近紅外高光譜成像技術(shù)用于轉(zhuǎn)基因大豆快速無損鑒別研究

王海龍，楊向東，張 初，郭東全，鮑一丹*，何 勇, 劉 飛

1. 浙江大學(xué)生物系統(tǒng)工程與食品科學(xué)學(xué)院，浙江 杭州 310058 2. 吉林省農(nóng)業(yè)科學(xué)院農(nóng)業(yè)生物技術(shù)研究所，吉林 長(zhǎng)春 130033

近紅外高光譜成像技術(shù)用于轉(zhuǎn)基因大豆快速無損鑒別研究

王海龍1，楊向東2，張 初1，郭東全2，鮑一丹1*，何 勇1, 劉 飛1

1. 浙江大學(xué)生物系統(tǒng)工程與食品科學(xué)學(xué)院，浙江 杭州 310058 2. 吉林省農(nóng)業(yè)科學(xué)院農(nóng)業(yè)生物技術(shù)研究所，吉林 長(zhǎng)春 130033

以近紅外高光譜成像技術(shù)，結(jié)合化學(xué)計(jì)量學(xué)方法，研究了轉(zhuǎn)基因大豆的快速、無損檢測(cè)方法。實(shí)驗(yàn)以3種不同非轉(zhuǎn)基因親本(HC6, JACK, TL1)及其轉(zhuǎn)基因大豆作為研究對(duì)象。采用高光譜成像系統(tǒng)采集874～1 734 nm波長(zhǎng)范圍的256個(gè)波段范圍的高光譜圖像，提取大豆的光譜信息，剔除明顯噪聲部分后，采用Moving Average(MA)平滑預(yù)處理的941～1 646 nm范圍光譜數(shù)據(jù)進(jìn)行分析。采用偏最小二乘判別分析算法(partial least squares-discriminant analysis, PLS-DA)，對(duì)3種非轉(zhuǎn)基因親本大豆建立模型進(jìn)行判別分析，其相應(yīng)的建模集和預(yù)測(cè)集的判別正確率分別為97.50%和100%，100%和100%，96.25%和92.50%，結(jié)果表明，高光譜成像技術(shù)可用于非轉(zhuǎn)基因大豆的識(shí)別。對(duì)非轉(zhuǎn)基因親本及其轉(zhuǎn)基因大豆進(jìn)行判別分析，基于全譜，3種的建模集和預(yù)測(cè)集的判別正確率分別為99.17%和99.17%，87.19%和81.25%，99.17%和98.33%； 以x-loading weights提取非轉(zhuǎn)基因親本及其轉(zhuǎn)基因大豆判別分析的特征波長(zhǎng)并建立PLS-DA模型，3種的建模集和預(yù)測(cè)集的判別正確率分別為72.50%和80%，80.63%和79.38%，85%和85%，該結(jié)果表明非轉(zhuǎn)基因親本與轉(zhuǎn)基因品種的判別分析是可行的，特征波長(zhǎng)的選擇也可用于非轉(zhuǎn)基因親本與轉(zhuǎn)基因品種的判別分析。研究表明采用近紅外高光譜成像技術(shù)對(duì)非轉(zhuǎn)基因大豆、非轉(zhuǎn)基因親本及其轉(zhuǎn)基因大豆進(jìn)行鑒別是可行的，為轉(zhuǎn)基因大豆的快速無損準(zhǔn)確鑒別提供了一種新方法。

近紅外高光譜成像； 轉(zhuǎn)基因大豆； PLS-DA；x-loading weights

引 言

由于糧食需求的增加，轉(zhuǎn)基因技術(shù)在作物種植中的應(yīng)用更加快速增長(zhǎng)[1]。從1996年開始商業(yè)化后，轉(zhuǎn)基因作物的種植面積一直持續(xù)增長(zhǎng)。1.752億公頃，是2013年轉(zhuǎn)基因作物在全球范圍的種植面積，相比前一年的統(tǒng)計(jì)增長(zhǎng)了3%，并且是最初商業(yè)化時(shí)種植面積(170萬公頃)的100多倍[2]。大豆是最主要的轉(zhuǎn)基因作物來源，大豆、玉米、棉花和油菜分別占全球轉(zhuǎn)基因作物面積的47%，32%，15%和5%[3]。轉(zhuǎn)基因作物的產(chǎn)量一般都遠(yuǎn)高于非轉(zhuǎn)基因作物，大大增加了全球糧食產(chǎn)量，有利于減輕貧困和饑餓[2]。

