利用机器学习提高绿叶芋(Chlorophytum borivilianum)的产量:在大量元素建模中应用人工神经网络(ANNs)与地面穿透雷达(GPR)

《The Open Biotechnology Journal》:Machine Learning for Improved Chlorophytum borivilianum Yield: ANNs and GPR in Macronutrient Modelling

【字体: 大 中 小 】 时间:2026年05月08日 来源:The Open Biotechnology Journal CS3.3

编辑推荐:

  Preeti Kaushik|Neha Khurana|Payal|Sonia Kapoor 印度哈里亚纳邦罗塔克市马哈尔希·达亚南德大学工程与技术学院生物技术系 **引言** 体外繁殖研究的结果表明,大量营养素的浓度对植物组织培养中的芽器官发生具有最显著的影响。本

  Preeti Kaushik|Neha Khurana|Payal|Sonia Kapoor
印度哈里亚纳邦罗塔克市马哈尔希·达亚南德大学工程与技术学院生物技术系

**引言**
体外繁殖研究的结果表明,大量营养素的浓度对植物组织培养中的芽器官发生具有最显著的影响。本研究旨在使用两种先进的计算机模型——人工神经网络多层感知器(ANN-MLP)和高斯过程回归(GPR)——来预测Chlorophytum borivilianum的芽器官发生的最大程度。

**方法**
数据来源于实验室环境下的植物栽培实验,共使用了60个外植体。这些实验包括了Murashige和Skoog(MS)培养基中42种不同的大量营养素组合,与植物芽器官发生相关的结果被用来训练这两种模型。通过比较基于输入的观测值和预测值来评估所开发模型的性能。

**结果**
输出建模的结果显示,GPR模型的准确性优于MLP-ANN模型。GPR模型在芽的数量上的准确率为99.981%,在芽的长度上的准确率为99.885%;而ANN模型在芽的数量上的准确率为99.825%,在芽的长度上的准确率为97.582%。部分依赖图进一步阐明了大量营养素浓度与芽的数量和长度之间的关系。

**讨论**
大量营养素的浓度决定了由于大量营养素与植物之间的相互作用而产生的结构和生理变化。ANN和GPR模型成功地关联了大量营养素浓度对生长指标的影响。Chlorophytum borivilianum对较高剂量的氯化钙和硫酸镁表现出积极的响应。模型显示,高浓度的硝酸钾(克/升)对芽的生长有负面影响,其次是硝酸铵。

