Machine Learning-Aided Optimization of In Vitro Tetraploid Induction in Cannabis
Notice bibliographique
Résumé
Polyploidy, characterized by an increase in the number of whole sets of chromosomes in an organism, offers a promising avenue for cannabis improvement. Polyploid cannabis plants often exhibit altered morphological, physiological, and biochemical characteristics with a number of potential benefits compared to their diploid counterparts. The optimization of polyploidy induction, such as the level of antimitotic agents and exposure duration, is essential for successful polyploidization to maximize survival and tetraploid rates while minimizing the number of chimeric mixoploids. In this study, three classification-based machine learning algorithms-probabilistic neural network (PNN), support vector classification (SVC), and k-nearest neighbors (KNNs)-were used to model ploidy levels based on oryzalin concentration and exposure time. The results indicated that PNN outperformed both KNNs and SVC. Subsequently, PNN was combined with a genetic algorithm (GA) to optimize oryzalin concentration and exposure time to maximize tetraploid induction rates. The PNN-GA results predicted that the optimal conditions were a concentration of 32.98 µM of oryzalin for 17.92 h. A validation study testing these conditions confirmed the accuracy of the PNN-GA model, resulting in 93.75% tetraploid induction, with the remaining 6.25% identified as mixoploids. Additionally, the evaluation of morphological traits showed that tetraploid plants were more vigorous and had larger leaf sizes compared to diploid or mixoploid plants in vitro.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».