《Journal of Food Measurement and Characterization》:Rapid non-destructive determination of fatty acids in perilla germplasm using near-infrared hyperspectral imaging and chemometric modeling
编辑推荐:
紫苏(*Perilla frutescens* L.)种子是功能性脂肪酸(包括α-亚麻酸)的丰富来源,并作为主要的植物基ω-3资源;然而,据研究人员所知,利用高光谱成像(HSI)对脂肪酸含量进行无损预测尚未有报道。在本研究中,通过将近红外高光谱成像(NIR-H
紫苏(*Perilla frutescens* L.)种子是功能性脂肪酸(包括α-亚麻酸)的丰富来源,并作为主要的植物基ω-3资源;然而,据研究人员所知,利用高光谱成像(HSI)对脂肪酸含量进行无损预测尚未有报道。在本研究中,通过将近红外高光谱成像(NIR-HSI)与回归建模相结合,开发了一种快速、无损的方法用于预测紫苏种子中的脂肪酸含量。从236份种质资源中采集了覆盖1050–1600 nm范围的高光谱图像,并应用了四种光谱预处理方法。使用遗传算法(GA)和竞争性自适应重加权采样(CARS)选择有效波长。评估了四种回归模型,其中支持向量回归(SVR)对所有六种组分均表现出最优性能。最优模型对总脂肪的预测决定系数(R2p)= 0.894,归一化均方根误差(NRMSE)为5.650%;对α-亚麻酸的R2p = 0.865,NRMSE为6.845%。除硬脂酸外,六种组分中有五种组分的NRMSE值均小于8%。SHapley Additive exPlanations(SHAP)和主成分分析(PCA)确定了贡献于脂肪酸预测的关键光谱区域,并展示了单粒种子水平的无损预测。据研究人员所知,本研究首次报道了基于近红外高光谱成像(NIR-HSI)的紫苏种子脂肪酸含量预测,所提出的方法有望作为育种项目中高脂肪酸表型的高通量无损筛选工具。
**论文解读:基于近红外高光谱成像与化学计量学建模的紫苏种质脂肪酸快速无损测定**
**研究背景、现存问题与研究目的**
紫苏(*Perilla frutescens* L.)是一种富含功能性脂肪酸的油料作物,其种子含油量约35–45%,其中约60–65%为α-亚麻酸(C18:3),使其成为植物源ω-3脂肪酸的重要来源。紫苏籽油的品质主要由五种主要脂肪酸(棕榈酸C16:0、硬脂酸C18:0、油酸C18:1、亚油酸C18:2、α-亚麻酸C18:3)及总脂肪含量决定,这些成分与心血管保护、抗炎等健康功效密切相关。然而,传统气相色谱(GC)分析法虽精度高,却存在样品制备复杂、分析时间长、成本高且破坏样品的局限性,尤其在大规模种质评价和育种项目中构成表型鉴定的瓶颈。为此,研究者旨在利用近红外高光谱成像(NIR-HSI)结合化学计量学与机器学习,开发一种快速、无损的方法,同时定量测定大量紫苏种质中的五种主要脂肪酸和总脂肪含量。本研究采用来自韩国农村发展署国家作物与食品科学研究所的236份紫苏种质,涵盖国内育成品种、地方品种、收集系及国外引进材料(如Anyu、Namcheon、YCPL749、Juunen)。论文发表在《Journal of Food Measurement and Characterization》。
**主要关键技术方法**
研究者首先使用近红外高光谱相机(SPECIM FX17e,900–1700 nm,实际保留1050–1600 nm范围)采集236份种质的种子图像,每份约1 g种子单层排列。通过Otsu阈值法提取纯种子区域,获取每粒种子的平均光谱,再以每份种质所有种子光谱的平均值作为代表性光谱。光谱预处理采用四种方法:Savitzky–Golay平滑(SG)、标准正态变量(SNV)、多元散射校正(MSC)和一阶导数。有效波长选择采用遗传算法(GA)和竞争性自适应重加权采样(CARS)。回归模型构建包括多元线性回归(MLR)、偏最小二乘回归(PLSR)、主成分回归(PCR)和支持向量回归(SVR)。模型性能评估通过决定系数(R2)、均方根误差(RMSE)、归一化均方根误差(NRMSE)和性能偏差比(RPD)进行。此外,采用SHAP分析和主成分分析(PCA)增强模型解释性,并在单粒种子水平可视化预测结果。所有分析在Python 3.10.11环境中完成。
**研究结果**
**1. 五种脂肪酸及总脂肪含量的分布**
通过GC-FID测定236份种质的参考值,α-亚麻酸平均含量最高(23.419 ± 5.459 mg/100 mg),其次是总脂肪(36.185 ± 7.961 mg/100 mg)、亚油酸(4.978 ± 1.117 mg/100 mg)、油酸(4.818 ± 1.210 mg/100 mg)、棕榈酸(2.259 ± 0.473 mg/100 mg)和硬脂酸(0.708 ± 0.209 mg/100 mg)。所有组分的变异系数(CV)在20.9%–29.5%之间,表明种质间存在足够变异性用于建模。α-亚麻酸占总脂肪的比例约64.7%,且含量范围宽(2.375–32.810 mg/100 mg),体现了种质遗传多样性。