**结论**
所建立的GPR模型能够通过开发含有不同大量营养素含量的MS培养基配方,准确估计Chlorophytum borivilianum的芽数量和长度。

**1. 引言**
如今,对草药产品的需求正在迅速增长,反映出人们对植物衍生疗法的浓厚兴趣。Chlorophytum borivilianum(也称为Safed Musli)是一种具有高药用和工业价值的植物[1]。它被用于治疗多种疾病,如作为一般的性滋补品、催情剂、抗糖尿病药物以及缓解体力虚弱。这种植物有许多益处,例如增强免疫系统、缓解产前和产后问题、减轻风湿病和关节疼痛,并促进哺乳期妇女的乳汁分泌。传统上,它也被用于治疗腹泻、痢疾、淋病和白带病。在阿育吠陀文献中,Chlorophytum borivilianum因其卓越的药用特性而备受推崇,在数百种阿育吠陀制剂中发挥着重要作用[2, 3]。上述信息表明,由于其富含黄酮类、三萜类、生物碱、皂苷、酚类、维生素和单宁等有益化合物,对Chlorophytum borivilianum的需求很高[4]。其中,皂苷尤为重要,主要存在于植物的根部。因此,这些珍贵的根部被用于工业用途,这导致需要从自然栖息地中提取整个植物,从而使Chlorophytum borivilianum被列为濒危草本植物[5]。印度药用植物委员会致力于推广和保护这种植物,由于其卓越的药用特性,它被列为最高优先级的药用植物之一[6]。印度政府也因其重要的经济潜力而促进了Chlorophytum borivilianum的种植[7]。然而,种子发芽不足和块茎休眠问题影响了市场上Musli的持续供应[8]。传统的植物繁殖方法不足以满足对Chlorophytum borivilianum不断增长的需求,这突显了大规模商业生产中体外繁殖的必要性[9]。微繁殖是一种用于商业繁殖重要物种和保护种质资源的关键技术[10]。为了评估该技术的有效性,仔细观察和测量植物的生长特性至关重要,这需要严格控制多个因素,包括外植体的选择、培养基成分、灭菌方法和培养条件[11]。培养基成分在成功的微繁殖中起着关键作用,因为激素、大量营养素、微量营养素和维生素的浓度具有重要意义[11]。尽管许多研究已经探讨了操纵激素浓度的影响,但相对较少关注大量营养素组成的差异[12]。每种植物都需要独特且专门的大量营养素组合。为了提供植物最佳生长所需的必需营养素和添加剂,已经开发了许多合成培养基[13]。植物细胞或组织的发育依赖于六大元素:氮(N)、磷(P)、钾(K)、钙(Ca)、镁(Mg)和硫(S)。大量营养素是提供植物生长和发展所需成分的关键营养素[14]。植物组织培养的培养基配方至关重要。Murashige和Skoog已被认为是有效的基础培养基,广泛用于培养各种植物物种而不会产生明显的生理问题[13]。然而,值得注意的是,不同植物基因型和组织培养技术对矿物质的需求可能有所不同[14]。一些研究者甚至认为MS培养基的成分可能不是最优的[15]。从植物组织培养研究中收集的数据包括连续型、计数型、二项式或多项型等各种类型[15]。为了确保准确性,研究人员通常使用方差分析(ANOVA)和线性回归等统计方法[16]。如果连续数据遵循正态分布,ANOVA是合适的;然而,在未经调整的情况下使用ANOVA分析计数型、二项式或多项式数据是不恰当的[17, 18]。当处理复杂和非线性输入时,传统的统计方法也可能失效[17, 18]。机器学习(ML)和ANN模型是先进的技术,可以根据输入参数来评估和增强输出变量[19]。利用ML算法、GPR和MLP神经网络等先进技术,可以从培养基中不同的大量营养素组合预测芽的数量和长度[19]。本文记录了每种培养基配方下的生长指标。采用机器学习和人工神经网络(ANN)模型根据输入参数来评估和增强输出变量[20]。文章结构如下:第2节描述了使用的建模技术及其方法;第3节详细介绍了体外繁殖的实验设置,随后是对两种模型的性能评估;第4节基于R平方(R2)、均方根误差(RMSE)、均方误差(MSE)和准确率百分比对结果进行了分析和讨论;第5节总结了全文[21]。

**2. 方法学**
本研究的数据是在印度哈里亚纳邦罗塔克市马哈尔希·达亚南德大学工程与技术学院的植物组织培养实验室进行体外实验后收集的[22]。在这里,我们研究了两种不同的建模方法——ANN-MLP和机器学习模型-高斯过程回归(Machine Learning Model-Gaussian Process Regression)在表示数据方面的有效性[22]。

**2.1. 人工神经网络**
最著名的一种网络算法是前馈ANN,它在输入节点和多个感知器的基础上使用了非线性激活函数[22]。输入层、隐藏层(或多个层)和输出层是该结构的三个相互连接的部分。数据集的输入构成了输入层的基础,输出层的输出由一个或多个神经元表示[22]。监督学习任务经常使用MLP[22]。为了减小误差,通过反向传播方法调整权重和偏置[22]。ANN的概念受到了大脑数据处理方式的启发,被视为模拟系统性能的一种分析方法[22]。为了准确预测系统性能,使用实验数据“训练”ANN[22]。在训练ANN之前,数据必须在区间(0, 1)内进行标准化[22]。由于ANN模型依赖于神经元的传递函数,这一点至关重要[22]。如果使用的数据没有缩放到合适的范围,ANN将无法在训练数据上收敛或产生有用的结果[22]。在ANN建模之前进行了数据标准化,以规范化数据并识别异常值[22]。数据集被标准化到0到1的范围内[22]。下一步是使用主成分分析(PCA)来查找数据异常值;不幸的是,没有发现任何异常值[24]。ANN基于五个输入(五种不同浓度的大量营养素组合)和两个输出(芽的长度和数量)进行开发[22]。实现的MLP模型在隐藏层使用了双曲正切Sigmoid传递函数,在输出层使用了线性传递函数[22]。该模型设计有两个隐藏层:第一层有30个神经元,第二层有10个神经元,迭代限制为1000次[22]。网络使用Levenberg–Marquardt反向传播算法进行训练[22]。所有数据使用公式(1)在-1到1之间进行了标准化,以确保参数的维度一致性,并与采用的传递函数兼容[22]。其中,Mi是标准化值,Mmax和Mmin是缩放范围的最大值和最小值,Ni是要标准化的实际数据,Nmax和Nmin是实际数据的最大值和最小值[22]。随后,通过权重和偏置将开发的模型转换为数学方程[22]。