轉(zhuǎn)基因在世界范圍內(nèi)存在很大的爭(zhēng)議。中國是世界上最大的大豆進(jìn)口國，盡管對(duì)轉(zhuǎn)基因作物的監(jiān)管十分嚴(yán)格，常有轉(zhuǎn)基因大豆通過非法途徑進(jìn)入中國銷售?；谵D(zhuǎn)基因大豆及其他轉(zhuǎn)基因作物存在的安全隱患和爭(zhēng)議等現(xiàn)實(shí)問題，研究轉(zhuǎn)基因與非轉(zhuǎn)基因的檢測(cè)和鑒別方法具有重要意義。

傳統(tǒng)的轉(zhuǎn)基因與非轉(zhuǎn)基因的檢測(cè)和鑒別方法，主要有蛋白質(zhì)檢測(cè)方法包括酶聯(lián)免疫分析法(enzyme linked immunoassay，ELISA)、側(cè)向流動(dòng)型免疫試紙條法(lateral flow strip)、核酸檢測(cè)方法[定性PCR法(qualitative PCR)、實(shí)時(shí)熒光PCR法(real-time fluorescent PCR)]、基因芯片檢測(cè)技術(shù)和高效液相色譜法等[4-5]。這些方法會(huì)一定程度的破壞蛋白質(zhì)或基因片段，且費(fèi)時(shí)費(fèi)力，程序復(fù)雜，成本較高，非專業(yè)人員難以勝任，不適用于轉(zhuǎn)基因與非轉(zhuǎn)基因的實(shí)時(shí)在線快速檢測(cè)鑒別。

光譜與光譜成像技術(shù)具有快速、無損、準(zhǔn)確等優(yōu)良特點(diǎn)，近年來在農(nóng)作物鑒別及品質(zhì)分析的檢測(cè)中得到廣泛應(yīng)用[6-8]。目前，國內(nèi)外已對(duì)近紅外光譜技術(shù)在轉(zhuǎn)基因農(nóng)作物的應(yīng)用進(jìn)行了研究[9-14]，但近紅外光譜技術(shù)只能獲取檢測(cè)對(duì)象部分區(qū)域的光譜信息，缺少對(duì)檢測(cè)對(duì)象的空間信息的研究，預(yù)測(cè)集的信息相比建模集可能會(huì)存在較大差異。高光譜成像技術(shù)融合了圖像與光譜信息，能夠?qū)⒀芯繉?duì)象的光譜信息與空間信息同時(shí)采集，對(duì)樣本的內(nèi)外部信息可以更大范圍的獲取[15-16]。因此，在鑒別農(nóng)產(chǎn)品品種和無損檢測(cè)其品質(zhì)的研究中高光譜成像技術(shù)的應(yīng)用越來越多[15, 17-19]，但國內(nèi)尚無采用近紅外高光譜成像技術(shù)對(duì)非轉(zhuǎn)基因親本及其轉(zhuǎn)基因大豆的品種鑒別的研究。

本實(shí)驗(yàn)的主要目的是研究基于高光譜成像技術(shù)的轉(zhuǎn)基因大豆的快速、無損檢測(cè)與鑒別的方法。具體的目的為: (1)非轉(zhuǎn)基因大豆(親本)的品種鑒別研究； (2)非轉(zhuǎn)基因親本與其轉(zhuǎn)基因品種的品種鑒別研究。

