XiaoMi-AI文件搜索系统
World File Search System矮牵牛
利用 CRISPR-Cas9 技术对矮牵牛进行基因组编辑
Vandenbussche, M., Zethof, J., Souer, E., Koes, R., Tornielli, GB, Pezzotti, M., Ferrario, S., Angenent, GC, 和 Gerats, T. (2003). 通过反向和正向转座子插入诱变方法对矮牵牛 MADS Box 基因家族进行分析：B、C 和 D 矮牵牛花器官身份功能需要 SEPALLATA 样 MADS Box 基因。植物细胞 15，2680–2693。
利用机器学习提高矮牵牛组织培养效率：改善愈伤组织形成的途径
矮牵牛在组织培养中的重要特征是其不可预测且依赖于基因型的愈伤组织发生，这对高效再生和生物技术应用提出了挑战。为了解决这个问题，机器学习 (ML) 可以被视为一种强有力的工具，用于分析愈伤组织发生数据、提取关键参数和预测矮牵牛愈伤组织发生的最佳条件，从而促进更可控和更高效的组织培养过程。该研究旨在利用 ML 算法开发矮牵牛愈伤组织发生的预测模型，并优化植物激素浓度以提高愈伤组织形成率 (CFR) 和愈伤组织鲜重 (CFW)。该模型的输入为 BAP、KIN、IBA 和 NAA，输出为 CFR 和 CFW。比较了三种 ML 算法，即 MLP、RBF 和 GRNN，结果表明 GRNN (R 2 83) 在准确性方面优于 MLP 和 RBF。此外，还进行了敏感性分析以确定四种植物激素的相对重要性。IBA 的重要性最高，其次是 NAA、BAP 和 KIN。利用 GRNN 模型的卓越性能，集成遗传算法（GA）来优化植物激素浓度，以最大化 CFR 和 CFW。遗传算法确定了最佳植物激素组合，即 1.31 mg/L BAP、1.02 mg/L KIN、1.44 mg/L NAA 和 1.70 mg/L IBA，CFR 为 95.83%。为了验证预测结果的可靠性，在实验室实验中测试了优化的植物激素组合。验证实验的结果表明，通过 GA 获得的实验结果和优化结果之间没有显著差异。本研究提出了一种结合机器学习、敏感性分析和遗传算法的新方法，用于建模和预测矮牵牛的愈伤组织形成。研究结果为优化植物激素浓度、促进愈伤组织形成以及在植物组织培养和基因工程中的潜在应用提供了宝贵的见解。