基于顺序优化导数预处理与TabPFN的水溶性和盐溶性小麦蛋白组分小样本可解释高光谱表型预测

《Foods》：Interpretable Small-Sample Hyperspectral Phenotyping of Wheat Protein Fractions via Order-Optimized Derivative Preprocessing and TabPFN

　　

摘要 快速表型分析水溶性和盐溶性小麦蛋白组分可支持谷物品质评价与育种。研究人员使用来自水氮和水肥试验的全麦面粉，预测实测白蛋白（albumin）和球蛋白（globulin）含量及其派生和，称为代谢蛋白和（metabolic-protein sum，白蛋白+球蛋白）。在系统比较多种预处理、波长选择和回归方法后，一种结合顺序优化导数预处理（order-optimized derivative preprocessing，ODP）、基于最小冗余最大相关（minimum redundancy maximum relevance，MRMR）和递归特征消除（recursive feature elimination，RFE）的混合特征选择方法以及表格先验数据拟合网络（tabular prior-data fitted network，TabPFN）回归器的框架，在测试集表现上持续较强。白蛋白和代谢蛋白和的最优导数阶数均为1.0，球蛋白为0.8。ODP-MRMR-RFE-TabPFN框架分别保留147、46和70个波长用于白蛋白、球蛋白和代谢蛋白和，得到测试集决定系数（coefficient of determination，R²）值分别为0.847、0.693和0.850；均方根误差（root mean square error，RMSE）值分别为3.073、0.951和3.368 mg g^?1；残差预测偏差（residual prediction deviation，RPD）值分别为2.554、1.804和2.586。留一品种法验证显示，不同留出品种间预测性能存在较大变异，白蛋白的R²和RPD分别范围为0.282–0.736和1.180–1.945，球蛋白的R²和RPD分别范围为0.416–0.750和1.308–2.001。因此，尽管白蛋白在随机训练-测试划分下达到定量级性能，但该性能在未参与品种中并未持续保持，而球蛋白总体更适合筛查。SHapley加性解释（SHapley additive explanations，SHAP）和偏依赖图（partial dependence plots，PDPs）显示，可见光波长对所有模型均有强贡献，近红外（near-infrared，NIR）波长为球蛋白和代谢蛋白和提供补充信息。总体而言，该框架为快速、可解释地基于面粉估计代谢活跃小麦蛋白组分提供了方法。

小麦（Triticum aestivum L.）是主要膳食蛋白源。按Osborne分级，籽粒蛋白分为水溶性白蛋白、盐溶性球蛋白、醇溶性麦谷蛋白和碱溶性谷蛋白。白蛋白和球蛋白通常被视为代谢活跃蛋白组分，富含酶和多肽抑制剂，广泛参与籽粒发育、初生代谢及环境胁迫响应。传统定量依赖Osborne顺序提取结合比色、色谱等方法，可靠但费时，不适于高通量表型分析。高光谱成像（hyperspectral imaging，HSI）已用于预测小麦蛋白含量、水分、硬度等品质性状，但特定蛋白组分的定量光谱预测仍困难：不同蛋白组分的N-H、C-H、O-H吸收特征重叠，限制光谱区分；面粉光谱还受淀粉、水分、脂质、色素、粒径和散射影响，蛋白相关信号嵌入复杂光学矩阵。光谱预处理可增强信息变异，分数阶导数（fractional-order derivative，FOD）可减少重叠并突出弱局部特征，但白蛋白、球蛋白及代谢蛋白和的阶数依赖响应、信息波长和预测性能尚未系统评估。波长选择可降低冗余并提高模型简约性和精度，最小冗余最大相关（minimum redundancy maximum relevance，MRMR）结合递归特征消除（recursive feature elimination，RFE）可最大化目标相关性并减少冗余，但其相对效果尚不清楚。偏最小二乘回归（partial least squares regression，PLSR）、支持向量回归（support vector regression，SVR）和随机森林（random forest，RF）广泛用于农业光谱，但小样本高维数据面临变量冗余和配置敏感问题。表格先验数据拟合网络（tabular prior-data fitted network，TabPFN）是基于Transformer的表格任务先验模型，可在小数据集上快速推断，但其与导数预处理结合用于小麦蛋白组分光谱预测的潜力尚待探索。SHapley加性解释（SHapley additive explanations，SHAP）和偏依赖图（partial dependence plots，PDPs）可用于识别影响波长并阐明模型级光谱响应。基于此，研究人员使用两个互补田间试验的全麦面粉样本，评估可见-近红外（visible and near-infrared，Vis-NIR）高光谱信息对白蛋白、球蛋白和代谢蛋白和的预测能力，目标包括量化水氮和水肥处理下蛋白组分变异、筛选目标特异最优导数阶、比较TabPFN与PLSR/SVR/RF、比较MRMR-RFE与无信息变量消除（uninformative variable elimination，UVE）、竞争自适应重加权采样（competitive adaptive reweighted sampling，CARS）和连续投影算法（successive projections algorithm，SPA）、用SHAP和PDP解释模型、通过独立重采样和Bootstrap评估重现性与稳定性、并用留一品种验证跨品种可迁移性。研究结论表明，ODP-MRMR-RFE-TabPFN框架可提供快速、可解释的全麦面粉代谢活跃小麦蛋白组分估计；白蛋白在随机划分下达到定量级，但跨未参与品种不稳定，球蛋白总体更适合筛查，该框架对育种材料和高通量处理比较具有潜在意义。

