大型海藻形態(tài)構造簡單，多為葉狀體，無根莖葉的分化，可直接獲取的表型性狀較少，且因其水生環(huán)境影響，難以高通量獲取性狀，嚴重阻礙了大型海藻表型組及表型組學研究的進展。
 

中國海洋大學藻類遺傳學與育種研究團隊近五年來著力應用葉綠素熒光、多光譜和高光譜等多種成像技術于重要經濟紅藻-紫菜的表型組技術研究中，構建并不斷完善大型海藻高通量表型測定與分析系統(tǒng)。
 

2023年1月，Plant Phenomics 在線發(fā)表了中國海洋大學藻類遺傳學與育種研究團隊題為Quantification of Photosynthetic Pigments in Neopyropia yezoensis Using Hyperspectral Imagery 的研究論文。本研究就紅藻的重要光合色素含量進行了基于高光譜成像技術的預測模型構建。
 

藻紅蛋白（PE）、藻藍蛋白（PC）、別藻藍蛋白（APC）和葉綠素a（Chla）是紅藻重要的光合色素，其含量和比例不僅影響著紅藻的光合生理，同時影響著藻體的蛋白質含量和色澤等經濟性狀。紫外分光光度法和高壓液相色譜法等測定藻膽蛋白和葉綠素含量的傳統(tǒng)方法不僅成本較高、費時費力、破壞樣品，而且對操作者的經驗依賴性強，無法滿足大規(guī)模、高通量的表型組學研究。近年來，高光譜成像技術結合機器學習方法在高等植物生化物質含量的高通量表型組學研究方面發(fā)揮著重要的作用，但是在大型海藻中相關的研究未見報道。
 

本研究利用高光譜成像技術結合兩種機器學習方法（偏最小二乘回歸, PLSR和支持向量機回歸, SVR），以紅藻模式物種條斑紫菜為研究對象，對其配子體PE、PC、APC和Chla的含量進行了高通量、無損的定量分析并構建模型。研究表明，條斑紫菜在400-1000 nm的光譜范圍內有特殊的吸收譜線（圖1）。對于PE含量，最優(yōu)的光譜預處理方法為Savitzky–Golay（S-G, polynomial order: 2; pointsof window: 5）平滑+標準化；最優(yōu)的機器學習模型為PLSR模型；其模型的置信度（RPD）為5.21。對于PC含量，最優(yōu)的光譜預處理方法為S–G平滑+標準正態(tài)變換（standard normal variate, SNV）；最優(yōu)的機器學習模型為SVR模型；其模型的RPD為4.16。對于APC含量，最優(yōu)的光譜預處理方法為S–G平滑+SNV；最優(yōu)的機器學習模型為SVR模型；其模型的RPD為2.53。對于Chla含量，最優(yōu)的光譜預處理方法為S–G平滑+標準化；最優(yōu)的機器學習模型為PLSR模型；其模型的RPD為3.61（圖2）。
 

圖1不同預處理后條斑紫菜的光譜圖像。光譜原始數(shù)據(jù)（a）、S-G平滑+標準化預處理（b）、S-G平滑+標準正態(tài)變量（SNV）預處理（c）、MSC預處理（d）、S-G平滑+一階導數(shù)預處理（e）、S-G平滑+二階導數(shù)預處理（f）
 

圖2基于最優(yōu)PLSR和SVR模型的四種光合色素（PE/PC/APC/Chla）含量的預測值和實測值的散點圖。其中▲為訓練集數(shù)據(jù)，×為驗證集數(shù)據(jù)

本研究構建的PE、PC和Chla含量的模型可用于定量分析，APC含量模型可用于定性分析，性狀獲取效率較傳統(tǒng)方法提升約50倍。利用野生樣本對模型的精確性進行了驗證，確證了模型具有較高的預測精度，表明模型具有良好的適用性。同時，基于不同色素含量的最優(yōu)預測模型，發(fā)現(xiàn)了4中色素在條斑紫菜配子體含量分布存在差異（圖3），為后續(xù)研究個體組織分化與色素含量的關系奠定了基礎。
 

圖3條斑紫菜RGB圖像及四種光合色素（PE/PC/APC/Chla）含量預測分布

本研究展示了一種高通量的紅藻表型組技術系統(tǒng)，該系統(tǒng)能夠準確、快速地預測條斑紫菜中四種重要光合色素的含量及分布情況，為后續(xù)條斑紫菜的表型組學和遺傳育種研究提供了一種有效、可靠的方法。
 

本研究由中國海洋大學遺傳學與育種教育部重點實驗室、海南熱帶海洋學院崖州灣創(chuàng)新研究院和熱帶海洋生物資源利用與保護教育部重點實驗室等單位的相關學者合作完成，海南熱帶海洋學院茅云翔教授和中國海洋大學杜國英教授為該文共同通訊作者，中國海洋大學博士生車帥為第一作者，相關工作得到了國家自然科學基金、國家重點研發(fā)項目、三亞崖州灣科技城計劃項目、海南熱帶海洋學院崖州灣創(chuàng)新研究院重大科技專項等項目資助。
 

論文鏈接：

‍https://spj.science.org/doi/10.34133/plantphenomics.0012

——推薦閱讀——

Estimating Photosynthetic Attributes from High-Throughput Canopy Hyperspectral Sensing in Sorghum

https://doi.org/10.34133/2022/9768502

Plant Phenomics | 利用高通量冠層高光譜遙感預測高粱的光合參數(shù)

Machine Learning-Based Presymptomatic Detection of Rice Sheath Blight Using Spectral Profiles

https://spj.sciencemag.org/journals/plantphenomics/2020/8954085/

Plant Phenomics | 使用光譜特征和機器學習檢測水稻紋枯病的發(fā)病先兆

加入作者交流群

掃碼添加小編微信，拉您進入《植物表型組學》作者交流群，群內不定期開展作者分享會、�？�發(fā)布會等高質量活動。
 

添加小編微信，備注姓名+單位+PP，加入作者交流群

About Plant Phenomics

《植物表型組學》（Plant Phenomics）是由南京農業(yè)大學和美國科學促進會（AAAS）合作創(chuàng)辦的英文學術期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農業(yè)實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統(tǒng)計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄。科睿唯安JCR2021影響因子為6.961，位于農藝學、植物科學，遙感一區(qū)。中科院農藝學、植物科學一區(qū)，遙感二區(qū)，生物大類一區(qū)（TOP期刊）。2020年入選中國科技期刊卓越行動計劃高起點新刊項目。

說明：本文由《植物表型組學》編輯部負責組稿。

中文內容僅供參考，一切內容以英文原版為準。

撰稿：茅云翔、杜國英、車帥（中國海洋大學）

排版：王慧敏（南京農業(yè)大學）

審核：孔敏、王平