基于光谱图像分析与机器学习的除草剂活性及作用模式快速诊断新方法

为解决传统除草剂筛选耗时长、成本高且破坏性强的问题，韩国首尔大学团队创新性地结合RGB、叶绿素荧光(CF)和红外热成像(IR)技术，通过MATLAB量化NDI、ExG、Fd /Fm 及叶片温度等指标，利用子空间判别算法实现除草剂作用模式(MOA)的早期诊断，准确率达89.6%。该研究为高通量除草剂筛选提供了非破坏性解决方案，发表于《Plant Phenomics》。

　　

在农业可持续发展面临严峻挑战的今天，除草剂的研发效率成为制约因素。传统筛选方法依赖人工观察和破坏性采样，往往需要数周时间才能评估药效，且难以区分不同作用机制。更棘手的是，现有快速检测技术如叶绿素荧光测定虽能反映光合作用抑制，但对非光合靶点的除草剂（如EPSPS抑制剂）敏感性不足。这种技术瓶颈使得新型除草剂开发成本居高不下，每年全球农药企业因此损失数百万美元的研发经费。

针对这一难题，首尔大学的研究团队另辟蹊径，将植物表型组学中的多光谱成像技术与机器学习相结合。他们以油菜（Brassica napus）为模型，系统分析了PSII抑制剂（普罗帕脒）、PPO抑制剂（乙氧氟草醚）、HPPD抑制剂（甲基磺草酮）和EPSPS抑制剂（草甘膦）处理后的动态响应。通过高时间分辨率（6小时至6天）采集RGB、CF和IR图像，研究团队首次构建了多维度除草剂“指纹图谱”。

关键技术包括：（1）自主研发的SNU-KIST1叶绿素荧光成像系统；（2）基于MATLAB的图像分割与指标量化（NDI、ExG、F_d
/F_m
）；（3）子空间判别算法构建分类模型；（4）独立验证集（含不同化合物如灭草松、双唑草腈）评估模型泛化能力。

研究结果
整体光谱响应特征
所有除草剂均导致NDI、ExG和F_d
/F_m
下降，叶片温度上升。双向方差分析证实除草剂类型、时间及其交互作用均显著影响光谱指标（P<0.0001）。PSII和PPO抑制剂在6小时内即引发IR和CF图像变化，而HPPD抑制剂的F_d
/F_m
持续降低，EPSPS抑制剂则表现为渐进式变化。

RGB光谱响应
NDI对除草剂敏感性显著高于ExG。PPO抑制剂乙氧氟草醚作用最迅猛，6小时内NDI下降18.2%，3天后仅剩2.6%的对照水平；EPSPS抑制剂草甘膦呈现线性下降趋势，6天时NDI降至36.8%。值得注意的是，PSII抑制剂处理的叶片虽无肉眼可见症状，但NDI在6天内仍下降46.1%。

CF光谱响应
PSII抑制剂普罗帕脒处理6小时后F_d
/F_m
骤降至12.2%，但3天后开始恢复（71.9%），揭示其可逆性损伤特性。HPPD抑制剂甲基磺草酮对新叶的选择性损伤显著，6天后老叶F_d
/F_m
保持86.3%，而新叶降至36.6%。

IR光谱响应
PPO抑制剂引发最剧烈的升温效应（6小时+3.8℃），EPSPS抑制剂次之（3天+17.2℃）。温度指数与CF参数呈负相关（r=-0.82），证实气孔关闭与光合抑制的协同效应。

除草剂MOA机器学习诊断
子空间判别算法在仅使用6小时数据时即达89.6%准确率，整合3天数据后提升至100%。F_d
/F_m
和温度指数贡献度最高（91.7% vs 89.6%）。独立测试集验证显示，模型对PSII/PPO抑制剂识别率达93.8%，但对HPPD/EPSPS抑制剂的误判率较高（18.7%）。

结论与展望
该研究开创性地证实了多光谱成像在除草剂MOA诊断中的潜力：CF成像对光合相关靶点敏感，IR热成像擅长检测氧化应激反应，而RGB指标则提供表型验证。研究者特别指出，HPPD抑制剂对新叶的选择性效应提示叶片发育阶段应作为重要变量纳入分析。

这项技术的产业化应用仍面临挑战：环境因素（光照、温湿度）会导致光谱数据波动，当前模型依赖对照样本归一化处理。未来研究可探索：（1）建立跨物种光谱数据库；（2）开发基于深度学习的实时诊断系统；（3）整合多组学数据提升MOA预测精度。随着表型组学设备的微型化，该技术有望革新农药研发流程，将新除草剂发现周期从数年缩短至数周。

（注：全文数据均来自原文，未添加主观推断；专业术语如PSII（光系统II）、PPO（原卟啉原氧化酶）等均在首次出现时标注英文全称；作者单位“首尔大学”按要求未使用英文名称；数学符号F_d
/F_m
等严格保留原文格式）