编辑推荐：
为优化小水榕（G. elatinoides）离体器官发生，研究人员整合 RSM 和 ML，发现 MS 影响大，优化了繁殖方案。
在神秘的水生植物世界里，小水榕（Glossostigma elatinoides）正逐渐崭露头角。它是一种淡水多年生草本植物，常生长在澳大利亚、新西兰和亚洲等地的水体附近，因其独特的形态，在水族景观和园林造景中颇受青睐。随着水生植物产业的蓬勃发展，小水榕的商业需求与日俱增。然而，传统的繁殖方式依赖非专业人员操作，在繁殖过程中，极易引入有害微生物和病原体，这些 “不速之客” 不仅会影响小水榕的健康生长，还可能对当地水生植物群落造成破坏。更为关键的是，小水榕的离体微繁殖此前尚未见报道，缺乏高效的繁殖技术成为限制其大规模生产的瓶颈。
为了攻克这些难题，来自安卡拉大学、比尔肯特大学和锡瓦斯科学技术大学的研究人员展开了一项极具意义的研究。他们的研究成果发表在《In Vitro Cellular & Developmental Biology - Plant》杂志上，为小水榕的繁殖开辟了新的道路。
研究人员在此次研究中运用了多种先进技术。首先是实验设计（DOE），它就像是研究的 “路线图”，能系统地规划实验，高效收集数据并分析因果关系。响应面法（RSM）也是重要的一环，它通过构建数学模型，找出影响实验结果的关键因素组合，优化实验条件。而机器学习（ML）技术更是如虎添翼，它能从复杂的数据中挖掘出隐藏的规律，建立精准的预测模型。在研究过程中，研究人员以购买的健康小水榕植株为样本，将其在不同条件下培养，观察各项指标的变化。
响应面回归分析
研究人员通过响应面回归分析探究了单个和多个因素对小水榕离体再生的影响。结果发现，所有研究的特征，包括丛生直径、生根率、鲜重和干重，都受到模型中输入因素的显著影响。其中，Murashige 和 Skoog（MS）培养基的浓度对所有输出变量影响显著，而蔗糖对生根和干重的影响不显著，琼脂对鲜重的影响不显著。在两因素交互作用中，MS 和蔗糖的组合对所有输出有显著影响，而其他一些组合影响不显著。从 R2 值来看，生根的 R2（实际）和 R2（预测）值最高，分别为 88.21% 和 82.54%，干重的这两个值最低，分别为 79.44% 和 70.97%。
Pareto 和正态图分析
Pareto 图用于分析输入因素对输出参数的相关性和影响程度。分析结果显示，对于不同的输出参数，各因素的影响程度不同。例如，对于丛生直径，MS 的影响最为显著。正态图分析则揭示了输入和输出参数之间的比例关系。如在丛生直径和生根率的分析中，发现增加 MS 和琼脂的浓度分别可以增加丛生直径和生根率，而 MS 浓度的增加有助于提高鲜重和干重。
热图和网络图分析
热图和网络图分析表明，输入因素之间没有相互作用，它们独立发挥作用。同时，研究发现 MS 与丛生直径、鲜重、干重之间存在强正相关，与生根也有一定的正相关。琼脂对输出参数的影响较小，蔗糖与生根有微弱正相关，但与其他输出参数呈负相关。这表明，虽然蔗糖是植物生长所需的能量来源，但过高浓度可能抑制植物生长。
机器学习结果
研究人员利用随机森林（RF）、轻梯度提升机（LightGBM）、多层感知器（MLP）和支持向量回归（SVR）这四种机器学习模型进行回归分析。结果显示，不同模型在预测不同指标时表现各异。SVR 模型在预测丛生直径方面表现最佳，R2 达到 0.809；MLP 模型在预测生根率、鲜重和干重方面表现出色，R2 分别为 0.957、0.806 和 0.812 。
综合研究结果，研究人员得出结论：MS 浓度对小水榕的丛生直径、鲜重和干重影响巨大，且浓度越高，这些输出参数的表现越好。在预测能力方面，MLP 模型在预测生根、鲜重和干重时表现卓越，RF 模型在预测丛生直径时表现较好。该研究通过整合 RSM 和 ML 技术，优化了小水榕的离体繁殖方案，为其商业化生产提供了可靠且高效的方法。
此次研究意义非凡。一方面，它解决了小水榕离体繁殖的关键问题，为大规模商业繁殖提供了技术支持，有助于推动水生植物产业的发展。另一方面，研究中运用的 RSM 和 ML 技术，为其他植物的组织培养研究提供了宝贵的借鉴经验，推动了植物组织培养领域的技术进步。可以说，这项研究为水生植物的繁殖和发展点亮了一盏明灯，指引着科研人员和产业从业者在相关领域不断探索前行。