开展研究用到的主要关键技术方法不超过250字：样本队列来源于2024—2025生长季河北省农林科学院旱作节水农业试验站（河北深州）的两个田间试验，试验1为5个品种J2、H2、H3、H6、H7的水氮处理，试验2为品种H1的4×4水肥全因子处理，共198份全麦面粉样本；另从试验1收获物再采样制备25份复合样本用于独立再采样验证。技术路线包括Vis-NIR高光谱采集、FOD/ODP在0.0–2.0内筛选导数阶、MRMR-RFE/UVE/CARS/SPA波长选择、PLSR/SVR/RF/TabPFN回归比较、五折交叉验证、随机训练-测试划分、留一品种验证、Bootstrap稳定性评估以及SHAP和PDP模型解释。

研究结果按原文小标题浓缩如下。3.1 水氮和水肥处理下籽粒蛋白组分变异：在五种水氮处理下，品种H2蛋白组分含量较高，H6较低；高氮下增加灌溉次数一般提高白蛋白，球蛋白在多数品种中对灌溉梯度无显著响应，J2例外；充分灌溉下降低施氮量通常降低蛋白组分，H6变化较小。H1水肥试验中，灌溉、施肥及互作显著影响白蛋白和球蛋白，代谢蛋白和主要受灌溉及灌溉×施肥互作影响，W2处理有利于积累。总体上，白蛋白均值24.86 mg g^?1，标准差7.36 mg g^?1，变异系数29.61%；球蛋白均值13.45 mg g^?1，标准差1.92 mg g^?1，变异系数14.28%；代谢蛋白和与白蛋白强相关且变异较高。3.2 蛋白组分含量相关光谱响应和相关性：全麦面粉平均光谱总体轮廓相似，500–950 nm反射率渐增，1000–1150 nm局部波动，1200–1350 nm出现吸收谷；组间分离在650、1100、1200和1350 nm附近最明显；原始光谱Pearson相关在可见和红区强于NIR，最强相关主要在500–900 nm。3.3 分数阶导数变换对光谱特征和蛋白相关性的影响：随FOD阶数增加，光谱峰数显著增加，510、1150和1300 nm附近特征增强，动态范围逐渐缩小至零；阶数超过1.5后波动加剧并出现一定畸变，提示可能放大噪声。相关热图显示，白蛋白、球蛋白和代谢蛋白和在0.5–1.0阶范围内呈强连续相关，超过1.5阶后相关减弱分散；500–900 nm为主要敏感区，白蛋白和代谢蛋白和在1150、1300和1350 nm附近有局部响应。3.4 FOD阶数对预测性能的影响：TabPFN交叉验证确定目标特异最优阶，白蛋白1.0阶时平均验证R²为0.715、RMSE为3.717 mg g^?1、RPD为1.981；球蛋白0.8阶时R²为0.465、RMSE为1.357 mg g^?1、RPD为1.405；代谢蛋白和1.0阶时R²为0.717、RMSE为4.119 mg g^?1、RPD为2.083；TabPFN在各目标上均高于相应导数阶下的PLSR、SVR和RF。阶数增至2.0时，三者平均交叉验证R²降至0.384、0.405和0.423，RMSE升至5.586、1.382和6.153 mg g^?1。3.5 特征波长选择和TabPFN模型验证：MRMR-RFE最终为白蛋白、球蛋白和代谢蛋白和分别保留147、46和70个变量；UVE、CARS、SPA分别保留白蛋白33、11、12个，球蛋白12、19、27个，代谢蛋白和59、59、220个波长。有效光谱信息分布于多个光谱区，不同目标响应模式不同。交叉验证与测试评价不完全一致，MRMR-RFE在测试集上对三个目标均取得最高R²和RPD及最低RMSE：白蛋白R²=0.847、RMSE=3.073 mg g^?1、RPD=2.554；球蛋白R²=0.693、RMSE=0.951 mg g^?1、RPD=1.804；代谢蛋白和R²=0.850、RMSE=3.368 mg g^?1、RPD=2.586。3.6 蛋白组分预测的独立重采样验证：独立重采样样本中，白蛋白、球蛋白和代谢蛋白和的拟合线R²分别为0.719、0.697和0.738。代谢蛋白和直接预测R²=0.733、RMSE=3.757 mg g^?1、平均偏差（mean bias，MB）=+0.037 mg g^?1；组分加和预测R²=0.730、RMSE=3.778 mg g^?1、MB=?0.538 mg g^?1，直接预测系统偏差更低。该验证支持同一田收获内独立制样和测量的分析重现性，但不构成外部生物学验证。3.7 优化建模框架的Bootstrap稳健性评估：固定配置TabPFN在不同Bootstrap重复下测试集表现总体稳定。白蛋白100、200、400次Bootstrap中位R²为0.748、0.749、0.749，95%经验区间为0.636–0.829、0.634–0.829、0.634–0.829；球蛋白中位R²为0.471、0.478、0.478，区间为0.256–0.656、0.199–0.649、0.199–0.649，区间更宽，说明其对训练上下文变化更敏感；代谢蛋白和趋势与白蛋白相似。3.8 基于SHAP和PDP的模型解释。3.8.1 基于SHAP的关键波长和光谱区域贡献分析：白蛋白最重要波长为507.812 nm，其他高贡献波长主要在500–520和700–850 nm；球蛋白最重要波长为502.456 nm，重要波长集中于500–570和1120–1310 nm；代谢蛋白和最重要波长亦为507.812 nm，其他高贡献波长主要在500–530和740–820 nm。区域贡献中，白蛋白可见、红和NIR分别为47.3%、27.7%和25.0%；球蛋白为48.8%、8.5%和42.7%；代谢蛋白和为40.6%、22.8%和36.6%，可见区贡献最大，NIR对球蛋白和代谢蛋白和贡献超过35%。3.8.2 关键波长的SHAP依赖和PDP响应：白蛋白模型中507.812和510.491 nm呈非线性阈值响应，特征值超过约0.0030后PDP快速升高并达峰后下降，743.526 nm随特征值增加总体正贡献；球蛋白模型中502.456 nm与模型输出呈负关系，510.491和1118.04 nm主要呈正响应；代谢蛋白和模型中507.812和510.491 nm响应类似白蛋白，743.526 nm近似单调正贡献。3.9 蛋白组分预测的品种分组验证：留一品种验证中，H1留出时白蛋白、球蛋白和代谢蛋白和分别选择1.0、0.8和1.0阶，R²为0.639、0.659和0.507。所有留出品种组选择阶数为0.8–1.2。白蛋白R²为0.282–0.736、RPD为1.180–1.945，仅H1、H2、H3的R²高于0.630；球蛋白R²为0.416–0.750，J2最高，R²=0.750、RMSE=0.926 mg g^?1、RPD=2.001，H1、H2、H3分别为0.659、0.617、0.614；代谢蛋白和R²为0.507–0.901，J2、H2、H3、H6、H7高于0.630。适用性受品种和试验背景影响，表型变异幅度与模型稳定性相关。

