DOI: https://doi.org/10.1186/s12870-026-08441-w
PMID: https://pubmed.ncbi.nlm.nih.gov/41808015
تاريخ النشر: 2026-03-11
المؤلف: Muhammad Tanveer Altaf وآخرون
الموضوع الرئيسي: دراسات الفيزيولوجيا الكهربائية للنباتات والبيولوجيا
نظرة عامة
تستكشف هذه الدراسة تحسين ظروف الثقافة في المختبر للنباتات المائية الكبيرة *Ceratophyllum demersum* من خلال دمج منهجية سطح الاستجابة (RSM) ونماذج التعلم الآلي (ML). على وجه التحديد، تم تقييم تأثيرات أنابيب الكربون متعددة الجدران (MWCNTs) والسكروز (S) وتركيزات الأملاح الأساسية لموراشيجي وسكوج (MS) على الكتلة الحيوية للنبات، والتلوين، والأنشطة الكيميائية الحيوية. باستخدام تصميم Box-Behnken (BBD)، أقامت الدراسة علاقات هامة بين المعلمات المدخلة واستجابات النبات، كاشفة أن التركيزات الأعلى من MWCNTs والسكروز زادت بشكل كبير من كل من الكتلة الحيوية الطازجة والجافة. كما لوحظت زيادة في التلوين وأنشطة الإنزيمات المضادة للأكسدة، مما يدل على تحسين كفاءة التمثيل الضوئي وتحمل الإجهاد.
تفاوت الأداء التنبؤي لنموذج RSM عبر المعلمات البيولوجية، مما يبرز قيود الأساليب التقليدية في النمذجة في التقاط التفاعلات المعقدة وغير الخطية. في المقابل، أظهرت نماذج ML، وخاصة نموذج Perceptron متعدد الطبقات (MLP)، دقة تنبؤية متفوقة، حيث وصلت قيم R² إلى 0.99 لمؤشرات الإجهاد التأكسدي. لم يوفر دمج RSM وML إطارًا قويًا لتحسين إنتاج الكتلة الحيوية فحسب، بل حدد أيضًا التوازن الأمثل بين النمو واستجابات الإجهاد التأكسدي. بينما تظهر الطريقة الهجينة وعدًا لتطبيقات أوسع في تحسين النباتات المائية، فإن فعاليتها مقيدة بمجموعة بيانات محدودة والحاجة إلى التحقق في ظروف الحقل.
مقدمة
تسلط المقدمة الضوء على الأهمية البيئية والبيئية للنباتات المائية، وخاصة *Ceratophyllum demersum* (ذيل الثعلب أو hornwort)، التي تساهم في الأكسجة، وتخزين الكربون، والتخفيف من التخصيب. تمتلك هذه النباتات أيضًا خصائص تراكمية مفرطة لمختلف ملوثات المياه ولها تطبيقات اقتصادية، بما في ذلك استخدامها كمبيدات حيوية وفي الطب التقليدي. يؤكد النص على أهمية تقنيات التكاثر في المختبر، التي تتطلب تلاعبًا دقيقًا بعوامل النمو مثل مصادر الكربون وظروف الثقافة لتحسين نمو النبات وتجديده.
تناقش الدراسة دمج الجسيمات النانوية (NPs) في ثقافة أنسجة النبات كوسيلة لتعزيز النمو، والعائد، ومحتوى المستقلبات. ومع ذلك، يتطلب الاستخدام الفعال للجسيمات النانوية تحسينًا دقيقًا لتركيزاتها، وهو ما يمكن تحقيقه من خلال طرق إحصائية متقدمة مثل منهجية سطح الاستجابة (RSM) ونماذج التعلم الآلي (ML). تقترح الدراسة نهجًا جديدًا يجمع بين تكنولوجيا النانو، وثقافة أنسجة النبات، وتصميم التجارب (DOE)، ونمذجة ML المعتمدة على الذكاء الاصطناعي للتحقيق في تأثيرات أنابيب الكربون متعددة الجدران (MWCNTs) على الكتلة الحيوية للنبات والديناميات الكيميائية الحيوية. تهدف هذه المنهجية المتكاملة إلى توفير فهم أكثر شمولاً للتفاعلات بين إنتاج الكتلة الحيوية واستجابات مضادات الأكسدة، متجاوزة التحليلات التقليدية ذات المتغير الواحد.
