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育,從而使稻谷產量降低、質量下降。轉基因水稻先天地擁有了抵抗這些不利環境因素的能力,水稻產量和品質得到了提升。然而,目前轉基因技術仍然存在廣泛的生物安全性爭議。明確轉基因相關產品的清晰標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重要。
2023年6月,Plant Phenomics在線發表了美國普渡大學聯合浙江大學合作完成的題為Concise Cascade Methods for Transgenic Rice Seed Discrimination using Spectral Phenotyping 的研究論文。
本研究從轉基因水稻種子的可追溯性出發,利用光譜成像技術提出了一種無損且簡潔的轉基因鑒別級聯方法。該方法一方面驗證了光譜表型分析對標記轉基因水稻的可行性,另一方面通過基于深度學習的特征提取算法提高了光譜表型分析的效率,為促進轉基因風險管控提供了一種全新思路。
本文首先進行了水稻種子的非靶向代謝組學分析,引入代謝物質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,擁有相同卷積神經網絡設計的 CascadeSeed-1模型和CascadeSeed-2模型分別負責判斷水稻種子的基因型和轉基因狀態。本文還提出一種引導反向梯度傳播算法并從噪聲中重現了模型關注的特征波段位置,最后基于傳統機器學習算法建立了更加簡潔的轉基因種子鑒別模型。
圖1估鑒別轉基因水稻種子的簡明級聯方法的示意圖(a)級聯鑒別機制的示意圖;(b)CascadeSeed-1和CascadeSeed-2神經網絡結構的示意圖;(c)基于改進的反向梯度傳播特征篩選算法的判別方法的示意圖
研究結果表明,不同的轉基因狀態和品種區別均會導致水稻種子代謝物質產生顯著差異(圖2)。在不同基因型中代謝物質的相似性會給判別模型帶來混淆效應。在光譜特征方面,品種之間光譜變化幅度大于轉基因狀態之間的光譜變化幅度,證明了級聯識別方法的重要性。基于太赫茲光譜的CascadeSeed-1與CascadeSeed-2模型在穩定性和準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模型,獲得了97.04%的品種判別準確率和98.19%的轉基因判別準確率。本文所提出的基于級聯模型的引導反向梯度傳播算法在選擇特征波長方面優于傳統連續投影算法,使轉基因水稻種子的鑒別更加簡潔。該算法依賴于深度學習強大的特征提取能力,通過精心設計的損失函數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,但在水稻品種與轉基因狀態的鑒別中仍能達到84.95%與97.29%的準確率。
圖2 轉基因和非轉基因水稻種子的非靶向代謝組學分析結果(a)不同代謝物的統計直方圖;(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博士后張金諾,主要研究方向為基于光譜成像技術與深度學習的植物表型獲取與分析,第一通訊作者為浙江大學方慧副教授,研究方向為植物生長信息采集、農機遠程管理、農機導航、變量作業和數字農業。第二通訊作者為美國普渡大學副教授金劍,研究方向為植物傳感器技術、機器視覺、圖像處理、農業自動化以及農業機器人技術。感謝浙江大學馮旭萍副研究員為本研究的實驗設計、數據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、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 | 浙江大學發現一種融合快照光譜圖像和RGB-D圖像生成高質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,拉您進入《植物表型組學》作者交流群,群內不定期開展作者分享會、專刊發布會等高質量活動。
About Plant Phenomics
《植物表型組學》(Plant Phenomics)是由南京農業大學和美國科學促進會(AAAS)合作創辦的英文學術期刊,于2019年1月正式上線發行。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性研究論文、綜述、數據集和觀點。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等數據庫收錄。科睿唯安JCR2022影響因子為6.5,位于農藝學、植物科學、遙感一區。中科院農藝學、植物科學一區、遙感二區、生物大類一區(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。
特邀作者:張金諾
排版:李芯蕊(南京農業大學)
審核:孔敏、王平