面向现代豆科作物育种的AI辅助感官相关性状无损表型分析：从传感技术到育种尺度应用框架

《Smart Agricultural Technology》：AI-assisted nondestructive phenotyping of sensory-related traits in modern legume breeding: From sensing technologies to a proposed framework for breeding-scale application

　　

AI辅助无损表型分析在现代豆科作物育种中的感官相关性状：从传感技术到育种尺度应用框架。质地、风味、香气和外观等感官相关性状强烈影响消费者对豆科作物的接受度，但在现代育种项目所需尺度上仍难以进行表型分析。人类感官评价提供关键参考数据，但劳动密集、成本高，且不适用于筛选数千个基因型。无损传感技术，包括近红外与高光谱光谱学（near-infrared and hyperspectral spectroscopy）、机器视觉（machine vision）、电子鼻（electronic noses）及相关平台，可对化学、结构和挥发性属性进行快速、高通量测量，作为感官品质的替代指标。当与机器学习（machine learning, ML）和深度学习（deep learning, DL）结合时，这些测量具有预测感官相关表型的潜力。然而，现有研究多集中于采后品质评估或组成表征，针对多样育种群体中人类感官响应的严格校准与外部验证仍有限。本综述批判性审视AI辅助无损表型分析在豆科作物感官相关性状中的现状，评估主要传感平台用于育种尺度应用的优势与局限，并阐明仪器方法相对于感官评价小组的补充作用。研究人员随后提出一个实用框架，将标准化数据采集、稳健模型验证、不确定性量化（uncertainty quantification）、数据治理（data governance）和决策支持集成（decision-support integration）相连接，以实现更高效、面向消费者的选择。该框架强调可迁移模型而非通用模型、成本可行性考量以及在现有育种流程中的负责任部署。总体而言，AI辅助无损表型分析最好被视为数据驱动豆科作物育种的一个使能组成部分，可在保留针对性人类感官评价作为参考标准的同时扩大筛选能力。

研究背景与问题：豆科作物对人类营养和可持续食物系统具有重要意义，但其消费和市场接受不仅取决于产量、营养价值和抗逆性，也取决于终端用途和感官品质。将感官性状纳入育种仍困难：育种项目常规评价大量基因型的产量、抗病、适应性和其他农艺性状，而风味、质地、香气、外观和蒸煮性能等终端品质常后期评价，因为测量劳动密集、具破坏性或依赖人类评价者。豆科作物消费者接受和产品适用性尤其依赖水合、蒸煮或加工后表达的属性。普通菜豆（Phaseolus vulgaris L.）已显示风味和质地存在遗传变异，全基因组关联研究鉴定出与多个感官属性相关的标记，说明感官品质可作为遗传变异育种目标。随着育种群体增大和选择周期加速，表型瓶颈突出；感官性状多维，受遗传、生化、环境、加工和人类因素影响。人类感官评价仍是直接测量感知属性和消费者响应的必要方法，但训练评价小组需招募、培训、校准、重复评价和受控条件，消费者测试需大量参与者，难以扩展到数千育种样本；感官响应还随基因型、环境、加工和评价小组特征变化。因此，感官评价应作为参考或ground truth，而非常规筛选全群的方法。需要可扩展表型策略，同时保留人类感官测量用于校准和验证。无损检测（nondestructive evaluation, NDE）和AI可提供可扩展替代指标：近红外（near-infrared, NIR）、中红外（mid-infrared, MIR）和傅里叶变换红外（Fourier-transform infrared, FTIR）光谱提供化学组成信息，高光谱成像（hyperspectral imaging, HSI）、机器视觉、电子鼻和电子舌等扩展至光学、结构、挥发和理化特征；高通量测量经统计或机器学习/深度学习模型解释，可产生与人类感官评分关联的数字标记。但传感器不直接复制人类感知，需校准并在独立样本及遗传和环境条件下验证。现有豆科证据多集中于采后品质、分选、缺陷检测和组成表征，少研究验证人类感官响应并直接服务育种。故开展该综述。

研究开展与结论意义：研究人员批判性审视AI辅助无损表型分析在豆科感官相关性状中的现状，评估主要传感平台用于育种尺度应用的优势与局限，阐明仪器方法相对感官评价小组的补充角色，并提出连接标准化数据采集、稳健模型验证、不确定性量化、数据治理和决策支持集成的实用框架；强调可迁移而非通用模型、成本可行性以及现有育种流程中的负责任部署。结论是AI辅助无损表型分析应视为数据驱动豆科育种的使能组件，可扩大筛选能力，但保留针对性人类感官评价作为参考标准；其价值应以是否产生可靠、可迁移、具生物学意义并能改善育种决策的表型衡量，而非仅看预测准确率。

关键技术方法：该文为综述，未涉及原始样本队列来源。方法上，研究人员批判性梳理豆科感官评价与无损表型文献；比较NIR/MIR/FTIR、HSI、机器视觉、电子鼻（E-nose）、电子舌（E-tongue）和挥发性有机化合物（volatile organic compound, VOC）传感器等平台；评估机器学习/深度学习及化学计量模型（如偏最小二乘（partial least squares, PLS）、支持向量机（support vector machine, SVM）、卷积神经网络（convolutional neural network, CNN））将传感器信号转化为感官替代指标的能力；强调校准、独立外部验证、不确定性量化和多模态融合；据此构建育种尺度应用框架。

