رونمایی از تأثیر یادگیری ماشینی بر بهینه‌سازی کالوژنز آزمایشگاهی در Crocus sativus L

زعفران ادویه‌ای است که از گل آن (Crocus sativus L.) به دست می‌آید و برای مصارف دارویی و آشپزی در سراسر جهان کشت می‌شود. پینه یک مرحله میانی بین ارگانوژنز ریزنمونه و in vitro است. سرنوشت جنین زایی و اندام زایی به کیفیت کالوس بستگی دارد. کالوژنز یک فرآیند بیولوژیکی پیچیده است و تحت تأثیر عوامل مختلف درونی و بیرونی قرار می گیرد. یادگیری ماشینی (ML)، می تواند به طور موثر با محدودیت های زمان و هزینه آزمایش ها کنار بیاید. در این مطالعه، ما بر اثرات ساکارز و فیتوهورمون‌ها (اکسین و اسید آبسیزیک) بر روی کالوژنز با کمک یک الگوریتم یادگیری ماشینی تاکید کردیم.

در میان ترکیبات مختلف هورمونی آزمایش شده، حداکثر تکثیر کالوس در پلیت MS حاوی 3 درصد ساکارز همراه با 100 میکرومولار ABA، 2 و 4 میلی گرم در لیتر NAA و 2،4-D مشاهده شد. در مجموع از هشت ابزار مختلف ML برای پیش‌بینی اثربخشی ورودی‌ها بر کالوژنز استفاده شد. از بین همه الگوریتم‌های کاربردی، Xtreme Gradient Boosting (XGB) و Gradient Boosted Regression (GBR) عملکرد پیش‌بینی بهتری را نسبت به سایر مدل‌ها در القای کالوس و تکثیر ارائه می‌دهند. تجزیه و تحلیل SHAP اهمیت ساکارز، تنظیم‌کننده‌های رشد گیاه (NAA، 2،4-D، و ABA) و زمان بر روی کالوس زایی را نشان می‌دهد. بنابراین، برنامه‌های یادگیری ماشینی می‌توانند با هدایت آزمایش‌ها و تسهیل بهینه‌سازی، به طور موثر در هزینه و زمان صرفه‌جویی کنند.

Saffron is a spice derived from its flower (Crocus sativus L.) and it is grown for its medicinal and culinary uses worldwide. Callus is an intermediate stage between explant and in vitro organogenesis. The fate of embryogenesis and organogenesis depends on the quality of the callus. Callogenesis is a complex biological process and is affected by various intrinsic and extrinsic factors. Machine learning (ML), can effectively cope with the time and cost constraints of experiments. In this study, we emphasized the effects of sucrose and phytohormones (auxin, and abscisic acid) on callogenesis with the aid of a machine-learning algorithm.

Among the different tested hormone combinations, maximum callus proliferation was observed in the MS media plate containing 3 % sucrose, supplemented with 100 µM ABA, 2 and 4 mg/L NAA, and 2,4-D. A total of eight different ML tools were used to predict the efficacy of inputs on callogenesis. Out of all applied algorithms, Xtreme Gradient Boosting (XGB) and Gradient Boosted Regression (GBR) provide better prediction performance than other models on callus induction and proliferation. SHAP analysis reveals the significance of sucrose, plant growth regulators (NAA, 2,4-D, and ABA), and time on callogenesis. Therefore, machine learning programs can effectively save cost and time by guiding experiments and facilitating optimization.