大型海藻形态构造简单，多为叶状体，无根茎叶的分化，可直接获取的表型性状较少，且因其水生环境影响，难以高通量获取性状，严重阻碍了大型海藻表型组及表型组学研究的进展。

中国海洋大学藻类遗传学与育种研究团队近五年来着力应用叶绿素荧光、多光谱和高光谱等多种成像技术于重要经济红藻-紫菜的表型组技术研究中，构建并不断完善大型海藻高通量表型测定与分析系统。

2023年1月，Plant Phenomics 在线发表了中国海洋大学藻类遗传学与育种研究团队题为Quantification of Photosynthetic Pigments in Neopyropia yezoensis Using Hyperspectral Imagery 的研究论文。本研究就红藻的重要光合色素含量进行了基于高光谱成像技术的预测模型构建。

藻红蛋白（PE）、藻蓝蛋白（PC）、别藻蓝蛋白（APC）和叶绿素a（Chla）是红藻重要的光合色素，其含量和比例不仅影响着红藻的光合生理，同时影响着藻体的蛋白质含量和色泽等经济性状。紫外分光光度法和高压液相色谱法等测定藻胆蛋白和叶绿素含量的传统方法不仅成本较高、费时费力、破坏样品，而且对操作者的经验依赖性强，无法满足大规模、高通量的表型组学研究。近年来，高光谱成像技术结合机器学习方法在高等植物生化物质含量的高通量表型组学研究方面发挥着重要的作用，但是在大型海藻中相关的研究未见报道。

本研究利用高光谱成像技术结合两种机器学习方法（偏最小二乘回归, PLSR和支持向量机回归, SVR），以红藻模式物种条斑紫菜为研究对象，对其配子体PE、PC、APC和Chla的含量进行了高通量、无损的定量分析并构建模型。研究表明，条斑紫菜在400-1000 nm的光谱范围内有特殊的吸收谱线（图1）。对于PE含量，最优的光谱预处理方法为Savitzky–Golay（S-G, polynomial order: 2; pointsof window: 5）平滑+标准化；最优的机器学习模型为PLSR模型；其模型的置信度（RPD）为5.21。对于PC含量，最优的光谱预处理方法为S–G平滑+标准正态变换（standard normal variate, SNV）；最优的机器学习模型为SVR模型；其模型的RPD为4.16。对于APC含量，最优的光谱预处理方法为S–G平滑+SNV；最优的机器学习模型为SVR模型；其模型的RPD为2.53。对于Chla含量，最优的光谱预处理方法为S–G平滑+标准化；最优的机器学习模型为PLSR模型；其模型的RPD为3.61（图2）。

图1不同预处理后条斑紫菜的光谱图像。光谱原始数据（a）、S-G平滑+标准化预处理（b）、S-G平滑+标准正态变量（SNV）预处理（c）、MSC预处理（d）、S-G平滑+一阶导数预处理（e）、S-G平滑+二阶导数预处理（f）

图2基于最优PLSR和SVR模型的四种光合色素（PE/PC/APC/Chla）含量的预测值和实测值的散点图。其中▲为训练集数据，×为验证集数据

本研究构建的PE、PC和Chla含量的模型可用于定量分析，APC含量模型可用于定性分析，性状获取效率较传统方法提升约50倍。利用野生样本对模型的精确性进行了验证，确证了模型具有较高的预测精度，表明模型具有良好的适用性。同时，基于不同色素含量的最优预测模型，发现了4中色素在条斑紫菜配子体含量分布存在差异（图3），为后续研究个体组织分化与色素含量的关系奠定了基础。

图3条斑紫菜RGB图像及四种光合色素（PE/PC/APC/Chla）含量预测分布

本研究展示了一种高通量的红藻表型组技术系统，该系统能够准确、快速地预测条斑紫菜中四种重要光合色素的含量及分布情况，为后续条斑紫菜的表型组学和遗传育种研究提供了一种有效、可靠的方法。

本研究由中国海洋大学遗传学与育种教育部重点实验室、海南热带海洋学院崖州湾创新研究院和热带海洋生物资源利用与保护教育部重点实验室等单位的相关学者合作完成，海南热带海洋学院茅云翔教授和中国海洋大学杜国英教授为该文共同通讯作者，中国海洋大学博士生车帅为第一作者，相关工作得到了国家自然科学基金、国家重点研发项目、三亚崖州湾科技城计划项目、海南热带海洋学院崖州湾创新研究院重大科技专项等项目资助。

论文链接：

‍https://spj.science.org/doi/10.34133/plantphenomics.0012

——推荐阅读——

Estimating Photosynthetic Attributes from High-Throughput Canopy Hyperspectral Sensing in Sorghum

https://doi.org/10.34133/2022/9768502

Plant Phenomics | 利用高通量冠层高光谱遥感预测高粱的光合参数

Machine Learning-Based Presymptomatic Detection of Rice Sheath Blight Using Spectral Profiles

https://spj.sciencemag.org/journals/plantphenomics/2020/8954085/

Plant Phenomics | 使用光谱特征和机器学习检测水稻纹枯病的发病先兆