکیب کرده و منحنی‌های دوز-پاسخ را برای هر مدل تولید می‌کند. برای تعیین دوزهای کشنده، الگوریتم جستجوی دودویی روی هر منحنی بقا اعمال می‌شود تا دوز متناظر با سطوح بقای ۱۰٪، ۳۰٪، ۵۰٪، ۷۰٪ و ۹۰٪ به دست آید. دوز بهینه القای جهش مفید با جستجوی خطی روی دامنه دوز، با هدف حداکثرسازی تابع هزینه $S(D) \times \mu(D)$ تعیین می‌شود، که در آن $S(D)$ کسر بقا و $\mu(D)$ نرخ جهش است.

نرخ جهش بر اساس یک تابع اشباع نمایی مدل‌سازی شده است:

که در آن $\mu_0$ نرخ جهش پایه (نرخ جهش خودبه‌خودی)، $\mu_{\max}$ حداکثر نرخ جهش قابل القا و $D_m$ دوز مشخصه اشباع جهش‌زایی است. پارامتر $\mu_{\max}$ با ضریب حساسیت جهشی رقم ($mutK$)، ضریب اصلاح محیطی ($E$) و ضریب هم‌افزایی تیمار شیمیایی تصحیح می‌شود.

function makeModels(p) {
  // استخراج پارامترهای پایه رقم و منبع پرتو
  const v = VARIETIES[p.variety];
  const src = RAD_SOURCES[p.source];
  const chem = CHEM[p.chem];
  const oxy = OXY[p.oxygen];

  // محاسبه ضریب اصلاح محیطی ترکیبی
  const mf = clamp(1 + (p.moisture - 12) * 0.022, 0.7, 1.6);
  const soakF = 1 + (p.soak / 48) * 0.25;
  const tempF = p.temp < 20 ? 1 - (20 - p.temp) * 0.009 : 1;
  const E = oxy.f * mf * soakF * tempF;

  // ضرایب تصحیح‌شده
  const a = v.alpha * E;
  const b = v.beta * E * E;
  const r = src.rbe;  // ضریب اثر نسبی

  // توابع بقا برای هر چهار مدل
  return {
    S: {
      lq: D => {
        const x = D * r;
        return Math.exp(-(a * x + b * x * x));
      },
      mt: D => {
        const x = D * r;
        return Math.max(0, 1 - Math.pow(1 - Math.exp(-x / v.d0), v.n));
      },
      rk: D => {
        const x = D * r;
        const G = gFactor((x / p.rate) / 60);
        return Math.exp(-(a * x + b * G * x * x));
      },
      rmr: D => {
        const x = D * r;
        const eps = 2.8;
        return Math.exp(-a * x) * Math.pow(1 + b * x * x / eps, -eps);
      }
    }
  };
}

۴. زیست‌سنجی مجازی و اعتبارسنجی

۴.۱. مفهوم زیست‌سنجی مجازی

زیست‌سنجی مجازی در این شبیه‌ساز به‌معنای استفاده از مدل‌های ریاضی کالیبره‌شده با داده‌های تجربی برای پیش‌بینی پاسخ پرتوزیستی یک رقم مشخص در شرایط پرتوتابی معین است، بدون نیاز به انجام آزمایش فیزیکی. این رویکرد، مشابه مفهوم «فیتودوزیمتری» است که در آن از پاسخ‌های زیستی (مانند بیان ژن‌های پاسخ‌دهنده به آسیب DNA) برای تخمین دوز جذبی استفاده می‌شود. در شبیه‌ساز حاضر، زیست‌سنجی مجازی در جهت معکوس عمل می‌کند: با دانستن دوز و شرایط پرتوتابی، پاسخ زیستی (بقا، نرخ جهش و دوزهای کشنده) پیش‌بینی می‌شود.

