Machine Learning-Assisted In Vitro Rooting Optimization in Passiflora caerulea
Notice bibliographique
Résumé
In vitro rooting as one of the most critical steps of micropropagation is affected by various extrinsic (e.g., medium composition, auxins) and intrinsic factors (e.g., species, explant). In Passiflora species, in vitro adventitious rooting is a difficult, complex, and non-linear process. Since in vitro rooting is a multivariable complex biological process, efficient and reliable computational approaches such as machine learning (ML) are required to model, predict, and optimize this non-linear biological process. Therefore, in the current study, a hybrid of generalized regression neural network (GRNN) and genetic algorithm (GA) was employed to predict in vitro rooting responses (rooting percentage, number of roots, and root length) of Passiflora caerulea based on the optimization of the level of auxins (indole-3-acetic acid (IAA), indolebutyric acid (IBA), and 1-naphthaleneacetic acid (NAA)) and the type of explant (microshoots derived from leaf, node, and internode). Based on the results, the GRNN model was accurate in predicting all in vitro rooting responses of P. caerulea (R2 > 0.92) in either training or testing sets. The result of the validation experiment also showed that there was a negligible difference between the predicted-optimized values and the validated results demonstrating the reliability of the developed GRNN-GA model. Generally, the results of the current study showed that GRNN-GA is a reliable and accurate model to predict and optimize in vitro rooting of P. caerulea.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,001 | 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 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 ».