基于表型组学方法估计艾的采收期并对其品质进行分类


发布时间:

2023-08-15

来源:

本站

作者:

PhenoTrait

艾在韩国被广泛用作草药和食品。然而,目前仍未明确艾的最佳采收时期。此外,由于艾的药理学特性,基于质量的分类用于消费是必要的。为此,本文确定了艾的最佳采收时间,并基于异泽兰黄素、棕矢车菊素、精油含量和叶重比对艾进行质量分级。研究结果表明,综合考虑天气状况和统计分析,2019年6月底采收艾较为适宜,7月上旬采收的艾品质最高。为了对艾的质量进行分级,基于上述四种成分应用了机器学习算法。结果表明,在各种模型中Logistic回归模型表现最好,其特征曲线下面积为0.906。本研究开发了确定艾最佳采收时期和分类其质量的方法,使其能够精确地应用于每年不同的天气状况。

 

图1. 基于采收时间蕲艾的形态变化。

(A)艾的冠层;(B)于5月中旬顶生叶;(C)6月中旬下部叶片枯萎;(D)于7月中旬的花蕾

 

 图2. 通过多项式回归分析确定艾的最佳采收期是基于以下与品质相关的叶片参数:(A)异泽兰黄素含量;(B)矢车菊素含量;(C)精油含量和(D)叶重比。

 

图3. 散点图显示四个质量相关变量与主成分分析第一和第二主变量的正相关和负相关。数字表示每个月分析的个体,蓝色箭头表示解释变量为向量,每个向量表示数值增加的方向。注:DAF为days after foliation缩写,开花后天数。

图4. 具有回归平面的三维散点图显示了(A)异泽兰黄素和棕矢车菊素及(B)精油和叶重比对叶裂后时期的依赖性。回归平面分别为(A)DAF = 117.412 + 0.094异泽兰黄素-0.223棕矢车菊素( R2 = 0.759 )和(B) DAF = 227.801 + 6.328精油-2.328叶重比 ( R2 = 0.563 )

 

 图5. 艾采收期( DAF )的多元线性回归模型预测值与实际值的散点图( DAF = 167.347 + 0.073异泽兰黄素-0.183棕矢车菊素+ 13.081精油-1.261叶重比,R2 = 0.896 )。

 

图6. 基于9月4个质量决定变量的机器学习模型对艾采收期分类的ROC曲线和ROC曲线下面积AUC

 

表.1多元线性回归得出的系数估计值、p值和显著性 

表2. 比较基于异泽兰黄素、棕矢车菊素、精油和叶重比四个变量的机器学习模型对艾叶质量进行分类的性能指标

来 源

Heo, S., Chung, S. Development of phenomic approaches to estimate harvesting time of Artemisia argyi and classifying its quality based on flavonoids, essential oil and leaf weight ratio. Plant Biotechnol Rep (2023). https://doi.org/10.1007/s11816-023-00846-5

 

编辑

DADA

 

推荐新闻

石时之约|韩志国:透过表型数据,看见植物的喜怒哀乐!

本期石时之约,我们将对话慧诺瑞德(北京)科技有限公司总经理、国际植物表型学会(IPPN)执委会委员/工业分会副主席韩志国,一起从表型数据的科学角度,去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起,为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种,是在给定的环境条件下,选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种,从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选,是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”,要在肉眼可见之前就能测量并预判出变化趋势,才是这个技术的核心价值。叶绿素荧光成像,恰好满足了这个要求。