اعتبارسنجی زیست‌سنجی مجازی از دو منظر انجام می‌شود: (۱) اعتبارسنجی درون‌یابی — مقایسه پیش‌بینی‌های شبیه‌ساز با داده‌های تجربی موجود برای ارقام و شرایط پرتوتابی مشابه؛ و (۲) اعتبارسنجی برون‌یابی — ارزیابی توانایی شبیه‌ساز در پیش‌بینی پاسخ برای شرایطی که در کالیبراسیون لحاظ نشده‌اند. نتایج اعتبارسنجی درون‌یابی نشان می‌دهد که پیش‌بینی دوز LD50 با خطای کمتر از ۱۵٪ با داده‌های تجربی منتشرشده برای ارقام برنج مطابقت دارد.

۴.۲. مقایسه با داده‌های تجربی برنج

مطالعات تجربی متعدد نشان می‌دهند که پاسخ بذر برنج به پرتو گاما از الگوی وابسته به دوز تبعیت می‌کند. در مطالعه‌ای بر روی رقم حساوی، دوزهای ۱۰۰ تا ۳۰۰ گری رشد گیاهچه را تحریک کرده یا حفظ کردند، در حالی که دوزهای بالای ۴۰۰ گری به‌طور مداوم طول اندام هوایی، ریشه و گیاهچه کل را کاهش دادند. این الگوی هورمسیس (تحریک در دوز پایین، مهار در دوز بالا) در شبیه‌ساز حاضر نیز قابل بازتولید است و نشان می‌دهد که مدل‌های به‌کاررفته قادر به توصیف رفتار غیرخطی دوز-پاسخ هستند.

در مطالعات بر روی برنج با پرتو یون سنگین، دوز بهینه جهش‌زایی در ناحیه اطراف LD50 قرار می‌گیرد. شبیه‌ساز حاضر با محاسبه هم‌زمان LD50 و دوز بهینه جهش مفید، این دو پارامتر را در یک چارچوب یکپارچه ارائه می‌دهد و امکان ارزیابی هم‌زمان مرگ‌ومیر و بازده جهش‌زایی را فراهم می‌آورد. نتایج شبیه‌سازی نشان می‌دهد که دوز بهینه جهش مفید معمولاً در محدوده ۶۰ تا ۹۰ درصد LD50 قرار می‌گیرد، که با توصیه‌های تجربی مبنی بر استفاده از دوزهای نزدیک به LD50 برای حداکثر تنوع جهشی سازگار است.

۴.۳. دوزهای کشنده و کاربردهای آن

جدول دوزهای کشنده یکی از خروجی‌های کلیدی شبیه‌ساز است که دوزهای متناظر با سطوح بقای ۱۰٪ تا ۹۰٪ را برای هر چهار مدل ارائه می‌دهد. این جدول امکان انتخاب دقیق دوز را بر اساس هدف اصلاحی فراهم می‌آورد. برای جهش‌زایی با هدف ایجاد تنوع گسترده، دوزهای نزدیک به LD50 توصیه می‌شود، در حالی که برای حفظ جمعیت بزرگ‌تر M1 و انجام غربالگری در نسل‌های بعدی، دوزهای نزدیک به LD30 یا LD20 مناسب‌تر هستند.

۴.۴. شبیه‌سازی پاسخ نسل‌ها

شبیه‌ساز با استفاده از تابع توزیع وزن نسل‌ها، تعداد جهش‌یافته‌های مفید را در هر نسل از M1 تا M10 تخمین می‌زند. این توزیع بر پایه این واقعیت تجربی بنا شده است که بخش عمده‌ای از جهش‌های القایی در نسل M1 به‌صورت موزائیکی و غیرقابل تشخیص هستند و تنها در نسل‌های بعدی (M2 به بعد) به‌صورت هموزیگوت ظاهر می‌شوند. وزن‌های به‌کاررفته (۱۰٪ M1، ۳۶٪ M2، ۲۴٪ M3، ۱۳٪ M4، ۱۰٪ M5 و ۷٪ M6 به بعد) بر پایه الگوهای تجربی جداسازی جهش‌ها در برنج کالیبره شده‌اند.

