转基因技术在过去的几十年里快速发展, 然而此项技术对生态环境、 伦理道德等可能带来的影响尚存争议, 因此针对农作物的转基因成分检测和鉴别的相关技术研究十分重要。 本研究以转双价基因(cry1Ab/cry2Aj-G10evo)玉米籽粒和玉米面粉为研究对象, 采用近红外光谱仪采集900～1 700 nm波段范围的光谱, 结合 Savitzky-Golay(SG)平滑算法对提取出的光谱数据进行去除噪声处理。 基于全波段光谱和PCA主成分分别建立了偏最小二乘判别分析(PLS)和支持向量机判别模型(SVM)。 试验结果表明, 在转基因玉米籽粒全谱的判别分析模型中, SVM判别模型效果要优于PLS判别模型, SVM模型识别正确率达到90%以上, PLS的模型识别率只有85%左右。 以PCA降维后建立的模型中, SVM模型也取得了最优的效果, 建模集和预测集识别正确率达到100%。 虽然转基因玉米在研磨加工后外源蛋白和DNA有所下降, 但是转基因玉米粉末基于全波段光谱建立的SVM模型的建模集正确率仍有90.625%。 结果表明应用近红外光谱技术集合化学计量学方法对转基因玉米的鉴别是可行的, 为转基因玉米乃至其他转基因农产品的鉴别提供了技术支持, 具有重要的理论意义和应用价值。

突变体的筛选与鉴定是育种工作中的重要环节。 该研究基于高光谱成像技术实现了水稻CRISPR/Cas9突变体种子的可视化鉴别。 采集了水稻HD野生型和CRISPR/Cas9突变体种子共1 200粒样本的高光谱图像数据, 通过Kennard-Stone算法, 按照2∶1的比例构建了建模集(800)和预测集(400)。 对水稻种子的原始光谱经过WT预处理后, 通过2nd derivative提取了24个特征波长, 分别基于全谱和特征波长建立径向基函数神经网络(RBFNN), 极限学习机(ELM)和K最邻近法(KNN)模型。 试验结果表明, 无论是基于全谱还是特征波长神经网络模型都取得了良好的识别能力。 通过2nd derivative提取的特征波长结合RBFNN模型也取得了较好的鉴别结果, 其建模集和预测集分别达到了9225%和8950%。 基于2nd derivative-RBFNN结合图像处理技术, 可以实现水稻CRISPR/Cas9突变体种子的可视化鉴别, 实现种子的定位和识别。 结果表明应用高光谱成像技术, 结合化学计量学方法和图像处理技术对水稻CRISPR/Cas9突变体的鉴别具有可行性, 可为水稻育种中大量突变体的快速、 准确地筛选和鉴定提供技术手段。