AI-driven advances in plant biotechnology: sharpening the edge of plant tissue culture and genome editing
Notice bibliographique
Résumé
The advent of artificial intelligence (AI) holds great promise for revolutionizing the fields of plant tissue culture and genome editing. Plant tissue culture is recognized as a powerful tool for rapid multiplication and crop improvement. However, the complex interactions between genetic and environmental factors generate large volumes of data, posing challenges for traditional statistical analysis methods. To address this, researchers are now employing machine learning (ML)-based and artificial neural networks (ANN) approaches to predict and optimize in vitro culture protocols thereby improving precision, sustainability, and efficiency. Integrating AI technologies such as machine learning (ML), artificial neural networks (ANN), and deep learning (DL) can significantly advance the development of data-driven models for CRISPR/Cas9 genome editing. Today, AI-driven methods are routinely applied to enhance precision in predicting on- and off-target sequence locations and editing outcomes. Additionally, predicting protein structures can provide a directed evolution framework that facilitates the creation of improved gene editing tools. However, the application of AI-based CRISPR modeling in plants is not yet fully explored. In this context, we aim to examine representative ML/DL/ANN models of CRISPR/Cas based editing employed in various organisms. This review significantly compiles a diverse set of studies and provides a clear overview of how AI is transforming the fields of plant tissue culture and genome editing. It emphasizes AI’s potential to increase the efficiency and precision of biotechnological practices, making them more accessible and cost-effective. While outlining current findings, the paper sets the stage for future research, encouraging further exploration into the integration of AI with plant biotechnology.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».