欧亚国际

水稻是世界上最重要的粮食作物之一，在保障全球粮食基本供应中起着重要作用。在水稻种植过程中，生物与非生物胁迫会影响水稻正常生长发育，从而使稻谷产量降低、质量下降。转基因水稻先天地拥有了抵抗这些不利环境因素的能力，水稻产量和品质得到了提升。然而，目前转基因技术仍然存在广泛的生物安全性争议。明确转基因相关产品的清晰标记和可追溯性对于缓解消费者焦虑并提升消费者信任至关重要。

2023年6月，Plant Phenomics在线发表了美国普渡大学联合浙江大学合作完成的题为Concise Cascade Methods for Transgenic Rice Seed Discrimination using Spectral Phenotyping 的研究论文。

本研究从转基因水稻种子的可追溯性出发，利用光谱成像技术提出了一种无损且简洁的转基因鉴别级联方法。该方法一方面验证了光谱表型分析对标记转基因水稻的可行性，另一方面通过基于深度学习的特征提取算法提高了光谱表型分析的效率，为促进转基因风险管控提供了一种全新思路。

本文首先进行了水稻种子的非靶向代谢组学分析，引入代谢物质参考以佐证光谱表型分析的可靠性。然后，采集了3种不同基因型但均引入相同抗虫性转基因cry1Ab/cry1Ac的水稻种子近红外光谱与太赫兹光谱。如图1所示，拥有相同卷积神经网络设计的 CascadeSeed-1模型和CascadeSeed-2模型分别负责判断水稻种子的基因型和转基因状态。本文还提出一种引导反向梯度传播算法并从噪声中重现了模型关注的特征波段位置，最后基于传统机器学习算法建立了更加简洁的转基因种子鉴别模型。

图1估鉴别转基因水稻种子的简明级联方法的示意图（a）级联鉴别机制的示意图；（b）CascadeSeed-1和CascadeSeed-2神经网络结构的示意图；（c）基于改进的反向梯度传播特征筛选算法的判别方法的示意图

研究结果表明，不同的转基因状态和品种区别均会导致水稻种子代谢物质产生显著差异（图2）。在不同基因型中代谢物质的相似性会给判别模型带来混淆效应。在光谱特征方面，品种之间光谱变化幅度大于转基因状态之间的光谱变化幅度，证明了级联识别方法的重要性。基于太赫兹光谱的CascadeSeed-1与CascadeSeed-2模型在稳定性和准确度上超越了基于近红外光谱的所有模型以及基于太赫兹光谱的传统模型，获得了97.04%的品种判别准确率和98.19%的转基因判别准确率。本文所提出的基于级联模型的引导反向梯度传播算法在选择特征波长方面优于传统连续投影算法，使转基因水稻种子的鉴别更加简洁。该算法依赖于深度学习强大的特征提取能力，通过精心设计的损失函数从噪声中提出了波段位置信息。虽然基于特征波长的判别模型性能有所下降，但在水稻品种与转基因状态的鉴别中仍能达到84.95%与97.29%的准确率。

图2 转基因和非转基因水稻种子的非靶向代谢组学分析结果（a）不同代谢物的统计直方图；（b）基于PCA的代谢物散点图；（c）前15个最大差异的代谢物质热图。颜色条代表不同的代谢物浓度水平

该论文第一作者为美国普渡大学博士后张金诺，主要研究方向为基于光谱成像技术与深度学习的植物表型获取与分析，第一通讯作者为浙江大学方慧副教授，研究方向为植物生长信息采集、农机远程管理、农机导航、变量作业和数字农业。第二通讯作者为美国普渡大学副教授金剑，研究方向为植物传感器技术、机器视觉、图像处理、农业自动化以及农业机器人技术。感谢浙江大学冯旭萍副研究员为本研究的实验设计、数据分析和文章撰写提供的支持和帮助。

论文链接：

http://doi.org/10.34133/plantphenomic‍s.0071

——推荐阅读——

Rice Plant Counting, Locating and Sizing Method Base on High-throughput UAV RGB Images

http://doi.org/10.34133/plantphenomics.0020

Plant Phenomics | 基于高通量无人机RGB图像的水稻植株计数、定位和大小估计方法

Generating 3D multispectral point clouds of plants with fusion of snapshot spectral and RGB-D images 

‍http://doi.org/10.34133/plantphenomics.0040

Plant Phenomics | 浙江大学发现一种融合快照光谱图像和RGB-D图像生成高质量三维多光谱植物点云的新方法

加入作者交流群