طرق
تستخدم الدراسة نهجًا متعدد الجوانب يدمج تكنولوجيا النانو، والتحليل الإحصائي، وتصميم التجارب (DOE)، والتعلم الآلي (ML) لتحسين الظروف لتعزيز الكتلة الحيوية وأنظمة مضادات الأكسدة في ثقافة أنسجة النبات. شمل تصميم التجربة ثلاثة عوامل رئيسية: تركيزات الكبريت (S)، وأملاح موراشيجي وسكوج (MS) الأساسية، وأنابيب الكربون متعددة الجدران (MWCNT). باستخدام تصميم Box-Behnken (BBD) لمنهجية سطح الاستجابة (RSM)، أنشأ الباحثون 20 مجموعة متميزة من هذه العوامل، مع تحديد نطاقات التركيز من 0 جرام/لتر إلى 5.5 جرام/لتر لـ MS، ومن 1 جرام/لتر إلى 50 جرام/لتر لـ S، ومن 0 جرام/لتر إلى 125 جرام/لتر لـ MWCNT. تم تكرار النقاط المركزية لتقدير الخطأ التجريبي والتنوع البيولوجي.
تم إعداد وسط الثقافة عن طريق دمج التركيزات المحددة من MS وS وMWCNT قبل التعقيم، مع الحفاظ على درجة الحموضة بين 5.6 و5.8. تم استخدام قطع عقدية من النبات المائي *Ceratophyllum demersum*، التي تم الحفاظ عليها في ثقافة جديدة لتوفير مستمر للقطع، كمادة تجريبية. احتوى كل جرة على خمسة قطع وتم وضعها في غرفة نمو تم ضبطها على 24 ± 1 درجة مئوية، ورطوبة نسبية 60 ± 5%، وفترة ضوئية مدتها 16 ساعة باستخدام مصابيح LED بيضاء (2000 لوكس). على مدى فترة ستة أسابيع، تم جمع بيانات عن الكتلة الحيوية للنبات (الوزن الطازج والجاف)، والتلوين (الكلوروفيل-أ، الكلوروفيل-ب، الكلوروفيل الكلي، والكاروتينات)، والمعلمات الكيميائية الحيوية (بما في ذلك المالونديالديهيد، بيروكسيد الهيدروجين، سوبر أكسيد ديسموتاز، كاتالاز، وبيروكسيداز) للتحليل.
النتائج
يقدم قسم “النتائج” من ورقة البحث النتائج الرئيسية المستمدة من التجارب والتحليلات التي أجريت. يسلط الضوء على النتائج الهامة التي لوحظت، بما في ذلك البيانات الإحصائية والمعايير ذات الصلة التي تدعم الفرضيات المطروحة في الدراسة. غالبًا ما يتم توضيح النتائج من خلال الأشكال والجداول، التي توفر تمثيلًا بصريًا لاتجاهات البيانات والارتباطات المحددة.
بالإضافة إلى ذلك، يناقش القسم تداعيات هذه النتائج فيما يتعلق بالأدبيات الموجودة، مؤكدًا كيف تساهم في الفهم الأوسع للموضوع. يتم تفسير النتائج في سياق أهميتها بالنسبة لأسئلة البحث، ويتم تناول أي نتائج غير متوقعة، مما يوفر نظرة شاملة على مساهمات الدراسة في هذا المجال.
