فهرست نشریات علمی دسترسی آزاد ایران

هدف: در حوزه ارتقای بیوتکنولوژیکی لوبیاهای معمولی، با توجه به دشواری ذاتی بازسازی این محصول در محیط‌های آزمایشگاهی، یک چالش ضروری در ابداع یک استراتژی قابل اعتماد و مؤثر بازسازی در شرایط آزمایشگاهی نهفته است. این تحقیق، با هدف پرداختن به این چالش، از قدرت مدل‌های یادگیری ماشین (ML)، به‌ویژه با استفاده از الگوریتم‌هایی برای شبکه‌های عصبی مصنوعی (ANN) استفاده می‌کند. هدف اصلی ایجاد یک فرآیند بازسازی آزمایشگاهی کارآمد و قابل تکرار همزمان با بهینه سازی و پیش بینی نتایج آینده است.مواد و روش‌ها: این مطالعه متغیرهای مختلفی مانند ژنوتیپ لوبیا، ریزنمونه‌ها و دوزهای مختلف 6-benzylaminopurine (BAP)  و CuSO4 را در بر می‌گیرد. یک شبکه عصبی رگرسیون مکرر (RRNN) برای مدل‌سازی و پیش‌بینی نتایج بازآفرینی محصول در شرایط آزمایشگاهی، به‌ویژه بر روی لوبیاهای معمولی استفاده ‌شد. تنظیم تجربی شامل آماده سازی جنین های لوبیا با 10، 15 و 20 میلی گرم در لیتر BAP به مدت 25 روز، و به دنبال آن رشد در محیط پس از تیمار شامل 3/0، 6/0، 9/0، و 2/1 میلی گرم در لیتر BAP به مدت 7 هفته بود. متعاقبا، اپیس پلومولار برای بازسازی در شرایط آزمایشگاهی جدا شد. قابل ذکر است، مدل RRNN  نیز با یک الگوریتم ژنتیک (GA) یکپارچه شد تا فرآیند بازسازی را بیشتر بهینه کند.نتایج: نتایج با RRNN برابر با 061/0، که کمترین میانگین مربعات خطا را نشان می‌دهد قانع کننده بود و این امر نشان دهنده دقت پیش بینی برتر در بازسازی کل است. در مقایسه، مدل‌های رگرسیون بردار پشتیبان (SVR)، جنگل تصادفی (RF) و تقویت گرادیان شدید (XGB) مقادیر MSE بالاتری را به ترتیب برابر با 081/0، 081/0 و 097/0 نشان دادند. این یافته‌ها بر اثربخشی الگوریتم RRNN تأکید می‌کند، که از سایر مدل‌ها در همه پارامترها بهتر عمل می‌کند.نتیجه‌گیری: عملکرد برتر RRNN کاربرد بالقوه آن را در پیش‌بینی دقیق در مورد بازسازی لوبیا نشان می‌دهد. در زمینه یک برنامه اصلاح مشترک لوبیا، این نتایج را می‌توان برای بهینه سازی و پیش بینی روش های کشت بافت گیاهی مهار کرد و در نتیجه تکنیک‌های بیوتکنولوژیکی مورد استفاده در کشت لوبیا معمولی را تقویت کرد. ادغام مدل‌هایML، به‌ویژه RRNN، به‌عنوان یک راه امیدوارکننده برای پیشبرد استراتژی‌های بازسازی محصول و کمک به کارایی مداخلات بیوتکنولوژیکی در کشاورزی است.