Abstract MicroRNAs are key players involved in stress responses in plants and reports are available on the role of miRNAs in drought stress response in rice. This work reports the development of a database, RiceMetaSys: Drought-miR, based on the meta-analysis of publicly available sRNA datasets. From 28 drought stress-specific sRNA datasets, we identified 216 drought-responsive miRNAs (DRMs). The major features of the database include genotype-, tissue- and miRNA ID-specific search options and comparison of genotypes to identify common miRNAs. Co-localization of the DRMs with the known quantitative trait loci (QTLs), i.e., meta-QTL regions governing drought tolerance in rice pertaining to different drought adaptive traits, narrowed down this to 37 promising DRMs. To identify the high confidence target genes of DRMs under drought stress, degradome datasets and web resource on drought-responsive genes (RiceMetaSys: DRG) were used. Out of the 216 unique DRMs, only 193 had targets with high stringent parameters. Out of the 1081 target genes identified by Degradome datasets, 730 showed differential expression under drought stress in at least one accession. To retrieve complete information on the target genes, the database has been linked with RiceMetaSys: DRG. Further, we updated the RiceMetaSys: DRGv1 developed earlier with the addition of DRGs identified from RNA-seq datasets from five rice genotypes. We also identified 759 putative novel miRNAs and their target genes employing stringent criteria. Novel miRNA search has all the search options of known miRNAs and additionally, it gives information on their in silico validation features. Simple sequence repeat markers for both the miRNAs and their target genes have also been designed and made available in the database. Network analysis of the target genes identified 60 hub genes which primarily act through abscisic acid pathway and jasmonic acid pathway. Co-localization of the hub genes with the meta-QTL regions governing drought tolerance narrowed down this to 16 most promising DRGs. Database URL: http://14.139.229.201/RiceMetaSys_miRNA Updated database of RiceMetaSys URL: http://14.139.229.201/RiceMetaSysA/Drought/

Rice blast disease, instigated by Magnaporthe oryzae (M. oryzae), significantly impedes global rice production. Targeting the M. oryzae signaling protein, cAMP-Protein Kinase A (CPKA), which facilitates appressorium development and host penetration, this study explores the potential inhibitory effects of natural compounds. Virtual screening, molecular docking and text mining approaches were used to find the nimonol and curcumin that inhibit the CPKA protein. The MM-PBSA method was used to do the molecular dynamics (MD) simulation and the binding free energy analysis of the molecule. Their binding free energies (ΔGbind) of −78.81 kJ/mol and −117.65 kJ/mol, respectively, point to the potential efficacy of the CPKA-nimonol and CPKA-curcumin complexes as inhibitors. The inhibitory effects have been further verified by various MD analysis. This study emphasizes the need to conduct further study on the CPKA protein and gives important insights into the possibility of natural compounds as M. oryzae inhibitors.

Background: The identification and classification of natural products are vital in drug discovery and bioactive compound exploration. Traditional methods are laborious and timeconsuming, necessitating innovative tools for accurate predictions using advanced AI techniques. Objectives: This paper presents NaturePred, a user-friendly tool designed to predict the class of natural products and calculate eight physicochemical properties of protein sequences. It aims to accurately predict five distinct classes of natural product biosynthetic gene clusters (BGCs): Polyketide Synthases (PKS), Non-ribosomal Peptide Synthetases (NRPS), Ribosomally Synthesized and Post- Translationally Modified Peptides (RiPPs), Terpenes, and PKS-NRPS Hybrids. It also addresses reliability in multi-class classification with a 90% confidence score threshold. Method: NaturePred offers three input options: single protein sequence, CSV file, or GenBank (.gbk) file. It uses a pipeline with a Natural Language Processing model based on TF-IDF (Term Frequency- Inverse Document Frequency) and a Logistic Regression classifier. Predictions are made if the confidence score exceeds 90%; otherwise, "None of the above class" is predicted. Evaluation with unseen data from the MiBIG database shows high accuracy (~96%) in assigning BGCs. Results: NaturePred provides accurate predictions with high confidence scores, demonstrating reliability across different datasets. It calculates eight physicochemical properties of protein sequences, offering valuable insights for further analysis. Conclusion: NaturePred's integrated features, including versatile input options, accurate predictions, and physicochemical property calculations, make it an indispensable tool in natural product research. By addressing classification challenges, NaturePred facilitates drug discovery and bioactive compound exploration, advancing the field. Tool available: (http://login1.cabgrid.res.in:5101/).