**2. 光谱预处理特征**
原始光谱在1150–1250 nm(C–H键)和1400–1500 nm(O–H键)区域出现反射率下降。SG平滑有效降低高频噪声;SNV和MSC校正了基线偏移和散射效应,增强了样本间光谱差异;一阶导数预处理突出了光谱梯度特征,在1150、1250和1400 nm附近出现明显峰值。
**3. 全波长预测结果**
使用156个全波段光谱,总脂肪预测性能最佳(SG–SVR,R2
p=0.864,NRMSE=6.380%),α-亚麻酸次之(SG–MLR,R2
p=0.842,NRMSE=7.406%)。油酸(SG–PLSR,R2
p=0.769)、棕榈酸(一阶导数–SVR,R2
p=0.761)、亚油酸(一阶导数–PLSR,R2
p=0.635)和硬脂酸(一阶导数–MLR,R2
p=0.493)的预测精度依次降低。硬脂酸因绝对含量低导致光谱差异不足。
**4. 有效波长选择特征**
GA和CARS算法对不同组分的有效波长选择频率分析表明,棕榈酸的选择波长均匀分布于C–H伸缩二级倍频区(约1190–1210 nm)、C–H组合/O–H一级倍频区(约1390–1420 nm)和O–H一级倍频区(约1577 nm)。硬脂酸的选择集中于O–H键区域(约1386–1553 nm)。油酸在1220–1350 nm区域出现高频选择,α-亚麻酸的选择波长集中于1350 nm以下。总脂肪在C–H二级倍频区和C–H组合/O–H一级倍频区均有高频选择。不饱和脂肪酸(亚油酸、α-亚麻酸、油酸)在1210 nm和1310 nm附近共享高频选择。
**5. 有效波长预测结果**
采用有效波长建立的SVR模型(线性核)对所有组分均优于全波长模型。总脂肪最优模型(MSC–CARS–SVR)的R2
p=0.894,NRMSE=5.650%;α-亚麻酸(一阶导数–CARS–SVR)R2
p=0.865,NRMSE=6.845%;棕榈酸(一阶导数–GA–SVR)R2
p=0.823,NRMSE=7.246%;油酸(MSC–GA–SVR)R2
p=0.801,NRMSE=7.404%;亚油酸(SNV–CARS–SVR)R2
p=0.712,NRMSE=7.617%;硬脂酸(一阶导数–CARS–SVR)R2
p=0.572,NRMSE=11.855%。除硬脂酸外,五种组分的NRMSE均低于8%。
**6. SHAP分析**
SHAP分析显示,棕榈酸的高贡献波长集中于1350–1450 nm区域;硬脂酸在1190 nm和1102 nm处出现高贡献,尽管其选择频率极低;油酸的高贡献波长位于1300 nm附近;亚油酸在小于1120 nm的区域贡献显著;α-亚麻酸的贡献波长均匀分布;总脂肪的贡献波长集中于1210 nm和1500 nm附近。
**7. PCA光谱–成分关系**
PCA分析表明,一阶导数预处理后,PC2(14.4%)与所有脂肪酸含量呈显著负相关(r = -0.491至-0.731),PC3(3.9%)呈显著正相关(r = 0.332–0.538)。SNV和MSC预处理下,PC1(63.7%)与所有成分呈显著正相关(r = 0.372–0.638)。得分图显示高含量样品分布在一侧,低含量样品在另一侧,而硬脂酸未呈现明显梯度。
**8. 预测可视化**
将最优SVR模型应用于种质YCPL749的单粒种子预测,伪彩色图展示了各成分含量在种子间的空间分布。预测均值与GC-FID实测值接近(如棕榈酸:预测2.519±0.503 vs. 实测2.475 mg/100 mg;α-亚麻酸:预测26.868±11.254 vs. 实测25.867 mg/100 mg),但硬脂酸和油酸的预测标准差较大,反映了种子间的固有异质性。
**总结讨论与结论翻译**
讨论部分总结了整体方法的有效性:预处理增强了样本间区分,有效波长选择提升了所有组分的预测精度(R2
p提升0.030–0.079),线性核SVR提供了最优泛化性能。PCA和SHAP分析共同确认C–H二级倍频区和C–H组合/O–H一级倍频区为关键光谱区域。单粒种子预测展示了高通量无损筛选潜力,并指出可进一步应用于评估基因型×环境互作及贮藏期间的氧化劣变。
**研究结论**:本研究通过将近红外高光谱成像(NIR-HSI)与回归建模相结合,开发了一种用于预测紫苏种子中脂肪酸含量的无损方法。研究人员评估了236份种质资源,系统比较了四种光谱预处理方法(SG、SNV、MSC和一阶导数)、两种有效波长选择算法(GA和CARS)以及四种回归模型(MLR、PLSR、PCR和SVR)。有效波长选择提升了所有组分相对于全波长模型的预测性能,并确定了每种组分的最优预处理、波长选择算法和回归模型组合。支持向量回归(SVR)对所有六种组分均给出了最优预测性能。最优模型对总脂肪的R2
p=0.894且NRMSE=5.650%,对α-亚麻酸的R2
p=0.865且NRMSE=6.845%,对棕榈酸的R2
p=0.823且NRMSE=7.246%,对油酸的R2
p=0.801且NRMSE=7.404%。亚油酸(R2
p=0.712,NRMSE=7.617%)和硬脂酸(R2
p=0.572,NRMSE=11.855%)表现较低;然而,六种组分中有五种(即除硬脂酸外的所有组分)的NRMSE值低于8%。据研究人员所知,本研究首次报道了使用近红外高光谱成像(NIR-HSI)预测紫苏种子中的脂肪酸含量,证明在一次图像采集过程中可同时分析多个种子,且单粒种子水平的无损预测是可行的。所提出的方法有望作为未来育种计划中选择高脂肪酸品系的无损筛选工具。