基于机器学习的Clerodendrum phlomidis L. f.（鼠尾草荣耀藤）组织培养优化，以促进木质部的形成

《Plant Cell, Tissue and Organ Culture (PCTOC)》：Machine learning-driven optimization of Clerodendrum phlomidis L. f. (sage glory bower) tissue culture for enhanced callogenesis

基于机器学习与优化算法的Clerodendrum phlomidis悬浮培养愈伤诱导研究。XGBoost-GA模型准确预测愈伤诱导周期（13.5±0.3天）和鲜重（683.26±1.71 mg），证实其优化PGRs浓度（0.5-4.0 mg/L）的可靠性。GC-MS检测到次生代谢产物合成。

　　

摘要

愈伤组织形成是一个复杂的发育过程，其效果取决于外源性和内源性因素的影响，而其中最关键的调控因素是植物生长调节剂（PGRs）。在 Clerodendrum phlomidis L. f. 中，愈伤组织形成是一种重要的生物技术方法，可用于次生代谢产物的体外合成以及间接器官发生的促进。通过结合机器学习（ML）和优化技术，可以全面了解愈伤组织形成的机制并找到最佳实验方案。在本研究中，利用多层感知器（MLP）、支持向量机（SVM）、随机森林（RF）、梯度提升机（GBM）和极端梯度提升机（XGBoost）模型，预测了 C. phlomidis 对不同类型和浓度的植物生长调节剂（IAA、NAA、BAP 和 Kinetin，浓度范围为 0.5–4.0 mg/L）的愈伤组织形成反应（包括愈伤组织诱导时间和愈伤组织鲜重）。研究结果表明，XGBoost 模型在预测 C. phlomidis 的愈伤组织形成反应方面具有较高的准确性（训练集上的 R² > 0.85，测试集上的 R² > 0.99）。通过将遗传算法（GA）与 XGBoost 模型结合使用，优化了植物生长调节剂的浓度以在体外愈伤组织形成过程中获得最大反应。实验验证了优化参数的可靠性，结果表明实际观察结果与模型预测高度一致：愈伤组织诱导时间为 13.5 ± 0.3 天，愈伤组织鲜重为 683.26 ± 1.71 mg。总体而言，本研究结果表明 XGBoost-GA 是一种实用且可靠的预测和优化方法，适用于 C. phlomidis 的体外愈伤组织形成研究。气相色谱-质谱（GC-MS）检测结果显示，体外愈伤组织形成过程有助于特定植物化学物质的合成。

图形摘要

此图像的替代文本可能是由人工智能生成的。

愈伤组织形成是一个复杂的发育过程，其效果取决于外源性和内源性因素的影响，而其中最关键的调控因素是植物生长调节剂（PGRs）。在 Clerodendrum phlomidis L. f. 中，愈伤组织形成是一种重要的生物技术方法，可用于次生代谢产物的体外合成以及间接器官发生的促进。通过结合机器学习（ML）和优化技术，可以全面了解愈伤组织形成的机制并找到最佳实验方案。在本研究中，利用多层感知器（MLP）、支持向量机（SVM）、随机森林（RF）、梯度提升机（GBM）和极端梯度提升机（XGBoost）模型，预测了 C. phlomidis 对不同类型和浓度的植物生长调节剂（IAA、NAA、BAP 和 Kinetin，浓度范围为 0.5–4.0 mg/L）的愈伤组织形成反应（包括愈伤组织诱导时间和愈伤组织鲜重）。研究结果表明，XGBoost 模型在预测 C. phlomidis 的愈伤组织形成反应方面具有较高的准确性（训练集上的 R² > 0.85，测试集上的 R² > 0.99）。通过将遗传算法（GA）与 XGBoost 模型结合使用，优化了植物生长调节剂的浓度以在体外愈伤组织形成过程中获得最大反应。实验验证了优化参数的可靠性，结果表明实际观察结果与模型预测高度一致：愈伤组织诱导时间为 13.5 ± 0.3 天，愈伤组织鲜重为 683.26 ± 1.71 mg。总体而言，本研究结果表明 XGBoost-GA 是一种实用且可靠的预测和优化方法，适用于 C. phlomidis 的体外愈伤组织形成研究。气相色谱-质谱（GC-MS）检测结果显示，体外愈伤组织形成过程有助于特定植物化学物质的合成。

图形摘要

此图像的替代文本可能是由人工智能生成的。