使用多光谱成像和化学计量学方法无损测定转基因苏云金芽孢杆菌水稻种子

摘要：作物间转基因流动可能会影响非转基因水稻品种的种子纯度，导致不必要的生物安全后果。利用多光谱成像系统结合化学计量学数据分析，研究了从非转基因水稻种子中快速无损检测转基因水稻种子的可行性。应用主成分分析（PCA）、偏最小二乘判别分析（PLSDA）、最小二乘支持向量机（LS-SVM）和PCA反向传播神经网络（PCA-BPNN）方法对水稻种子进行遗传起源分类。结果表明，通过本研究开发的无损检测方法可以很容易地观察到非转基因和转基因水稻种子之间的明显差异，并且可以实现良好的分类（使用LS-SVM模型可以达到100%）。结果表明，多光谱成像结合化学计量学数据分析是一种高效鉴定转基因水稻种子的有效技术，具有广阔的应用前景。

图1.多光谱成像系统的主要设置

在405-970nm范围内收集光谱，包括可见光和 NIR 区域的较低波长。图 2 显示了作为整个数据集的200个非转基因和200个转基因水稻种子样品的平均光谱。大多数光谱的趋势非常相似，但光谱也存在一些差异，反映了水稻种子中数百种物理化学成分之间的差异，这些物理化学成分以样品的光谱带和种子颜色表示。转基因和非转基因水稻种子之间的差异有很多可能的原因。一方面，这些差异可能是由转基因样品的代谢物引起的，目的是为了高产量进行操作。另一方面，差异可能是传统代谢物产量增加或减少的结果。可见范围的差异是由于样品的颜色。此外，NIR 区域的差异可归因于非转基因和转基因水稻种子之间的化学差异。图 3 显示了用于区分非转基因和转基因水稻种子的最相关波长的图像。由于水稻种子中的成分较多，因此很难根据化学方法确定光谱差异。因此，在可见光和 NIR 范围内观察到了成分差异。这些光谱差异可用于定性分类。这种现象可能有多种来源；因此，多变量分类模型是通过应用 PCA 程序开发的。

图2. 非转基因和转基因水稻种子多光谱图像的平均光谱

图3.用于区分非转基因（左）和转基因水稻种子（右）的最相关波长的图像

最初进行PCA是为了检查 PC 空间中非转基因和转基因水稻种子的质量差异。200个非转基因和200个转基因水稻种子的所有光谱都用于PCA。图4显示了使用前三个评分向量 PC1、PC2、PC3 的三维主成分评分图，这些评分向量来自光谱数据以及样本的组合光谱和形态特征数据。最初的三个因子占光谱变化最多 99.0%（前三个主成分分别为 90.5%、7.3% 和 1.2%，PC1、PC2 和 PC3）用于使区分更加清晰。从图 4 的结果中我们可以发现，非转基因和转基因水稻种子的区分是在三维 PCA 空间中个体非转基因和转基因水稻种子的得分与组合光谱的清晰分离。和形态特征数据。可以假设，就不同基因而言，可以通过使用PCA来区分样本。这些结果表明转基因和非转基因水稻种子之间的区分是可能的，样品的不同光谱属性与样品的特性有关。由于 PCA 仅指示间隔的可视化维度，因此使用了其他方法，包括 PLSDA、LS-SVM 和 PCA-BPNN，以改进分离。

图4.非转基因(+) 和转基因水稻种子(h)的前三个主成分与光谱数据集(A)和组合光谱和形态特征数据集(B)的三维得分图

nCDA分析表明，通过训练集的发芽潜力，番茄种子成熟度的分类精度较高，如图2a所示。测试集的预测精度也很高。本文原以为绿色水果的所有种子都可能是未成熟的，不会发芽。然而，绿色果实中的一些种子（24+13）发芽（图2b），这表明推测的未成熟番茄果实可能足够成熟，可以容纳成熟的种子。长度、宽度或面积等物理参数与种子萌发无相关性。

图2. nCDA 区分训练集的发芽和未发芽番茄种子（a）、来自绿色和红色果实的种子（b）