讨论部分总结：该研究显示小麦代谢活跃蛋白组分可预测性存在性状依赖。白蛋白测试集RPD=2.554，达定量级；球蛋白分布较窄，RPD=1.804，达筛查级；但留一品种验证表明白蛋白定量性能不能稳定迁移至未见品种。白蛋白变异系数29.61%，球蛋白14.28%，较大目标变异提供更有利光谱回归梯度。白蛋白参与籽粒发育、代谢和胁迫响应，品种、水、氮和施肥可产生较宽丰度梯度；球蛋白可能更依赖基因型且对短期管理响应较弱，限制校准范围。FOD阶数应作为目标和模型特异的预处理参数，TabPFN下白蛋白和球蛋白最优阶为1.0和0.8，而RF下分别为1.9和1.3，品种分组中为0.8–1.2，说明最优阶随训练集组成变化，方法贡献在于系统优化而非证明FOD普遍优越。小样本高维条件下，TabPFN结合预训练先验可减少调参并捕捉非线性，MRMR-RFE先约束输入，因此性能应归因于MRMR-RFE与TabPFN联合。可见区贡献最大，但不应解释为蛋白特异吸收，可能反映颜色、色素、颗粒散射和淀粉-蛋白基质结构；红和NIR提供补充信息，1100–1350 nm含重叠C-H倍频及N-H/O-H合频信息。研究局限包括需不同年份、生态区和管理实践样本，需探索更紧凑波长子集或光谱指数，且全麦粉需研磨，未来应评估完整籽粒高光谱。研究结论翻译：本研究证明可见-近红外高光谱成像用于实验室快速估计全麦面粉中代谢活跃蛋白组分的可行性。在白蛋白和球蛋白中，白蛋白在所试水氮和水肥处理下变异大于球蛋白。ODP-MRMR-RFE-TabPFN框架针对三个建模目标得到系统优化。相应模型选择导数阶1.0、0.8和1.0，保留147、46和70个波长，测试集R²分别为0.847、0.693和0.850。模型解释显示可见波长贡献强，保留的NIR波长提供补充信息。独立重采样验证支持同一田收获内单独样品制备和测量的重现性，但不构成外部生物学验证。留一品种验证显示跨品种转移异质性。白蛋白R²为0.282–0.736，球蛋白R²为0.416–0.750。总体而言，该框架是小麦面粉蛋白组分表型分析的有前景实验室策略，其更广适用性应通过纳入更广品种范围进一步建立。