通过机器学习提高种组织培养效率:改善呼叫发生的途径

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
• 农业科学 农业科学

背景情况:

• 花产是不可预测的,并且依赖于基因型,阻碍了有效的再生.
• 机器学习 (ML) 提供了一种强大的方法来分析呼叫生成数据并预测最佳条件.

研究的目的:

• 开发一个预测性ML模型,用于花产.
• 优化植物激素度,以提高形成率 (CFR) 和新鲜重量 (CFW).

主要方法:

• 我们比较了三个ML算法:MLP,RBF和GRNN.
• 利用遗传算法 (GA) 来优化植物激素度.
• 通过实验室实验验验证了模型预测.

主要成果:

• 与MLP和RBF相比,GRNN显示出更高的精度 (R2≥83).
• IBA被确定为最有影响力的植物激素,其次是NAA,BAP和KIN.
• 优化的植物激素组合产生了95.83%的CFR,经过实验验证.

结论:

• 这项研究提出了一种新的ML,灵敏度分析和GA方法,用于花产.
• 优化的植物激素度显著改善了形的形成.
• 这些发现支持植物组织培养和基因工程方面的进展.