NIRCoreVision：基于1D CNN与k-means聚类的高通量近红外光谱核心种质筛选框架及其GUI实现

《Journal of Agriculture and Food Research》：NIRCoreVision: A novel deep learning-based framework with GUI integration for core set selection from NIRS data using 1D CNN and k-means clustering

本研究针对植物育种中营养性状核心种质筛选效率低、成本高、污染大的问题，开发了一种结合1D CNN自编码器与k-means聚类的NIRS数据分析框架NIRCoreVision。通过对鹰嘴豆、豇豆和水稻的验证表明，该方法在保留87.26%-95.35%光谱分布重叠度的同时，使香农多样性指数保持率达90%以上，并开发了用户友好的图形界面，为作物遗传资源的高效利用提供了创新性解决方案。

　　

在作物遗传改良领域，如何从海量种质资源中高效筛选出具有代表性的核心种质集合，一直是制约育种进程的关键瓶颈。传统基于生化检测的营养性状分析方法不仅耗时费力、需要破坏性取样，还会产生大量化学废液，成本高昂且难以满足大规模种质资源库的高通量筛选需求。近红外光谱技术（NIRS）虽能实现快速无损检测，但其高维度、高噪声的光谱数据特征使得核心种质的智能筛选面临巨大挑战。

为此，由印度农业研究委员会东北山区复合研究中心（ICAR-Research Complex for North Eastern Hill Region）的Naseeb Singh、Simardeep Kaur等研究人员在《Journal of Agriculture and Food Research》上发表了一项创新性研究，提出了一种名为NIRCoreVision的新型深度学习框架。该框架通过集成1D CNN自编码器和k-means聚类算法，实现了从NIRS数据中自动筛选代表性核心种质的全过程，并开发了用户友好的图形界面（GUI），为作物育种提供了高效、环保的技术解决方案。

研究人员首先收集了鹰嘴豆（830份）、豇豆（470份）和水稻（来自9个邦的地方品种）的NIRS原始数据，并采用标准实验方法测定了其蛋白质和淀粉含量。光谱数据经过Savitzky-Golay平滑、标准正态变量变换（SNV）和去趋势化等预处理后，构建了包含编码器和解码器的1D CNN自编码器模型。编码器通过三层卷积层（滤波器数64-32-16）和LeakyReLU激活函数提取光谱特征，最终压缩为20维的潜在表示；解码器则对称地重建原始光谱。训练使用Adam优化器（学习率0.001）和均方误差损失函数，在NVIDIA RTX 3060 GPU上平均耗时3.2分钟即可收敛。

基于编码后的特征向量，研究采用k-means聚类算法（聚类数为总样本量的15%）进行核心种质筛选，不仅选择靠近簇中心的样本，还特别保留了特征空间边界上的样本以确保极端表型的代表性。评估指标包括香农多样性指数（SDI）、核密度估计（KDE）重叠度和Kolmogorov-Smirnov检验等统计方法。

研究结果显示：

1. 1.
   自编码器性能优异：重建光谱与原始光谱高度吻合，训练损失和验证损失均低于0.003，表明模型能有效捕捉光谱特征。
2. 2.
   核心种质代表性显著：蛋白质和淀粉含量的箱线图显示核心集与全集具有高度一致的统计分布。KDE重叠度在蛋白质（87.26%-95.35%）和淀粉（82.81%-91.48%）方面均表现优异。
3. 3.
   多样性保持良好：SDI分析表明核心集保留了90%以上的遗传多样性，其中豇豆蛋白质多样性保留率达93.6%，鹰嘴豆蛋白质为93.3%。
4. 4.
   光谱特征一致性：在蛋白质（1496、1668、1730、1860、1976、2180、2220 nm）和淀粉（1460、1728、2106、2270、2462 nm）特征波长处，核心集与全集的光谱幅度统计量（均值、标准差等）无显著差异。
5. 5.
   工具开发实用化：基于PyQt5设计的NIRCoreVision GUI实现了从数据上传、预处理、模型训练到核心种质导出的全流程可视化操作，极大提升了方法的可用性。

该研究的创新性在于首次将深度学习特征提取与传统聚类算法相结合，解决了NIRS数据高维度、非线性带来的核心种质筛选难题。所开发的框架不仅显著提高了筛选效率，避免了传统生化分析的环境污染问题，而且通过GUI工具降低了技术使用门槛，使得植物育种学家能够快速从大规模种质库中挖掘具有优异性状的材料。未来该方法可进一步扩展至其他营养性状（如油脂、酚类物质）和农艺性状的筛选，为作物遗传资源的高效利用和精准育种提供强有力的技术支撑。