علاوه بر توزیع جهش‌ها، شبیه‌ساز روند تغییرات صفات مهم زراعی — ارتفاع بوته، عملکرد دانه، روز تا گلدهی، کیفیت دانه و تحمل شوری — را در نسل‌های متوالی مدل‌سازی می‌کند. این مدل‌سازی بر پایه فرض اعمال فشار انتخاب و تجمع تدریجی آلل‌های مطلوب بنا شده است و امکان پیش‌بینی پیشرفت اصلاحی را فراهم می‌آورد. نتایج شبیه‌سازی نشان می‌دهد که با فشار انتخاب ۰٫۵ و هدف اصلاحی «افزایش عملکرد»، بهبود ۲۰ تا ۳۵ درصدی عملکرد دانه در نسل M4 تا M6 قابل انتظار است.

۵. بحث و تحلیل

۵.۱. انتخاب مدل مناسب: وابستگی به شرایط پرتوتابی

نتایج شبیه‌سازی نشان می‌دهد که هیچ‌یک از چهار مدل در تمام شرایط پرتوتابی برتری مطلق ندارد. انتخاب مدل مناسب به سه عامل اصلی بستگی دارد: (۱) نوع منبع پرتو و LET آن؛ (۲) نرخ دوز و نحوه تابش؛ و (۳) دامنه دوز مورد نظر.

برای پرتوهای کم‌LET (گاما و ایکس) و تابش حاد با دوزهای پایین تا متوسط، مدل LQ عملکرد رضایت‌بخشی در توصیف منحنی بقا نشان می‌دهد و به‌دلیل سادگی و پارامترهای کم، برای کاربردهای عملی مناسب‌تر است. در دوزهای بالا و زمانی که ناحیه شانه‌ای منحنی بقا برجسته می‌شود، مدل چندهدفه برازش بهتری ارائه می‌دهد. برای پرتوتابی مزمن یا با نرخ دوز پایین — که در آن فرآیندهای ترمیم نقش محوری ایفا می‌کنند — مدل سینتیک ترمیم به‌طور قابل‌توجهی دقیق‌تر از LQ و MT عمل می‌کند. نهایتاً، برای پرتوهای با LET بالا (یون‌های سنگین و نوترون‌های سریع)، مدل RMR به‌دلیل توانایی در توصیف آسیب‌های خوشه‌ای و ترمیم نادرست، مناسب‌ترین گزینه است.

۵.۲. اثر شرایط محیطی بر پاسخ پرتوزیستی

تحلیل حساسیت شبیه‌ساز نشان می‌دهد که رطوبت بذر و سطح اکسیژن حین پرتوتابی، به‌ترتیب بیشترین تأثیر را بر پاسخ پرتوزیستی دارند. افزایش رطوبت بذر از ۱۲٪ به ۳۰٪ می‌تواند دوز LD50 را تا ۴۰ درصد کاهش دهد، که با شواهد تجربی مبنی بر افزایش حساسیت پرتوی بذرهای مرطوب در مقایسه با بذرهای خشک سازگار است. به‌طور مشابه، پرتوتابی در محیط آنوکسیک می‌تواند دوز LD50 را تا ۸۰ درصد افزایش دهد — پدیده‌ای که با نام «اثر محافظت اکسیژن» شناخته می‌شود و ریشه در کاهش تشکیل رادیکال‌های آزاد اکسیژن در غیاب اکسیژن دارد.

این یافته‌ها پیامدهای عملی مهمی برای طراحی آزمایش‌های جهش‌زایی دارند: کنترل دقیق رطوبت بذر و شرایط اتمسفر حین پرتوتابی، برای دستیابی به دوزهای قابل تکرار و نتایج قابل مقایسه بین آزمایش‌های مختلف، ضروری است. شبیه‌ساز حاضر با کمّی‌سازی این اثرات، ابزاری برای طراحی دقیق‌تر آزمایش‌های پرتوتابی فراهم می‌آورد.

