Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightBulgular, modelin düşük ve orta düzeydeki büyüme düzenleyici konsantrasyonlarında güvenilir tahminler sağladığını ve özellikle 24-epibrassinolid ile putresin uygulamalarında deneysel verilerle yüksek uyum gösterdiğini ortaya koymuştur.
📌 3 Maddede Bu Makale
Özet
Bu çalışma, 24-epibrassinolid, metil jasmonat, spermidin, spermin ve putresinin 0.005, 0.05 ve 0.5 mM konsantrasyonlarında 3 saatlik invitro çimlenme sonunda elde edilen polen çimlenme oranı ve polen tüpü uzunluğu verilerini kullanarak Random Forest Regresyon modelini eğitmeyi ve modelin 0.025, 0.25 ve 2.5 mM konsantrasyonlarındaki yanıtları tahmin etme doğruluğunu değerlendirmeyi amaçlamıştır. Deneysel veriler model tahminleriyle karşılaştırılmış; modelin performansı mutlak hata ve kök ortalama kare hatası değerleriyle değerlendirilmiştir. Tahmin doğruluğu, hem polen çimlenmesi hem de polen tüpü uzunluğu için uygulanan ortak mutlak hata eşik değerleri (0-6, 6-15, ≥15) ile; polen çimlenmesi için ayrı olarak tanımlanan kök ortalama kare hatası eşik değerleri (0-10, 10-20, ≥20) ve polen tüpü uzunluğu için ayrı olarak tanımlanan kök ortalama kare hatası eşik değerleri (0-20, 20-40, ≥40) temel alınarak iyi, orta veya düşük olarak sınıflandırılmıştır. Bulgular, modelin düşük ve orta düzeydeki büyüme düzenleyici konsantrasyonlarında güvenilir tahminler sağladığını ve özellikle 24-epibrassinolid ile putresin uygulamalarında deneysel verilerle yüksek uyum gösterdiğini ortaya koymuştur. Ancak metil jasmonat, spermidin ve sperminin yüksek konsantrasyonlarında model, özellikle inhibitör dozlarda polen çimlenme oranlarını tahmin etmede aşırı tahmin eğilimi göstermiştir. Çalışma, polen biyolojisi araştırmalarında makine öğrenmesi yaklaşımlarının potansiyelini ortaya koymakta ve yüksek doz tahminlerinde model parametrelerinin optimize edilmesi gerekliliğine dikkat çekmektedir. Bu bulgular, yapay tozlaşma uygulamaları ve bitki büyüme düzenleyici stratejilerinde veri odaklı karar verme süreçlerinin entegrasyonuna katkı sağlamaktadır.
Abstract
This study aimed to train a Random Forest regression model using pollen germination rate and pollen tube length data obtained after 3 h of in vitro germination at 0.005, 0.05, and 0.5 mM concentrations of 24-epibrassinolide, methyl jasmonate, spermidine, spermine, and putrescine, and to evaluate the model’s accuracy in predicting responses at 0.025, 0.25, and 2.5 mM concentrations. Experimental data were compared with Random Forest Regression model predictions, and model performance was assessed using Absolute Error and Root Mean Square Error. Prediction accuracy was classified as good, moderate, or low based on Absolute Error thresholds applied to both pollen germination and pollen tube length (0-6, 6-15, ≥15), and Root Mean Square Error thresholds defined separately for pollen germination (0-10, 10-20, ≥20) and pollen tube length (0-20, 20-40, ≥40). Results indicated that the Random Forest Regression model provided reliable predictions at low and moderate plant growth regülatör concentrations, with 24-epibrassinolide and putrescine treatments aligning closely with experimental data. However, for methyl jasmonate, spermidine, and spermine at higher concentrations, the model exhibited overestimations, particularly in predicting pollen germination rates at inhibitory doses. The study highlights the potential of machine learning approaches in pollen biology research and demonstrates the necessity of optimizing model parameters for high-dose predictions. These findings contribute to the integration of data-driven decision-making in artificial pollination and plant growth regulators treatment strategies.