المناقشة
في هذه الدراسة، تم تصنيع أنابيب الكربون متعددة الجدران (MWCNTs) باستخدام طريقة ترسيب البخار الكيميائي، مع استخدام محفز الحديد المدعوم على الألومينا. شمل عملية التصنيع تطهير المفاعل بالنيتروجين، والتسخين إلى 625 درجة مئوية، وإدخال الهيدروجين والإيثانول كمصدر للكربون. تم توصيف MWCNTs الناتجة باستخدام حيود الأشعة السينية والميكروسكوب الإلكتروني الماسح، مما يؤكد سلامتها الهيكلية وتجانسها. تم تقييم نمو نباتات *Ceratophyllum demersum* في المختبر من خلال قياس الكتلة الحيوية الطازجة والجافة، ومحتوى الكلوروفيل، ومحتوى الكاروتينات، وأنشطة إنزيمات مضادات الأكسدة (SOD، POD، CAT). كشفت التحليلات عن تباين كبير في الكتلة الحيوية ومحتوى الصبغة تأثرًا بتركيزات وسط موراشيجي وسكوج (MS)، والسكروز، وMWCNTs.
أشارت التحليلات الإحصائية من خلال الانحدار على سطح الاستجابة (RSM) إلى أن المتغيرات المدخلة أثرت بشكل كبير على مختلف معلمات النمو، حيث كان لتركيز MS تأثير خاص. استخدمت الدراسة تقنيات التعلم الآلي، وخاصة الشبكات العصبية الاصطناعية (ANN) ونماذج الغابة العشوائية (RF)، للتنبؤ باستجابات النبات بناءً على البيانات التجريبية. أظهر نموذج ANN دقة تنبؤية متفوقة مقارنة بنموذج RF، خاصة بالنسبة للكتلة الحيوية ومحتوى الصبغة، بينما تمكن كلا النموذجين من التقاط العلاقات غير الخطية الموجودة في مجموعة البيانات البيولوجية. بشكل عام، تؤكد النتائج على أهمية تحسين ظروف النمو لزيادة إنتاج الكتلة الحيوية وإمكانات التعلم الآلي في تحليل البيانات البيولوجية المعقدة.
DOI: https://doi.org/10.1186/s12870-026-08441-w
PMID: https://pubmed.ncbi.nlm.nih.gov/41808015
Publication Date: 2026-03-11
Author(s): Muhammad Tanveer Altaf et al.
Primary Topic: Plant and Biological Electrophysiology Studies
Overview
This study investigates the optimization of in vitro culture conditions for the aquatic macrophyte Ceratophyllum demersum by integrating response surface methodology (RSM) and machine learning (ML) models. Specifically, the effects of multi-walled carbon nanotubes (MWCNTs), sucrose (S), and Murashige and Skoog (MS) basal salt concentrations on plant biomass, pigmentation, and biochemical activities were evaluated. Using a Box-Behnken Design (BBD), the study established significant relationships between the input parameters and plant responses, revealing that higher concentrations of MWCNTs and sucrose substantially increased both fresh and dry biomass. Enhanced pigmentation and antioxidant enzymatic activities were also observed, indicating improved photosynthetic efficiency and stress tolerance.
The predictive performance of the RSM model varied across biological parameters, highlighting the limitations of traditional modeling approaches in capturing complex, non-linear interactions. In contrast, the ML models, particularly the Multilayer Perceptron (MLP), demonstrated superior predictive accuracy, with R² values reaching 0.99 for oxidative stress markers. The integration of RSM and ML not only provided a robust framework for optimizing biomass production but also identified optimal trade-offs between growth and oxidative stress responses. While the hybrid approach shows promise for broader applications in aquatic plant optimization, its effectiveness is constrained by a limited dataset and the need for validation in field conditions.
Introduction
The introduction highlights the ecological and environmental significance of aquatic plants, particularly *Ceratophyllum demersum* (coontail or hornwort), which contribute to oxygenation, carbon sequestration, and the mitigation of eutrophication. These plants also possess hyper-accumulative properties for various water pollutants and have economic applications, including use as biological pesticides and in traditional medicine. The text emphasizes the importance of in vitro propagation techniques, which require careful manipulation of growth factors such as carbon sources and culture conditions to optimize plant growth and regeneration.
