综述：一种“活力信号机制”框架指导了种子的非破坏性检测：整合了光谱学、成像技术和人工智能

《TRAC-TRENDS IN ANALYTICAL CHEMISTRY》：A Vigor Signal Mechanism framework guided non-destructive detection of seed vigor: Integrating spectroscopy, imaging, and artificial intelligence

　　刘全|朱子怡|尹光坤|杨增玲|宋凯|康子涵|李彦轩|韩璐佳|孙群|辛霞
中国农业大学工程学院，农业装备技术国家重点实验室，科技部，北京100083，中国

**摘要**
种子活力是决定作物建立和产量稳定性的关键因素，然而传统的活力评估方法仍然具有破坏性、耗时且劳动密集。为此，该领域正在向非破坏性检测（NDD）技术转变，这些技术结合了先进的光谱学、成像模式和人工智能（AI），以实现快速和可扩展的评估。本文介绍了活力信号机制（VSM）模型，作为解决AI驱动的种子活力预测“黑箱”性质的一种方法。该模型阐明了生物化学和结构退化如何表现为可测量的光谱和成像特征。通过将传感器响应映射到已建立的活力指标上，VSM框架增强了AI模型的生物学可解释性，并指导了传感模式的合理选择。本文系统地综合了光谱/成像技术的最新进展，包括近红外光谱、拉曼光谱、太赫兹传感、多光谱成像、高光谱成像、机器视觉、磁共振成像、X射线放射成像，以及它们与AI驱动的分析框架在种子活力预测中的结合。我们进一步强调了单一模式方法的固有局限性，以及多模态信息在有效提升模型性能中的关键作用。通过连接种子生理学、传感物理学和AI，这项工作为种子活力非破坏性检测的学术研究提供了系统的理论和技术参考，并为高通量、机制感知的种子表型系统的工业化奠定了基础。

**引言**
种子活力是种子质量的关键属性，反映了其在不同条件下快速发芽、均匀出苗和强健幼苗建立的能力[1]。高活力的种子即使在次优环境中也能建立更好的植株，直接有助于农业生产力、粮食安全和可持续作物生产[2]，[3]。重要的是，种子活力是一个动态属性，而不是固定状态。达到生理成熟后，种子在储存过程中会经历不可逆的衰老过程，其速率受基因型和储存条件（如温度、相对湿度和氧气可用性）的共同影响。种子衰老由氧化损伤和一系列生物化学及结构退化驱动，包括脂质过氧化、蛋白质损伤和膜不稳定。这些事件逐渐侵蚀发芽性能和幼苗生长潜力，使得有效表征这种衰退成为种子科学中的核心挑战[4]，[5]。

几十年来，种子活力主要通过破坏性测试进行评估。标准的发芽和活力相关测试（如冷测试、电导率（EC）测量和2,3,5-三苯基四唑氯化物染色）已经成熟且具有生理意义，但它们通常耗时、劳动密集，并且经常需要牺牲被测试的种子[1]。这些限制限制了它们在大规模筛选、高频库存监测和工业种子批次检查中的实用性，其中必须快速且反复地做出决策。

