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。

由于高光谱数据量大、 维数高, 光谱噪声明显、 散射严重等特征导致光谱建模时关键变量提取较为困难, 同时, 高光谱图像的获取会受非单色光、 杂散光、 温度等多种因素的影响, 从而使高光谱数据与待测性质之间有一定非线性关系。 为此, 提出采用正自适应加权算法(CARS)对可见-近红外高光谱高维数据进行关键变量筛选, 并与全光谱和经典变量提取方法SPA, MC-UVE, GA和GA-SPA方法进行比较。 以200个库尔勒香梨为研究对象, 采用SPXY方法将样本划分为校正集和预测集, 校正集和预测集分别包含150个和50个样本。 基于不同方法筛选的变量, 分别建立线性PLS模型及非线性LS-SVM模型, r2, RMSEP和RPD用于模型性能的评估。 综合比较发现, GA, GA-SPA和CARS变量筛选方法能够有效地筛选出原始高光谱数据中具有强信息且对外界影响因素不敏感的变量, 适用于高光谱数据关键变量的提取, 其中CARS变量筛选效果最佳, 基于CARS获取的关键变量构建的非线性LS-SVM库尔勒香梨SSC含量预测模型获得了最优的预测结果, r2pre, RMSEP和RPD分别为0.851 2, 0.291 3和2.592 4。 研究表明, CARS方法是一种有效的高光谱关键变量筛选方法, 利用高光谱数据, 非线性LS-SVM模型比线性PLS模型更适合于香梨品质的定量预测。