通过大规模生理学和多组学分析以及先进的计算方法，预测“Hayward”猕猴桃软化过程的成熟生物标志物

《Postharvest Biology and Technology》：Maturity biomarkers predicting ‘Hayward’ kiwifruit softening through large-scale physiological and multi-omic profiling with advanced computational analysis

精准预测猕猴桃采后软化对供应链优化至关重要。本研究基于100个果园两年数据，发现淀粉含量、槲皮素及特定单糖（如阿拉伯糖、木糖）、多聚半乳糖酶（PME）和β-半乳糖苷酶活性与哈密尔顿猕猴果耐储性显著相关，并构建了机器学习模型用于预测冷储后的软化程度。

　　

Maria Rodovitou|Michail Michailidis|Xanthoula Eirini Pantazi|Christina Skodra|Vaia Styliani Titeli|Marios Georgios Kollaros|Christos Bazakos|Georgia Tanou|Athanassios Molassiotis

希腊塞萨洛尼基亚里士多德大学园艺系果树学实验室，Thermi，塞萨洛尼基57001

摘要

准确预测猕猴桃采后软化程度对于供应链优化和质量控制至关重要，但由于采收时的生理过程具有高度动态性和异质性，这一任务仍然具有挑战性。为了识别能够预测采后软化的成熟生物标志物，我们分析了两个生长季节中100个商业果园在成熟采收时的生理、生化和分子特征，并评估了它们预测“Hayward”猕猴桃在冷藏两周或十周后的硬度的能力。分析结果显示，淀粉含量以及槲皮素和阿拉伯糖、木糖等特定单糖的水平与果实硬度的保持密切相关。基于第一季的软化表现，我们选出了三个硬度较高的果园和三个硬度较低的果园进行转录组分析，发现了九个与软化调控相关的候选基因，包括、、<β-amylase>和<β>-半乳糖苷酶（<β>-Gal）活性也与采后硬度相关。将这些特征整合到线性和非线性机器学习模型中，发现淀粉和蔗糖含量、和的表达以及<β>-Gal尤其是PME的活性是预测最终硬度的最可靠指标。这些依赖于成熟的生物标志物为评估“Hayward”猕猴桃的软化风险提供了实用的、基于机制的框架，有助于精确管理采后处理并支持在冷藏期间保持果实质量的策略。

引言

果实软化是决定果实采后寿命的主要因素，影响其易受损伤的程度、病原体侵袭以及消费者的满意度，所有这些都会导致供应链和消费者手中的损失（Brummell等人，2022年）。处理者和运输商需要果实具有足够的硬度以减少运输过程中的损伤，而消费者则偏好达到可食用成熟度的果实（Porat等人，2018年）。与成熟相关的细胞壁结构、角质层完整性和可溶性糖组成的变化在很大程度上决定了多肉果实的软化。在细胞壁层面，这些变化包括半纤维素的降解、果胶的溶解和降解，以及果胶多糖侧链中中性糖的消耗，所有这些都会显著改变细胞壁的机械性能和粘弹性（Zhang等人，2021年）。同时，细胞膨压的逐渐降低也协同促进了整体硬度的丧失。果胶是初生细胞壁和中层膜的主要结构成分，占细胞壁多糖的60%左右，在成熟过程中会经历广泛的酶促降解（Vicente等人，2007年）。这一过程主要由细胞壁修饰酶的协同作用介导，包括聚半乳糖醛酸酶（PG）、果胶甲酯酶（PME）和<β>-半乳糖苷酶（<β>-Gal），它们将酸溶性果胶（ASP）转化为水溶性果胶（WSP）（Brummell，2006年）。除了内源性生化调控外，外部因素如冷藏温度和乙烯暴露也会显著影响这些过程的动力学，从而影响果实的质地、代谢过程和采后储存潜力（Ritenour等人，1999年）。

猕猴桃（Actinidia chinensis var. deliciosa ‘Hayward’）是一种高价值的全球水果作物，其果肉硬度是决定成熟度和采后质量的关键因素。猕猴桃可以在生理成熟但尚未完全成熟的阶段采摘，并在0°C下无乙烯条件下储存长达六个月，之后可以在室温下继续成熟（Minas等人，2018年）。与许多呼吸跃变型水果不同，猕猴桃在成熟过程中外观保持不变，变化主要局限于果肉软化（Atkinson等人，2011年）。猕猴桃的软化，尤其是在冷藏过程中，是一个重大的科学和商业挑战。尽管软化明显受到采收时成熟度的影响，但在某些季节，仅靠成熟度无法解释采后硬度的显著损失。这表明其他环境因素可能与成熟度相互作用，导致不同季节和果园之间猕猴桃软化程度的差异（Cooper等人，2005年）。“Hayward”猕猴桃的软化过程分为三个明显阶段：（1）接近采收时的缓慢软化；（2）快速软化至采收时硬度的约20%；（3）与乙烯相关的呼吸跃变软化，导致可食用成熟度和风味形成（Schr?der和Atkinson，2006年）。猕猴桃软化阶段的明显时间分离使得早期细胞壁变化和随后的快速软化可以在很大程度上独立于乙烯的作用进行研究，这与番茄和鳄梨等其他呼吸跃变型水果不同（Schr?der和Atkinson，2006年）。

