利用机器学习优化蝴蝶兰（Phalaenopsis）营养成分，革新离体培养技术，塑造卓越植株品质

蝴蝶兰离体培养存在生长周期长、幼年期久的难题。研究人员运用机器学习优化其离体培养的大量元素浓度。结果显示，相比半量 MS 培养基，硝酸盐浓度加倍，钾增加 2.5%、磷增加 5.0% 时，植株形态和生化特性显著提升，该方法有望变革长周期植物的培育。

　　蝴蝶兰（Phalaenopsis）离体培养过程中，漫长的生长周期和幼年期给种植者带来诸多挑战。本研究借助机器学习技术，对蝴蝶兰离体培养时的大量元素浓度进行优化。研究人员通过探究不同大量元素水平对幼苗形态和生化特性的影响，构建了数据集。随后，利用基于人工神经网络（ANNs）的创新迭代预测方案，确定了提升植株形态和生化特性所需的最佳大量元素水平。

建模结果表明，相较于半量 MS 培养基，硝酸盐浓度加倍，同时钾含量增加 2.2%、磷含量增加 5.3%，可使植株获得最理想的形态特征；而硝酸盐浓度加倍，钾增加 2.7%、磷增加 4.7% 时，叶绿素 a、叶绿素 b、总叶绿素和类胡萝卜素等生化指标显著改善。

为探索能否找到一个优化形态和生化特性的最佳平衡点，研究人员以半量 MS 培养基为对照，用硝酸盐含量加倍、钾增加 2.5%、磷增加 5.0% 的培养基培育新植株。结果令人惊喜，植株的生理和生化指标都得到显著提升，形态特征提升幅度超 50%，生化特性更是提升了 200%。这种能有效缩短蝴蝶兰幼苗生长周期的方法，有望为长周期植物的培育带来革命性的改变。