基于傅里叶变换红外光谱技术的水稻剑叶非结构性碳水化合物快速检测方法及其在高温胁迫耐受性筛选中的应用

《Plant Methods》：A technique for measuring non-structural carbohydrate reserves in flag leaves of paddy rice using Fourier transform infrared spectroscopy (FTIR)

本研究针对高温夜间胁迫导致水稻产量下降的难题，开发了一种基于傅里叶变换红外光谱结合偏最小二乘回归的高通量检测技术，成功实现了对水稻剑叶中非结构性碳水化合物的快速精准预测。研究通过对30个水稻种质资源进行两年田间试验，建立了预测模型，其决定系数R2达0.66，为水稻抗逆育种提供了重要的表型分析工具。

　　

随着全球气候变暖加剧，高温夜间胁迫对水稻生产的威胁日益凸显。研究表明，夜间温度每升高1℃，水稻产量可能下降10%。这一现象背后的生理机制与植物非结构性碳水化合物的代谢紊乱密切相关。非结构性碳水化合物作为植物的"能量货币"，其在水稻剑叶中的动态平衡直接影响籽粒灌浆过程和最终产量形成。然而，传统化学分析方法存在耗时长、成本高、通量低等局限性，难以满足大规模育种筛选的需求。

为解决这一技术瓶颈，Mendez等研究人员在《Plant Methods》上发表了创新性研究成果。该研究首次系统评估了傅里叶变换红外光谱技术在水稻剑叶非结构性碳水化合物快速检测中的应用潜力。研究团队设计了一套完整的技术路线，通过两年田间试验收集了数百份样本，建立了可靠的预测模型，为水稻抗逆育种提供了新的技术手段。

研究采用的主要技术方法包括：基于Rice Diversity Panel 1种质资源的田间试验设计、高温夜间胁迫处理系统、传统湿化学分析法测定参考值、傅里叶变换红外光谱数据采集以及偏最小二乘回归建模。特别值得关注的是，研究团队创新性地将样本分为训练集和验证集，采用Kennard-Stone算法进行数据分割，确保了模型的可靠性和泛化能力。

PLS回归模型构建与验证

研究人员通过对565份水稻茎叶样本的光谱分析，成功建立了非结构性碳水化合物的预测模型。结果显示，原始光谱在1045、1637、1739、2922和3334 cm^-1等波数处出现明显吸收峰，这些特征峰与碳水化合物的官能团振动密切相关。经过Savitzky-Golay平滑、基线校正、二阶导数和标准正态变换等预处理步骤后，光谱信号质量显著提升。

模型性能评估表明，非结构性碳水化合物模型表现最佳，其训练集R²达到0.90，预测均方根误差为17.6 mg g^-1。特别值得注意的是，当模型专门针对剑叶样本进行优化后，预测精度进一步提高，验证了组织特异性建模的重要性。

模型优化与组织特异性

研究发现，茎和叶组织的光谱特征存在显著差异，这种差异主要体现在1200-1600 cm^-1的指纹区域。通过单独建立剑叶专用模型，研究人员成功将预测误差降低了32%。这一发现强调了在植物化学成分检测中考虑组织特异性的必要性，为后续研究提供了重要参考。

高温夜间胁迫响应分析

利用优化后的预测模型，研究人员对30个水稻种质资源在高温夜间胁迫下的非结构性碳水化合物变化进行了大规模分析。结果显示，约50%的品种在胁迫条件下保持稳定的非结构性碳水化合物水平，而40%的品种表现出显著升高，仅有10%出现下降。这一发现为筛选高温胁迫耐受型水稻品种提供了重要依据。

技术比较与优势分析

与近红外光谱技术相比，傅里叶变换红外光谱在碳水化合物检测方面展现出独特优势。研究表明，尽管近红外技术在部分指标上表现更优，但傅里叶变换红外光谱具有更好的特异性和解释性。特别是在剑叶样本分析中，傅里叶变换红外光谱的预测模型表现出更好的稳定性。

研究结论表明，傅里叶变换红外光谱技术结合偏最小二乘回归分析为水稻非结构性碳水化合物的快速检测提供了可靠解决方案。该方法不仅显著提高了检测效率，降低了分析成本，更重要的是为水稻抗逆育种提供了高效的表型分析平台。特别是在全球气候变暖背景下，这一技术对于选育高温胁迫耐受型水稻品种具有重要应用价值。

讨论部分指出，当前模型在淀粉预测方面仍存在一定局限性，特别是在低浓度范围的准确性有待提高。未来研究将通过扩大样本规模、优化光谱预处理算法以及开发组织特异性模型等措施进一步提升预测性能。此外，该技术平台有望扩展到其他重要农艺性状的检测，为作物改良研究提供强有力的技术支持。

该研究的创新之处在于首次系统建立了适用于水稻剑叶非结构性碳水化合物检测的傅里叶变换红外光谱方法，并验证了其在高温胁迫响应研究中的应用价值。这一技术突破为作物生理学研究和高通量育种提供了新的工具，对保障粮食安全具有重要意义。随着技术的不断完善和推广应用，傅里叶变换红外光谱有望成为作物表型分析的标准方法之一，为应对气候变化挑战提供技术支撑。