Machine Learning-Mediated Development and Optimization of Disinfection Protocol and Scarification Method for Improved In Vitro Germination of Cannabis Seeds
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
In vitro seed germination is a useful tool for developing a variety of biotechnologies, but cannabis has presented some challenges in uniformity and germination time, presumably due to the disinfection procedure. Disinfection and subsequent growth are influenced by many factors, such as media pH, temperature, as well as the types and levels of contaminants and disinfectants, which contribute independently and dynamically to system complexity and nonlinearity. Hence, artificial intelligence models are well suited to model and optimize this dynamic system. The current study was aimed to evaluate the effect of different types and concentrations of disinfectants (sodium hypochlorite, hydrogen peroxide) and immersion times on contamination frequency using the generalized regression neural network (GRNN), a powerful artificial neural network (ANN). The GRNN model had high prediction performance (R2 > 0.91) in both training and testing. Moreover, a genetic algorithm (GA) was subjected to the GRNN to find the optimal type and level of disinfectants and immersion time to determine the best methods for contamination reduction. According to the optimization process, 4.6% sodium hypochlorite along with 0.008% hydrogen peroxide for 16.81 min would result in the best outcomes. The results of a validation experiment demonstrated that this protocol resulted in 0% contamination as predicted, but germination rates were low and sporadic. However, using this sterilization protocol in combination with the scarification of in vitro cannabis seed (seed tip removal) resulted in 0% contamination and 100% seed germination within one week.
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