《PLOS One》:From root to result: Portable NIRS-based non-destructive prediction of cassava quality traits
编辑推荐:
木薯(*Manihot esculenta* Crantz)是一种主食作物和热带地区关键工业原料,但干物质含量(DMC)和淀粉含量(StC)等关键品质性状的传统表型鉴定过程繁琐且通量低。本研究评估了手持式近红外光谱仪(NIRS)用于无损、快速预测这些性状的效果
木薯(*Manihot esculenta* Crantz)是一种主食作物和热带地区关键工业原料,但干物质含量(DMC)和淀粉含量(StC)等关键品质性状的传统表型鉴定过程繁琐且通量低。本研究评估了手持式近红外光谱仪(NIRS)用于无损、快速预测这些性状的效果。研究方法包括从巴西的19个田间试验中收集2,236个木薯克隆的光谱数据,涉及两种样本类型:新鲜根和捣碎根。研究人员评估了六种光谱预处理方法和三种机器学习算法——偏最小二乘(PLS)、支持向量机(SVM)和极限梯度提升(XGB)——以优化预测模型。模型性能通过校准决定系数()、校准均方根误差()和Kappa指数进行评估,以量化克隆选择的一致性。结果表明,捣碎样本在所有模型中始终表现出更优的预测性能。特定的预处理方法,如Savitzky-Golay滤波结合标准正态变量(SG + SNV)和一阶导数变换,显著提高了模型精度。在算法中,PLS表现出最佳整体性能,具有高预测精度(>0.96)和低预测误差(DMCo<1.3),尤其是在捣碎样本中。高Kappa指数值(始终接近1.0)证实了基于NIRS的选择与传统表型方法之间的良好一致性。本研究验证了便携式光谱仪作为木薯育种项目中高通量表型鉴定的可靠且高效工具。研究结果证实,当使用最优样本制备(捣碎根)和稳健建模(PLS)时,便携式NIRS设备能有效产生用于植物选择的良好预测。该方法通过实现快速、早期阶段的选择决策,可显著加速育种周期,从而克服一个主要瓶颈,并促进木薯遗传改良的更高效和可持续发展。
**论文解读:便携式近红外光谱技术在木薯品质性状无损预测中的应用**
**一、研究背景与问题**
木薯(*Manihot esculenta* Crantz)是热带地区重要的粮食和工业原料,其干物质含量(DMC)和淀粉含量(StC)是决定加工品质、消费者接受度及种植收益的关键品质性状。然而,传统表型鉴定方法存在显著瓶颈:简单的水中称重法精度低,易受环境、遗传和管理因素干扰,导致基因型选择偏差;而精确的实验室方法(如烘干至恒重、淀粉提取)虽准确,但耗时、耗力、成本高、通量低,难以在早期育种阶段大规模应用。这些限制严重阻碍了木薯育种中快速、高效、早期筛选优良基因型的进程。因此,开发一种便携、高通量、非破坏性且成本低廉的分析工具,实现田间实时、精准的性状预测,成为木薯育种领域亟待解决的关键需求。
近红外光谱(NIRS)技术因其快速、无损、可同时分析多种成分的特点,在农业领域展现出巨大潜力。但传统台式NIRS设备昂贵、不便携,便携式设备(如SCiO手持传感器)虽具有操作简便、成本低、可连接手机等优势,但其在巴西木薯种质资源中预测DMC和StC的性能尚缺乏系统评估,特别是样本类型(新鲜根与捣碎根)、光谱预处理方法及建模算法对预测精度的影响尚不明确。因此,本研究旨在系统评估便携式SCiO光谱仪在巴西木薯育种群体中的预测能力,并比较不同样本类型、预处理方法和建模算法下的模型性能,为便携式NIRS技术在木薯育种中的实际应用提供指导。
**二、主要技术方法**
研究人员从巴西Embrapa Mandioca e Fruticultura的19个田间试验中收集了2,236个木薯克隆(样本队列来源),涵盖种质资源(BAG)、杂交亲本(CB)、实生苗评价(SET)、无性系评价(CET)、初级产量试验(PYT)、高级产量试验(AYT)和统一产量试验(UYT)等不同育种阶段。使用便携式SCiO光谱仪(740–1070 nm)采集新鲜根和捣碎根两种样本类型的光谱数据。采用六种光谱预处理方法(原始数据、一阶导数、标准正态变量(SNV)、多元散射校正(MSC)、一阶导数+去趋势(1st+DT)、一阶导数+MSC、Savitzky-Golay平滑+SNV(SG+SNV))进行噪声消除和散射校正。基于三种机器学习算法——偏最小二乘回归(PLS)、支持向量机(SVM)和极限梯度提升(XGB)——构建预测模型,并通过重复5折交叉验证和外部验证评估模型性能,使用Kappa指数评估基于预测值的克隆选择与传统表型选择的一致性。