全球种子贸易的扩大和对高通量质量保证需求的增长，加剧了对种子活力非破坏性检测（NDD）的兴趣。与传统测试相比，NDD旨在从不损害被测种子活力的传感器响应中推断出与活力相关的信息[6]，[7]，[8]，[9]，[10]。为此目的，已经探索了多种传感模式，包括近红外光谱（NIRS）、拉曼光谱、太赫兹（THz）传感、多光谱/高光谱成像（MSI/HSI）技术、X射线放射成像/微计算机断层扫描（micro-CT）、核磁共振/磁共振成像（NMR/MRI）、荧光成像、电子鼻技术等[9]，[11]，[12]。这些模式探测不同的物理/化学相互作用（如吸收、散射、荧光、X射线衰减、介电响应或松弛现象），从而提供生物化学组成和内部微观结构的多重视角[13]，[14]。然而，NDD的实际前景与另一个挑战密不可分：现代传感器生成高维和异构数据，而活力本身是由多种相互作用机制塑造的潜在系统级表型。因此，将原始传感器输出与活力相关终点联系起来需要强大的计算建模[15]，[16]。传统的机器学习（ML）算法长期以来一直作为种子应用中光谱和成像描述符的分析支柱。例如，Wang等人[7]通过线性判别分析展示了区分死苜蓿种子和自然老化种子的的高准确性（97.6%）。最近，深度学习（DL）方法受到了更多关注，提供了从原始数据自动学习复杂特征的端到端建模。特别是卷积神经网络（CNN）在从成像数据中提取层次化空间-光谱模式方面表现出色，并在种子活力预测任务中显示出优越的性能。Xu等人[15]报告称，通过提出结合HSI的光谱Kolmogorov-Arnold Transformer算法，预测水稻种子活力的准确性超过了92%。通过可解释的AI技术，研究人员可以将学习到的光谱或图像特征与特定的生理条件（如氧化应激标志物或胚胎完整性）联系起来，从而使模型预测基于生物学现实[3]。这种AI与领域知识的融合有助于弥合原始传感器输出与种子内部状态之间的差距。

尽管取得了这些进展，但在不同传感模式、作物种类和实验设计之间的进展仍然零散。个别模式在特定背景下可以产生令人印象深刻的结果，但它们也表现出固有的“盲点”：光谱可能对组成敏感，但对内部空间组织的特异性较低；而成像可能捕捉到形态特征，但对生物化学变化的了解较少。这些限制促使了多模态融合，即整合互补模式以提高模型的鲁棒性、准确性和稳定性[17]，[18]。事实上，最近的研究证实，多模态整合优于单一传感器方法。例如，将MSI与X射线图像融合将Jatropha curcas L.种子质量特征的预测准确性提高到0.96以上[18]。

越来越多的文献综述总结了特定模式或方法子集的进展。Xing及其同事研究了与种子活力下降相关的微观变化，系统评估了当前种子活力测试方法的性能，并提出将生理变化与化学计量算法结合以实现种子活力的NDD[19]。Xia等人[1]提供了传统、新兴和最先进的种子活力评估NDD技术的比较概述，强调了NIRS、MSI/HSI、拉曼位移光谱、红外热成像和X射线成像等模式。此外，Liu及其同事回顾了基于光学的种子表型技术的数字技术和趋势，总结了三种核心数字模式（即光谱传感、数字成像和3D重建）的原理、特征、数据处理流程和关键技术瓶颈[20]。

尽管取得了这些进展，但仍有一些关键挑战阻碍了从基础研究到稳健应用的转变：（1）缺乏种子衰老与传感器信号之间的因果机制框架，导致传感模式的盲目选择；（2）单一模态NDD技术具有固有的盲点，多模态数据的融合策略缺乏理论指导；（3）数据采集和模型评估的标准化不足，导致AI模型的泛化能力差；（4）实验室研究与工业应用之间的脱节限制了NDD的可扩展性。为了解决这些差距，我们提出了一个概念性的活力信号机制（VSM）模型，将NDD形式化为从机制到信号的映射：衰老机制调节跨尺度指标；这些指标扰动可测量的物理属性；这些扰动表现为传感器信号。在这个框架内，NDD不是“测量”作为生物学抽象的活力；而是测量特定传感器可观察到的衰老的物理表现。VSM视角还强调了一个“可观察性边界”，即某些机制变量（如短寿命反应物种或低丰度酶）在批量光谱中可能观察不到，而下游的结构或组成后果可能产生更强和更稳定的特征。通过明确连接生物学、物理学和传感，VSM模型支持更原则性的模式选择、可解释的学习和融合策略设计。

