Plant Phenomics | 基于LSSVM 模型的無暗適應葉綠素a熒光Fv/Fm的測定

光合量子產(chǎn)量的評價是植物表型分析的重要內(nèi)容，葉綠素熒光a(ChIF)作為一種快速、靈敏、無損的檢測指標，被廣泛應用于植物光合作用及其調(diào)控機制的研究。其中，ChIF誘導曲線中可變熒光值與最大熒光的比值Fv/Fm能夠反應光合系統(tǒng)II（PSII）的最大光化學量子產(chǎn)率。目前， 對于Fv/Fm的測量，必須將植物樣品暗適應處理15–30分鐘或更長的時間，這種處理方式是耗時的，限制了其實際應用。因此，亟需一種現(xiàn)代化計算方法，確定ChIF與暗適應和非暗適應之間的確切關(guān)系，在沒有暗適應的情況下從ChIF中確定準確的Fv/Fm，以節(jié)省試驗時間。
 

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

該研究對6種植物（共計7321個樣本）進行了8組試驗，探究了不同樣本類型的Fv/Fm在有暗適應和無暗適應條件下的差異。隨機選取樣本數(shù)量的10%、20%、…90%作為訓練數(shù)據(jù)集并建立初始LSSVM模型，其余樣本作為驗證數(shù)據(jù)集，以測試所建立的LSSVM模型在暗適應下對Fv/Fm的預測性能。在不同訓練數(shù)據(jù)集樣本數(shù)下，使用LSSVM模型從無暗適應測量的ChIF確定Fv/Fm的結(jié)果如表1、2所示。結(jié)果表明，當訓練數(shù)據(jù)集樣本占全部樣本容量的80%以上時，LSSVM模型表現(xiàn)出較強的預測能力。
 

表1：LSSVM模型性能評價指標（RMSE）
 

表2：LSSVM模型性能評價指標（RPD）

該研究進一步比較了不同訓練數(shù)據(jù)集樣本中預測的Fv/Fm值與所有測試樣本暗適應后測量的試驗值（圖1）。為了進一步評估模型的預測性能，計算了一條回歸線來驗證其是否接近1:1的直線。結(jié)果表明，該研究強調(diào)的ChIF預測的Fv/Fm與暗適應的Fv/Fm之間存在顯著的線性回歸關(guān)系，LSSVM模型在沒有暗適應的情況下，可以有效地從ChIF中預測Fv/Fm。
 

圖1：利用LSSVM模型對不同訓練數(shù)據(jù)集樣本進行Fv/Fm預測。（A）訓練數(shù)據(jù)集的數(shù)量為總樣本的80%。（B）訓練數(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)大學基于目標檢測與追蹤算法在提取水稻抽穗開花期表型上的應用

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)絡預測溫室葡萄成熟度

加入作者交流群

掃碼添加小編微信，拉您進入《植物表型組學》作者交流群，群內(nèi)不定期開展作者分享會、�？�發(fā)布會等高質(zhì)量活動。

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》（Plant Phenomics）是由南京農(nóng)業(yè)大學和美國科學促進會（AAAS）合作創(chuàng)辦的英文學術(shù)期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領(lǐng)域具有突破性科研進展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實踐中的表型組學新應用，與植物表型相結(jié)合的分子生物學、植物生理學、統(tǒng)計學、作物模型和其他組學研究，表型組學相關(guān)的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄。科睿唯安JCR2021影響因子為6.5，位于農(nóng)藝學、植物科學、遙感一區(qū)。中科院農(nóng)藝學、植物科學一區(qū)，遙感二區(qū)，生物大類一區(qū)（TOP期刊）。2020年入選中國科技期刊卓越行動計劃高起點新刊項目。

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