1 實(shí)驗(yàn)部分

1.1 樣本

試驗(yàn)用的非轉(zhuǎn)基因親本大豆及其轉(zhuǎn)基因大豆均由吉林省農(nóng)業(yè)科學(xué)院提供，有HC6，JACK和TL1等3種不同非轉(zhuǎn)基因親本大豆及其轉(zhuǎn)基因大豆共10個(gè)品種，在外觀上均無明顯差異。其中HC6大類下，3個(gè)品種包括有HC6(非轉(zhuǎn)基因親本)、2805(轉(zhuǎn)基因)和2387(轉(zhuǎn)基因)； JACK大類下，4個(gè)品種包括有JACK(非轉(zhuǎn)基因親本)、1322(轉(zhuǎn)基因)、845(轉(zhuǎn)基因)和2660(轉(zhuǎn)基因)； TL1大類下，3個(gè)品種包括有TL1(非轉(zhuǎn)基因親本)、411(轉(zhuǎn)基因)和695(轉(zhuǎn)基因)。試驗(yàn)中選用的轉(zhuǎn)基因大豆與對(duì)照非轉(zhuǎn)基因大豆相比僅在目標(biāo)性狀(抗病、抗蟲、高油酸)方面有顯著差異，在其他表型性狀方面則差異不顯著。

1.2 高光譜成像系統(tǒng)

實(shí)驗(yàn)采用高光譜成像系統(tǒng)實(shí)現(xiàn)對(duì)轉(zhuǎn)基因大豆及其親本的光譜圖像采集。

系統(tǒng)主要包括： 成像光譜儀(N17E-QE, Spectral Imaging Ltd., Oulu, Finland)，其光譜范圍為874～1 734 nm，在光譜范圍內(nèi)共有256個(gè)波段，配有鏡頭(OLES22, Specim, Spectral Imaging Ltd., Oulu, Finland)。系統(tǒng)配有兩個(gè)150 W鹵鎢燈的Fiber-Lite DC950線光源(Dolan Jenner Industries Inc., USA)，可驅(qū)動(dòng)載有樣本的傳送帶的IRCP0076型電控移位平臺(tái)(Isuzu Optics Corp, 中國臺(tái)灣)，用來控制系統(tǒng)運(yùn)行的計(jì)算機(jī)以及中國臺(tái)灣五鈴光學(xué)公司提供的高光譜成像系統(tǒng)采集軟件。系統(tǒng)的光譜分辨率為5 nm，圖像分辨率為320×256像素點(diǎn)。

1.3 高光譜圖像采集及校正

采集高光譜圖像之前，先對(duì)系統(tǒng)進(jìn)行校正，主要通過調(diào)節(jié)光強(qiáng)、圖像清晰度和圖像的失真來實(shí)現(xiàn)，而平臺(tái)移動(dòng)速度、相機(jī)曝光時(shí)間和物距等參數(shù)是影響圖像清晰度和是否失真的主要因素。由于這些參數(shù)之間會(huì)彼此影響，為了使采集到的圖像達(dá)到不變形、不失真、更清晰等目的，需進(jìn)行最優(yōu)參數(shù)設(shè)置。多次嘗試后，分別設(shè)置參數(shù)為： 樣品到鏡頭邊緣的距離為18 cm，曝光時(shí)間為4 ms，平臺(tái)移動(dòng)速度為18 mm·sec-1。

對(duì)采集到的光譜圖像處理之前進(jìn)行校正，圖像校正公式如式(1)

(1)

式(1)中，R，Iraw，Iwhite和Idark分別為經(jīng)校正后的圖像、原始采集的圖像、白板圖像、黑板圖像。從采集的大豆樣本高光譜圖像中選取單粒大豆為感興區(qū)域，感興區(qū)域內(nèi)每一點(diǎn)都有一條光譜，計(jì)算感興區(qū)域內(nèi)的所有像素點(diǎn)光譜的平均值則是該樣本的光譜，從而進(jìn)行分析。

