利用成熟树脂切片和图像处理算法，开发了一种快速测定小麦籽粒中蛋白质空间分布的方法

《Journal of Cereal Science》：Development of a rapid method for the determination of the spatial distribution of protein in wheat grain using mature resin section and image processing algorithm

高效树脂切片结合深度学习算法实现小麦籽粒蛋白质空间分布高通量分析

本研究聚焦于成熟小麦籽粒中蛋白质含量的高效量化方法，结合了树脂切片技术和深度学习图像分析算法，为小麦蛋白质的空间分布研究提供了一种新的技术路径。作为全球广泛种植的重要作物，小麦不仅是人类饮食中能量的主要来源之一，也是面粉加工和食品工业中的核心原料。蛋白质在小麦籽粒中的分布不均，不仅影响面粉的营养品质，还决定了其加工性能和最终产品的质量。因此，精确测定蛋白质含量并明确其空间分布，对于提升小麦品种的营养价值、优化加工流程以及推动农业育种具有重要意义。

传统上，小麦蛋白质含量的测定主要依赖于半微量凯氏定氮法。该方法通过消化、中和、蒸馏和滴定等步骤测定氮含量，再通过乘以5.7的系数计算出蛋白质含量。尽管这种方法具有较高的准确性，但其操作过程复杂、耗时长，且需要使用强酸和强碱，容易对环境造成污染。此外，这种方法无法提供关于个体籽粒内部蛋白质分布的详细信息，限制了其在品种筛选和育种指导中的应用。为克服这些局限，研究者们探索了多种替代技术，例如近红外（NIR）光谱分析和微杜马斯法。

近红外光谱技术基于有机分子（如C–H、O–H和N–H键）的吸收和散射特性，能够在不破坏样品的前提下快速、无损地测定蛋白质含量。这种方法被广泛应用于小麦品质的分析，包括蛋白质含量的测定。然而，NIR光谱分析需要大量的小麦样本，因此难以用于个体籽粒的蛋白质分布研究。相比之下，微杜马斯法通过燃烧样品来测定氮含量，具有快速、简便和环境友好的优势，适用于单粒级别的分析。然而，这种方法的设备成本较高，且高温燃烧过程会破坏样品的结构，影响其后续研究价值。

近年来，切片结合考马斯亮蓝染色的方法被提出，用于蛋白质的可视化和定量分析。这种方法仅需少量小麦样本，且能够有效观察蛋白质在籽粒中的分布情况。然而，对于成熟小麦籽粒而言，其切片过程仍面临诸多挑战。成熟籽粒体积较大、含水量低，且渗透性有限，容易在切片过程中发生断裂。此外，传统的石蜡切片技术分辨率较低，且容易产生碎片，影响分析结果。而树脂包埋技术虽然能提供更高的分辨率，但在实际操作中常因水分吸收不均导致切片出现大量褶皱，这不仅影响了图像的清晰度，还可能干扰蛋白质和淀粉的染色效果，使得定量分析变得困难。

针对上述问题，本研究提出了一种改进的树脂切片方法，能够在保持切片完整性的前提下显著提高切片效率，并有效减少褶皱的产生。该方法的改进主要体现在树脂包埋和切片过程中对水分控制的优化，以及切片厚度的调整。通过这种方法，研究团队成功制备了高质量的成熟小麦籽粒切片，为后续的蛋白质分布研究奠定了基础。此外，研究还开发了一种基于深度学习的图像处理算法，用于自动去除背景干扰、分割胚乳区域，并通过聚类分析识别不同区域之间的蛋白质浓度差异。

该算法的核心优势在于其自动化处理能力。传统的图像分析方法，如ImageJ，虽然被广泛用于小麦切片的蛋白质定量，但需要人工勾勒胚乳轮廓以去除背景干扰，这在处理大量图像时显得繁琐且效率低下。而本研究提出的算法通过深度学习模型，能够自动识别并分割胚乳区域，显著提升了分析的效率和准确性。同时，该算法还能有效处理切片中的褶皱问题，通过图像增强和分割技术，减少因褶皱导致的染色干扰，从而提高蛋白质定量的可靠性。

