种子表型组学：用于表征麻疯树种子质量的多光谱和X射线图像

种子表型组学：用于表征麻疯树种子质量的多光谱和X射线图像

摘要

背景：在农业工业和作物育种中，使用较少人为干扰的非破坏性方法引起了人们的极大兴趣。现代成像技术能够自动显示用于表征生物样品的多参数，从而降低主观性并优化分析过程。此外，两种或多种成像技术的结合有助于发现新的物理化学工具和实时解释数据集。

结果：我们提出了一种基于多光谱和X射线成像技术相结合的种子质量自动表征的新方法。我们提出了一种使用X射线图像研究内部组织的方法，因为种子表面轮廓可能会受到负面影响，但不会到达种子的重要内部区域。油籽植物（麻疯树）被用作模型物种，它也是一种在世界范围内具有经济重要性的多用途作物。我们的研究包括应用归一化典型判别分析 (nCDA) 算法作为监督变换构建方法，以获得不同种子块上的空间和光谱模式。我们使用基于线性判别分析 (LDA) 的反射率数据和 X 射线类别开发了分类模型。单独或组合的分类模型使用 940 nm 的反射率和 X 射线数据来预测正常幼苗、异常幼苗和死种子等质量性状，显示出较高的准确度 (> 0.96)。

结论：多光谱和X射线成像与种子生理性能密切相关。 940 nm 的反射率和 X 射线数据可以有效地预测种子质量属性。这些技术可以成为未来快速、高效、可持续和无损表征种子质量的替代方法，克服传统种子质量分析的内在主观性。

种子方向与基于多光谱反射率区分种子地块无关（图 2）。紫外（365 nm）和可见光（405-690 nm）区域的波长显示出低反射强度（< 20%），很难区分批次。 然而，在较长波长处获得的数据，特别是在近红外 (NIR) 区域（从 780 到 970 nm）中获得的数据清楚地能够区分种子区，并且具有高活力的种子显示出的反射强度（批次 2）。

图2.三个不同活力水平的麻疯树种子表面在19个波长下每个感兴趣区域内的平均光谱图

对多光谱数据应用主成分分析(PCA) 以减少变量，结果显示前两个主成分占种子批次间数据变异性的大部分（占总数据方差的 98.66%）。贡献直方图表示基于 95% 置信阈值（截止）的信息量最大的波长，由红色虚线表示，它显示只有780到970nm 的五个带宽，主要对PC1和PC2有贡献（图 3a）。基于PC1和PC2的聚类分析将三个种子区明显分开（图 3b）。

图3. a 响应变量对维度1和2 的贡献；b麻疯树种子区（批次1、2 和 3）中多光谱反射率的主成分分析 (PCA) 双图。 780~970 nm的5个波长显着解释了种地间的差异

为了验证PCA模型，对应于五个最重要波长（780、850、880、940 和 970 nm）的多光谱数据，如先前由 PCA 的，被用于典型判别分析（CDA）（图 4） .批次1和3的活力较低，这些波长将批次1和3与批次 2（高活力）正向区分开来，这表明这些波长是区分活力较低的麻风树种子的良好预测指标。

图4.在780、850、880、940和970nm处获得的反射率数据的典型判别分析(CDA)从三个不同活力水平的麻疯树苗木中获得

麻风树种子有厚而黑的外皮。图5显示了基于发芽能力和在940nm 捕获的相应反射率图像和X射线图像从种子腹面和背面获得的 RGB 图像。由于CDA模型在940和970nm 之间显示出共线性（图 4），我们选择在940nm 捕获的反射率图像（图5），因为该波长与脂肪组织的吸收峰密切相关，这与油籽研究相关 .在发芽试验中，从反射图像中像素值较低而X射线图像中像素值较高的种子产生正常幼苗。与那些产生异常幼苗或不发芽（死种子），其中死种子在反射率和X射线图像中分别表现出像素值。

图5.麻疯树种子腹侧和背侧表面的原始RGB图像，基于发芽能力和在940nm处捕获的相应反射图像（使用nCDA算法的灰度和转换图像）以及X射线图像

基于种子组织完整性和发芽试验中的种子性能，从所有种子地获得的射线照相图像分为三个不同的类别（图6a）。软组织与退化的组织有关，当X射线束穿过组织时它们吸收的X射线束较少，因此，这些区域在X射线照相图像中显得较暗。同时，具有高灰度强度的区域表明 X 射线的更大穿透力与更高的组织密度（健康组织）直接相关。1类种子*填满或胚乳与种皮之间有微小空隙（≤1.23 mm），这些种子主要产生正常的幼苗。2类种子在胚乳和种皮之间出现较大的空隙（> 1.24 mm）或未达到胚轴的组织退化，产生的多为异常幼苗。最后，第3类包括组织退化的种子到达胚轴、畸形和空种子，这些种子与死种子直接相关。 CDA 方法（图 6b）显示 Lot 1 与 2 类和死种子呈正相关。异常幼苗变量没有出现在模型中，因为它与死种子共线。Lot 2 的种子与 Class 1 和正常幼苗的 X 射线图像呈正相关，与 Lot 1 和 Lot 3 *相反。940 nm 的反射数据区分 Lot 3 与 Lot 1 和 Lot 2，其中种子数量较高第 3 类和死种子 (F=10.22, df=2, 12, P=0.0014) 

图6.A麻疯树种子根据组织完整性分为三个不同类别的X射线图像

B三个不同活力水平

相关阅读

Videometer种子表型组学:种子活力研究-荧光成像

植物病害表型组学：多光谱病害指纹图谱

Videometer种子表型组学：多光谱成像作为菠菜种子健康检测的潜在工具

Videometer种子表型组学：多光谱图像分析在种子种质库管理中的应用

Videometer种子表型组学：利用可见光、近红外多光谱和化学计量学对不同番茄种子品种的分类

Videometer种子表型组学：使用多光谱成像和化学计量学方法在线鉴别水稻种子

Videometer种子表型组学：使用多光谱成像预测蓖麻种子的活力

Videometer种子表型组学：甜菜种子加工损伤的多光谱图像分类

种子表型组学：基于多光谱成像的葵花籽品质特征识别

种子表型组学：利用多光谱成像和化学计量学方法对大豆种子进行无损鉴别

种子表型组学：Videometer多光谱成像种子质量评估的新工具

种子表型组学：聚合物包衣对水稻种子萌发的影响

种子表型组学：基于可见-近红外多光谱图像数据的偏最小二乘判别分析检测菠菜种子的发芽能力和胚芽长度

种子表型组学：使用灰度共生矩阵和机器学习技术识别单倍体玉米种子

种子表型组学：不同成熟度甜菜种子发芽抑制因子去除的优化

种子表型组学：通过射线照相和多光谱图像分析测定小麦种子中的侵染