1.4 數(shù)據(jù)處理

1.4.1 判別分析方法

采用偏最小二乘判別分析(partial least squares-discriminant analysis, PLS-DA)進(jìn)行判別分析。在光譜數(shù)據(jù)分析中，PLS算法[20]是用較多的一種回歸分析算法，新的變量組合(LVs)可以由光譜數(shù)據(jù)通過線性變換得到，一般前幾個(gè)LVs包含絕大多數(shù)信息，用于預(yù)測(cè)分析。PLS-DA以代表類別的整數(shù)值代替化學(xué)值進(jìn)行回歸分析，根據(jù)得到的預(yù)測(cè)結(jié)果進(jìn)行判別分析。為了對(duì)樣本的類別進(jìn)行判定，也因?yàn)轭A(yù)測(cè)結(jié)果中預(yù)測(cè)值不是代表類別的整數(shù)而是實(shí)際數(shù)值，故需設(shè)定判別閾值。在本研究中，設(shè)定判別閾值為0.5，即當(dāng)實(shí)際值與預(yù)測(cè)值的差的絕對(duì)值大于0.5時(shí)，則判別錯(cuò)誤，反之則視為判別正確。

1.4.2x-loading weights選擇特征波長(zhǎng)

通過特定方法挑選出的特征波長(zhǎng)或波長(zhǎng)區(qū)間，用少數(shù)帶有最多有用信息的波長(zhǎng)代替全譜，將不相關(guān)或者非線性變量剔除，模型的計(jì)算量和復(fù)雜度都得到降低，從而使模型具有預(yù)測(cè)能力強(qiáng)、穩(wěn)健性好的特點(diǎn)，同時(shí)可以為研發(fā)基于特征波長(zhǎng)的儀器提供支持。

應(yīng)用x-loading weights選擇特征波長(zhǎng)。將PLS-DA用于建模分析，各波長(zhǎng)對(duì)應(yīng)的載荷系數(shù)(loading weights，LW)均可以從每個(gè)隱含變量(latent variable，LV)中得到，而該波長(zhǎng)對(duì)所建模型預(yù)測(cè)性能的影響則可以通過載荷系數(shù)絕對(duì)值的大小來說明，因此特征波長(zhǎng)的選取可以將某一隱含變量下各波長(zhǎng)對(duì)應(yīng)的載荷系數(shù)絕對(duì)值的大小作為依據(jù)[21]。

高光譜圖像分析采用分析軟件ENVI 4.7(ITT, Visual Information Solutions)，采用Matlab R2012b(The Math Works, Natick, USA)及The Unscrambler X 10.1(CAMO AS, Oslo, Norway)做數(shù)據(jù)分析。

2 結(jié)果與討論

2.1 大豆的光譜特征曲線

實(shí)驗(yàn)中采集的高光譜數(shù)據(jù)，波長(zhǎng)范圍是874～1 734 nm，共有256個(gè)波段。由于光譜數(shù)據(jù)前端和后端在采集時(shí)均明顯受到噪聲的影響，研究時(shí)應(yīng)去掉前端和后端中有明顯噪聲的部分，故采用了波段21到波段230共210個(gè)波段，即波長(zhǎng)范圍在941～1 646 nm之間的光譜來分析。光譜預(yù)處理時(shí)用了7點(diǎn)移動(dòng)平均平滑法[22](moving average，MA)，圖1為其平均光譜圖。由圖1可知，大豆光譜曲線基本相似，無法將轉(zhuǎn)基因與非轉(zhuǎn)基因大豆從原始光譜直接區(qū)分開來。

圖1 MA預(yù)處理后大豆平均光譜圖

2.2 非轉(zhuǎn)基因親本大豆的判別分析

將所有非轉(zhuǎn)基因親本大豆進(jìn)行類別賦值并通過Kennard-Stone算法[23]按照2∶1的比例將各個(gè)樣本劃分為建模集和預(yù)測(cè)集，分別包含80個(gè)與40個(gè)樣本。將親本HC6類別賦值為1，親本JACK賦值為2，親本TL1賦值為3。以該樣本劃分的數(shù)據(jù)為輸入，表1為基于PLS-DA模型的判別分析結(jié)果。