为了验证该方法的有效性，研究团队对多个小麦品种进行了切片和蛋白质含量测定。实验结果表明，该树脂切片方法能够显著提高切片效率，相较于传统方法，其处理时间减少了至少60%。同时，切片质量得到了显著改善，褶皱的发生率降低了超过90%。这些改进使得切片样本的蛋白质分布更加清晰，为后续的图像分析提供了更高质量的输入数据。

在蛋白质含量的定量分析方面，研究团队将图像分析得到的蛋白质面积与化学分析法测定的蛋白质含量进行了对比。结果显示，两者之间具有极强的相关性（r = 0.99），表明图像分析方法能够准确反映蛋白质的实际含量。此外，研究还开发了一种用于识别胚乳蛋白质空间分布差异的算法，该算法在多个小麦品种的切片样本中表现出良好的性能，其相关性达到0.80。这一结果不仅验证了图像分析方法的可靠性，还为研究蛋白质在籽粒内部的分布模式提供了新的工具。

值得注意的是，该研究提出的切片方法和图像分析算法能够灵活应用于不同场景下的蛋白质含量测定。无论是用于基础研究还是实际生产，这一方法都具备较高的适用性。对于育种工作者而言，能够快速、准确地测定不同小麦品种的蛋白质含量及其空间分布，有助于筛选出具有理想蛋白质含量和分布模式的优良品种。对于食品加工企业而言，这一方法可以用于评估不同小麦品种在加工过程中的蛋白质变化，从而优化加工工艺，提高产品质量。

此外，该方法在环境保护和资源节约方面也具有显著优势。传统的凯氏定氮法和微杜马斯法都需要使用化学试剂或高温燃烧设备，这些过程不仅耗能，还可能产生有害废弃物。而本研究提出的树脂切片结合深度学习图像分析的方法，避免了化学试剂的使用，减少了对环境的污染。同时，由于切片过程更加高效，所需样本数量也大幅减少，降低了资源消耗，提高了研究的可持续性。

本研究还对现有技术进行了系统评估。例如，传统树脂切片方法在水分吸收不均的情况下容易产生褶皱，影响蛋白质和淀粉的染色效果。而本研究的改进方法通过优化树脂包埋和切片过程，有效解决了这一问题。此外，研究团队还对不同小麦品种的切片质量进行了验证，确保该方法的通用性和稳定性。实验结果显示，该方法在不同品种的成熟小麦籽粒中均表现出良好的适用性，能够满足多样化的研究需求。

从技术角度来看，该研究的创新点在于将深度学习算法与传统切片技术相结合，实现了蛋白质含量测定的自动化和高通量处理。这种结合不仅提高了分析效率，还增强了数据的准确性和可重复性。深度学习模型能够自动识别图像中的背景干扰，并精准分割胚乳区域，从而减少了人为操作带来的误差。同时，通过聚类分析，该算法能够识别不同区域之间的蛋白质浓度差异，为研究蛋白质的空间分布提供了新的视角。

在实际应用中，该方法可以用于多个领域。例如，在农业研究中，可以利用该方法评估不同小麦品种的蛋白质含量及其分布模式，为品种改良提供科学依据。在食品工业中，可以用于优化面粉加工工艺，确保最终产品的蛋白质含量符合市场需求。此外，该方法还可以用于食品安全检测，快速识别小麦样本中蛋白质含量异常的情况，提高检测效率。

尽管该方法在技术上取得了显著进展，但仍需进一步优化和推广。例如，在大规模应用中，如何确保切片过程的一致性和稳定性，如何提高图像处理算法的适应性，以及如何降低设备成本，都是需要关注的问题。此外，还需要进一步验证该方法在不同环境条件下的适用性，以确保其在实际生产中的可靠性。

综上所述，本研究提出了一种高效、准确且环境友好的方法，用于测定成熟小麦籽粒中的蛋白质含量及其空间分布。该方法结合了改进的树脂切片技术和深度学习图像分析算法，不仅提高了切片效率和质量，还实现了蛋白质含量测定的自动化和高通量处理。这一成果为小麦蛋白质研究提供了新的工具，有助于推动农业育种和食品加工技术的发展。未来，随着技术的不断完善和推广，该方法有望在更多领域得到应用，为小麦相关研究和产业提供更有力的支持。