Cúrcuma

Desenvolvimento de modelo de previsão e validação experimental na previsão do teor de curcumina em cúrcuma (Curcuma longa L.)


doi: 10.3389 / fpls.2016.01507. eCollection 2016.

Afiliações

Artigo PMC grátis

Item na área de transferência

Abdul Akbar et al. Front Plant Sci. .

Artigo PMC grátis

Resumo

O potencial de produção de drogas da cúrcuma (Curcuma longa L.) é em grande parte devido à presença de ‘curcumina’ fito-constituinte. Foi descoberto que a curcumina possui uma miríade de atividades terapêuticas que variam de antiinflamatória a neuroprotetora. A falta de altos requisitos de curcumina contendo genótipos e variação no teor de curcumina de açafrão em diferentes regiões agro climáticas são os principais obstáculos na produção comercial de açafrão. O conteúdo de curcumina do açafrão é muito influenciado por fatores ambientais. Assim, um modelo de previsão baseado em rede neural artificial (RNA) foi desenvolvido para mapear a interação do ambiente do genoma com base no teor de curcumina, soli e fatores climáticos de diferentes regiões agroclimáticas para a previsão do teor máximo de curcumina em vários locais para facilitar a seleção de uma região adequada para cultivo comercial de açafrão. O modelo de RNA foi desenvolvido e testado usando um conjunto de dados de 119 gerados pela coleta de amostras de 8 diferentes regiões agroclimáticas de Odisha. O conteúdo de curcumina dessas amostras foi medido e variou de 7,2% a 0,4%. O modelo ANN foi treinado com 11 parâmetros de solo e fatores climáticos como entrada e conteúdo de curcumina como saída. Os resultados mostraram que o modelo de RNA feed-forward com 8 nós (MLFN-8) foi o mais adequado com R2 valor de 0,91. A análise de sensibilidade revelou que a umidade relativa mínima, altitude, teor de nitrogênio do solo e pH do solo tiveram maior efeito sobre o teor de curcumina. Este modelo de RNA mostrou eficiência comprovada para prever e otimizar o conteúdo de curcumina em um local específico.

Palavras-chave: rede neural artificial; conteúdo de curcumina; otimização; predição; açafrão.

Figuras

FIGURA 1
FIGURA 1

Camadas e conexões de um modelo de RNA de retro-propagação feed-forward para rendimento de curcumina.

FIGURA 2
FIGURA 2

RMSE de treinamento, teste e validação para o modelo de RNA desenvolvido.

FIGURA 3
FIGURA 3

(UMA) Rendimento de curcumina previsto e experimental de dados do conjunto de treinamento. (B) Rendimento de curcumina previsto e experimental dos dados do conjunto de teste. (C) Rendimento de curcumina previsto e experimental de dados do conjunto de validação.

FIGURA 4
FIGURA 4

(UMA) Gráfico de superfície para efeito combinado de altitude e umidade relativa mínima no conteúdo da curva. (B) Gráfico de contorno para efeito combinado de altitude e umidade relativa mínima no conteúdo de curcumina.

FIGURA 5
FIGURA 5

(UMA) Gráfico de superfície para efeito combinado da altitude e do conteúdo de nitrogênio do solo no conteúdo de curcumina. (B) Gráfico de contorno para efeito combinado da altitude e do conteúdo de nitrogênio do solo no conteúdo de curcumina.

FIGURA 6
FIGURA 6

(UMA) Parcelas de superfície para efeito combinado de nitrogênio e umidade relativa mínima no conteúdo curcuminal. (B) Gráfico de contorno para efeito combinado de nitrogênio e umidade relativa mínima no conteúdo de curcumina.

FIGURA 7
FIGURA 7

(UMA) Gráficos de superfície para efeito combinado de altitude e pH no conteúdo de curcumina. (B) Gráficos de contorno para efeito combinado de altitude e pH no conteúdo de curcumina.

FIGURA 8
FIGURA 8

(UMA) Gráfico de superfície para efeito combinado de pH e umidade relativa mínima no conteúdo de curcumina. (B) Gráfico de contorno para efeito combinado de pH e umidade relativa mínima no conteúdo de curcumina.

FIGURA 9
FIGURA 9

(UMA) Gráfico de superfície para efeito combinado de nitrogênio e pH no conteúdo de curcumina. (B) Gráfico de contorno para efeito combinado de nitrogênio e pH no conteúdo de curcumina.

FIGURA 10
FIGURA 10

Análise de sensibilidade dos parâmetros de entrada no rendimento de curcumina (saída).

FIGURA 11
FIGURA 11

Otimização do rendimento de curcumina alterando os parâmetros do modelo de RNA.

FIGURA 12
FIGURA 12

Predição de produção de curcumina usando modelo ANN.

Artigos semelhantes

Citado por 2 artigos

Referências

    1. Alam MA, Naik PK (2009). Impacto dos nutrientes do solo e fatores ambientais no conteúdo de podofilotoxina entre 28 populações de Podophyllum hexandrum da região noroeste do Himalaia usando abordagens lineares e não lineares. Comum. Solo. Sci. Plano 40 2485–2504. 10.1080 / 00103620903111368 – DOI
    1. Almeida JS (2002). Modelagem não linear preditiva de dados complexos por redes neurais artificiais. Curr. Opin. Biotech. 13 72–76. 10.1016 / S0958-1669 (02) 00288-4 – DOI PubMed
    1. Altun H., Bilgil A., Fidan BC (2007). Tratamento de dados de treinamento multidimensionais distorcidos para facilitar a tarefa de engenharia de modelos neurais. Especialista. Syst. Appl. 33 978–983. 10.1016 / j.eswa.2006.07.010 – DOI
    1. American Spice Trade Association (1997). Manual de métodos analíticos da Asta. Método No. 1.09 5ª Edn. Englewood Cliffs, NJ: American Spice Trade Association.
    1. Cerrato ME, Blackmer AM (1990). Comparação de modelos para descrição da resposta da produtividade do milho à fertilização nitrogenada. Agron. J. 82 138–143. 10.2134 / agronj1990.00021962008200010030x – DOI

LinkOut – mais recursos

  • Fontes de texto completo

  • Outras fontes de literatura



Source link

Deixe um comentário

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *