近日，海南热带海洋学院崖州湾创新研究院茅云翔教授团队在中科院一区TOP期刊Plant Phenomics（《植物表型组学》）发表了题为“Quantification of Photosynthetic Pigments in Neopyropia yezoensis Using Hyperspectral Imagery”（基于高光谱成像技术的条斑紫菜光合色素定量研究）的研究成果，该研究为实现大型藻类快速、高通量、无损的表型组学研究奠定了基础。

研究背景

    藻红蛋白（PE）、藻蓝蛋白（PC）、别藻蓝蛋白（APC）和叶绿素a（Chla）是红藻重要的光合色素，其含量和比例不仅影响着红藻的光合生理，同时影响着藻体的蛋白质含量和色泽等经济性状。紫外分光光度法和高压液相色谱法等测定藻胆蛋白和叶绿素含量的传统方法不仅成本较高、费时费力、破坏样品，而且对操作者的经验依赖性强，无法满足大规模、高通量的表型组学研究。近年来，高光谱成像技术结合机器学习方法在高等植物生化物质含量的高通量表型组学研究方面发挥着重要的作用，但是在大型红藻中相关的研究未见报道。

研究结果

针对上述科学问题，茅云翔教授团队利用高光谱成像技术结合两种机器学习方法（偏最小二乘回归PLSR、支持向量机回归SVR），以红藻模式物种条斑紫菜为研究对象，对其配子体PE、PC、APC和Chla的含量进行了高通量、无损的定量分析并构建模型。研究表明，条斑紫菜在400-1000 nm的光谱范围内有特殊的吸收谱线。对于PE含量，最优光谱预处理方法为Savitzky–Golay（S-G, polynomial order: 2; pointsof window: 5）平滑+标准化，最优机器学习模型为PLSR模型，模型置信度（RPD）为5.21。对于PC含量，最优光谱预处理方法为S–G平滑+标准正态变换（standard normal variate，SNV），最优机器学习模型为SVR模型，模型RPD为4.16。对于APC含量，最优光谱预处理方法为S–G平滑+SNV，最优机器学习模型为SVR模型，模型RPD为2.53。对于Chla含量，最优光谱预处理方法为S–G平滑+标准化，最优机器学习模型为PLSR模型，模型RPD为3.61。结果表明，本研究构建的PE、PC和Chla含量的模型可用于定量分析，APC含量模型可用于定性分析，性状获取效率较传统方法提升约50倍。利用野生样本对模型进行验证，确证了模型具有较高的预测精度，表明模型具有良好的适用性。同时，基于不同色素含量的最优预测模型，发现4种色素在条斑紫菜配子体含量分布存在差异，为后续研究个体组织分化与色素含量的关系奠定了基础。

图1 条斑紫菜光谱数据预处理

A.光谱原始数据; B.S-G平滑+标准化预处理; C.S-G平滑+标准正态变量(SNV)预处理; D.多元散射校正(MSC)预处理; E. S-G平滑+一阶导数预处理; F. S-G平滑+二阶导数预处理

图2 基于最优PLSR和SVR模型的4种光合色素（PE/PC/APC/Chla）

含量的实测值与预测值散点分布图（▲实测值；✕预测值）

图3 条斑紫菜RGB图像与4种光合色素（PE/PC/APC/Chla）含量预测

研究团队

该成果由热带海洋学院崖州湾创新研究院、热带海洋生物资源利用与保护教育部重点实验室、中国海洋大学遗传学与育种教育部重点实验室等单位的相关学者合作完成，茅云翔教授和中国海洋大学杜国英教授为该文共同通讯作者，团队博士生车帅为第一作者，莫照兰教授、钟雪峰硕士和王振东博士等为共同作者。相关工作得到了国家自然科学基金、国家重点研发项目、三亚崖州湾科技城计划项目、海南热带海洋学院崖州湾创新研究院重大科技专项等项目资助。

论文来源：Che S, Du G*, Zhong X, Mo Z, Wang Z, Mao Y*. Quantification of Photosynthetic Pigments in Neopyropia yezoensis Using Hyperspectral Imagery. Plant Phenomics 2023;5: Article 0012. https://doi.org/10.34133/plantphenomics.0012

论文链接：https://spj.science.org/doi/10.34133/plantphenomics.0012