基于ANFIS的响应面分析揭示了石斛兰离体繁殖过程中，营养供应、光照质量、植株发育状态以及培养条件方面的器官特异性最佳参数

《BMC Plant Biology》：ANFIS-derived response surfaces reveal organ-specific optimal conditions for nutrient supply, light quality, plant developmental status, and culture configuration in Phalaenopsis amabilis in vitro propagation

　　

摘要

背景

在兰花组织培养优化过程中，由于难以通过实验测试所有可能的环境和营养因素组合，这一工作面临诸多限制。本研究在体外条件下，探讨了培养基成分、光照质量、植物发育状态（有根与无根）以及培养方式（单相与双相）对Phalaenopsis amabilis不同器官的形态生理特性的交互作用。研究分别检测了叶片和气生根中的生长指标、色素组成、碳水化合物代谢以及光系统II的最大量子效率（F_v/F_m）。主要目标是利用基于60种处理组合、涵盖16项特性的器官特异性数据集训练的模糊推理系统（FIS）和自适应神经模糊推理系统（ANFIS）模型，预测各项特性对应的最佳处理范围。

结果

在预测非线性响应面及确定各项特性对应的最佳处理区域方面，ANFIS的表现优于FIS。对于叶片生长特性，ANFIS预测出在橙红色光照下且氮元素供应适中的情况下为最佳处理范围，而FIS得出的最佳范围则更窄且更为局部化。对于根系生物量及碳水化合物积累特性，ANFIS预测出以红光为主、磷元素含量较高且氮元素含量较低的条件为最佳处理范围，这表明与养分吸收相关的特性对光与养分的相互作用更为敏感。对于叶片色素积累特性，ANFIS确定在蓝光下且氮元素含量较低时为最佳处理范围，而与碳水化合物相关的特性则根据养分平衡情况，在红光和绿光条件下各有不同的最佳处理范围。总体而言，相较于FIS，ANFIS为所有特性生成的响应面都更为清晰，且更具生理学一致性。

结论

机器学习辅助建模有效地确定了各器官对应的最佳处理范围，同时揭示了实验因素之间复杂的非线性交互作用，而这些交互作用无法通过简单的平均处理对比直接观察到。ANFIS框架为优化兰花组织培养体系提供了强大的预测工具，也为未来开展体外繁殖研究提供了可验证的假设。