表1 非轉(zhuǎn)基因親本大豆的PLS-DA判別分析結(jié)果

由表1可知，對(duì)親本大豆HC6，JACK以及TL1的判別正確率均較高，建模集和預(yù)測(cè)集判別正確率均達(dá)到了90%以上，且JACK親本大豆建模集與預(yù)測(cè)集判別正確率均為100%，可能是因?yàn)镴ACK非轉(zhuǎn)基因親本大豆與其他兩類親本大豆之間光譜特性具有較大的差異。結(jié)果表明本實(shí)驗(yàn)用不同非轉(zhuǎn)基因親本大豆之間能相互鑒別，即高光譜成像技術(shù)用于非轉(zhuǎn)基因大豆品種鑒別是可行的。

2.3 非轉(zhuǎn)基因親本大豆及其轉(zhuǎn)基因大豆的品種鑒別研究

對(duì)非轉(zhuǎn)基因親本大豆及其轉(zhuǎn)基因大豆品種進(jìn)行鑒別研究，不同的非轉(zhuǎn)基因親本大豆及其轉(zhuǎn)基因大豆品種的賦值及樣本劃分如表2所示。

2.3.1 基于全波段光譜的PLS-DA判別模型

以經(jīng)MA預(yù)處理后得到的全譜光譜數(shù)據(jù)作為輸入，建立PLS-DA的判別分析模型，其判別結(jié)果如圖2及表3所示。

由表3可知，HC6親本及其轉(zhuǎn)基因品種整體的建模集和預(yù)測(cè)集的判別效果非常好，建模集240個(gè)樣本，判斷對(duì)238個(gè)，判別正確率達(dá)到了99.17%，而預(yù)測(cè)集120個(gè)樣本，判斷對(duì)119個(gè)，判別正確率也達(dá)到了99.17%。JACK親本及其轉(zhuǎn)基因品種整體的建模集和預(yù)測(cè)集的判別正確率略低，分別為87.19%與81.25%。原因可能是JACK非轉(zhuǎn)基因親本及其轉(zhuǎn)基因品種之間差異較小。TL1親本及其轉(zhuǎn)基因品種整體的判別效果較好，建模集和預(yù)測(cè)集的判別正確率分別為99.17%以及98.33%。

表2 不同非轉(zhuǎn)基因親本及其轉(zhuǎn)基因大豆品種賦值與建模集和預(yù)測(cè)集樣本劃分

Table 2 Class value assignment and dataset split of different non-GMO parent and transgenic soybeans

品種類別賦值建模集預(yù)測(cè)集HC6238718040280528040HC638040JACK84518040132228040266038040JACK48040TL14111804069528040TL138040

圖2 基于全譜的不同非轉(zhuǎn)基因親本大豆及其轉(zhuǎn)基因大豆品種判別結(jié)果

Fig.2 Specific discriminant results of different non-GMO parent and transgenic soybeans on full spectra

表3 基于全譜的不同的非轉(zhuǎn)基因親本大豆及其轉(zhuǎn)基因大豆品種判別結(jié)果

Table 3 Total discriminant results of different non-GMO parent and transgenic soybeans based on full spectra

建模集預(yù)測(cè)集識(shí)別數(shù)判別正確率/%識(shí)別數(shù)判別正確率/%HC623899.1711999.17JACK27987.1913081.25TL123899.1711898.33

由圖2可知各品種的判別正確率均較高，而JACK親本的判別正確率較低，預(yù)測(cè)集判別正確率低于60%，可能是JACK非轉(zhuǎn)基因親本及其轉(zhuǎn)基因品種之間差異較小，共有特性較多所導(dǎo)致。從圖3也可以看出對(duì)親本的判別正確率并未高于對(duì)應(yīng)的轉(zhuǎn)基因品種的判別正確率，原因可能是親本與其不同的轉(zhuǎn)基因品種之間各自共有的特性較多，導(dǎo)致無法正確判別。

綜上所述，基于全譜的HC6，JACK和TL1親本及其轉(zhuǎn)基因大豆的判別識(shí)別率都是比較高的，說明了以全譜光譜數(shù)據(jù)建立PLS-DA判別模型用于轉(zhuǎn)基因大豆與非轉(zhuǎn)基因大豆的品種識(shí)別是可行的。

