在机器学习的帮助下,优化在大麻中体外四体诱导

科学领域:

• 植物遗传学和育种.
• 计算生物学是一种计算生物学.
• 农业科学 农业科学

背景情况:

• 多倍体性,或增加的染色体组,为大麻的改进提供了显著的潜力,导致改变的特征和比双倍体的好处.
• 成功的多倍体化需要优化诱导方法,平衡生存率和四倍体率,同时最大限度地减少混合倍体.

研究的目的:

• 使用机器学习算法,模拟和优化大麻中的多体诱导.
• 为了确定最佳的奥里扎林度和暴露时间,以最大限度地诱导四化大麻.

主要方法:

• 采用概率神经网络 (PNN),支持向量分类 (SVC) 和k-最近邻居 (KNN) 来建模 ploidy 级别.
• 将PNN与遗传算法 (GA) 结合起来,以优化瑞的度和射时间,以诱导四体.
• 在预测的最佳条件下验证了PNN-GA模型.

主要成果:

• 在模拟性水平方面,PNN表现出了比KNN和SVC更好的表现.
• PNN-GA模型预测了 32.98 微米的奥里扎林在 17.92 小时的最佳条件.
• 验证实现了93.75%的四类诱导与最小的混合类 (6.25%).
• 与二倍体相比,四倍体大麻植物在实验室中表现出增强的活力和更大的叶子尺寸.

结论:

• 机器学习,特别是PNN与GA相结合,有效地优化了大麻中的多化诱导.
• 优化的方法显著增加了四体率,为改进的大麻品种提供了途径.
• 四体大麻表现出理想的形态增强,表明农业的好处.