Application of Artificial Neural Network for Modeling and Studying In Vitro Genotype-Independent Shoot Regeneration in Wheat
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Optimizing in vitro shoot regeneration conditions in wheat is one of the important steps in successful micropropagation and gene transformation. Various factors such as genotypes, explants, and phytohormones affect in vitro regeneration of wheat, hindering the ability to tailor genotype-independent protocols. Novel computational approaches such as artificial neural networks (ANNs) can facilitate modeling and predicting outcomes of tissue culture experiments and thereby reduce large experimental treatments and combinations. In this study, generalized regression neural network (GRNN) were used to model and forecast in vitro shoot regeneration outcomes of wheat on the basis of 10 factors including genotypes, explants, and different concentrations of 6-benzylaminopurine (BAP), kinetin (Kin), 2,4-dichlorophenoxyacetic acid (2,4-D), indole-3-acetic acid (IAA), indole-3-butyric acid (IBA), 1-naphthaleneacetic acid (NAA), zeatin, and CuSO4. In addition, GRNN was linked to a genetic algorithm (GA) to identify an optimized solution for maximum shoot regeneration. Results indicated that GRNN could accurately predict the shoot regeneration frequency in the validation set with a coefficient determination of 0.78. Sensitivity analysis demonstrated that shoot regeneration frequency was more sensitive to variables in the order of 2,4-D > explant > genotype < zeatin < NAA. Results of this study suggest that GRNN-GA can be used as a tool, besides experimental approaches, to develop and optimize in vitro genotype-independent regeneration protocols.
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.
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 découle