種子表型組學：用于表征麻瘋樹種子質量的多光譜和X射線圖像

摘要

背景：在農業工業和作物育種中，使用較少人為干擾的非破壞性方法引起了人們的極大興趣。現代成像技術能夠自動顯示用于表征生物樣品的多參數，從而降低主觀性并優化分析過程。此外，兩種或多種成像技術的結合有助于發現新的物理化學工具和實時解釋數據集。

結果：我們提出了一種基于多光譜和X射線成像技術相結合的種子質量自動表征的新方法。我們提出了一種使用X射線圖像研究內部組織的方法，因為種子表面輪廓可能會受到負面影響，但不會到達種子的重要內部區域。油籽植物（麻瘋樹）被用作模型物種，它也是一種在世界范圍內具有經濟重要性的多用途作物。我們的研究包括應用歸一化典型判別分析 (nCDA) 算法作為監督變換構建方法，以獲得不同種子塊上的空間和光譜模式。我們使用基于線性判別分析 (LDA) 的反射率數據和 X 射線類別開發了分類模型。單獨或組合的分類模型使用 940 nm 的反射率和 X 射線數據來預測正常幼苗、異常幼苗和死種子等質量性狀，顯示出較高的準確度 (> 0.96)。

結論：多光譜和X射線成像與種子生理性能密切相關。 940 nm 的反射率和 X 射線數據可以有效地預測種子質量屬性。這些技術可以成為未來快速、高效、可持續和無損表征種子質量的替代方法，克服傳統種子質量分析的內在主觀性。

種子方向與基于多光譜反射率區分種子地塊無關（圖 2）。紫外（365 nm）和可見光（405-690 nm）區域的波長顯示出低反射強度（< 20%），很難區分批次。 然而，在較長波長處獲得的數據，特別是在近紅外 (NIR) 區域（從 780 到 970 nm）中獲得的數據清楚地能夠區分種子區，并且具有高活力的種子顯示出的反射強度（批次 2）。

圖2.三個不同活力水平的麻瘋樹種子表面在19個波長下每個感興趣區域內的平均光譜圖

對多光譜數據應用主成分分析(PCA) 以減少變量，結果顯示前兩個主成分占種子批次間數據變異性的大部分（占總數據方差的 98.66%）。貢獻直方圖表示基于 95% 置信閾值（截止）的信息量最大的波長，由紅色虛線表示，它顯示只有780到970nm 的五個帶寬，主要對PC1和PC2有貢獻（圖 3a）。基于PC1和PC2的聚類分析將三個種子區明顯分開（圖 3b）。

圖3. a 響應變量對維度1和2 的貢獻；b麻瘋樹種子區（批次1、2 和 3）中多光譜反射率的主成分分析 (PCA) 雙圖。 780~970 nm的5個波長顯著解釋了種地間的差異

為了驗證PCA模型，對應于五個最重要波長（780、850、880、940 和 970 nm）的多光譜數據，如先前由 PCA 的，被用于典型判別分析（CDA）（圖 4） .批次1和3的活力較低，這些波長將批次1和3與批次 2（高活力）正向區分開來，這表明這些波長是區分活力較低的麻風樹種子的良好預測指標。

圖4.在780、850、880、940和970nm處獲得的反射率數據的典型判別分析(CDA)從三個不同活力水平的麻瘋樹苗木中獲得

麻風樹種子有厚而黑的外皮。圖5顯示了基于發芽能力和在940nm 捕獲的相應反射率圖像和X射線圖像從種子腹面和背面獲得的 RGB 圖像。由于CDA模型在940和970nm 之間顯示出共線性（圖 4），我們選擇在940nm 捕獲的反射率圖像（圖5），因為該波長與脂肪組織的吸收峰密切相關，這與油籽研究相關 .在發芽試驗中，從反射圖像中像素值較低而X射線圖像中像素值較高的種子產生正常幼苗。與那些產生異常幼苗或不發芽（死種子），其中死種子在反射率和X射線圖像中分別表現出像素值。

圖5.麻瘋樹種子腹側和背側表面的原始RGB圖像，基于發芽能力和在940nm處捕獲的相應反射圖像（使用nCDA算法的灰度和轉換圖像）以及X射線圖像

基于種子組織完整性和發芽試驗中的種子性能，從所有種子地獲得的射線照相圖像分為三個不同的類別（圖6a）。軟組織與退化的組織有關，當X射線束穿過組織時它們吸收的X射線束較少，因此，這些區域在X射線照相圖像中顯得較暗。同時，具有高灰度強度的區域表明 X 射線的更大穿透力與更高的組織密度（健康組織）直接相關。1類種子*填滿或胚乳與種皮之間有微小空隙（≤1.23 mm），這些種子主要產生正常的幼苗。2類種子在胚乳和種皮之間出現較大的空隙（> 1.24 mm）或未達到胚軸的組織退化，產生的多為異常幼苗。最后，第3類包括組織退化的種子到達胚軸、畸形和空種子，這些種子與死種子直接相關。 CDA 方法（圖 6b）顯示 Lot 1 與 2 類和死種子呈正相關。異常幼苗變量沒有出現在模型中，因為它與死種子共線。Lot 2 的種子與 Class 1 和正常幼苗的 X 射線圖像呈正相關，與 Lot 1 和 Lot 3 *相反。940 nm 的反射數據區分 Lot 3 與 Lot 1 和 Lot 2，其中種子數量較高第 3 類和死種子 (F=10.22, df=2, 12, P=0.0014) 

圖6.A麻瘋樹種子根據組織完整性分為三個不同類別的X射線圖像

B三個不同活力水平

相關閱讀

Videometer種子表型組學:種子活力研究-熒光成像

植物病害表型組學：多光譜病害指紋圖譜

Videometer種子表型組學：多光譜成像作為菠菜種子健康檢測的潛在工具

Videometer種子表型組學：多光譜圖像分析在種子種質庫管理中的應用

Videometer種子表型組學：利用可見光、近紅外多光譜和化學計量學對不同番茄種子品種的分類

Videometer種子表型組學：使用多光譜成像和化學計量學方法在線鑒別水稻種子

Videometer種子表型組學：使用多光譜成像預測蓖麻種子的活力

Videometer種子表型組學：甜菜種子加工損傷的多光譜圖像分類

種子表型組學：基于多光譜成像的葵花籽品質特征識別

種子表型組學：利用多光譜成像和化學計量學方法對大豆種子進行無損鑒別

種子表型組學：Videometer多光譜成像種子質量評估的新工具

種子表型組學：聚合物包衣對水稻種子萌發的影響

種子表型組學：基于可見-近紅外多光譜圖像數據的偏最小二乘判別分析檢測菠菜種子的發芽能力和胚芽長度

種子表型組學：使用灰度共生矩陣和機器學習技術識別單倍體玉米種子

種子表型組學：不同成熟度甜菜種子發芽抑制因子去除的優化

種子表型組學：通過射線照相和多光譜圖像分析測定小麥種子中的侵染