**2.2. 高斯过程回归**
高斯过程(GP),也称为克里金模型(Kriging model),是一种强大的非参数监督学习技术,能够有效处理回归和分类问题[27]。它的主要应用是贝叶斯非线性回归[27]。这是一种有效的ML方法,依赖于高斯概率密度函数[27]。即使数据集较小,GPR也能高效、一致且比其他方法具有更高的准确性[28]。高斯概率密度函数用于描述随机变量的分布[28]。如果你有一个二元数据集,可以使用GP分类器来确定输入样本最可能属于哪个类别[29]。该技术在处理小数据集时始终能产生高精度结果[30]。它在计算上也非常简单[29]。用于找到变量x和y之间关系的函数在公式(2)中给出[29]。高斯过程(GPs)是不依赖任何关于数据功能形式先验知识的回归模型[29]。相反,它们在函数上创建了一个概率分布,从而能够提供预测的置信估计[29]。这一特性受到高度重视,并广泛用于采集活动[29]。从初始的概率分布开始,该过程根据收集的数据更新分布[29]。高斯过程(GPs)基于这样一个理念:函数的子集遵循联合高斯分布[31]。可以推断,当给定一组特定的输入时,得到的输出将符合多变量高斯分布[31]。使用核函数确定联合分布的协方差,该核函数用于衡量输入之间的相似性[31]。具体来说,GPR模型中使用了自动相关性确定(ARD)核[31]。当提供观察数据(如训练数据)时,我们可以利用这些观察数据来修改初始信息并计算后续分布[31]。在使用未知函数估计输入值时,我们使用了一种称为后验分布 margination 的技术[31]。这使我们能够获得输入的平均值[31]。预测的置信水平由方差决定[31]。贝叶斯优化与GPR算法结合使用,以微调超参数[31]。在协方差函数中,未知参数被称为“超参数”。一旦确定了核函数的形式和“超参数”,GPR模型就完成了构建[34]。早停止技术为损失函数的梯度(或步长)设定了一个阈值,并设置了6的验证耐心值以避免过拟合。这是通过观察验证指标并在未检测到进一步进展时停止训练来实现的[35]。

3. 实验室培养中的外植体选择和实验设置
本研究使用两种建模技术(ANN-MLP和GPR)调查了培养基中外源性养分量作为输入变量的影响。为了覆盖从0到2的范围,生成了60个样本。从体外实验中收集数据是简化ANN模型训练过程的初始步骤。使用输入和输出数据的线性组合来训练模型。输入被仔细选择,以准确反映实验设置中的营养成分。用于生成模型输出的芽发生数据提供了所研究植物样本生长和发育的真实情况。整个过程中的关键步骤是选择关键变量及其相应的范围。在本研究中,我们采用了多种外源养分的组合来生成42种不同的Murashige和Skoog(MS)培养基。Murashige和Skoog在1962年设计了原始的MS培养基。为了刺激微芽的形成,培养基中添加了2.5 mg/L的BAP(6-苯基氨基嘌呤)、30 g/L的蔗糖和8 g/L的琼脂。所有不同培养基配方中的矿物质和维生素浓度保持一致。标准MS培养基的浓度标记为“X”,而其他配方则有所不同,即0.58X、1X、1.42X和2X,如表1所示。外源养分的浓度以毫克表示。培养基制备完成后,将其调整至pH 5.7,并小心地转移到品红色盒中。

表1. 用于配制各种培养基组合的外源养分浓度。
| 因子 | 标准MS培养基浓度(mg/L) | 变化量(mg/L) |
| --- | ------------------ | ------------ |
| A(x1) | 硝酸铵 | 165 | 95 | 72 | 34 | 33 | 00 |
| B(x2) | 硝酸钾 | 190 | 110 | 26 | 98 | 38 | 00 |
| C(x3) | 无水氯化钙 | 44 | 25 | 56 | 24.88 | 80 | |
| D(x4) | 硫酸镁 | 37 | 21 | 4.65 | 25.47 | 40 | |
| E(x5) | 一元磷酸钾 | 170 | 99 | 62 | 41.43 | 40 | |

