综述：机器学习介导的培养基组成优化以增强体外性能的综合指南

本综述系统阐述了机器学习（ML）技术在植物组织培养培养基优化中的前沿应用。文章批判性分析了传统单因素（OFAT）和响应面（RSM）优化方法的局限性，重点介绍了ML如何通过处理复杂数据集、解析营养成分（如NH4+/NO3-比例）的交互作用，并整合定性（如凝胶剂类型）与定量参数，实现培养基组分（宏量/微量营养素、氨基酸、维生素）的精准预测与设计。为研究者提供了从实验设计、数据收集、模型训练（如ANN、GEP）到验证应用的完整ML指导框架，标志着植物生物技术迈向智能化、高通量优化新时代。

　　

植物组织培养作为一种在高度受控条件下进行植物细胞、组织或器官无菌繁殖的技术，在稀有物种保护、清洁植物计划建立、大规模繁殖和作物遗传改良中发挥着关键作用。其成功与效率在很大程度上取决于培养基的开发与优化。一个精心设计的培养基能提供植物细胞增殖、分化和器官发生所必需的营养物质与生长因子。然而，尽管基础培养基组成至关重要，组织培养方法通常采用最初为少数物种开发并临时为其他物种修改的配方。为每个物种完全优化组织培养基是一个漫长而繁琐的过程，并且使用传统方法通常不切实际。

培养基组成的关键要素

通常，植物组织培养基包含宏量营养素、微量营养素、氨基酸和维生素，它们各自参与不同的生理功能。植物生长必需的元素通常包括碳、氮、钾、钙、磷、镁、硫、铁、镍、氯、锰、锌、硼、铜、钼、氧和氢，某些其他元素可能对特定植物必不可少。添加某些氨基酸和维生素对于实现显著的体外生长和发育 arguably 是必需的。

• •
  宏量营养素：如氮（N）、磷（P）、钾（K），是植物整体生长、细胞分裂和能量转移过程所必需的。氮是氨基酸、蛋白质、核酸和其他关键生物分子的关键组成部分。钾参与维持细胞渗透平衡、调节酶活性以及促进蛋白质和碳水化合物的合成。磷是核酸、ATP和磷脂的关键组成部分。
• •
  中量营养素：如钙（Ca）、镁（Mg）、硫（S），通常以中等浓度（1500-3000 μM）添加。钙是细胞壁和膜的结构成分，并调节各种酶活性、激素反应和信号转导途径。镁是叶绿素分子的核心成分，并参与酶激活和核酸稳定。硫是氨基酸生物合成的关键，是甲硫氨酸和半胱氨酸的主要成分。
• •
  微量营养素：如铁（Fe）、锰（Mn）、锌（Zn），通常作为各种酶反应的催化剂。铁是血红素蛋白的关键组成部分，参与电子传输、呼吸和光合作用。锰是参与光合作用、呼吸和抗氧化防御机制的多种酶的辅因子。锌是参与DNA合成、蛋白质合成、碳水化合物代谢和激素调节的多种酶的辅因子。
• •
  氨基酸和维生素：作为蛋白质合成的构建块，并在各种代谢途径中充当辅酶或前体。例如，肌醇参与膜结构和功能以及细胞信号传导。甘氨酸是蛋白质和肽的主要构建块。硫胺素HCl（维生素B1）是碳水化合物代谢中关键酶的辅因子。

维持培养基中这些组分（即宏量营养素、微量营养素、氨基酸和维生素）的平衡对于优化任何组织培养系统中的生长和发育至关重要。不平衡，无论是过量还是缺乏，都可能导致生理紊乱、生长迟滞和组织活力下降。

传统优化方法的挑战

优化培养基组成可以显著提高生长速率、改善器官发生/胚胎发生效率并增加健康小植株的整体产量。然而，实现这一目标充满挑战。

• •
  单因素法（OFAT）：这是一种传统、直接的技术，涉及在实验室环境中顺序修改单个培养基组分。尽管这种方法可能有益于确定最佳营养水平范围的一般估计，但它存在许多挑战。首先，营养素通常以盐的形式而非纯元素添加到培养基中，使得难以特异性修改单一元素。其次，改变单个元素的水平也会改变电导率和渗透势，导致难以与营养效应区分开的非目标效应。OFAT方法的另一个缺点是它忽略了培养基组分的交互作用，因此可能忽略真正优化的营养配方。总体而言，虽然这种方法经常用于培养基优化，但它是一种相对低效且耗时的方法，可能会遗漏重要的交互效应。
• •
  响应面方法论（RSM）：这是一种替代方法，通过 dramatically 减少与因子设计相比所需的处理数量来解决交互效应。使用二次多项式模型，RSM有潜力阐明与体外生长和发育反应相关的培养基组分之间的关系。然而，尽管RSM为培养基优化提供了更有效的方法，但对回归模型的依赖将其限制在可能无法反映复杂生物系统现实的相对简单的交互作用上。此外，RSM仅限于比较定量参数（如营养含量），无法比较定性输入（如碳水化合物类型、凝胶剂等）。