基于采收参数开发预测采后软化的标志物，特别是对于全球最主要的猕猴桃品种“Hayward”，对全球猕猴桃产业具有重要意义。例如，能够预测采后时期的果实硬度将有助于根据其储存潜力进行分类，并决定长期冷藏或短期销售。这还将有助于实施延长猕猴桃保质期的策略，如使用1-甲基环丙烯（1-MCP）、臭氧（O?）或改良气氛（MA）储存，特别是对于那些在冷藏过程中容易快速软化的果实。已经提出了几种用于预测多种水果储存质量的分子标志物。例如，Favre等人（2023a）发现，早期采摘的‘Royal Gala’苹果的软化季节性差异与采收时的生物标志物相关，尤其是与应激蛋白、几种热休克蛋白和水通道蛋白相关的基因。通过综合多组学分析，Favre等人（2023b）确定了‘Zesy002’黄色果肉猕猴桃的成熟生物标志物，包括MYB10和的表达，结合可溶性固形物含量测量，作为储存性能的预测因子。然而，尽管取得了这些进展，迄今为止确定的预测生物标志物仍具有品种和情境特异性，并且主要来自有限的果园数量和早期采摘的黄色果肉猕猴桃。相比之下，针对全球主导的绿色果肉品种“Hayward”的基于成熟的采后软化预测因子，在商业果园条件下和多个生长季节中尚未得到探索。特别是，将大规模的生理、酶学、转录组学和代谢组学数据集与先进的基于机器学习的特征重要性分析相结合，尚未用于解析该品种采后软化的决定因素。

在这项研究中，我们调查了“Hayward”猕猴桃在采收时的成熟特征，这些特征可以预测储存后的软化表现。连续两年从100个果园收集了果实。在采收时进行了广泛的生理测量，以及转录组学、代谢组学和酶活性分析，以识别与采后果实硬度相关的潜在成熟生物标志物。通过结合传统的统计相关性分析（Pearson）和先进的基于机器学习的特征重要性方法，包括随机森林（RF）、排列重要性（PI）、Shapley加性解释（SHAP）和互信息（MI），我们通过不同特征重要性的共识排名确定了最可靠的采收特征，这些特征可以作为猕猴桃采后软化的预测标志物。这些发现可以为猕猴桃价值链上的利益相关者提供指导，帮助他们选择监测采后果实软化和质量的指标。

果实材料和采样收集

果实材料和采样收集

猕猴桃 [Actinidia chinensis var. deliciosa (A. Chev.) A. Chev. ‘Hayward'] 在希腊北部主要猕猴桃种植区的100个商业果园中连续两个生长季节（2021年和2022年）进行了采摘（补充图S1）。每次采摘时，从每个果园的四个重复藤蔓上收集120个带有标签的果实，并在室温下运输到塞萨洛尼基亚里士多德大学的果树学实验室。采摘时间基于...

对100个商业果园的猕猴桃成熟度和采后硬度的全面表征

两个生长季节中大多数果园（编码为1-100）的果实显示出成熟的显著变化，包括采收时的果肉硬度（H）以及长期冷藏（LC）后的硬度（图1A；补充表S3）。对第一季猕猴桃的Pearson相关性分析显示，采收时的果肉硬度（H）与干物质含量和LC硬度之间存在强烈的正相关（图1B）。类似的正相关现象也被观察到...

讨论

果肉硬度是猕猴桃食用质量、储存潜力和商业价值的关键指标，但其狭窄的消费者可接受范围（5–10 N）给采后冷藏带来了挑战（Burdon & Lallu，2011年）。因此，本研究旨在利用大规模数据集识别采收时猕猴桃的成熟因素，这些因素可以作为采后软化过程的指标。通过使用涵盖两个生长季节和100个果园的大规模数据集，我们整合了...

结论

通过分析多个果园和生长季节的大规模数据集，包括成熟特征、转录本、代谢物和细胞壁酶活性，我们识别出一组能够预测“Hayward”猕猴桃采后软化的变量。果胶甲酯酶（PME）被证明是最可靠和生化意义最显著的预测因子，而淀粉、蔗糖、<β>-Gal活性和表达也是一致的指标。这些发现为...

资助

本工作得到了欧盟和希腊国家基金的支持，通过“竞争力、创业和创新”运营计划下的RESEARCH–CREATE – INNOVATE项目（项目代码：Τ2ЕΔΚ-03007；Premium Kiwi）。

CRediT作者贡献声明

Maria Rodovitou：写作 – 审稿与编辑、原始草稿撰写、可视化、验证、方法学、研究、正式分析、数据管理、概念化。Athanassios Molassiotis：写作 – 审稿与编辑、监督、项目管理。Georgia Tanou：写作 – 审稿与编辑、监督、方法学、研究。Christos Bazakos：写作 – 审稿与编辑、监督、方法学、研究。Kollaros Marios：写作 – 审稿与编辑、可视化。

写作过程中生成式人工智能和人工智能辅助技术的声明

本手稿的撰写过程中未使用任何生成式人工智能。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。

致谢

作者衷心感谢Chrysanthi Polychroniadou博士在代谢组实验中的贡献。