《Grass and Forage Science》:Harvester-Mounted NIRS as a High-Throughput Approach for Predicting Forage Nutritive Value
编辑推荐:
近红外反射光谱(NIRS)是量化干燥和研磨饲草样品中关键植物成分的有效方法。然而,基于实验室的NIRS样品制备的劳动密集型特性限制了其在常规饲草育种选择中的应用。通过田间NIRS测量实施更高通量分析,可增强多年生黑麦草改良品质性状的选择过程。研究人员从2022
近红外反射光谱(NIRS)是量化干燥和研磨饲草样品中关键植物成分的有效方法。然而,基于实验室的NIRS样品制备的劳动密集型特性限制了其在常规饲草育种选择中的应用。通过田间NIRS测量实施更高通量分析,可增强多年生黑麦草改良品质性状的选择过程。研究人员从2022年和2023年正在评估的育种小区中收集了多年生黑麦草样品,并进行了干物质消化率(DMD)的化学分析,以形成校准数据集。在小区收获期间,使用Zeiss Corona Extreme以2 nm间隔(950–1690 nm)扫描样品。研究人员评估了每种校准的各种数学光谱处理,并根据预测均方根误差(RMSE)和百分比偏差比(RPD)进行排序。这导致利用收割机安装式NIRS对新鲜样品开发了稳健的DMD校准模型。最有效的校准模型对DMD表现出中等精度,R2=0.76,RPD为2.18。收割机安装式NIRS的应用将促进整个生长季节中饲草消化率数据的常规收集,无需额外劳动力,从而支持具有更高消化率特性的新型饲草品种的开发。
**论文解读文章**
**研究背景与问题**
在牧场育种中,快速分析营养品质参数可有效提升高品质多年生黑麦草(PRG)品种的选择效率。传统实验室近红外光谱(NIRS)技术虽能量化干燥研磨样品中的关键植物组分,但样品准备步骤(干燥、研磨)耗时费力,严重制约了其在高通量育种筛选中的应用。此外,便携式光谱仪的光谱范围受限(通常缺少1651–2498 nm区域),且新鲜样品的高水分含量会掩盖其他分子的振动信号,这使得直接利用田间新鲜生物质进行营养品质预测面临挑战。现有研究多集中于干燥样品,对新鲜样品NIRS校准模型的开发相对有限,尤其缺乏在真实育种场景中集成到收割平台的高通量解决方案。因此,研究人员旨在开发一种基于收割机安装式NIRS的高通量平台,实现对新鲜多年生黑麦草生物质的干物质消化率(DMD)进行实时、无额外劳力投入的预测,从而加速消化率性状的遗传改良。
**研究内容与结论**
研究人员从爱尔兰Teagasc Oak Park(52.8567, ?6.9127)的二倍体和四倍体多年生黑麦草F2全同胞家系试验小区中采集样品,在2022年和2023年生长季内(涵盖早期到晚期共18次收获)利用收割机安装式Zeiss Corona Extreme光谱仪(950–1690 nm,2 nm间隔)对新鲜生物质进行反射模式扫描。同时,研究者收集约200–300 g草样用于参考实验室分析,通过Tilley and Terry摇瓶法(使用泌乳奶牛的瘤胃液,消化48 h)测定DMD参考值。利用DUPLEX算法从2533个扫描光谱中选择代表性样品,最终对686个样品进行化学分析,建立校准数据集。研究比较了多种光谱预处理方法(如多元散射校正MSC、标准正态变量SNV、去趋势及导数处理)与建模方法(偏最小二乘回归PLSR、弹性网络Elastic Net、局部加权PLSR),并采用随机验证(80%训练/20%测试)和DUPLEX验证(333训练/336测试)两种策略评估模型性能。结果表明,新鲜样品NIRS预测DMD可行:随机验证下最优模型(无预处理+二阶导数+弹性网络)的R
2=0.79,RPD=2.2;DUPLEX验证下最优模型(MSC+PLSR)的R
2=0.70,RPD=1.8。干燥样品校准虽在扩展波长范围(>1900 nm)上表现更优,但新鲜样品校准性能已与已报道研究相当或更优。关键光谱波段分析显示,第二泛频区(尤其1206 nm和1194 nm,与脂肪酸CH
3基团的C-H吸收相关)对DMD预测贡献最大,且13个该区域波长即可实现R
2=0.51的预测精度。
**关键技术方法**
- **样本来源**:爱尔兰Teagasc Oak Park育种试验地点的多年生黑麦草F2全同胞家系小区(二倍体和四倍体),2022–2023年共18个收获期。
- **光谱采集平台**:收割机安装式Zeiss Corona Extreme光谱仪(950–1690 nm,2 nm间隔),实时扫描新鲜生物质并同步称重。
- **参考分析**:Tilley and Terry摇瓶法测定DMD,由Cumberland Valley Analytical Services(美国)执行。
- **化学计量学建模**:采用R语言实现PLSR、Elastic Net及LWPLSR,结合MSC、SNV、去趋势、Savitzky-Golay导数(1.7.2, 2.7.2, 0.7.2)等光谱预处理,通过内部5折交叉验证优化超参数(主成分数、α、λ)。
- **验证策略**:随机划分(80%训练/20%测试)与DUPLEX算法(基于光谱距离均匀分配子集)双重验证。
- **实用化工具**:开发开源RShiny应用程序CaMeL,支持实时模型部署与预测。
**研究结果**
**3.1 收割机安装式NIRS预测DMD的精度**
通过对比两种验证方法:随机验证因训练集更大(549 vs 333)获得更优结果(R
2=0.79;RPD=2.2),而保守的DUPLEX验证(R
2=0.70;RPD=1.8)反映了模型在独立子集中的预期性能。PLSR与弹性网络模型一致优于局部加权PLSR。干燥样品校准虽在扩展光谱区域(>1900 nm)上显示额外区分能力,但新鲜样品校准在有限谱范围内实现了可比的预测性能(动态范围60.3%–84.1% DMD)。
**3.2 影响DMD预测的光谱波段**
从最优PLSR和弹性网络模型的回归系数中,第二泛频区(1206 nm和1194 nm)表现出最高贡献,这些波段对应脂肪酸的C-H吸收。第一泛频区(1510 nm、1530 nm对应N-H伸缩)贡献较小。干燥样品中组合波段区域(>1900 nm)是关键贡献者,但该区域超出便携式光谱仪范围;尽管如此,可获取的光谱区域已足够支持准确预测。
**讨论与结论**
研究人员指出,传统育种中消化率的遗传进展远滞后于产量,主要障碍在于缺乏常规高通量测量手段。本研究表明,收割机安装式NIRS可在无需额外劳力的情况下,于整个生长季节(模拟放牧制度最多10次刈割)连续收集DMD数据,为每个选择候选者提供全面的营养品质档案。通过持续用离群样本更新校准库,模型精度可进一步提升。该平台可整合产量、气象数据及生殖转变时间,支持品种特异管理包及生长模型(如MoSt GG)的开发,并强化国家品种推荐试验中的季节加权品质选择。
**研究结论(翻译自原文Conclusions)**
本研究表明,可以开发近红外光谱校准模型,在常规田间饲草收获过程中实时预测新鲜草样的干物质消化率(DMD)。这些校准模型及其相关的caMel应用,提供了一种进行准确牧场品质评估的实用手段,并可整合到多年生黑麦草育种程序中,以评估整个生长季节的营养价值。这些发现也可能支持未来校准模型的开发,以帮助草地农场主进行常规管理决策。