机器学习作为变革性工具

近年来，计算能力和人工智能的发展为重新审视这一实践提供了新的机会，通过 dramatically 提高培养协议优化的速度、精度和效率。涉及预测建模和实验验证的机器学习（ML）技术已被用于植物组织培养基的开发和优化。这标志着一个优化方法的新时代，其特点是从传统优化策略的转变。

研究表明，ML在培养基优化方面的性能超越了RSM，表明ML是开发和优化组织培养基的一种有利方法。这种方法通常逐步展开，包括实验设计和实施、数据收集、输入数据的预处理、预测模型的训练，从而形成最佳培养基。ML提供的优势包括处理缺乏详细数据结构的大型复杂数据集的能力，从而在单个组分的具体效应难以捉摸时实现培养基组成的优化。此外，整合定性输入（如碳水化合物类型或凝胶剂）是可能的。

ML辅助培养基开发的概述

ML在植物组织培养中的应用研究趋势显示出显著的时间动态。在2010年之前，ML在该领域的应用缓慢，每年只有零星出版物。2010年至2016年间，出版物数量逐渐增加，表明该领域的兴趣增长。值得注意的是，2016年后出现显著激增，出版物数量从2017年的9篇指数增长到2024年的35篇。引文数据进一步强化了ML在植物组织培养中日益增长的影响力。

ML辅助培养基开发和优化的过程可以概括为以下顺序步骤：

1. 1.
   实验设计：定义体外培养系统的目标，并指定培养基成分以及初步体外培养实验的 permutation 程度。可以使用各种实验设计（DOE）方法，如全因子设计（FFD）、中心复合设计（CCD）、Box-Behnken设计（BBD）和Plackett-Burman设计（PBD），以及非DOE方法。
2. 2.
   数据收集：系统收集体外培养物的生物学参数（例如，再生率、玻璃化程度、芽数）及其与培养组成的关联，并将其格式化为数据集。特征（输入值）对应于培养基组分（例如，化学浓度），而标签（输出变量）对应于体外生物学参数，可以是定量的（例如，再生率）或定性的（例如，玻璃化水平）。
3. 3.
   ML模型开发：数据集应馈送给ML以开发预测模型。根据标签的性质（定量或定性）选择适当的监督学习方法（即回归或分类）。数据预处理（包括异常值检测、归一化）对于构建准确的模型至关重要。预测模型的准确性受可用数据量和多样性的影响。
4. 4.
   培养基优化：开发的模型应连接到优化算法，以预测优化的培养基组成。这被称为混合方法。根据优化目标（例如，最大化再生率或最小化玻璃化），可以使用单目标（例如，遗传算法GA）或多目标（例如，非支配排序遗传算法-II NSGA-II）优化算法。
5. 5.
   验证：预测的优化培养基组成应通过实验进行测试，以评估所开发培养基的可靠性和有效性。这涉及将预测的配方与常用商业培养基（对照）进行比较。验证实验的结果可用于通过主动学习进一步 refine 模型。

混合方法流程与实施

实施ML方法不需要庞大的数据集或高性能计算。许多有用的模型可以从相对适中的数据集开发。对于简单的预测任务，轻量级算法（如决策树或随机森林）通常就足够了。研究人员可以首先使用设计良好的实验，基于清晰的生物假设，利用可访问的工具（如WEKA、Python、R），并逐步扩展到更复杂的方法。

结论与未来展望

植物组织基础培养基成分的开发和优化不仅需要仔细考虑添加组分的类型，还需要考虑其浓度的影响以及它们对体外小植株生长和发育的潜在交互作用。本文介绍的强大实验和计算方法有助于在创建高效体外植物再生的平衡定制配方时确定必要的成分及其最佳浓度。

集成ML与优化算法的混合方法已成为培养培养基配方开发和优化的强大方法。本文介绍的概念利用了ML处理复杂数据集和进行准确预测的优势，以及优化算法进一步优化培养基组成的能力。通过结合这些计算技术，可以有效地探索广阔的解决方案空间，确定最佳培养条件，并显著提高培养植物细胞或组织的产量和质量。这种创新的混合方法不仅加速了培养培养基开发的过程，还有助于推进植物细胞和组织培养介导的细胞农业和植物生物技术实践的更广泛目标。

尽管ML框架和计算能力的最新进展扩大了预测建模的可及性，但这些资源并非所有实验室都能平等获得，特别是那些资金或技术基础设施有限的实验室。在数据集规模不大或生成大量处理组合不可行的情况下，ML的好处可能会被额外的计算负担所抵消，特别是如果预测模型由于数据不足而无法达到高精度。在这种情况下，精心设计的DOE方法或将有限ML建模与传统优化相结合的混合策略可以提供更具成本效益的解决方案，在预测能力和实验可行性之间取得平衡。这凸显了在选择培养基优化的适当方法时评估生物和计算约束的重要性。