Development of support vector machine-based model and comparative analysis with artificial neural network for modeling the plant tissue culture procedures: effect of plant growth regulators on somatic embryogenesis of chrysanthemum, as a case study
Notice bibliographique
Résumé
BACKGROUND: Optimizing the somatic embryogenesis protocol can be considered as the first and foremost step in successful gene transformation studies. However, it is usually difficult to achieve an optimized embryogenesis protocol due to the cost and time-consuming as well as the complexity of this process. Therefore, it is necessary to use a novel computational approach, such as machine learning algorithms for this aim. In the present study, two machine learning algorithms, including Multilayer Perceptron (MLP) as an artificial neural network (ANN) and support vector regression (SVR), were employed to model somatic embryogenesis of chrysanthemum, as a case study, and compare their prediction accuracy. RESULTS: > 0.82). Moreover, the Non-dominated Sorting Genetic Algorithm-II (NSGA-II) was also applied for the optimization of the somatic embryogenesis and the results showed that the highest embryogenesis rate (99.09%) and the maximum number of somatic embryos per explant (56.24) can be obtained from a medium containing 9.10 μM 2,4-dichlorophenoxyacetic acid (2,4-D), 4.70 μM kinetin (KIN), and 18.73 μM sodium nitroprusside (SNP). According to our results, SVR-NSGA-II was able to optimize the chrysanthemum's somatic embryogenesis accurately. CONCLUSIONS: SVR-NSGA-II can be employed as a reliable and applicable computational methodology in future plant tissue culture studies.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».