甘蓝型油菜茎秆纤维组分含量和木质素单体G/S 近红外模型构建

【目的】探索近红外光谱分析技术在甘蓝型油菜茎秆纤维组分含量及木质素单体G/S测定中应用的可能性。【方法】采集近红外光谱,根据马氏距离GH（Global H）筛选出103份纤维组分含量材料和75份木质素单体G/S材料作为定标样品,采用Van Soest法和GC-MS法对茎秆纤维组分含量和木质素单体比例进行测定,统计结果表明定标样品化学测定值变异范围较大,3次重复差异较小,可用于近红外模型构建。运用不同光谱预处理方法和化学计量学方法建立校正模型,对比各模型性能参数,筛选出最优定标模型并用检验集对模型进行验证。【结果】采用修正偏最小二乘法（MPLS）建立模型最佳。中性洗涤纤维（neutral detergent fiber,NDF）、酸性洗涤纤维（acid detergent fiber,ADF）、酸性洗涤木质素（acid detergent lignin,ADL）与木质素单体G/S的交叉验证相关系数（1-VR）分别为0.864、0.861、0.872和0.920,定标相关系数（RSQ）分别为0.892、0.891、0.907和0.953。用检验集对模型进行验证,NDF、ADF、ADL及木质素单体G/S模型的外部检验相关系数（RSQ）分别为0.837、0.818、0.870和0.935,其预测标准差（SEP）为0.680、0.636、0.348和0.054。【结论】试验所建模型质量较好,能快速测量茎秆纤维组分含量和木质素单体G/S,可为油菜抗病抗倒伏育种研究提供技术支持。     

稻米蛋白质含量快速活体测定的定标研究

应用近红外透射光谱技术(NITS),采用偏最小二乘法(PLS)建立重庆地区稻米活体蛋白质含量(PC)定量分析数学模型。结果表明,糙米和精米蛋白质含量预测数学模型的定标标准误偏差(SEC)、交叉检验标准误差(SECV)、定标相关系数(RSQ)和交叉验证相关系数(1-VR)分别为0.252、0.247;0.256、0.278;-0.953、0.946;0.951、0.940;近红外预测值与化学值误差范围分别为-0.61~0.18、-0.39~0.46,相关系数分别为0.984、0.978,均达到极显著相关。利用该模型能够对育种材料的蛋白质含量进行快速非破坏性活体测定,可大大提高育种选择效率。     

甘蓝型油菜硫苷组分近红外检测模型的建立

为探索近红外光谱技术在快速检测硫苷组分质量摩尔浓度方面的可行性,该研究选取了甘蓝型油菜籽材料266份,采用高效液相色谱法测定了硫苷组分的质量摩尔浓度,并利用近红外分析仪和WinISIⅢ软件对数据进行判断与处理,建立了甘蓝型油菜籽硫苷组分的近红外检测模型.其中,2-羟基-3-丁烯基脱硫硫苷,3-丁烯基脱硫硫苷定标决定系数(RSQ)与交叉验证决定系数(1-VR)均超过了0.90(越接近1越理想),说明模型预测性能较好,可以用于油菜品种的快速筛选.但是,4-羟基-3-吲哚甲基脱硫硫苷,4-戊烯基脱硫硫苷,苯乙基脱硫硫苷模型的RSQ分别为0.470,0.219和0.147,1-VR分别为0.304,0.128,0.175,建模效果欠佳,还需要进一步研究.     

液态纯牛奶可见/近红外光谱MPLS全局定标法鉴别研究

结合可见/近红外光谱技术和化学计量学方法,建立一种液态纯牛奶品牌鉴别模型。利用近红外分析仪InfraXactTM获得3种品牌共90个样本的漫反射光谱,对570-1 850 nm的光谱进行光谱散射和数学预处理,而后进行PCA聚类分析,剔除奇异样本;最后对3种品牌赋值,以主成分回归（PCR）和改良偏最小二乘法（MPLS）的全局（Global）定标方法建立鉴别模型,并进行内部交叉检验和外部检验。实验结果表明,MPLS鉴别模型内部交叉检验相关系数（1-VR）和交叉检验标准误差（SECV）分别为0.961、0.326,外部检验相关系数（RSQ）、预测标准差（SEP）、检验偏差（Bias）分别为0.939、0.506、0.198,模型鉴别结果具有较高的精确度。     

水稻脂肪含量近红外模型的创建及在航天育种上的应用

利用近红外分析仪,对59份航天水稻种子进行光谱扫描,并用国标化学法对其脂肪含量进行测定.通过近红外定标软件(WinISI III),采用多种计量数学处理方法和不同的回归统计方法进行定标曲线的开发和比较,建立并优化了水稻脂肪含量测定的近红外分析定标模型,其定标标准偏差(SEC)、交叉检验标准误差(SECV )和定标决定系数(RSQ)分别为0.0257 、0.0645、0.9939,应用该定标方程可快速测定水稻脂肪含量,对于航天育种稻种资源的快速鉴定及营养品质改良具有重要意义.     

小批量稻谷种子蛋白质含量的近红外透射光谱分析

以完整水稻种子为样品,利用近红外透射谷物分析仪对186份批量稻谷进行扫描并测定了蛋白质含量的参比数据。采用多种数学计量学处理方法和不同的回归统计方法进行定标曲线的开发和比较,优化得到了小批量水稻种子蛋白质含量测定的近红外定标方程。其定标标准偏差(SEC)、交叉检验标准误差(SECV)、定标相关系数(RSQ)和交叉验证相关系数(I-VR)分别为0.255 8、0.279 5、0.972 8、0.967 5。研究采用整粒小量样品(5 g)来分析,效果较好,可直接用于育种早世代选择。     

水稻直链淀粉含量近红外模型的创建

利用近红外分析仪,对30份不同直链淀粉含量的水稻品系进行了光谱扫描,并用国标化学法对其直链淀粉含量的参比值进行了测定.通过近红外定标软件(WinISI III),采用多种计量数学处理方法和不同的回归统计方法进行定标曲线的开发和比较,优化建立了水稻直链淀粉含量测定的近红外分析定标模型.其定标标准偏差(Standard error of calibration, SEC)、交叉检验标准误差(Standard error of cross-validation,SECV)和定标决定系数(Regression squared,RSQ)分别为0.277、1.492和0.979.利用建立的近红外定量分析模型,实现了对水稻航天育种后代材料的快速筛选与鉴定.     

水稻籽粒直链淀粉含量非破坏性活体测定方法研究

对533份杂交稻和常规稻材料的糙米和精米直链淀粉含量进行化学分析, 并结合近红外透射光谱数据, 采用改进偏最小二乘法(MPLS)分别建立糙米、精米的直链淀粉含量(AC)预测定标模型, 并对其进行内部和外部验证. 结果表明, 杂交稻糙米及精米模型的定标相关系数(RSQ)分别为0.873和0.922, 常规稻糙米及精米模型的RSQ则分别为0.924和0.939, 定标标准偏差(SEC)分别为1.100,0.956,1.537,1.547; 内部交叉验证预测值和真实值之间的RSQ分别为0.866,0.901,0.892和0.921, 外部验证的RSQ分别为0.9506,0.9352,0.9116,0.9180, 所建模型的相关性较高, 预测值与真实值之间的误差小. 常规稻模型可应用于大量育种材料快速、无损的早代筛选, 杂交稻模型可用于新组合直链淀粉含量的快速鉴定, 促进稻米品质改良, 提高育种效率.     

水稻籽粒直链淀粉含量非破坏性活体测定方法研究

对533份杂交稻和常规稻材料的糙米和精米直链淀粉含量进行化学分析,并结合近红外透射光谱数据,采用改进偏最小二乘法（MPLS）分别建立糙米、精米的直链淀粉含量（AC）预测定标模型,并对其进行内部和外部验证.结果表明,杂交稻糙米及精米模型的定标相关系数（RSQ）分别为0.873和0.922,常规稻糙米及精米模型的RSQ则分别为0.924和0.939,定标标准偏差（SEC）分别为1.100,0.956,1.537,1.547;内部交叉验证预测值和真实值之间的RSQ分别为0.866,0.901,0.892和0.921,外部验证的RSQ分别为0.9506,0.9352,0.9116,0.9180,所建模型的相关性较高,预测值与真实值之间的误差小.常规稻模型可应用于大量育种材料快速、无损的早代筛选,杂交稻模型可用于新组合直链淀粉含量的快速鉴定,促进稻米品质改良,提高育种效率.     