使用的植物材料是Chlorophytum borivilianum的节外植体。这些Chlorophytum borivilianum幼苗是从Patanjali Herbal Garden(位于Haridwar)获得的,该机构以保护稀有和珍贵的植物收藏而闻名。为了确保外植体的清洁,使用了常用的表面活性剂Tween-20。随后,将芽芽外植体浸泡在流动的自来水中的30分钟,以有效去除任何灰尘颗粒。然后用0.1%的HgCl2对外植体进行6-7分钟的消毒,再用蒸馏水清洗三次。每种变化使用总共二十个外植体,并用五个品红色盒子进行接种。每个设置重复三次。

MLP模型在隐藏层使用了双曲正切Sigmoid传递函数,在输出层使用了线性传递函数。网络使用Levenberg–Marquardt反向传播算法进行训练。共应用了四十二种处理方法,包括对照组,随机分为三个数据集:70%(30个样本)用于训练,15%(6个样本)用于验证,15%(6个样本)用于测试。此外,还使用MATLAB R2021a软件中的Statistics and ML Toolbox对GPR进行了校准和预测。所有数据都使用公式(1)标准化到-1到1的范围,以实现参数的维度一致性,并确保与所采用的传递函数兼容。实验要求在25 ± 2°C的受控环境中维持培养条件。此外,使用16小时光照和8小时黑暗的光周期。外植体被接种在各种制备好的培养基上。

3.1. 两种模型的性能评估
使用MATLAB R2021a软件中的Statistics and ML Toolbox对GPR进行了校准和预测。该研究使用平均平方误差(MSE)、均方根误差(RMSE)、平均绝对误差(MAE)和R平方指标来评估模型的整体性能,如公式(3-6)所示[36-38]。平均平方误差(MSE)是统计研究中观测值与模型预测值之间平方差的平均值(公式3),而反映相同现象的配对观测值之间的误差则使用平均绝对误差(MAE)来衡量,计算公式为(5)[39]。当这些指标的值较低时,模型的预测准确性更高,表明与实际观测值的匹配度更好[40]。决定系数,也称为R平方(R2),由Wright于1921年首次提出。它量化了自变量可以解释因变量变化的比例。决定系数的范围通常在0到1之间,完美的R2值为1,表示回归预测与观察数据完全一致(公式6)[41]。

4. 结果与讨论
4.1. 不同浓度的外源养分对植物体外生长的影响
Chlorophytum borivilianum外植体被接种在含有42种不同浓度外源养分的MS培养基上。20天后重新培养外植体。20天后,记录了每种浓度下的芽数量和长度。数据被仔细记录并用于训练算法,以评估它们在准确预测期望结果方面的有效性。当硝酸铵、硝酸钾和磷酸二氢钾的浓度是MS培养基中标准浓度(X)的0.58倍时,观察到了最多的芽数量(20个)和最长的芽长度(11厘米)。此外,当氯化钙和硫酸镁七水合物的浓度是X的1.42倍时,也观察到了最有利的结果。当培养基中含有浓度为标准浓度1.42倍的硝酸铵、硝酸钾和氯化钙,以及浓度为标准浓度0.58倍的硫酸镁七水合物和磷酸二氢钾时,结果最不利。

4.2. ANN模型与GPR模型的评估与比较
本研究涉及对两种模型(ANN模型和GPR模型)的性能进行评估和比较。在评估机器学习建模时,通常会考虑多个性能指标,因为依赖单一指标可能无法准确预测或验证结果。因此,我们使用RMSE、MSE、R2和MAE等评估指标来预测Chlorophytum borivilianum组织培养中的芽数量和长度。较高的R2值表示输入变量和输出变量之间存在强相关性。当测量值平均值与预测值之间的差异大于实际值与预测值之间的差异时,可以获得这些值。MSE是一个稳健的性能衡量标准,用于量化实际值与预测值之间的差异。较高的MSE值表示误差程度较高,反之亦然。所有评估模型的MSE值都相对较低,表明实际值与预测值之间的差异很小[37, 41]。

GPR模型在芽数量和长度方面的预测能力很强,两个模型的R2值均为1。相比之下,ANN模型的R2值为0.999,表明几乎100%的芽发生变异性——特别是芽的数量和长度——可以通过输入变量来解释。在高斯过程回归(GPR)中,R平方值为1表示完美拟合,意味着模型使用自变量完美地解释了因变量的变化。这意味着模型的预测与实际观测数据完全匹配,没有误差。GPR是一种高度适应性的非参数模型,当训练数据集较小、噪声较低或在对训练数据集进行评估时,通常表现出较高的拟合度。这是因为像其他非参数模型一样,GPR在处理有限数据或训练和测试数据集相同时容易过拟合[34, 35]。表2中的低RMSE值(分别为0.00018和0.00014)表明预期的芽数量和长度与实际值之间的平均差异较小。

