Decoding the cannabis tissue culture puzzle: Machine learning analysis of cannabis in vitro morpho-physiological disorders expands the potential for precision micropropagation
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
Cannabis sativa L. (cannabis) has recently re-emerged as an economically important crop, fueling research focused on enhancing production practices to meet market demands. The developing cannabis industry can be improved by overcoming certain production hurdles using micropropagation to maintain and multiply pathogen-free plants in confined spaces at high volumes. However, developing efficient micropropagation systems for cannabis have been hampered by the prevalence of various morpho-physiological disorders, resulting in low multiplication rates, culture decline, and overall low efficiency rates. While progress in cannabis micropropagation has been made, nutrient imbalances and various disorders are still common. Successful micropropagation is species specific and dependent on a variety of interconnected factors related to abiotic conditions and nutrient availability, which represent challenges in the refinement and execution of effective methods. Micropropagation media represent the exclusive sources of macro- and micro-nutrients for cultured plant tissues, inadequacies of which can result in the emergence of morpho-physiological symptoms. This work represents the first in-depth analysis of multiple morpho-physiological disorders in micropropagated cannabis arising from media nutrient content. Additionally, we present machine learning as an effective tool for assessing nutrient-associated symptoms in cultured cannabis and identifying which components are responsible. Results will help with troubleshooting cannabis micropropagation systems to prevent or correct undesirable outcomes, while introducing new methods to assess in vitro cannabis disorders.
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