深度学习和机器学习建模识别了thidiazuron作为体质胚胎发生和发射器官发生的关键调节器在Ferula assa-foetida中
Khushbu Kumari1,2, Samaksh Mittal3, Kritika Sharma4
1CSIR-Institute of Himalayan Bioresource Technology (CSIR-IHBT), Palampur 176061, Himachal Pradesh, India.
Biology
|December 30, 2025
概括
这项研究介绍了一种人工智能驱动的方法,用于SASAFETIDA (Ferula assa-foetida L.) 的微传播. 卷积神经网络准确地预测了最佳的植物生长调节器 (PGRs),以有效地再生这个危的药用植物.
科学领域:
- 植物生物技术 植物生物技术
- 医学植物学 医学植物学
- 计算生物学 计算生物学
背景情况:
- 费鲁拉 (Ferula) assa-foetida L. (asafoetida) 是一种有价值的药用香料,由于其在印度的非本土地位和种子休眠性,面临着种植挑战.
- 试管体内器官生成是大规模传播的一个有前途的技术,但优化协议需要强大的统计方法.
- 现有的统计方法与复杂的非线性数据作斗争,导致特征优化中的预测错误.
研究的目的:
- 为Ferula assa-foetida L.开发一个高效的体外再生系统.
- 通过基于图像的分析来确定体质胚胎发生和射击器官发生的最佳植物生长调节剂 (PGR).
- 使用机器学习 (ML) 和深度学习 (DL) 算法来创建用于PGR优化的预测模型.
主要方法:
- F. assa-foetida L. 的叶子扩展体在Murashige和Skoog介质上培养,其中含有不同度的thidiazuron (TDZ),6-benzylaminopurine (BAP) 和α-naphthaleneacetic acid (NAA).
- 七个ML算法 (RF,SVM,kNN,DT,XG提升,天真贝叶斯,物流回归) 和五个DL模型 (CNN,MobileNet,RCNN,ResNet,VGG19) 用于预测.
- 基于图像的形态分析被用来评估再生特征和训练预测模型.
主要成果:
- 卷积神经网络 (CNN) 模型实现了最高的预测准确度,为87%的最佳PGR.
- 美国有线电视新闻 (CNN) 的表现明显优于基线的ML模型,如后勤回归和决策树,其准确率为82%.
- 该研究成功建立了一个人工智能驱动的框架,用于预测F. assa-foetida L.中最佳的PGR.
结论:
- 一个基于AI的图像框架可以有效地预测F. assa-foetida L.体外再生的最佳PGR.
- 深度学习模型,特别是CNN,为优化微传播协议提供了可扩展和准确的方法.
- 这种方法有可能提高危药用植物的保护和繁殖.
