使用机器学习和优化算法预测和优化Passiflora caerulea的间接发芽再生

科学领域:

• 植物生物技术 植物生物技术
• 计算生物学 计算生物学

背景情况:

• 优化间接生长再生对于Passiflora caerulea的遗传转换和基因组编辑至关重要.
• 机器学习 (ML) 和优化算法为实现植物组织培养的全面理解和协议优化提供了一条途径.

研究的目的:

• 使用ML模型预测P. caerulea中间接的射出再生反应.
• 优化植物生长调节剂 (PGR) 度和类型,以使用遗传算法 (GA) 增强再生.

主要方法:

• 使用通用回归神经网络 (GRNN) 和随机森林 (RF) 来建模再生率,射击数量和射击长度.
• 开发的ML模型与GA集成,以优化PGR (TDZ,BAP,PUT,KIN,IBA) 和类型 (叶子,节点,内部节点).
• 进行了灵敏度分析,以确定输入变量对再生结果的影响.

主要成果:

• 对于所有研究的参数,GRNN和RF模型都显示出高预测精度 (R2>0.86).
• 优化过程确定了特定的PGR度 (0.77 mg/L BAP,2.41 mg/L PUT,0.06 mg/L IBA) 和结节,以实现100%的新发芽再生率.
• 灵敏度分析显示,PGR对间接生长的再生产生了依赖于扩散剂的效果.

结论:

• ML (GRNN,RF) 和GA的整合为优化和预测体外培养系统提供了强大的工具.
• 这种综合方法可以解决目前在Passiflora组织培养方面的挑战,促进基因改造技术的进步.