表2. ANN和GPR的统计分析汇总。
| GPR(芽数量) | GPR(芽长度) | ANN(芽数量) | ANN(芽长度) | 准确率(百分比) |
| --------- | -------- | ---------- | --------- | -------------- |
| 99.98 | 18 | 18 | 65 | 99.98 | 56 | 99.98 | 37 | 69 | 99.82 | 57 | 31 | 69 | 70 | 34 | |
| RMSE | 0.00018 | 18 | 14 | 0.00014 | 36 | 24 | 0.0017 | 42 | 96 | 80 | 0.024 | 17 | 77 | 97 | |
| MSE | 3.3056 | 1E-08 | 2.06 | 7E-08 | 3.0379 | 4E-06 | 0.0005 | 84 | 56 | 66 | 0.0007 | 30 | 70 | 0.0006 | 49 | 41 | |

相比之下,ANN模型的RMSE值分别为0.0017(芽数量)和0.0241(芽长度)。表2展示了ANN和GPR模型预测的芽数量和长度的MSE和MAE值。GPR模型的准确率分别为99.981%(芽数量)和99.985%(芽长度),而ANN模型的准确率分别为99.825%(芽数量)和97.582%(芽长度),如表2所示。

通过比较处理后输入得到的输出观测值和预测值,可以分析构建模型的性能。图(1)a)和b)部分展示了GPR预测结果与实际结果的比较,c)和d)部分展示了ANN预测结果与实际结果的比较。图表比较了来自神经网络和GPR模型的实际响应(实线)和预测响应(虚线)。结果表明,在训练集和测试集中,观测到的外植体生长参数的测量值与预测值之间有很强的一致性。当预测线与实际线紧密匹配时,模型表现出优异的性能。

下载:下载高分辨率图像(1MB)
下载:下载全尺寸图像
图(1)。使用两种建模技术表示实际和预测的“芽数量”和“芽长度”响应:a)和b)部分代表GPR模型预测,c)和d)部分代表ANN模型预测。
为ANN模型计算的统计数据显示出高程度的一致性,这两种子集能够预测每个输出。ANN模型的一个固有特性是它不依赖于预定合适的拟合函数定义,使其能够为几乎所有类型的非线性函数提供通用近似能力。这种灵活性可能使建模者能够构建具有接近最优预测准确性的模型[40]。