2.3.2 基于x-loading weights的特征波長(zhǎng)選擇

以全譜數(shù)據(jù)作為輸入而建立的PLS-DA模型，取得了比較好的結(jié)果。但大量的數(shù)據(jù)，會(huì)增加模型的復(fù)雜度，降低計(jì)算速度。同時(shí)，在全譜數(shù)據(jù)信息中，由于大量的冗余和共線性數(shù)據(jù)的存在，會(huì)影響模型的效果。

研究中基于x-loading weights進(jìn)行特征波長(zhǎng)的選擇，提取光譜中有效特征信息建立品種識(shí)別模型。因此，品種HC6選出的特征波長(zhǎng)數(shù)為9(961，1 002，1 119，1 204，1 311，1 402，1 446，1 598，1 622 nm)，品種JACK選出的特征波長(zhǎng)數(shù)為11(999，1 113，1 156，1 197，1 234，1 291，1 342，1 399，1 446，1 480，1 554 nm)，品種TL1選出的特征波長(zhǎng)數(shù)為13(965，999，1 019，1 096，1 126，1 177，1 217，1 254，1 328，1 386，1 450，1 480，1 619 nm)。對(duì)不同樣本數(shù)據(jù)選擇的特征波長(zhǎng)相近，并且選出來的部分特征波長(zhǎng)完全相同。

圖3 基于特征波長(zhǎng)不同的非轉(zhuǎn)基因親本大豆及其轉(zhuǎn)基因大豆品種判別結(jié)果

Fig.3 Specific discriminant results of different non-GMO parent and transgenic soybeans on sensitive wavelengths

2.3.3 基于特征波長(zhǎng)的PLS-DA判別模型

為了驗(yàn)證選出的特征波長(zhǎng)對(duì)品種鑒別的效果，以選出的特征波長(zhǎng)的光譜數(shù)據(jù)作為輸入，建立PLS-DA判別模型，其判別分析結(jié)果如圖3及表4。

表4 基于特征波長(zhǎng)不同的非轉(zhuǎn)基因親本大豆及其轉(zhuǎn)基因大豆品種總體判別結(jié)果

Table 4 Total discriminant results of different non-GMO parent and transgenic soybeans based on sensitive wavelengths

建模集預(yù)測(cè)集識(shí)別數(shù)判別正確率/%識(shí)別數(shù)判別正確率/%HC617472.509680.00JACK25880.6312779.38TL120485.0010285.00

由表4可知，基于特征波長(zhǎng)建立的PLS-DA模型中，HC6親本及其轉(zhuǎn)基因品種整體的建模集和預(yù)測(cè)集的判別正確率分別達(dá)到了72.50%和80%，JACK親本及其轉(zhuǎn)基因品種整體的建模集和預(yù)測(cè)集的判別正確率分別達(dá)到了80.63%和79.38%，TL1親本及其轉(zhuǎn)基因品種整體的建模集和預(yù)測(cè)集的判別正確率分別達(dá)到了85%和85%。由圖3可知，整體而言，盡管整體判別正確率低于基于全譜的模型，各非轉(zhuǎn)基因親本及其轉(zhuǎn)基因品種的均取得了較好的判別正確率，但需要進(jìn)一步的提高。與圖2基于全譜的模型效果相似，親本大豆的判別正確率略低，可能是因?yàn)橛H本與其轉(zhuǎn)基因品種之間的共有特性較多。

3 結(jié) 論

基于近紅外高光譜成像技術(shù)，結(jié)合判別分析算法，對(duì)非轉(zhuǎn)基因大豆與轉(zhuǎn)基因大豆進(jìn)行快速、無損檢測(cè)研究。分別研究了非轉(zhuǎn)基因親本大豆品種鑒別，轉(zhuǎn)基因大豆及其親本大豆的品種鑒別等。通過研究其光譜數(shù)據(jù)之間的差異，建立了鑒別分析模型，其中對(duì)非轉(zhuǎn)基因親本品種鑒別以及非轉(zhuǎn)基因親本及其轉(zhuǎn)基因品種的鑒別，取得了較好的判別正確率。同時(shí)通過提取特征波長(zhǎng)進(jìn)行重新建模，進(jìn)一步對(duì)轉(zhuǎn)基因大豆與非轉(zhuǎn)基因大豆進(jìn)行品種分類研究，也取得了比較好的效果。

