کومار شوتابه - استادیار، دانشکده علوم کامپیوتر و فناوری اطلاعات، دانشگاه کالینگا، نایا رایپور، چاتیسگار، هند.
آشا امبایکار - استاد، دانشکده علوم کامپیوتر و فناوری اطلاعات، دانشگاه کالینگا، نایا رایپور، چاتیسگار، هند.

هدف: در حوزه ارتقای بیوتکنولوژیکی لوبیاهای معمولی، با توجه به دشواری ذاتی بازسازی این محصول در محیط های آزمایشگاهی، یک چالش ضروری در ابداع یک استراتژی قابل اعتماد و موثر بازسازی در شرایط آزمایشگاهی نهفته است. این تحقیق، با هدف پرداختن به این چالش، از قدرت مدل های یادگیری ماشین (ML)، به ویژه با استفاده از الگوریتم هایی برای شبکه های عصبی مصنوعی (ANN) استفاده می کند. هدف اصلی ایجاد یک فرآیند بازسازی آزمایشگاهی کارآمد و قابل تکرار همزمان با بهینه سازی و پیش بینی نتایج آینده است.مواد و روش ها: این مطالعه متغیرهای مختلفی مانند ژنوتیپ لوبیا، ریزنمونه ها و دوزهای مختلف ۶-benzylaminopurine (BAP)  و CuSO۴ را در بر می گیرد. یک شبکه عصبی رگرسیون مکرر (RRNN) برای مدل سازی و پیش بینی نتایج بازآفرینی محصول در شرایط آزمایشگاهی، به ویژه بر روی لوبیاهای معمولی استفاده شد. تنظیم تجربی شامل آماده سازی جنین های لوبیا با ۱۰، ۱۵ و ۲۰ میلی گرم در لیتر BAP به مدت ۲۵ روز، و به دنبال آن رشد در محیط پس از تیمار شامل ۳/۰، ۶/۰، ۹/۰، و ۲/۱ میلی گرم در لیتر BAP به مدت ۷ 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 ۰۶۱/۰، که کمترین میانگین مربعات خطا را نشان می دهد قانع کننده بود و این امر نشان دهنده دقت پیش بینی برتر در بازسازی کل است. در مقایسه، مدل های رگرسیون بردار پشتیبان (SVR)، جنگل تصادفی (RF) و تقویت گرادیان شدید (XGB) مقادیر MSE بالاتری را به ترتیب برابر با ۰۸۱/۰، ۰۸۱/۰ و ۰۹۷/۰ نشان دادند. این یافته ها بر اثربخشی الگوریتم RRNN تاکید می کند، که از سایر مدل ها در همه پارامترها بهتر عمل می کند.نتیجه گیری: عملکرد برتر RRNN کاربرد بالقوه آن را در پیش بینی دقیق در مورد بازسازی لوبیا نشان می دهد. در زمینه یک برنامه اصلاح مشترک لوبیا، این نتایج را می توان برای بهینه سازی و پیش بینی روش های کشت بافت گیاهی مهار کرد و در نتیجه تکنیک های بیوتکنولوژیکی مورد استفاده در کشت لوبیا معمولی را تقویت کرد. ادغام مدل هایML، به ویژه RRNN، به عنوان یک راه امیدوارکننده برای پیشبرد استراتژی های بازسازی محصول و کمک به کارایی مداخلات بیوتکنولوژیکی در کشاورزی است.

اصلاح, بازسازی آزمایشگاهی, RNN, یادگیری ماشینی, الگوریتم ژنتیک, لوبیا معمولی