The integration of nanoparticles (NPs) in plant tissue culture is discussed as a means to enhance growth, yield, and metabolite content. However, the effective use of NPs necessitates precise optimization of their concentrations, which can be achieved through advanced statistical methods like Response Surface Methodology (RSM) and machine learning (ML) models. The study proposes a novel approach that combines nanotechnology, plant tissue culture, design of experiments (DOE), and AI-based ML modeling to investigate the effects of multiwalled carbon nanotubes (MWCNTs) on plant biomass and biochemical dynamics. This integrated methodology aims to provide a more comprehensive understanding of the interactions between biomass production and antioxidant responses, surpassing traditional single-variable analyses.
Methods
The study employs a multifaceted approach integrating nanotechnology, statistical analysis, design of experiments (DOE), and machine learning (ML) to optimize conditions for enhancing biomass and antioxidant systems in plant tissue culture. The experimental design involved three key factors: concentrations of sulfur (S), Murashige and Skoog (MS) basal salts, and multi-walled carbon nanotubes (MWCNT). Utilizing a Box-Behnken design (BBD) of response surface methodology (RSM), the researchers generated 20 distinct combinations of these factors, with concentration ranges set from 0 g/L to 5.5 g/L for MS, 1 g/L to 50 g/L for S, and 0 g/L to 125 g/L for MWCNT. Central points were replicated to estimate experimental error and biological variability.
The culture medium was prepared by incorporating the specified concentrations of MS, S, and MWCNT prior to autoclaving, with pH maintained between 5.6 and 5.8. Nodal segments of the aquatic plant *Ceratophyllum demersum*, maintained in a fresh culture for continuous explant supply, served as the experimental material. Each jar contained five explants and was placed in a growth chamber set to 24 ± 1 °C, 60 ± 5% relative humidity, and a 16-hour photoperiod using white light-emitting diodes (2000 Lux). Over a six-week period, data on plant biomass (fresh and dry weight), pigmentation (chlorophyll-a, chlorophyll-b, total chlorophyll, and carotenoids), and biochemical parameters (including malondialdehyde, hydrogen peroxide, superoxide dismutase, catalase, and peroxidase) were collected for analysis.
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments and analyses. It highlights the significant outcomes observed, including statistical data and relevant metrics that support the hypotheses posed in the study. The results are often illustrated through figures and tables, which provide a visual representation of the data trends and correlations identified.
Additionally, the section discusses the implications of these findings in relation to existing literature, emphasizing how they contribute to the broader understanding of the subject matter. The results are interpreted in the context of their relevance to the research questions, and any unexpected outcomes are addressed, providing a comprehensive overview of the study’s contributions to the field.
Discussion
In this study, multi-walled carbon nanotubes (MWCNTs) were synthesized using a chemical vapor deposition method, employing an iron catalyst supported on alumina. The synthesis process involved purging the reactor with argon, heating to 625 °C, and introducing hydrogen and ethanol as a carbon source. The resultant MWCNTs were characterized using X-ray diffraction and scanning electron microscopy, confirming their structural integrity and uniformity. The growth of in vitro Ceratophyllum demersum plants was evaluated by measuring fresh and dry biomass, chlorophyll, carotenoid content, and antioxidant enzyme activities (SOD, POD, CAT). The analysis revealed significant variability in biomass and pigment content influenced by the concentrations of Murashige and Skoog (MS) medium, sucrose, and MWCNTs.
Statistical analysis through response surface regression (RSM) indicated that the input variables significantly affected various growth parameters, with MS concentration being particularly impactful. The study employed machine learning techniques, specifically artificial neural networks (ANN) and random forest (RF) models, to predict plant responses based on the experimental data. The ANN model demonstrated superior predictive accuracy compared to the RF model, particularly for biomass and pigment content, while both models effectively captured the non-linear relationships inherent in the biological dataset. Overall, the findings underscore the importance of optimizing growth conditions for enhanced biomass production and the potential of machine learning in analyzing complex biological data.