棉籽壳营养成分测定及近红外模型建立

本试验采用近红外光谱(NIRS)技术,利用改进的偏最小二乘法(MPLS)建立了测定棉籽壳的水分(WC)、粗蛋白(CP)、中性洗涤纤维(NDF)、酸性洗涤纤维(ADF)含量的预测模型。棉籽壳WC、CP、NDF、ADF定标标准分析误差(SEC)范围为0. 070 5～0. 738 2,交叉检验标准误差(SECV)为0. 089 8～0. 966 9,交叉验证相关系数(1-VR)为0. 765 3～0. 987 5,定标相关系数(RSQ)为0. 801～0. 993;外部验证相关系数R2分别达到了0. 970 8,0. 969 1,0. 953 1,0. 807 1。结果表明该预测模型能够用于棉籽壳的WC、CP、NDF和ADF的快速测定。     

应用近红外光谱分析技术定量检测植物油脂肪酸含量的研究

[目的]建立一种简单、快速、准确且无损的脂肪酸含量的定量检测方法。[方法]应用近红外光谱分析技术快速准确定量检测植物油中3种脂肪酸含量,采用偏最小二乘法PLS建立植物油中3种脂肪酸(油酸、亚油酸、亚麻酸)含量的近红外定量分析模型,并对比分析了10种光谱预处理方法对植物油中3种脂肪酸含量定量分析校正模型结果的影响。[结果]一阶导数(FD)结合多元散射校正(MSC)法的光谱预处理效果最优,经FD+MSC法预处理后采用PLS建立的植物油脂肪酸含量检测的校正模型,对油酸的验证决定系数R2为0.969 3,预测标准差RMSEP为1.3%;对亚油酸的验证决定系数R2为0.960 6,预测标准差RMSEP为1.66%;对亚麻酸的验证决定系数R2为0.973 1,预测标准差RMSEP为0.479%。[结论]研究表明,所建模型可较好地检测植物油中油酸、亚油酸、亚麻酸含量。     

两种方法测定油菜种子品质指标的含量及相关性分析

[目的]研究应用近红外光谱分析技术(NIR)测定油菜种子品质指标的可行性。[方法]用NIR测定油菜种子中各品质指标,并将其与化学方法进行比较。[结果]与化学方法比较,NIR测定油菜种子中芥酸、硫苷、含油量、油酸、水分测定值的差异均不显著(P>0.05),相对误差分别为2.03%、2.51%、0.89%、1.06%和2.50%;2种方法测定结果的相关系数分别是0.999 9、0.999 6、0.997 7、0.999 2和0.966 4。[结论]NIR可以应用于油菜品质指标的测定,能为油菜育种提供相对准确的数据。     

基于高光谱成像技术的油菜种子油酸含量反演模型

高油酸油菜籽品种是当前油菜育种方向之一,为开发高效、无损测定油酸含量的方法,提高油菜高油酸种质资源筛选效率,选用3个油菜品种为材料,分别采集其种子光谱成像信息及油酸含量数据,首先对光谱信息进行11种预处理,确定多元散射校正（MSC）最佳预处理方法,然后基于主成分分析（PCA）、连续投影（SPA）、竞争性自适应重加权采样（CARS）方法对数据进行降维,最后分别建立支持向量机（SVM）、最小二乘支持向量机（LS-SVM）和极限学习机（ELM）3种定量分析模型,对油菜油酸含量进行无损检测。通过改变训练样本的数量来测试模型,为验证模型的稳定性,用相关系数（R）、均方根误差（RMSE）进行效果评价。结果表明,在所有模型中,多元散射校正+竞争性自适应重加权采样+极限学习机（MSC+CARS+ELM）模型预测效果最好,校正集相关系数（Rc）、均方根误差（RMSEc）分别为0.894、1.993 4%,预测集相关系数（Rp）为0.868,均方根误差（RMSEp）为1.069 8%,可更加准确地预测油酸含量,创建一种快速、无损检测油菜种子油酸含量的方法,为利用高光谱技术进行油菜营养品质无损检测提供理论依...     

