机器学习优化了Justicia gendarussa Burm. f.的愈伤组织形成过程，并对体外培养得到的愈伤组织及叶片提取物进行了植物化学分析

《BMC Biotechnology》：Machine learning optimized callogenesis in Justicia gendarussa Burm. f. and phytochemical profiling of in vitro derived callus and leaf extracts

　　

摘要

背景

体外愈伤组织培养系统已被证实可以增加生物活性代谢产物的产量。然而，通过传统方法优化培养条件需要消耗时间和资源。在本研究中，我们利用机器学习（ML）工具来改进愈伤组织的形成方法。我们对所得愈伤组织及母株的叶片组织进行了植物化学成分分析，以了解代谢产物合成的变化情况。

方法

叶片外植体在黑暗条件下培养于Murashige & Skoog培养基（MS）中，并使用了28种不同的植物生长调节剂组合。通过广义回归神经网络（GRNN）测量并分析了愈伤组织形成的相关参数，以预测最佳激素浓度。预测的激素浓度通过体外实验进行了验证。代谢产物的定量分析和鉴定是通过液相色谱-质谱（LC-MS）技术完成的。

结果

在添加了3 mg/L 2,4-D和0.5 mg/L BAP的MS培养基中，愈伤组织最早形成的平均时间为14.9天。在添加了2.5 mg/L 2,4-D和1.0 mg/L BAP的MS培养基中，愈伤组织的最大鲜重为2.948克。实验获得的数据被输入到机器学习模型中，以预测愈伤组织形成的最佳激素浓度和最大鲜重。机器学习预测，在添加了2.92 mg/L 2,4-D、0.35 mg/L Kin和0.17 mg/L BAP的MS培养基中，愈伤组织最早形成的时间为第14天，这与验证实验结果（15.1天）非常接近。在添加了2.5 mg/L 2,4-D、0.11 mg/L Kin和0.91 mg/L BAP的MS培养基中，预测的愈伤组织鲜重为2.954克，与实验结果（3.004 ± 0.098克）一致，因此被用于继代培养。植物化学分析显示，与母株叶片相比，愈伤组织提取物中的酚类化合物（增加了1.22倍）和黄酮类化合物（增加了1.27倍），而萜类化合物的含量较低。

结论

本研究展示了机器学习在优化愈伤组织形成过程中的有效应用。它强调了在机器学习优化条件下获得的愈伤组织中酚类和黄酮类化合物积累量的增加，突显了其在最大化产量方面的精确预测能力。这些发现有助于开发高效的生物技术策略，用于生产具有药用价值的植物化学物质。