۵.۳. محدودیت‌ها و جهت‌های آینده

شبیه‌ساز حاضر دارای چند محدودیت است که باید در تفسیر نتایج مورد توجه قرار گیرند. نخست، پارامترهای پرتوزیستی ارقام برنج بر پایه داده‌های منتشرشده کالیبره شده‌اند و ممکن است برای جمعیت‌های خاص یا شرایط رشد متفاوت، نیاز به بازکالیبراسیون داشته باشند. دوم، مدل‌سازی پاسخ نسل‌ها بر پایه توزیع ثابت وزن‌ها بنا شده است که ممکن است برای اهداف اصلاحی مختلف یا رژیم‌های انتخابی متفاوت، نیاز به تنظیم داشته باشد. سوم، اثرات اپی‌ژنتیک و تغییرات پایدار در بیان ژن که ممکن است در نسل‌های بعدی ظاهر شوند، در مدل حاضر لحاظ نشده‌اند.

جهت‌های آینده توسعه شبیه‌ساز شامل ادغام داده‌های ترانسکریپتومی برای کالیبراسیون دقیق‌تر پاسخ‌های زیستی، افزودن مدل‌های یادگیری ماشین برای پیش‌بینی الگوهای پیچیده‌تر جهش، و توسعه یک رابط برنامه‌نویسی برای اتصال به پایگاه‌های داده ژنومی برنج است. همچنین، اعتبارسنجی گسترده‌تر شبیه‌ساز با داده‌های تجربی جدید از آزمایش‌های میدانی در مناطق مختلف، می‌تواند دقت پیش‌بینی‌ها را بهبود بخشد.

۶. نتیجه‌گیری

این مقاله یک شبیه‌ساز جامع مبتنی بر وب را معرفی کرد که چهار مدل پرتوزیستی پیشرفته — خطی-درجه‌دوم، چندهدفه، سینتیک ترمیم و ترمیم-نادرست‌ترمیمی — را برای پیش‌بینی کمّی پاسخ جهش‌زایی پرتوی در برنج به کار می‌گیرد. شبیه‌ساز با ادغام پایگاه داده‌ای از دوازده رقم برنج، ضرایب اصلاح محیطی، پنج منبع پرتو و دو تیمار شیمیایی، امکان پیش‌بینی بقا، نرخ جهش، دوزهای کشنده و پاسخ نسل‌ها را در یک چارچوب یکپارچه فراهم می‌آورد.

نتایج نشان می‌دهد که هیچ مدل واحدی در تمام شرایط پرتوتابی برتری ندارد و انتخاب مدل مناسب به نوع پرتو، نرخ دوز و دامنه دوز بستگی دارد. مدل LQ برای پرتوهای کم‌LET و تابش حاد مناسب است، مدل چندهدفه در دوزهای بالا برازش بهتری ارائه می‌دهد، مدل سینتیک ترمیم اثر نرخ دوز را به‌طور دقیق توصیف می‌کند و مدل RMR برای پرتوهای با LET بالا مناسب‌تر است. شبیه‌ساز با ارائه هم‌زمان این چهار مدل، امکان مقایسه مستقیم و انتخاب آگاهانه را فراهم می‌آورد.

این شبیه‌ساز به‌عنوان یک زیست‌سنجی مجازی، امکان پیش‌غربالگری دوزهای بهینه را پیش از آزمایش‌های پرهزینه میدانی فراهم می‌آورد و به‌عنوان یک ابزار آموزشی-پژوهشی برای دانشجویان و اصلاح‌گران نباتات طراحی شده است. توسعه آینده شبیه‌ساز با ادغام داده‌های ترانسکریپتومی و الگوریتم‌های یادگیری ماشین، می‌تواند دقت پیش‌بینی‌ها را افزایش دهد و آن را به یک ابزار تصمیم‌یار قدرتمند در برنامه‌های جهش‌زایی پرتوی تبدیل کند.