编辑推荐：
为解决棉花离体再生难（受基因型、外植体类型等影响）的问题，研究人员以陆地棉品种 STN-468 和 GSN-12 子叶节外植体为材料，结合不同浓度激动素（KIN）预处理、MS 培养基后处理及红蓝光 LED 组合，利用 AI 模型优化再生体系。结果表明 GSN-12 再生潜力更优，且机器学习模型可提升再生效率。
棉花作为全球重要的经济作物，其离体再生体系的建立却面临重重挑战。由于棉花具有 “顽拗性”，基因型、外植体类型和环境条件等因素严重制约着离体再生效率，导致传统方法难以实现稳定且高效的再生。这不仅阻碍了棉花遗传改良和生物技术研究的进程，也使得通过基因编辑等手段培育抗虫、抗病等优质品种的工作进展缓慢。因此，探索一种能够突破这些限制的高效再生方法成为科研人员的重要目标。
来自土耳其卡拉曼奥卢梅梅特贝伊大学的研究人员开展了相关研究。他们以土耳其的两个商业陆地棉品种 STN-468 和 GSN-12 为材料，利用子叶节外植体，通过不同浓度激动素（KIN）预处理、不同强度 MS 培养基后处理以及红蓝光发光二极管（LED）组合的培养条件，结合机器学习模型，对棉花离体再生体系进行了优化、验证和预测。研究发现，GSN-12 的芽再生潜力优于 STN-468，且通过优化条件可显著提高芽数，同时机器学习模型能有效验证和预测实验结果。该研究成果发表在《Journal of Cotton Research》上，为棉花离体再生提供了新的思路和方法。
研究中主要采用的关键技术方法包括：
- 组织培养技术：对棉花种子进行表面灭菌，培养获得子叶节外植体，并进行预处理和后处理培养。
- 机器学习建模：运用极端梯度提升（XGBoost）、随机森林（RF）和基于人工神经网络的多层感知器（MLP）回归模型，以预处理培养基、后处理培养基和 LED 作为输入变量，芽数作为输出变量进行数据分析。
- 统计分析：采用单因素方差分析（ANOVA）、因子回归分析等方法评估不同处理对芽再生的影响，并利用响应优化器等工具优化输入条件。
研究结果
离体再生效果
- 品种差异：GSN-12 的平均芽数（4.99 个 / 外植体）显著高于 STN-468（3.97 个 / 外植体），表明基因型对棉花离体再生有重要影响。
- 预处理浓度影响：5 mg·L-1 KIN 预处理对 GSN-12 效果最佳，可获得 7.75 个芽；10 mg?L-1 KIN 预处理更适合 STN-468，芽数达 6.00 个。
- 培养基强度与 LED 组合：? MS 后处理培养基和 80% 红 LED 组合对两者的芽再生均有促进作用，说明培养基成分和光环境是关键因素。
统计分析与模型优化
- 因子回归分析：不同品种的关键影响因素排序不同，GSN-12 中 LED（C）和预处理 KIN 浓度（A）为主要因素，而 STN-468 中后处理培养基（B）和 LED（C）影响更显著。
- 机器学习模型性能：MLP 模型的决定系数（R2）最高（0.71），RF 模型在平均绝对误差（MAE）、平均绝对百分比误差（MAPE）等指标上表现更优，三种模型均能有效验证和预测芽数。
结论与讨论
本研究成功建立了一种基于激动素预处理和机器学习模型的棉花离体再生优化方法。结果表明，基因型差异显著影响再生效率，GSN-12 在优化条件下表现更优，且 80% 红 LED 组合对芽再生具有普遍促进作用。机器学习模型的应用不仅验证了实验结果的可靠性，还为预测不同条件下的再生效果提供了有力工具，展现了人工智能在植物组织培养中的巨大潜力。
该研究突破了传统棉花离体再生的技术瓶颈，为棉花遗传转化和品种改良提供了高效、可重复的技术体系。通过整合物理环境调控（LED 光质）和化学因子（细胞分裂素）以及机器学习算法，为解决其他顽拗性作物的离体再生难题提供了新思路，有望推动农业生物技术的发展，加速抗逆、优质棉花品种的培育进程。