**三、研究结果**
**1. 光谱预处理方法的选择**
通过比较不同预处理方法对预测精度()和均方根误差()的影响,发现捣碎样本在所有预处理下均优于新鲜样本。对于StC和DMCo,SG+SNV组合在捣碎样本中表现最佳(StC: =0.84, =1.26; DMCo: =0.97, =0.91),而新鲜样本中同样以SG+SNV最优(StC: =0.60, =1.65; DMCo: =0.75, =2.15)。对于DMCg,一阶导数单独处理在两种样本类型中均表现最好(捣碎: =0.80, =1.20; 新鲜: =0.73, =1.42)。这表明预处理方法的选择需依据目标性状和样本类型进行优化。
**2. 校准模型预测精度评估**
在捣碎样本中,所有模型(PLS、SVM、XGB)对DMCo的预测性能均很高(≥0.96),其中PLS表现最优(=0.97, =0.91, RPD=4.23, RPIQ=5.98)。对于StC和DMCg,捣碎样本中PLS同样略优于SVM和XGB(StC: =0.84, =1.26; DMCg: =0.80, =1.20)。在新鲜样本中,XGB在StC和DMCg预测上表现最佳(StC: =0.75, =1.37; DMCg: =0.75, =1.36),而PLS和SVM性能稍逊。这表明PLS在均质化样本中优势明显,而XGB更适合处理新鲜样本的复杂非线性关系。
**3. 外部验证**
外部验证结果进一步证实了捣碎样本的优越性。对于DMCo,捣碎样本的SVM模型表现最佳(=0.95, =1.66, RPD=3.74, RPIQ=2.81),PLS和XGB也表现良好。对于StC和DMCg,捣碎样本中PLS的预测精度最高(StC: =0.67, =1.99; DMCg: =0.64, =1.88),而新鲜样本中所有模型性能均显著下降。PLS在多数性状和样本类型中展现出稳健的泛化能力。
**4. 克隆选择一致性**
通过Kappa指数评估模型对前20%优良克隆的选择一致性。所有模型在捣碎和新鲜样本中均表现出高度一致性(Kappa值大多接近1.0)。对于StC,捣碎样本中XGB的Kappa最高(0.99),新鲜样本中PLS达到完美一致(1.0)。对于DMCo,捣碎样本中SVM和XGB均为1.0,新鲜样本中SVM为0.95。对于DMCg,两种样本类型中所有模型Kappa值均接近1.0。这表明基于NIRS的预测模型能够可靠地识别出与传统表型方法一致的优良基因型,具有实际育种应用价值。
**四、讨论与结论**
讨论部分强调了光谱预处理、样本类型和建模算法对预测性能的关键影响。SG+SNV组合对StC和DMCo有效,一阶导数对DMCg有效,反映了不同性状对光谱信号的需求差异。捣碎样本通过提高物理均匀性,减少了光谱变异,从而显著提升模型精度,但新鲜样本在采用XGB等非线性算法时仍可获得合理预测,适合现场快速筛选。PLS因其线性稳健性在均质样本中表现突出,而XGB在复杂样本中展现优势,说明算法选择需结合样本特性。外部验证和Kappa指数进一步证实了PLS的鲁棒性和模型在克隆选择中的可靠性。
**研究结论:** 本研究证明了便携式NIRS设备(SCiO)在利用捣碎和新鲜样本无损预测木薯根品质性状方面的潜力。通过不同算法和光谱预处理方法的校准,发现捣碎样本通常能提供更优的预测性能,特别是结合SG+SNV预处理用于StC和DMCo,以及一阶导数变换用于DMCg。在测试的模型中,PLS始终获得高相关系数和低RMSE值,表现为最有效的算法。这些发现对木薯育种项目具有重要意义,凸显了采用快速、经济且非破坏性方法进行大规模表型筛选的可行性。预测选择与实际观察选择之间的高度一致性进一步验证了该方法的可靠性,即使在木薯根复杂的化学和物理特性存在的情况下也是如此。因此,便携式NIRS传感器可以显著加速优良基因型的选择,使其从育种的最早期阶段即可适用。未来研究可探索将这些模型整合到数字田间平台,并推广至面临类似表型鉴定挑战的其他作物。