Plant Phenomics | 基于LSSVM 模型的無(wú)暗適應(yīng)葉綠素a熒光Fv/Fm的測(cè)定

光合量子產(chǎn)量的評(píng)價(jià)是植物表型分析的重要內(nèi)容，葉綠素?zé)晒鈇(ChIF)作為一種快速、靈敏、無(wú)損的檢測(cè)指標(biāo)，被廣泛應(yīng)用于植物光合作用及其調(diào)控機(jī)制的研究。其中，ChIF誘導(dǎo)曲線中可變熒光值與最大熒光的比值Fv/Fm能夠反應(yīng)光合系統(tǒng)II（PSII）的最大光化學(xué)量子產(chǎn)率。目前， 對(duì)于Fv/Fm的測(cè)量，必須將植物樣品暗適應(yīng)處理15–30分鐘或更長(zhǎng)的時(shí)間，這種處理方式是耗時(shí)的，限制了其實(shí)際應(yīng)用。因此，亟需一種現(xiàn)代化計(jì)算方法，確定ChIF與暗適應(yīng)和非暗適應(yīng)之間的確切關(guān)系，在沒(méi)有暗適應(yīng)的情況下從ChIF中確定準(zhǔn)確的Fv/Fm，以節(jié)省試驗(yàn)時(shí)間。
 

2023年5月，Plant Phenomics在線發(fā)表了江南大學(xué)等單位題為Determination of Fv/Fm from Chlorophyll a Fluorescence without Dark Adaptation by an LSSVM Model 的研究論文。該研究開(kāi)發(fā)了一個(gè)最小二乘支持向量機(jī)（LSSVM），可以在無(wú)暗適應(yīng)條件下從ChIF誘導(dǎo)曲線中確定Fv/Fm。結(jié)果表明，在無(wú)暗適應(yīng)條件下，所開(kāi)發(fā)的LSSVM模型具有良好的測(cè)定性能，測(cè)試數(shù)據(jù)集的預(yù)測(cè)性能非常理想：相關(guān)系數(shù)為（0.7620.974），均方根誤差為（0.0050.0021），殘差預(yù)測(cè)偏差為（1.2544.933）。
 

該研究對(duì)6種植物（共計(jì)7321個(gè)樣本）進(jìn)行了8組試驗(yàn)，探究了不同樣本類型的Fv/Fm在有暗適應(yīng)和無(wú)暗適應(yīng)條件下的差異。隨機(jī)選取樣本數(shù)量的10%、20%、…90%作為訓(xùn)練數(shù)據(jù)集并建立初始LSSVM模型，其余樣本作為驗(yàn)證數(shù)據(jù)集，以測(cè)試所建立的LSSVM模型在暗適應(yīng)下對(duì)Fv/Fm的預(yù)測(cè)性能。在不同訓(xùn)練數(shù)據(jù)集樣本數(shù)下，使用LSSVM模型從無(wú)暗適應(yīng)測(cè)量的ChIF確定Fv/Fm的結(jié)果如表1、2所示。結(jié)果表明，當(dāng)訓(xùn)練數(shù)據(jù)集樣本占全部樣本容量的80%以上時(shí)，LSSVM模型表現(xiàn)出較強(qiáng)的預(yù)測(cè)能力。
 

表1：LSSVM模型性能評(píng)價(jià)指標(biāo)（RMSE）
 

表2：LSSVM模型性能評(píng)價(jià)指標(biāo)（RPD）

該研究進(jìn)一步比較了不同訓(xùn)練數(shù)據(jù)集樣本中預(yù)測(cè)的Fv/Fm值與所有測(cè)試樣本暗適應(yīng)后測(cè)量的試驗(yàn)值（圖1）。為了進(jìn)一步評(píng)估模型的預(yù)測(cè)性能，計(jì)算了一條回歸線來(lái)驗(yàn)證其是否接近1:1的直線。結(jié)果表明，該研究強(qiáng)調(diào)的ChIF預(yù)測(cè)的Fv/Fm與暗適應(yīng)的Fv/Fm之間存在顯著的線性回歸關(guān)系，LSSVM模型在沒(méi)有暗適應(yīng)的情況下，可以有效地從ChIF中預(yù)測(cè)Fv/Fm。
 

圖1：利用LSSVM模型對(duì)不同訓(xùn)練數(shù)據(jù)集樣本進(jìn)行Fv/Fm預(yù)測(cè)。（A）訓(xùn)練數(shù)據(jù)集的數(shù)量為總樣本的80%。（B）訓(xùn)練數(shù)據(jù)集的數(shù)量為總樣本的90%。

論文鏈接：

‍https://doi.org/10.34133/plantphenomics.0034

Analyzing Nitrogen Effects on Rice Panicle Development by Panicle Detection and Time-Series Tracking

https://doi.org/10.34133/plantphen‍omics.0048

Plant Phenomics | 南京農(nóng)業(yè)大學(xué)基于目標(biāo)檢測(cè)與追蹤算法在提取水稻抽穗開(kāi)花期表型上的應(yīng)用

Prediction of the Maturity of Greenhouse Grapes Based on Imaging Technology

https://doi.org/10.34133/2022/9753427

Plant Phenomics | 基于表型圖像信息與反向神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)溫室葡萄成熟度

加入作者交流群

掃碼添加小編微信，拉您進(jìn)入《植物表型組學(xué)》作者交流群，群內(nèi)不定期開(kāi)展作者分享會(huì)、專刊發(fā)布會(huì)等高質(zhì)量活動(dòng)。

添加小編微信，備注姓名+單位+PP，加入作者交流群

《植物表型組學(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)和美國(guó)科學(xué)促進(jìn)會(huì)（AAAS）合作創(chuàng)辦的英文學(xué)術(shù)期刊，于2019年1月正式上線發(fā)行。采用開(kāi)放獲取形式，刊載植物表型組學(xué)交叉學(xué)科熱點(diǎn)領(lǐng)域具有突破性科研進(jìn)展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點(diǎn)。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機(jī)器學(xué)習(xí)的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實(shí)踐中的表型組學(xué)新應(yīng)用，與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計(jì)學(xué)、作物模型和其他組學(xué)研究，表型組學(xué)相關(guān)的植物生物學(xué)等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫(kù)收錄。科睿唯安JCR2021影響因子為6.5，位于農(nóng)藝學(xué)、植物科學(xué)、遙感一區(qū)。中科院農(nóng)藝學(xué)、植物科學(xué)一區(qū)，遙感二區(qū)，生物大類一區(qū)（TOP期刊）。2020年入選中國(guó)科技期刊卓越行動(dòng)計(jì)劃高起點(diǎn)新刊項(xiàng)目。

說(shuō)明：本文由《植物表型組學(xué)》編輯部負(fù)責(zé)組稿。
中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準(zhǔn)。
撰稿：孫浩（南京農(nóng)業(yè)大學(xué)）
排版：張婕（上海交通大學(xué)）
審核：孔敏、王平