机构名称：
¥ 1.0
Callogenesofene是用于体外次生代谢产生和间接器官发生的最强大的生物技术方法之一。可以通过应用机器学习（ML）和优化算法的组合来获得对呼应和优化方案的全面知识。在当前的研究中，p的call灭响应（即call灭率和愈伤组织新鲜重量）。caerule。使用多层感知器（MLP）。此外，将开发的模型集成到遗传算法（GA）中，以优化PGRS和Explant类型的浓度，以最大程度地提高卡尔生成反应。此外，进行了敏感性分析，以评估每个输入变量对卡尔生成响应的重要性。结果表明，在训练和测试集中，MLP具有高预测精度（R 2> 0.81），用于建模所有研究参数。基于优化过程的结果，将从补充有0.52 mg/l IBA的培养基中培养的叶植物中获得最高的卡生成率（100％），加上0.43 mg/l NAA，加上1.4 mg/l 2,4-D 2,4-D Plus 0.2 mg/l bap。敏感性分析的结果表明，PGRS外源应用对call菌的外源性的影响。gentally，结果表明，MLP和GA的组合可以显示出具有前瞻性的辅助工具，以优化和预测体外培养系统，并因此应对巴西列拉组织培养中目前面临的几个挑战。
机器学习介导的梭状芽孢杆菌的ca虫calleoseation优化
主要关键词
相关文件推荐