本研究為轉(zhuǎn)基因與非轉(zhuǎn)基因大豆的快速、無損檢測(cè)，提供了理論依據(jù)和一個(gè)新的方法，為進(jìn)一步開發(fā)轉(zhuǎn)基因大豆的便攜式快速識(shí)別檢測(cè)儀器與系統(tǒng)提供了方法依據(jù)。

[1] Alishahi A, Farahmand H, Prieto N, et al. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2010, 75(1): 1.

[2] James C. Chinese Journal of Biomedical Engineering(中國生物工程雜志), 2014, 34(1): 1.

[3] James C. Chinese Journal of Biomedical Engineering(中國生物工程雜志), 2012, 32(1): 1.

[4] WANG Guang-yin, FAN Wen-xiu, CHEN Bi-hua, et al(王廣印, 范文秀, 陳碧華, 等). Food Science(食品科學(xué)), 2008, 29(10)： 698.

[5] HE Yan, ZHENG Wen-jie, LIU Yuan, et al(賀 艷, 鄭文杰, 劉 垣, 等). Food Research and Development(食品研究與開發(fā)), 2009, 30(3): 170.

[6] Font R, del Río-Celestino M, de Haro-Bailón A. Industrial Crops and Products, 2006, 24(3): 307.

[7] Zhang X L, Liu F, He Y, et al. Sensors, 2012, 12(12): 17234.

[8] ZHANG Chu, LIU Fei, KONG Wen-wen, et al(張 初, 劉 飛, 孔汶汶, 等). Transactions of the Chinese Society of Agricultural Engineering(農(nóng)業(yè)工程學(xué)報(bào)), 2013, 29(20): 270.

[9] Roussel S A, Hardy C L, Hurburgh C R, et al. Applied Spectroscopy, 2001, 55(10): 1425.

[10] Yamada T, Yeh T F, Chang H M, et al. Holzforschung, 2006, 60(1): 24.

[11] XIE Li-juan, YING Yi-bin(謝麗娟, 應(yīng)義斌). Journal of Jiangsu University(江蘇大學(xué)學(xué)報(bào)·自然科學(xué)版), 2012, 33(5): 538.

[12] Hurgurgh C R, Heithoff C, Rippke G R. US Patent, 071993, 2000.

[13] Munck L, MΦller B, Jacobsen S. Journal of Cereal Science, 2004, 40: 213.

[14] Luna A S, da Silva A P, Pinho J S A, et al. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2013, 100: 115.

[15] Kamruzzaman M, ElMasry G, Sun D W, et al. Innovative Food Science & Emerging Technologies, 2012, 16: 218.

[16] Huang M, Wan X, Zhang M, et al. Journal of Food Engineering, 2013, 116(1): 45.

[17] Kong W W, Zhang C, Liu F, et al. Sensors, 2013, 13(7): 8916.

[18] ZHANG Chu, LIU Fei, ZHANG Hai-liang, et al(張 初, 劉 飛, 章海亮, 等). Spectroscopy and Spectral Analysis(光譜學(xué)與光譜分析), 2014, 34(3): 746.

[19] Mahesh S, Manickavasagan A, Jayas D S, et al. Biosystems Engineering, 2008, 101(1): 50.

[20] Guo W L, Du Y P, Zhou Y C, et al. World Journal of Microbiology and Biotechnology, 2012, 28(3): 993.

[21] Liu F, He Y, Wang L. Analytica Chimica Acta, 2008, 615(1): 10.