利用甘蓝型油菜高密度SNP遗传图谱定位油酸、 亚麻酸及芥酸含量QTL位点

【目的】菜籽油包括多种脂肪酸组分,提高油酸（C18:1）含量,降低亚麻酸（C18:2）和芥酸（C22:1）含量是油菜育种改良和遗传研究的重要目标。本研究利用刚开发的油菜60K芯片构建的高世代重组自交系群体遗传连锁图谱,对3个不同环境中影响甘蓝型油菜品质的油酸、亚麻酸及芥酸含量进行QTL定位分析,研究结果可对脂肪酸组分QTL位点在不同的群体之间准确比较分析。【方法】以高芥酸亲本GH06为母本和低芥酸亲本P174为父本构建高世代重组自交系,分别于2008年在德国吉森、德国霍亨里特及2009年德国吉森3个不同的环境中设置田间试验,收获自交种子,采用近红外分析方法3次重复对种子的脂肪酸组分进行分析。利用油菜60K芯片对重组自交系群体进行基因型分析,DNA样品预处理及芯片处理严格按照Illumina Inc公司Infinium HD Assay Ultra操作说明进行。取最小阈值LOD 5.0利用MSTmap软件构建遗传图谱。QTL定位所用的遗传图谱包括2 756个SNP位点,覆盖甘蓝型油菜基因组1 832.4 cM。利用Windows QTL Cartographer复合区间作图法对油酸、亚麻酸及芥酸含量进行QTL定位。【结果】在3个环境中,油酸和芥酸含量均表现为极显著负相关,相关系数均达到-0.95,且表现为主基因控制的性状,芥酸和亚麻酸表现负相关,油酸与亚麻酸表现正相关。3个性状在3个环境中共检测到14个QTL,在A08和C03上都检测到油酸和芥酸含量重叠的主效QTL位点。在3个环境中,油酸主效QTL位点解释表型变异19%-31%,芥酸主效QTL位点解释表型变异19%-34%,两者表现加性效应相反。A08和C03染色体上的芥酸主效QTL位点加性效应在3个环境中为7.6到9.6,加性效应来自低油酸、高芥酸亲本GH06。亚麻酸属于典型的数量性状,受环境影响较大,在3个环境中检测到不同的微效QTL位点,解释表型变异3%-12%。遗传图谱与物理图谱比较分析发现,脂肪酸去饱和酶FAD2基因位于亚麻酸QTL qA05C18:3的置信区间,而脂肪酸延长酶FAE1基因位于芥酸QTL qA08C22:1的置信区间。【结论】利用该套油菜60K芯片准确定位了油酸、亚麻酸及芥酸QTL位点,位于A08和C03染色体上的芥酸主效QTL位点同时也是油酸的主效QTL位点,该研究结果有利于不同群体在使用该套SNP芯片分析及对脂肪酸组分定位后准确比较分析。     