研究结果：2 豆类育种常用感官评价方法作为AI辅助表型的参考表型：通过归纳描述性、辨别性和情感性方法及其豆科应用，认为标准化感官词典、强度评分、差异检测和消费者接受/偏好数据可为AI提供校准与验证目标。3 感官相关表型的无损仪器方法：3.1 光谱法：通过NIR/MIR/FTIR及HSI案例，认为光谱可快速估计与质地口感相关的水分、淀粉、蛋白、脂质和纤维等信息，但仪器测量非感官评价，依赖参考数据和验证；3.2 机器视觉与成像系统：通过RGB、HSI和X-ray micro-CT案例，认为可无损表征颜色、形状、表面和内部结构并与蒸煮质地等相关，但图像特征与人类感官关系需实证验证；3.3 电子传感器系统：通过E-nose/E-tongue/VOC研究，认为可提供香气、异味和滋味相关化学表型并区分品种，但大规模育种常规应用证据有限，应作为补充数据校准整合。4 感官相关性状及其仪器替代指标现状：4.1 质地相关性状：通过仪器测 firmness、hardness、mealiness、蒸煮软化和膨胀等，认为可作替代指标但非直接感知，需跨代表性种质标准化验证；4.2 香气和风味：通过挥发性及感官研究，认为仪器可分类预测beany、苦味和异味等属性，但需跨遗传多样材料验证；4.3 视觉、形态和结构属性：通过颜色、种子完整性、形态和结构研究，认为可作外观和加工品质替代指标，但不能可靠表征香气、风味或口腔质地，AI预测需独立验证；4.4 新鲜度和时间品质属性：通过snap bean和yardlong bean等监测研究，认为重复测量可表征贮藏后品质变化，但需区分遗传差异与贮藏环境效应。5 育种尺度AI辅助感官表型框架：提出感官来自基因驱动生化组成和结构组织、环境修饰，传感器捕获替代指标、AI学习关联。5.1 数据采集与标准化：认为需选RGB/HSI、NIR/MIR、E-nose/VOC等传感器，标准化光照、几何、水分等，收集感官ground truth和metadata以支持基因型×环境×加工（G×E×P）分析；5.2 模型训练验证与部署：认为需防信息泄漏、独立环境/年份/加工批次验证，选用CNN、多模态融合和化学计量+深度特征，报告accuracy、RMSE、R²等并部署为移动/云工具；5.3 通用感官预测模型开发：认为长期需大多样数据集、数据增强、迁移学习和多模态模型以跨基因型、物种和环境预测；5.4 数据管理存储与云管线：认为需存储、管理、共享标准格式metadata和云/集中服务器以避免数据沼泽；5.5 田间到实验室整合与自动决策：认为便携传感器采集、服务器AI输出进入选择指数、亲本排序和早期淘汰，加速周期并减少主观偏差。6 局限、可行性与负责任部署：6.1 成本分析与育种机构可行性：认为初始和运营成本高，资源有限机构受限，但长期可因减少评价小组、样本浪费和加快周期而节省，需基础设施、治理、人员和协调；6.2 育种尺度实际实施：认为机器视觉和NIR适合早期筛选，HSI和电子鼻舌适合靶向/后期验证，选择需考虑通量、成本、维护、操作和保种，模型转移不能自动假定；6.3 数据整合治理与负责任部署：认为需整合异质数据、保留provenance、透明度和不确定性，AI输出作为决策支持而非确定表型，并处理数据所有权、隐私、偏见和问责。7 未来展望与研究优先：认为应从孤立传感器模型转向验证、可迁移、育种相关表型；需更大代表性数据集和跨年份、地点、种质和平台外部验证，量化对遗传增益和选择效率贡献，报告经济操作基准，构建人类感官、无损传感、AI、基因组和环境数据互补的决策支持系统。

讨论总结：讨论部分集中说明成本与可行性、育种尺度实施、数据整合治理和负责任部署。其核心是：技术选择应同时考虑预测性能、通量、成本、维护、操作和保种；模型转移需外部验证；AI输出应具透明度、不确定性和可追溯性，并置于育种者监督和生物学验证之下。未来优先事项是建立跨种质、环境、加工和育种项目的可迁移证据，并量化其对选择效率的实际贡献。

研究结论翻译：AI辅助无损表型分析为应对豆科作物育种中感官相关性状的表型挑战提供有前景的补充途径。无损传感器可快速测量化学、结构、视觉和其他品质相关特征，AI和机器学习模型可帮助将复杂传感器输出转化为经过验证的表型或替代指标。然而，当前证据不支持将这些测量视为人类感官评价的直接替代。特别是，将无损传感和AI预测与大型豆科育种群体中人类感官响应直接联系起来的证据仍有限。因此，其当前价值最好理解为筛选、排序和优先选择材料以供后续感官或仪器验证。对于育种应用，最重要要求不仅是预测准确率，而是产生可靠、可迁移且具有生物学意义的表型，提供超越现有基因组、农艺和品质测量的额外信息。因此，实用框架应连接感官参考数据、标准化无损测量、校准与外部验证、不确定性评估和育种尺度部署。经验证的AI衍生表型随后可补充遗传分析、选择模型和多环境评价。然而，其采用仍取决于通量、成本、模型可迁移性、数据互操作性以及对育种决策的已证明影响。因此，未来进展应聚焦于在多样豆科种质、环境、加工条件和育种计划中建立稳健证据，而非单纯增加模型复杂度。总体而言，AI辅助无损表型分析应被视为数据驱动豆科育种的一个使能组成部分。其最大潜力在于将高通量传感与人类感官参考数据及其他育种信息连接，以扩大感官相关性状评价规模。如果未来研究证明这些数字表型足够准确、可迁移、成本有效且对选择有用，它们可帮助感官品质从主要后期评价转向面向消费者豆科育种中更具可扩展性的组成部分。