[22] CHU Xiao-li, YUAN Hong-fu, LU Wan-zhen(褚小立, 袁洪福, 陸婉珍). Progress in Chemistry(化學(xué)進(jìn)展), 2004, 16(4): 528.

[23] TANG Yu-lian, LIANG Yi, ZENG Fan-wei, et al(唐玉蓮, 梁 逸, 曾范偉, 等). Infrared(紅外), 2010，(1): 30.

*Corresponding author

(Received Mar. 28, 2015; accepted Jul. 19, 2015)

Fast Identification of Transgenic Soybean Varieties Based Near Infrared Hyperspectral Imaging Technology

WANG Hai-long1, YANG Xiang-dong2, ZHANG Chu1, GUO Dong-quan2, BAO Yi-dan1*, HE Yong1, LIU Fei1

1. College of Biosystems Engineering and Food Science, Zhejiang University, Hangzhou 310058, China 2. Agriculture Biotechnology Research Center, Jilin Academy of Agricultural Sciences, Changchun 130033, China

Near-infrared hyperspectral imaging technology combined with chemometrics was applied for rapid and non-invasive transgenic soybeans variety identification. Three different non-GMO parent soybeans(HC6, JACK, TL1)and their transgenic soybeans were chosen as the research object. The developed hyperspectral imaging system was used to acquire the hyperspectral images in the spectral range of 874～1 734 nm with 256 bands of soybeans, and the reflectance spectra were extracted from the region of interest (ROI) in the images. After eliminating the obvious noises, the moving average(MA)was applied as smooth pretreatment, and the wavelengths from 941～1 646 nm were used for later analysis. Partial least squares-discriminant analysis (PLS-DA)was employed as pattern recognition method to class the three different non-GMO parent soybeans. The classification accuracy of both the calibration set and the prediction set were 97.50% and 100% for the HC6, 100% and 100% for the JACK, 96.25% and 92.50% for the TL1, which indicated that hyperspectral imaging technology could identify the varieties of the non-GMO parent soybeans. Then PLS-DA was applied to classify non-GMO parent soybean and its transgenic soybean cultivars for building discriminant models. For the full spectra, the classification accuracy of both the calibration set and the prediction set were 99.17% and 99.17% for the HC6 and its transgenic soybean cultivars, 87.19% and 81.25% for the JACK and its transgenic soybean cultivars, 99.17% and 98.33% for the TL1 and its transgenic soybean cultivars, respectively. The sensitive wavelengths were selected byx-loading weights, and the classification accuracy of the calibration set and prediction set of PLS-DA models based on sensitive wavelengths were 72.50% and 80% for the HC6 and its transgenic soybean cultivars, 80.63% and 79.38% for the JACK and its transgenic soybean cultivars, 85% and 85% for the TL1 and its transgenic soybean cultivars, respectively. These results showed that the pattern recognition for non-GMO parent soybean and their transgenic soybeans was feasible, and the selected sensitive wavelengths could be used for the pattern recognition of non-GMO parent soybeans and transgenic soybeans. The overall results indicated that it was feasible to use near-infrared hyperspectral imaging technology for the pattern recognition of the non-GMO parent soybeans varieties, non-GMO parent soybean and its transgenic soybeans. This study also provided a new alternative for rapid and non-destructive accurate identification of transgenic soybean.

Near-infrared hyperspectral imaging； Transgenic soybean； PLS-DA；x-loading weights

2015-03-28，

2015-07-19

國家自然科學(xué)基金項(xiàng)目(31471417)，國家(863)計(jì)劃項(xiàng)目(2012AA101903)，國家轉(zhuǎn)基因生物新品種培育重大專項(xiàng)(2014ZX08004-004)和吉林省科技發(fā)展計(jì)劃項(xiàng)目(20150204011NY)資助

王海龍，1989年生，浙江大學(xué)生物系統(tǒng)工程與食品科學(xué)學(xué)院碩士研究生 e-mail: hl_wang@zju.edu.cn *通訊聯(lián)系人 e-mail: ydbao@zju.edu.cn

O433.4; S529

A

10.3964/j.issn.1000-0593(2016)06-1843-05