水稻是世界上最重要的糧食作物之一，在保障全球糧食基本供應(yīng)中起著重要作用。在水稻種植過程中，生物與非生物脅迫會影響水稻正常生長發(fā)育，從而使稻谷產(chǎn)量降低、質(zhì)量下降。轉(zhuǎn)基因水稻先天地?fù)碛辛说挚惯@些不利環(huán)境因素的能力，水稻產(chǎn)量和品質(zhì)得到了提升。然而，目前轉(zhuǎn)基因技術(shù)仍然存在廣泛的生物安全性爭議。明確轉(zhuǎn)基因相關(guān)產(chǎn)品的清晰標(biāo)記和可追溯性對于緩解消費者焦慮并提升消費者信任至關(guān)重要。

2023年6月，Plant Phenomics在線發(fā)表了美國普渡大學(xué)聯(lián)合浙江大學(xué)合作完成的題為Concise Cascade Methods for Transgenic Rice Seed Discrimination using Spectral Phenotyping 的研究論文。

本研究從轉(zhuǎn)基因水稻種子的可追溯性出發(fā)，利用光譜成像技術(shù)提出了一種無損且簡潔的轉(zhuǎn)基因鑒別級聯(lián)方法。該方法一方面驗證了光譜表型分析對標(biāo)記轉(zhuǎn)基因水稻的可行性，另一方面通過基于深度學(xué)習(xí)的特征提取算法提高了光譜表型分析的效率，為促進(jìn)轉(zhuǎn)基因風(fēng)險管控提供了一種全新思路。

本文首先進(jìn)行了水稻種子的非靶向代謝組學(xué)分析，引入代謝物質(zhì)參考以佐證光譜表型分析的可靠性。然后，采集了3種不同基因型但均引入相同抗蟲性轉(zhuǎn)基因cry1Ab/cry1Ac的水稻種子近紅外光譜與太赫茲光譜。如圖1所示，擁有相同卷積神經(jīng)網(wǎng)絡(luò)設(shè)計的 CascadeSeed-1模型和CascadeSeed-2模型分別負(fù)責(zé)判斷水稻種子的基因型和轉(zhuǎn)基因狀態(tài)。本文還提出一種引導(dǎo)反向梯度傳播算法并從噪聲中重現(xiàn)了模型關(guān)注的特征波段位置，最后基于傳統(tǒng)機器學(xué)習(xí)算法建立了更加簡潔的轉(zhuǎn)基因種子鑒別模型。
 

圖1估鑒別轉(zhuǎn)基因水稻種子的簡明級聯(lián)方法的示意圖（a）級聯(lián)鑒別機制的示意圖；（b）CascadeSeed-1和CascadeSeed-2神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的示意圖；（c）基于改進(jìn)的反向梯度傳播特征篩選算法的判別方法的示意圖

研究結(jié)果表明，不同的轉(zhuǎn)基因狀態(tài)和品種區(qū)別均會導(dǎo)致水稻種子代謝物質(zhì)產(chǎn)生顯著差異（圖2）。在不同基因型中代謝物質(zhì)的相似性會給判別模型帶來混淆效應(yīng)。在光譜特征方面，品種之間光譜變化幅度大于轉(zhuǎn)基因狀態(tài)之間的光譜變化幅度，證明了級聯(lián)識別方法的重要性。基于太赫茲光譜的CascadeSeed-1與CascadeSeed-2模型在穩(wěn)定性和準(zhǔn)確度上超越了基于近紅外光譜的所有模型以及基于太赫茲光譜的傳統(tǒng)模型，獲得了97.04%的品種判別準(zhǔn)確率和98.19%的轉(zhuǎn)基因判別準(zhǔn)確率。本文所提出的基于級聯(lián)模型的引導(dǎo)反向梯度傳播算法在選擇特征波長方面優(yōu)于傳統(tǒng)連續(xù)投影算法，使轉(zhuǎn)基因水稻種子的鑒別更加簡潔。該算法依賴于深度學(xué)習(xí)強大的特征提取能力，通過精心設(shè)計的損失函數(shù)從噪聲中提出了波段位置信息。雖然基于特征波長的判別模型性能有所下降，但在水稻品種與轉(zhuǎn)基因狀態(tài)的鑒別中仍能達(dá)到84.95%與97.29%的準(zhǔn)確率。
 

圖2 轉(zhuǎn)基因和非轉(zhuǎn)基因水稻種子的非靶向代謝組學(xué)分析結(jié)果（a）不同代謝物的統(tǒng)計直方圖；（b）基于PCA的代謝物散點圖；（c）前15個最大差異的代謝物質(zhì)熱圖。顏色條代表不同的代謝物濃度水平

該論文第一作者為美國普渡大學(xué)博士后張金諾，主要研究方向為基于光譜成像技術(shù)與深度學(xué)習(xí)的植物表型獲取與分析，第一通訊作者為浙江大學(xué)方慧副教授，研究方向為植物生長信息采集、農(nóng)機遠(yuǎn)程管理、農(nóng)機導(dǎo)航、變量作業(yè)和數(shù)字農(nóng)業(yè)。第二通訊作者為美國普渡大學(xué)副教授金劍，研究方向為植物傳感器技術(shù)、機器視覺、圖像處理、農(nóng)業(yè)自動化以及農(nóng)業(yè)機器人技術(shù)。感謝浙江大學(xué)馮旭萍副研究員為本研究的實驗設(shè)計、數(shù)據(jù)分析和文章撰寫提供的支持和幫助。

論文鏈接：
https://doi.org/10.34133/plantphenomic‍s.0071

——推薦閱讀——
Rice Plant Counting, Locating and Sizing Method Base on High-throughput UAV RGB Images
https://doi.org/10.34133/plantphenomics.0020
Plant Phenomics | 基于高通量無人機RGB圖像的水稻植株計數(shù)、定位和大小估計方法
Generating 3D multispectral point clouds of plants with fusion of snapshot spectral and RGB-D images 
‍https://doi.org/10.34133/plantphenomics.0040
Plant Phenomics | 浙江大學(xué)發(fā)現(xiàn)一種融合快照光譜圖像和RGB-D圖像生成高質(zhì)量三維多光譜植物點云的新方法

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

About Plant Phenomics

《植物表型組學(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)和美國科學(xué)促進(jìn)會（AAAS）合作創(chuàng)辦的英文學(xué)術(shù)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(xué)交叉學(xué)科熱點領(lǐng)域具有突破性科研進(jìn)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(shù)，基于圖像分析和機器學(xué)習(xí)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(nóng)業(yè)實踐中的表型組學(xué)新應(yīng)用，與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計學(xué)、作物模型和其他組學(xué)研究，表型組學(xué)相關(guān)的植物生物學(xué)等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄�？祁Ｎò睯CR2022影響因子為6.5，位于農(nóng)藝學(xué)、植物科學(xué)、遙感一區(qū)。中科院農(nóng)藝學(xué)、植物科學(xué)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(xué)》編輯部負(fù)責(zé)組稿。
中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準(zhǔn)。
特邀作者：張金諾
排版：李芯蕊（南京農(nóng)業(yè)大學(xué)）
審核：孔敏、王平