Application of Adaptive Neuro-Fuzzy Inference System-Non-dominated Sorting Genetic Algorithm-II (ANFIS-NSGAII) for Modeling and Optimizing Somatic Embryogenesis of Chrysanthemum
Notice bibliographique
Résumé
A hybrid artificial intelligence model and optimization algorithm could be a powerful approach for modeling and optimizing plant tissue culture procedures. The aim of this study was introducing Adaptive Neuro-Fuzzy Inference System- Non-dominated Sorting Genetic Algorithm-II (ANFIS-NSGAII) as a powerful computational methodology for somatic embryogenesis of chrysanthemum, as a case study. ANFIS was used for modeling three outputs including callogenesis frequency (CF), embryogenesis frequency (EF), and the number of somatic embryo (NSE) based on different variables including 2,4-dichlorophenoxyacetic acid (2,4-D), 6-benzylaminopurine (BAP), sucrose, glucose, fructose, and light quality. Subsequently, models were linked to NSGAII for optimizing the process, and the importance of each input was evaluated by sensitivity analysis. Results showed all of the R2 of training and testing sets were over 92% indicated the efficiency and accuracy of ANFIS on modeling of the embryogenesis. Also, according to ANFIS-NSGAII, optimal EF (99.1%) and NSE (13.1) can be obtained from a medium containing 1.53 mg/L 2,4-D, 1.67mg/L BAP, 13.74 g/L sucrose, 57.20 g/L glucose, and 0.39 g/L fructose under red light. The results of the sensitivity analysis showed that embryogenesis was more sensitive to 2,4-D, and less sensitive to fructose. Generally, the hybrid ANFIS-NSGAII can be recognized as a powerful computational tool for modeling and optimizing in plant tissue culture.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».