在这个背景下，本文旨在将种子活力的NDD从特定模式的案例研究推进到工程化的、机制一致的传感科学。我们首先总结了文献计量趋势，以定位老化种子活力研究和AI支持的NDD的演变。然后阐明了VSM框架，建立了从核心衰老机制到可测量指标和特定模式信号的链接。接下来，我们系统地回顾了主要的光谱和成像NDD技术（即NIRS、拉曼、THz、MSI/HSI、机器视觉、MRI和X射线/Micro-CT），以及代表性的数据处理和高级建模流程。我们进一步研究了多模态融合策略，并讨论了如何将融合与VSM逻辑对齐以提高鲁棒性和可解释性。最后，我们确定了关键挑战和未来方向，包括标准化、数据共享、硬件同步、算法泛化能力和实时吞吐量限制，并概述了将NDD从概念验证研究转化为可部署的种子活力系统的实际途径。

**部分摘录**
**关于老化种子活力和NDD中AI的文献计量洞察**
种子活力是一个本质上动态的属性，随着储存时间和环境压力的增加而逐渐下降（图1a-c）[1]。在最佳储存条件下，自然老化（NA）可能需要几个月甚至几年的时间，但其漫长的时间尺度限制了其进行系统实验研究的适用性。相比之下，通过提高温度和高湿度的人工老化（AA）处理可以将活力退化的时间框架大大压缩到几天[21]，[22]

**种子活力NDD的机制到信号框架**
NDD并不将活力作为一个独立的生物学概念来测量。相反，光谱和成像模式捕获由一组受限的种子属性控制的强度、相位或图像衍生响应，包括波长依赖的吸收、散射、有效折射率、X射线衰减等。从机制角度来看，基于NDD的活力评估的解释更适当地被框定为一个因果链：种子衰老过程

**种子活力评估中的光谱和成像NDD技术**
种子衰老导致化学组成、水分状态、表面表型和内部结构的耦合变化。因此，NDD依赖于捕捉不同退化表现的传感模式。由于这些信号代表机制到信号链的不同部分，没有一种模式对所有种子种类、衰老条件或活力终点都是普遍最优的（图3a和表1）。根据电磁谱，辐射波长小于10^-3

**种子活力评估中的多模态NDD技术融合**
没有一种NDD模式能够完全捕捉种子活力的生物复杂性。光谱方法对生物化学变化非常敏感，但对形态学相对不敏感；而机器视觉捕捉外部特征（如颜色、纹理），但对内部组织的穿透力不足。相反，X射线揭示了内部解剖结构（如密度分布、胚胎完整性、自由空间），但对化学组成和色素相关线索基本上不敏感。

**限制、挑战和未来方向**
尽管近年来种子活力评估的NDD取得了快速进展，但该领域仍面临一系列相互关联的挑战，需要协调和系统的研究努力。种子活力NDD的进步不仅取决于方法论的改进，还取决于平台设计、数据共性和应用导向的验证的整合，这在新兴的分析和应用导向平台中也得到了广泛认可[11]，[26]，[99]，[100]，[101]。

**结论**
本文全面总结了种子活力研究和NDD技术的最新进展，强调了从传统破坏性测试向AI支持的NDD分析策略的转变。通过将活力衰退的机制理解与多种传感平台和数据分析框架联系起来，种子活力评估正变得越来越快速、信息丰富和可靠。预计多模态传感和融合策略的持续进步将推动种子活力的发展。

**作者贡献声明**
韩璐佳：撰写——审阅与编辑、监督、资源管理、项目管理、资金获取、概念化。
李彦轩：数据管理。
康子涵：数据管理。
宋凯：撰写——审阅与编辑。
杨增玲：撰写——审阅与编辑。
尹光坤：撰写——审阅与编辑、调查、数据管理。
朱子怡：撰写——初稿、可视化、调查、数据管理。
刘全：撰写——初稿、可视化、软件、形式分析、数据

**关于写作过程中生成式AI和AI辅助技术的声明**
在准备这项工作时，作者偶尔使用ChatGPT/DeepSeek检查语法。使用该工具/服务后，作者根据需要审查和编辑了内容，并对出版物的内容负全责。

**利益冲突声明**
作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。

**致谢**
作者衷心感谢国家重点研发计划（2024YFD1200101）、中国大学科学基金和中国农业大学研究生自主创新研究基金项目的财政支持。