Naslov
Combining machine learning with FTIR spectroscopy in maize seeds to
(Combining machine learning with FTIR spectroscopy in maize seeds to predict stress responses in seedlings)

Autori
Vukadinović, Lovro ; Šimić, Domagoj ; Begović, Lidija ; Mlinarić, Selma ; Galić, Vlatko

Vrsta, podvrsta i kategorija rada
Sažeci sa skupova, sažetak, znanstveni

Izvornik
Book of abstracts of 57th Croatian and 17th international symposium on agriculture / Majić, Ivana ; Antunović, Zvonko - Osijek : Fakultet agrobiotehničkih znanosti Sveučilišta Josipa Jurja Strossmayera u Osijeku, 2022, 153-154

Skup
57. hrvatski i 17. međunarodni simpozij agronoma

Mjesto i datum
Vodice, Hrvatska, 19.06.2022. - 24.06.2022

Vrsta sudjelovanja
Predavanje

Vrsta recenzije
Recenziran

Ključne riječi
strojno učenje, stres, FTIR, sjeme kukuruza, klijanci kukuruza
(machine learning, stress, FTIR, maize seed, maize seedlings)

Sažetak
Predviđanje ishoda bioloških procesa jedan je od glavnih ciljeva modernih biljnih znanosti, a podrazumijeva uporabu modela. Strojno učenje (machine learning (ML)) predstavlja novi paradigmatski okvir s ciljem inkorporiranja velike količine podataka u svrhu predviđanja ishoda složenih bioloških procesa, doduše s ograničenom interpretabilnošću modela. Na temelju prethodnih istraživanja, pokušali smo predvidjeti dvije skupine signalnih puteva pomoću očitanja infracrvene spektroskopije s Fourierovom transformacijom (FTIR) iz sjemenki inbred linija kukuruza. Dvije skupine fenotipova klijanaca su bile otkrivene u prethodnom radu prema odgovoru na stres sušom: prva skupina s promjenom u produktima lipidne peroksidacije (TBARS) koja nadilazi promjenu slobodnog vodikovog peroksida (H2 O2 ) i druga skupina sa suprotnim rezultatom. Prva skupina (TBARS>H2 O2 ) je pokazala veću akumulaciju osmolita. Pretpostavili smo kako je ovaj rezultat uzrokovan kvalitativnim razlikama u sjemenu različitih inbred linija. Analizirani su uzorci sjemena 109 inbred linija samljevenih u fi ni prah i podvrgnuti FTIR spektroskopiji. Rezultati mjerenja su uvršteni u ML algoritam „metoda potpornih vektora“ i pripadnost skupini TBARS>H2 O2, odnosno TBARS<H2 O2 predviđana je uporabom unakrsne validacije izostavljanja jednog uzorka. Pokazalo se kako točnost klasifi kacije od preko 80 % može biti ostvarena. Strojno učenje može biti koristan alat u biljnim znanostima no potreban je veći uzorak za robusnu analizu izvodljivosti predložene metode.

Izvorni jezik
Engleski

Znanstvena područja
Biologija, Interdisciplinarne prirodne znanosti, Poljoprivreda (agronomija)

POVEZANOST RADA