El objetivo de este estudio fue comprender la eficiencia de la regeneración del trigo, la inducción de callos y la metilación del ADN a través de la aplicación de marcos matemáticos y modelos basados en inteligencia artificial (IA). Esta investigación tuvo como objetivo explorar el impacto de los tratamientos con AgNO y Ag-NPs en varios parámetros. El estudio se concentró específicamente en analizar los perfiles RAPD y modelar los parámetros de regeneración. Los tratamientos y los hallazgos moleculares sirvieron como variables de entrada en el proceso de modelado. Incluyó el uso de AgNO y Ag-NPs a diferentes concentraciones (0, 2, 4, 6 y 8 mg L). Las características in vitro y epigenéticas se analizaron utilizando varios métodos de aprendizaje automático (ML), incluidos el método de máquina de soporte vectorial (SVM), el bosque aleatorio (RF), el aumento de gradiente extremo (XGBoost), el clasificador de vecinos más cercanos (KNN) y los métodos de clasificador de procesos gaussianos (GP). Los resultados de este estudio revelaron que los valores más altos para la inducción de callos (CI%) y la inducción de callos embriogénicos (EC%) ocurrieron a una concentración de 2 mg L de Ag-NPs. Además, el parámetro de eficiencia de regeneración (RE) alcanzó su punto máximo a una concentración de 8 mg L de AgNO. Adoptando un enfoque epigenético, AgNO a una concentración de 2 mg L demostró los niveles más altos de estabilidad del molde genómico (GTS), con un 79.3%. Se observó una correlación positiva entre los niveles aumentados de AgNO y la hipermetilación del ADN. Por el contrario, los niveles elevados de Ag-NPs se asociaron con la hipometilación del ADN. Los modelos se utilizaron para estimar las relaciones entre los elementos de entrada, incluidos los tratamientos, la concentración, las tasas de GTS y el polimorfismo, y los parámetros de salida in vitro. Los hallazgos sugirieron que el modelo XGBoost exhibió puntajes de rendimiento superiores para la inducción de callos (CI), como lo evidencia un puntaje R del 51.5%, que explicó las varianzas. Además, el modelo RF explicó el 71.9% de la varianza total y mostró una eficacia superior en términos de EC%. Además, el modelo GP, que proporcionó las estadísticas más robustas para RE, arrojó un valor R de 52.5%, lo que significa su capacidad para contabilizar una parte sustancial de la varianza total presente en los datos. Este estudio ejemplifica la aplicación de varios modelos de aprendizaje automático en el cultivo de embriones de trigo maduros bajo la influencia de tratamientos y concentraciones que involucran AgNO y Ag-NPs.