Identifying drought-responsive candidate genes in root and shoot tissues of wheat (Triticum aestivum L.) through RNA sequencing, cluster analysis, weighted gene co-expression network analysis, and machine learning models
Tianle Ji · Baoyue Cui · Jinjie Yin 等 5 人
通过RNA-seq、WGCNA和XGBoost-SHAP分析，鉴定小麦根和茎中响应干旱的候选基因。
RNA-seq、差异表达、WGCNA、XGBoost与SHAP特征分析。
根和茎干旱响应机制不同，各鉴定出30个候选基因，启动子富含MYB、G-box和ABRE元件。
可结合多组学与深度学习构建器官特异性干旱调控网络，并开展候选基因功能验证。
该研究结合多组学与机器学习挖掘小麦抗旱候选基因，方法新颖、数据扎实，对分子育种有参考价值，值得进入每日精选。
干旱胁迫严重影响小麦的生长发育和产量形成。然而，小麦根系和地上部在干旱适应过程中的差异化调控机制仍有待深入解析。因此，本研究利用多个小麦品种根系和地上部的RNA-seq数据集，结合差异表达分析、基因本体（GO）富集分析、聚类分析、加权基因共表达网络分析（WGCNA）和机器学习方法，表征干旱响应转录变化。差异表达分析在DS1和DS2条件下分别鉴定出根系中90个和3,991个差异表达基因（DEGs），而地上部中分别为34个和1,940个DEGs。功能富集分析表明，根系DEGs主要参与根系生长、细胞壁重塑、水分运输和渗透调节过程，而地上部DEGs主要富集于气孔调控、光合作用、脂质代谢和氧化胁迫响应相关过程。WGCNA在根系和地上部中分别鉴定出18个和19个共表达模块，其中黄色模块与根系和地上部组织对干旱胁迫的响应显著相关。为进一步从这些模块中筛选干旱响应候选基因，我们比较了多种机器学习模型。XGBoost模型在根系和地上部中均取得了最高的AUC。结合SHAP特征贡献分析，分别在根系和地上部中鉴定出30个具有高判别力的干旱响应候选基因。候选基因启动子中的顺式作用元件分析揭示了丰富的干旱和胁迫响应元件，包括MYB、G-box、ABRE、MYC、MBS和LTR。其中MYB（根系183个，地上部164个）、G-box（168个和98个）和ABRE（148个和86个）尤为丰富，且多个候选基因的启动子中含有超过5个ABRE拷贝，表明其可能参与ABA介导的干旱响应。本研究揭示了小麦根系和地上部在干旱胁迫下不同的转录响应过程，并通过WGCNA结合XGBoost和SHAP分析鉴定了关键共表达模块和核心候选基因。这些发现为理解干旱胁迫的器官特异性分子响应提供了基础，并为提高小麦耐旱性提供了潜在靶点。