種子表型組學：用于表征麻瘋樹種子質(zhì)量的多光譜和X射線圖像

摘要

背景：在農(nóng)業(yè)工業(yè)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(xiàn)代成像技術能夠自動顯示用于表征生物樣品的多參數(shù)，從而降低主觀性并優(yōu)化分析過程。此外，兩種或多種成像技術的結合有助于發(fā)現(xiàn)新的物理化學工具和實時解釋數(shù)據(jù)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(zhì)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(nèi)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(nèi)部區(qū)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(nèi)具有經(jīng)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(jiān)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(shù)據(jù)和 X 射線類別開發(fā)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(shù)據(jù)來預測正常幼苗、異常幼苗和死種子等質(zhì)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(shù)據(jù)可以有效地預測種子質(zhì)量屬性。這些技術可以成為未來快速、高效、可持續(xù)和無損表征種子質(zhì)量的替代方法，克服傳統(tǒng)種子質(zhì)量分析的內(nèi)在主觀性。

種子方向與基于多光譜反射率區(qū)分種子地塊無關（圖 2）。紫外（365 nm）和可見光（405-690 nm）區(qū)域的波長顯示出低反射強度（< 20%），很難區(qū)分批次。 然而，在較長波長處獲得的數(shù)據(jù)，特別是在近紅外 (NIR) 區(qū)域（從 780 到 970 nm）中獲得的數(shù)據(jù)清楚地能夠區(qū)分種子區(qū)，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(qū)域內(nèi)的平均光譜圖

對多光譜數(shù)據(jù)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(shù)據(jù)變異性的大部分（占總數(shù)據(jù)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）?；赑C1和PC2的聚類分析將三個種子區(qū)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(qū)（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(shù)據(jù)，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(qū)分開來，這表明這些波長是區(qū)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(shù)據(jù)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(fā)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(fā)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(chǎn)生正常幼苗。與那些產(chǎn)生異常幼苗或不發(fā)芽（死種子），其中死種子在反射率和X射線圖像中分別表現(xiàn)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(fā)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(fā)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(qū)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(qū)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(chǎn)生正常的幼苗。2類種子在胚乳和種皮之間出現(xiàn)較大的空隙（> 1.24 mm）或未達到胚軸的組織退化，產(chǎn)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(xiàn)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(shù)據(jù)區(qū)分 Lot 3 與 Lot 1 和 Lot 2，其中種子數(shù)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(jù)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(zhì)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(zhì)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(zhì)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(fā)的影響

種子表型組學：基于可見-近紅外多光譜圖像數(shù)據(jù)的偏最小二乘判別分析檢測菠菜種子的發(fā)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(fā)芽抑制因子去除的優(yōu)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