菜油兼用型油菜籽粒油酸含量的高光谱模型构建

【目的】基于高光谱特征初步判别油菜摘薹情况,为实现高光谱反演籽粒油酸含量提供理论指导。【方法】使用FieldSpec 3地物光谱仪采集油菜盛花期叶片光谱数据,采用Agilent GC-MS 7980B气相色谱仪分析摘薹和未摘薹处理的籽粒油酸含量,比较2组处理的平均原始光谱反射率特征,及其油菜叶片原始及一阶微分光谱反射率与籽粒油酸含量相关性,在此基础上构建基于原始光谱特征波长的支持向量机（SVM）判别模型、基于光谱参数的油酸含量二项式模型、基于一阶微分光谱特征波长的油酸含量多元线性逐步回归（MLSR）及偏最小二乘回归（PLSR）预测模型,并利用独立样本T检验对模型精度进行验证。【结果】发现未摘薹及摘薹处理的平均原始光谱反射率曲线在760~1080nm波段存在一定差异。未摘薹及摘薹处理的原始光谱反射率与籽粒油酸含量相关性曲线存在一定差异,未摘薹处理的原始光谱反射率在484~956和1001~1146 nm波段与籽粒油酸含量呈正相关,摘薹处理的原始光谱反射率在1882~2111和2324~2499 nm波段与油菜籽粒油酸含量呈正相关,说明摘薹会影响油菜光谱反射率与籽粒油酸含量的相关性表现。选取位于760~1080 nm波段4个拐点波长（760、920、970和1080 nm）的原始光谱反射率作为自变量,用以构建SVM判别模型,经过多次随机取样比较构建所有SVM判别模型,发现最佳判别模型的训练集样本总体精度为86.1%,验证集样本总体精度为77.8%,说明利用高光谱技术判别油菜是否摘薹具有一定的可行性。光谱参数模型中RVI模型对未摘薹处理油菜籽粒油酸含量的反演效果最佳,且该模型与未摘薹处理籽粒油酸含量的相关系数（-0.705）最高。比较全部油菜籽粒油酸含量预测模型类型,PLSR模型对未摘薹处理籽粒油酸含量预测精度最高,其训练集R2=0.590、RMSE=0.610,MLSR模型对摘薹处理籽粒油酸含量预测精度最高,其训练集R2=0.773、RMSE=0.874。利用独立样本T检验对二者模型测试集样本进行验证,未摘薹样本P=0.839,摘薹样本P=0.858,二者样本实测值与预测值均无显著差异（P>0.05）,模型合理,说明利用高光谱技术对油菜籽粒油酸含量进行预测可行。【建议】引入随机森林等机器学习算法,更好地选取特征波长（显著相关波长或全波段等）,提高光谱数据对油菜籽粒油酸含量的预测能力。后期的试验应侧重于多品种油菜籽粒油酸含量估测研究,探索高光谱技术估测油菜籽粒油酸含量是否具备普遍的可行性。利用高光谱技术反演其他油菜籽粒品质指标,为高光谱遥感监测油菜品质提供理论依据。     

白菜型油菜种子芥酸、油酸和硫苷含量的变异及相关性

为筛选及鉴定优异育种资源,为白菜型油菜育种提供基础材料,利用近红外方法测定84份白菜型油菜的芥酸、油酸和硫苷含量,并分析三者之间的相关性。结果表明:芥酸和油酸含量呈极显著负相关,芥酸和硫苷含量呈极显著正相关,油酸和硫苷含量呈极显著负相关;对群体材料进行主成分分析,并提取因子1和因子2进行作图,其中因子1和2分别能解释73.7%和23.2%的表型变异;经聚类分析,有79份材料聚集形成群Ⅰ,另外有5份特殊变异材料偏离群体。白菜型油菜群体的芥酸、油酸和硫苷含量的变异丰富且存在显著相关性,通过聚类分析筛选出5份(32号、45号、46号、50号、59号)优异的白菜型油菜育种材料。     

近红外光谱和纸层析法分析单粒油菜籽脂肪酸的研究

油菜脂肪酸组分含量的高低受胚基因型控制,而不受母本基因型控制,因此对性状优良的油菜育种材料进行早期低芥酸的单粒选择意义深远.我们通过试剂及试剂浓度等的优化研究,建立了高效实用的分析半粒油菜籽芥酸的纸层析技术.研究表明,单粒油菜籽芥酸与油酸 亚油酸的相关系数高达-0.9693,选择低芥单粒油菜可以达到同时科学有效地选择高的油酸和亚油酸的育种目的.同时,通过对扫描次数、分辨率和光谱数据预处理等的系统研究,对照气相色谱法,建立了单粒油菜籽芥酸品质的NIRS分析技术.单粒油菜籽芥酸(扫描次数128,分辨率4 cm-1)模型是最佳工作曲线,其决定系数R2为0.79,均方差RMSECV为4.81.半粒纸层析技术结果准确,但操作繁琐,又损伤种子,不利于出苗;而NIRS为无损伤检测方法,快速高效,无污染较准确.两者都能科学有效地应用于品质育种中间材料和早世代材料的选择.     

Modification of plant lipid synthesis

Genetic engineering of new storage oils and fats has produced oil crop plants with fatty acid compositions unattainable by plant breeding alone. The combination of classical breeding methods with molecular techniques provides new ways for designing oils for food and nonfood uses. Alterations in the position and number of double bonds, variation in fatty acid chain length, and the introduction of desired functional groups have already been achieved in model systems. Short-term prospects include crops such as rapeseed or soybean engineered to have greater than 70 to 80 percent medium-chain fatty acids by content, greater than 90 percent oleic acid, and high erucic acid content, and engineered to form ricinoleic acid in seed storage tissues.