4.3. 外源养分浓度对芽发生的影响
为了使外植体正确发育,需要使用最佳的培养基。培养基中以硝酸盐或铵的形式提供氮是外植体生长的基本要求[42]。提供的氮的类型和数量可能会受到基因型的影响。毫无疑问,对于大多数植物物种来说,硝酸盐是首选的氮源。然而,中央芳香和药用植物研究所(CIMAP)的最新研究表明,这种作物对氮、磷酸盐和钾的需求很小[43]。在我们的研究中,我们也发现,当减少硝酸铵、硝酸钾和磷酸二氢钾的用量时,芽的生长更为有利,尤其是当硝酸铵和硝酸钾的浓度降低时。相反,较高浓度的氯化钙和硫酸镁(几乎是MS培养基中的两倍)有利于植物的芽发生。MS培养基中所需的试剂已被确定为氯化钙(CaCl2)和硫酸镁(MgSO4)[44, 45]。钙和镁在植物组织培养中起着重要作用,有助于细胞分裂、生长和整体植物健康。钙对细胞壁形成和细胞伸长至关重要,而镁是叶绿素的关键成分,有助于光合作用。这两种矿物质还充当酶激活剂,并影响养分吸收和抗逆性[46-49]。Vijaya和Chavan[49]探讨了C. borivilianum在其不同生长阶段的养分吸收模式。他们发现,在生长75天之前,叶片组织中的氮和钾水平会增加,之后会下降。相反,钙和镁在植物整个生长过程中持续在叶片和块茎组织中积累。GPR和ANN模型的部分依赖性图分别显示在图(2)和图(3)中。下载:下载高分辨率图片(2MB)下载:下载全尺寸图片图(2)。GPR模型给出的部分依赖性图,展示了不同大量元素组成对分枝数量和分枝长度的影响。下载:下载高分辨率图片(2MB)下载:下载全尺寸图片图(3)。ANN模型给出的部分依赖性图,展示了不同大量元素组成对分枝数量和分枝长度的影响。大量元素的浓度决定了它们与植物相互作用后产生的结构和生理变化。主要是给予大量元素的剂量决定了它们的有效性。由于不同植物所需的大量元素理想浓度不同,因此亚最佳和超最佳水平都可能对植物的生长和发育产生有益或有害的影响[50]。多项研究评估了GPR和ANN在建模各种过程中的有效性。通过比较这两种模型预测已知和未知变量的能力来评估它们的性能。分析均方误差(MSE)统计数据,GPR的表现优于ANN。在比较GPR和ANN模型对Chlorophytum borivilianum微型繁殖中分枝器官生成的预测能力时,研究人员发现GPR模型在预测分枝数量和分枝长度方面表现更好。图(4)展示了GPR模型对每个输入变量的权重偏好:部分a)代表分枝数量,部分b)代表分枝长度。每个条形表示“预测因子权重”,该权重量化了每个预测因子变量(x1-x5)对相应结果的影响或重要性。较高的条形表示更大的影响。下载:下载高分辨率图片(806KB)下载:下载全尺寸图片图(4)。每个输入变量(大量元素浓度)在预测分枝数量(部分a)和分枝长度(部分b)中的优先级。分枝数量:在左侧图表中,预测因子x3和x4显示出最高的权重,表明它们在预测“分枝数量”方面起着最大的作用。预测因子x1和x5也具有显著的权重,而x2的影响较小。分枝长度:在右侧图表中,预测因子x3和x4再次显示出最高的权重,强调了它们对“分枝长度”的重大影响。预测因子x1和x5的权重仍然相当,类似于它们对“分枝数量”的影响,而x2的影响最小。这些图表一致地突出了预测因子x3和x4是影响“分枝数量”和“分枝长度”的关键因素,其中x2的影响最小。这种分析对于识别模型中预测特定结果的最重要输入特征至关重要。

5. 限制
在最小化训练成本函数的同时,神经网络模型有时会导致过拟合。此外,它们需要预先的处理数据。训练数据的质量和数量显著影响网络预测的准确性。尽管ANN和GPR都是启发式方法,但它们在概念上存在显著差异。GPR算法所需的数据比ANN少,并且更易于使用。GPR的过拟合风险低于ANN。因此,在处理较小的数据集时,GPR在预测准确性方面的表现通常优于ANN。然而,模型的成功在很大程度上受到核函数的选择及其超参数调整的影响。尽管如此,不建议将GPR方法用于大型训练数据集,因为数据集规模的增加会迅速增加使用GPR的计算成本。相反,MLP模型需要大量高质量的数据集才能进行有效训练。在植物组织培养领域,创建这些全面的数据集既耗时又昂贵。这一挑战还因植物对不同培养基成分和环境条件的不同反应而加剧。此外,ML模型可能难以应用于不同植物物种甚至同一物种内的不同基因型。

结论
为了解决与组织培养相关的挑战,有多种模型可供选择。我们评估了GPR和ANN-MLP模型的性能,发现实验室实验的结果与MLP模型的预测结果非常吻合。本研究的结果验证了GPR和MLP模型在准确预测组织培养阶段方面的有效性。此外,预测值与实际观察值之间的一致性表明这些模型在分析研究中的变量方面非常熟练。在这项研究中,使用了GPR和ANN模型来预测Chlorophytum borivilianum的分枝数量和分枝长度。GPR模型的表现略优于ANN-MLP模型。这两种模型都可以有效地用于识别各种实验中的处理相互作用,从而减少了对传统统计分析的需求。总体而言,研究结果表明GPR模型是预测Chlorophytum borivilianum体外组织培养中理想大量元素组成的合适选择,以最大化分枝数量和分枝长度。

作者贡献
作者对论文的贡献如下:P.K.:执行、方法论、数据整理和撰写初稿;N.K.:处理软件、正式分析和验证;P.A.:参与数据整理和软件工作;S.K.:参与概念构思、资源协调、项目管理和监督。所有作者均已阅读并同意发表的手稿版本。

伦理批准和参与者同意
不适用。

人权和动物权利
不适用。

出版同意
不适用。

数据和材料的可用性
数据和支持信息可以在文章中找到。

资金
无。

利益冲突
作者声明没有财务或其他利益冲突。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号