В данной статье представлены результаты исследований по автоматизации определения оптимальных условий культивирования растений в условиях in vitro, являющихся ценными источниками биологически активных добавок, на основе использования нейросетевых технологий моделирования. Для формирования обучающих и тестовых выборок и построения моделей проведены предварительные лабораторные эксперименты, в которых для получения проростков и мини-растений использовали в качестве растительных эксплантов семена шалфея лугового (Salvia pratensis L., семейство Lamiaceae), собранные в Белгородской области (Центральный регион России). Получены предварительные данные об оптимальных параметрах культивирования на питательных средах, содержащих различные концентрации фитогормонов. Предложен подход к решению задачи автоматизированного управления процессом культивирования in vitro растений и оптимизации параметров питательной среды (компонентного состава и концентрации фитогормонов) на основе аппарата искусственных нейронных сетей. Исследованы возможности различных видов нейронных сетей для нейросетевой идентификации. С помощью разработанных адекватных нейросетевых моделей были проведены имитационные эксперименты с целью оптимизации параметров процесса микроклонального размножения на примере Salvia pratensis L., на основе которых выбраны оптимальные составы и концентрации питательных сред для получения требуемых параметров мини-растений, выращенных в условиях in vitro. Полученные результаты свидетельствует о том, что нейросетевой подход на базе многослойного персептрона является эффективным способом обеспечения автоматизации подбора питательной среды для выращивания растений в условиях in vitro.
This article presents the results of studies on the automation of determining the optimal conditions for the cultivation of plants in vitro, which are valuable sources of dietary supplements, based on the use of neural network modeling technologies. For the formation of training and test samples and the construction of models, preliminary laboratory experiments were carried out in which seeds of sage meadow (Salvia pratensis L., family Lamiaceae) collected in the Belgorod Region (Central Region of Russia) were used to obtain seedlings and mini-plants. Preliminary data on the optimal cultivation parameters on nutrient media containing various concentrations of phytohormones were obtained. An approach is proposed to solve the problem of automated control of the cultivation process in vitro of plants and optimization of the parameters of the nutrient medium (component composition and concentration of phytohormones) based on the apparatus of artificial neural networks. The possibilities of various types of neural networks for neural network identification are investigated. Using the developed adequate neural network models, simulation experiments were conducted to optimize the parameters of the process of microclonal propagation using the example of Salvia pratensis L., on the basis of which the optimal composition and concentration of nutrient media were selected to obtain the required parameters of mini-plants grown in vitro. The analysis of the results suggests that the neural network approach based on multi-layer perceptron is an effective way to ensure the automation of the selection of nutrient medium for growing plants in vitro.
1. Бессонов А.А., Руденко С.О. Идентификация нелинейных нестационарных объектов с помощью эволюционного многослойного персептрона // Вестник ХНТУ. 2012. № 1 (44). C. 130–135.
2. Сигеру Омату, Марзуки Халид, Рубия Юсоф. Нейроуправление и его приложения. М.: ИПРЖР, 2000. 272 с.
3. Ivashchuk O.A., Batlutskaya I.V., Maslova E.V., Shcherbinina N.V., Shamraev A.A., Gaidai P.A. Approaches to Conservation of Biodiversity of Rare and Endangered Medicinal Plants on the Basis of Microclonal Multiplication With Optimization of Parameters by Methods of Neural Network Modeling. Research Journal of Pharmaceutical, Biological and Chemical Sciences. 2018b. № 9(5). P. 2347–2356.
4. Ivashchuk O.A. Maslova E.V., Batlutskaya I.V., Shcherbinina N.V., Degtyareva K.A., Gulya N.I., Zhuravlev M.D. Optimization of sterilization process of plant explants when introduced into culture in vitro based on artificial neural networks (by the example of the family Labiatae Juss. (Lamiaceae)). International Journal of Advanced Biotechnology and Research (IJBR). 2017. Vol. 8. Issue 4. P. 1698–1707.
5. Bremer B., Bremer K., Chase M.W., Fay M.F., Reveal J.L., Soltis D.E., Soltis P.S., Stevens P.F., Anderberg A.A., Moore M.J., Olmstead R.G., Rudall P.J., Sytsma K.J., Tank D.C., Wurdack K., Q.-Y J. Xiang, S. Zmarztet. An update of the Angiosperm Phylogeny Groupclassification for the orders and families of floweringplants: APG III. Botanical Journal of the Linnean Society. 2009. Vol. 161. P. 105–121.
6. Маевский П.Ф. Флора средней полосы европейской части России. М.: Товарищество научных изданий КМК, 2014. 635 с.
7. Murashige T., Skoog F.A. A revised medium for rapid growth and with tobacco tissue cultures. Physiologia Plantarum. 1962. Vol. 15(3). P. 473–497.
8. Каллан Роберт. Основные концепции нейронных сетей. М.: Издательский дом Вильямc, 2001. 287 с.
9. Удовенко С.Г., Шамраев А.А., Дибе Г. Цифровое нейро-нечеткое управление блоками линейного сильноточного ускорителя электронов // Радиоэлектроника, информатика, управление. 2009. № 2. С. 101–106.
10. Duc Truong Pham, Xing Liu. Neural Network for Identification, Prediction and Control. Springer London Ltd. 2012. 258 p.
11. Bosque G., I. del Campo, J. Echanobe. Fuzzy systems, neural networks and neuro-fuzzy systems: A vision on their hardware implementation and platforms over two decades. Engineering Applications of Artificial Intelligence. 2014. Vol. 32. P. 283–331.
12. Бессонов А.А., Руденко О.Г. Робастная нейроэволюционная идентификация нелинейных нестационарных объектов // Кибернетика и системный анализ. 2014. № 1. С. 21–36.