将螯合铁处理技术与机器学习相结合，以优化Gynura aurantiaca (Blume) DC的体外微繁殖过程

《In Vitro Cellular & Developmental Biology - Plant》：Integrating chelated iron treatments and machine learning for optimizing in vitro micropropagation of Gynura aurantiaca (Blume) DC

　　

摘要

对药用活性强且富含花青素的观赏植物Gynura aurantiaca (Blume) DC.的体外繁殖方法进行了优化，采用了铁螯合物处理和机器学习（ML）建模技术。铁螯合物是调控体外植物发育的关键因素，可影响植物的形态发生、生根、色素合成及代谢活动。本研究探讨了FeEDTA及不同浓度（100–200–400–800 μM）的FeEDDHA对培养外植体微繁殖效率、生根情况以及色素积累的影响。结果表明，FeEDDHA处理对G. aurantiaca外植体的生长发育具有显著的剂量依赖性：在微繁殖阶段，植株高度在100 μM和800 μM时达到最大值（分别为9.1厘米和9.0厘米）；芽的数量在800 μM时最多（每株外植体6.8个芽），在100 μM时也为5.4个。叶片发育在800 μM时达到最佳状态，每株幼苗拥有42.8片叶子，而200 μM时为26.8片。生物量积累呈现明显规律，鲜重在200 μM时最高（4.03克），在400 μM时最低（2.18克）；干重同样在200 μM时达到峰值（0.20克）。在生根阶段，200 μM的FeEDDHA浓度使植株高度（8.7厘米）、叶片数量（18.2片）、根长（6.1厘米）及生物量（鲜重2.96克；干重0.17克）均达到最高值。根的数量在400 μM时达到最大值（39.4根），但在200 μM时也保持较高水平（35.8根）。分光光度法分析进一步证实，FeEDDHA处理显著促进了色素的积累：100 μM浓度显著提升了叶绿素a、叶绿素b和总叶绿素的含量；而花青素含量在叶组织中于200 μM时达到峰值，在茎组织中为400 μM时达到峰值。这些研究表明，FeEDDHA的最佳浓度取决于生长阶段和具体性状——高剂量有利于芽的增殖，而中等剂量则有利于生根和色素合成。除传统统计分析外，还运用ML模型基于铁螯合物处理预测生物响应，随机森林、支持向量回归（SVR）和XGBoost算法在色素浓度和形态特征的预测上表现优异，多数模型的R2值超过0.90。特征重要性分析一致将FeEDDHA浓度评为主要影响因素，这与实验结果相符。本研究通过FeEDDHA和基于ML的建模技术实现了G. aurantiaca的双阶段优化，为植物生物技术中的微繁殖协议和营养配方改进提供了可扩展的框架。

对药用活性强且富含花青素的观赏植物Gynura aurantiaca (Blume) DC.的体外繁殖方法进行了优化，采用了铁螯合物处理和机器学习（ML）建模技术。铁螯合物是调控体外植物发育的关键因素，可影响植物的形态发生、生根、色素合成及代谢活动。本研究探讨了FeEDTA及不同浓度（100–200–400–800 μM）的FeEDDHA对培养外植体微繁殖效率、生根情况以及色素积累的影响。FeEDDHA处理对G. aurantiaca外植体的生长发育具有显著的剂量依赖性：在微繁殖阶段，植株高度在100 μM和800 μM时达到最大值（分别为9.1厘米和9.0厘米）；芽的数量在800 μM时最多（每株外植体6.8个芽），在100 μM时也为5.4个。叶片发育在800 μM时达到最佳状态，每株幼苗拥有42.8片叶子，而200 μM时为26.8片。生物量积累呈现明显规律，鲜重在200 μM时最高（4.03克），在400 μM时最低（2.18克）；干重同样在200 μM时达到峰值（0.20克）。在生根阶段，200 μM的FeEDDHA浓度使植株高度（8.7厘米）、叶片数量（18.2片）、根长（6.1厘米）及生物量（鲜重2.96克；干重0.17克）均达到最高值。根的数量在400 μM时达到最大值（39.4根），但在200 μM时也保持较高水平（35.8根）。分光光度法分析进一步证实，FeEDDHA处理显著促进了色素的积累：100 μM浓度显著提升了叶绿素a、叶绿素b和总叶绿素的含量；而花青素含量在叶组织中于200 μM时达到峰值，在茎组织中为400 μM时达到峰值。这些研究表明，FeEDDHA的最佳浓度取决于生长阶段和具体性状——高剂量有利于芽的增殖，而中等剂量则有利于生根和色素合成。除传统统计分析外，还运用ML模型基于铁螯合物处理预测生物响应，随机森林、支持向量回归（SVR）和XGBoost算法在色素浓度和形态特征的预测上表现优异，多数模型的R2值超过0.90。特征重要性分析一致将FeEDDHA浓度评为主要影响因素，这与实验结果一致。本研究通过FeEDDHA和基于ML的建模技术实现了G. aurantiaca的双阶段优化，为植物生物技术中的微繁殖协议和营养配方改进提供了可扩展的框架。