在大规模的玉米生殖质中,机器学习预测了使用福里埃变换红外光谱法预测茎中的红素含量
Yujing Wen1, Xing Liu2, Feng He1
1The National Engineering Laboratory of Crop Resistance Breeding, School of Life Sciences, Anhui Agricultural University, Hefei 230036, China.
International journal of biological macromolecules
|September 30, 2024
概括
富里埃变换红外线 (FTIR) 测定与机器学习 (ML) 结合,提供了一种快速,环保的方法来预测玉米茎中的素含量. 这种高通量方法有助于遗传育种和工业应用.
科学领域:
- 生物质的表征生物质的表征
- 植物生物化学 植物生物化学
- 农业科学 农业科学
背景情况:
- 氨酸是生物燃料生产中氨酸复原的关键,也是一个有价值的生物炼油产品.
- 传统的素检测方法缓慢,劳动密集,对环境有害.
- 对于高吞吐量,环保的技术来选作物生殖质有着至关重要的需求.
研究的目的:
- 开发和验证一种高吞吐量,环保的方法,用于预测玉米茎中的素含量.
- 为此目的,评估富里埃变换红外光谱 (FTIR) 光谱学与机器学习 (ML) 算法相结合的有效性.
- 评估该方法在转基因育种和玉米工业利用中的应用潜力.
主要方法:
- 福里埃变换红外光谱 (FTIR) 对150种不同种类的玉米生殖质进行了检测.
- 主要成分分析 (PCA) 用于处理FTIR光谱数据.
- 使用各种机器学习算法构建预测模型,包括梯度增强机 (GBM),极端梯度增强 (XGBoost) 和光梯度增强机 (LightGBM).
主要成果:
- 先进的GBM算法,特别是XGBoost和LightGBM,实现了高的预测准确性 (在训练中R>0.91,在测试中R>0.82).
- 这些模型显著超过了传统的线性和规范化算法.
- FTIR-ML方法在各种玉米生殖质中表现出强的性能.
结论:
- 结合FTIR光谱学和ML算法,提供了一种高效和高通量方法,用于预测玉米中的红素含量.
- 这种技术解决了传统方法的局限性,提供了一个可持续的替代方案.
- 开发的方法显示,在加速遗传育种计划和优化玉米在工业生产中的利用方面,有很大的前景.
