混合响应面方法与支持向量机建模相结合的方式,提高了龙血树繁殖优化的效率

《Plant Cell, Tissue and Organ Culture (PCTOC)》:Hybrid Response Surface Methodology-Support Vector Machine modeling approach enhanced the efficiency of optimization for sansevieria propagation

【字体: 大 中 小 】 时间:2025年12月31日 来源:Plant Cell, Tissue and Organ Culture (PCTOC) 2.3

编辑推荐:

  本研究采用响应面法与支持向量机混合模型优化景天科植物组织培养中的激素组合,显著缩短生产周期至3.2个月,模型R2达83.32,验证了AI驱动方法在植物组织培养中的高效性。

  

摘要

植物组织培养过程受到多种内源性和环境参数的显著影响,这些参数共同调控着幼苗的发育。本研究采用了一种混合建模方法,结合了响应面方法(RSM)和支持向量机(SVM),以预测和优化植物生长调节剂对Sansevieria trifasciata Prain繁殖的影响。该物种生长缓慢,但市场需求较高。通过RSM生成的实验设计为SVM算法提供了训练数据,用于确定各因素的重要性系数。线性核SVM在揭示输入数据中的交互作用方面达到了0.99的准确率。重要性系数表明,愈伤组织状态对幼苗的产生有负面影响,而根的形成则具有最强的正面影响。最终确定了一种最佳激素组合:0.2 mg L?1 2,4-D、0.18 mg L?1 NAA和1 mg L?1 KN(期望值=1.00),并通过实验结果和SVM-RSM预测分析得到了验证,从而证实了模型的稳健性和方法的可靠性。最佳模型的R2值为83.32,R2adj值为79.03,R2pre值为72.37,精确度为15.70。这些发现标志着一项重大进展,将Sansevieria trifasciata幼苗的生产时间缩短至约3.2个月,而传统方法需要5-6个月。本研究突显了RSM-SVM混合方法在植物组织培养中的有效性,该方法利用了两种方法的互补优势:RSM用于优化因素水平,SVM用于结果的稳健二分类。它展示了人工智能(AI)驱动的优化如何提高植物组织培养方案的生产力和效率。

植物组织培养过程受到多种内源性和环境参数的显著影响,这些参数共同调控着幼苗的发育。本研究采用了一种混合建模方法,结合了响应面方法(RSM)和支持向量机(SVM),以预测和优化植物生长调节剂对Sansevieria trifasciata Prain繁殖的影响。该物种生长缓慢,但市场需求较高。通过RSM生成的实验设计为SVM算法提供了训练数据,用于确定各因素的重要性系数。线性核SVM在揭示输入数据中的交互作用方面达到了0.99的准确率。重要性系数表明,愈伤组织状态对幼苗的产生有负面影响,而根的形成则具有最强的正面影响。最终确定了一种最佳激素组合:0.2 mg L?1 2,4-D、0.18 mg L?1 NAA和1 mg L?1 KN(期望值=1.00),并通过实验结果和SVM-RSM预测分析得到了验证,从而证实了模型的稳健性和方法的可靠性。最佳模型的R2值为83.32,R2adj值为79.03,R2pre值为72.37,精确度为15.70。这些发现标志着一项重大进展,将Sansevieria trifasciata幼苗的生产时间缩短至约3.2个月,而传统方法需要5-6个月。本研究突显了RSM-SVM混合方法在植物组织培养中的有效性,该方法利用了两种方法的互补优势:RSM用于优化因素水平,SVM用于结果的稳健二分类。它展示了人工智能(AI)驱动的优化如何提高植物组织培养方案的生产力和效率。

相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号