本文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：
研究作者与机构
本研究由Li-Hong Xie、Shao-Qing Tang、Xing-Jin Wei、Zhong-Hua Sheng、Gao-Neng Shao、Gui-Ai Jiao、Shi-Kai Hu、Wang-Lin和Pei-Song Hu*共同完成，研究机构为中国水稻研究所/国家水稻改良中心，位于中国杭州。该研究于2022年4月11日在线发表在《Food Chemistry》期刊上，文章编号为132944。
学术背景
本研究属于食品化学与农业科学领域，主要关注水稻淀粉的特性及其对稻米品质的影响。水稻淀粉主要由直链淀粉（amylose）和支链淀粉（amylopectin）组成，其中直链淀粉含量（AAC, Apparent Amylose Content）、直链淀粉含量（AC, Amylose Content）和支链淀粉含量（AP, Amylopectin Content）是决定稻米烹饪和食用品质的关键因素。传统测定这些淀粉含量的方法耗时且复杂，难以满足大规模样品筛选的需求。因此，本研究旨在开发一种基于近红外光谱（NIRS, Near-Infrared Spectroscopy）的高通量技术，用于同时测定AAC、AC和AP，并区分糯稻（waxy rice）和非糯稻（non-waxy rice）。
研究流程
研究流程包括以下几个主要步骤：
样品准备
研究共收集了129个水稻品种（包括7个糯稻品种），样品经过脱壳、去糠和研磨成80目筛的米粉。这些样品被分为校准集（80个样品）和验证集（45个样品），用于模型的开发和验证。
化学分析
AAC通过碘比色法测定，AC和AP则通过高效凝胶渗透色谱（HP-SEC）分析。这些化学分析结果为后续NIRS模型的校准提供了基准数据。
近红外光谱采集
使用Foss NIRSystem III快速分析仪采集样品的近红外光谱，光谱范围为10000-4000 cm⁻¹（1000-2500 nm）。每个样品扫描三次，光谱数据以log(1/R)表示，其中R为相对反射率。
模型优化
研究比较了多种数学处理和光谱预处理方法，包括导数处理、标准正态变量（SNV, Standard Normal Variate）和多重散射校正（MSC, Multiplicative Scattering Correction）等。通过改进的偏最小二乘法（MPLS, Modified Partial Least Squares）优化模型，并选择最佳波长和信号组合。
数据分析
使用WinisIII Project Manager 1.50和DPS v9.50软件进行光谱数据的预处理和统计分析。通过主成分分析（PCA, Principal Component Analysis）识别异常值，并使用全局H距离（GH, Global H Distance）筛选样品。
主要结果
1. 样品多样性
校准集和验证集的AAC、AC和AP值分布广泛，具有良好的代表性。AAC值在1.5%至25.8%之间，AC值在0.0%至24.8%之间，AP值在75.2%至100.0%之间。
模型优化结果
研究发现，使用“2, 8, 8, 2”导数处理和逆MSC预处理的MPLS模型在1300-2400 nm波长范围内，使用约138个信号时，表现出最佳的预测性能。该模型对AAC、AC和AP的预测决定系数（RSQ）分别为0.977、0.928和0.912，标准误差（SEC）分别为0.964%、1.211%和1.413%。
糯稻分类
通过偏最小二乘判别分析（PLS-DA, Partial Least Squares-Discriminant Analysis），研究成功区分了糯稻和非糯稻，分类准确率达到100%。糯稻的AAC、AC和AP值分别预测为1.912%、-0.078%和98.6%。
结论
本研究首次开发了基于NIRS技术同时测定AAC、AC和AP的校准模型，并成功应用于糯稻的分类。该技术具有高通量、快速和无损的特点，适用于水稻育种和食品工业中的品质控制。研究还表明，通过优化数学处理和光谱预处理方法，可以显著提高NIRS模型的预测精度和鲁棒性。
研究亮点
1. 创新性
本研究首次将NIRS技术应用于AC和AP的预测，并开发了高效的糯稻分类模型。
方法优化
通过多种数学和光谱预处理方法的组合，显著提高了模型的预测性能。
应用价值
该技术为水稻育种和食品工业提供了一种快速、准确的品质检测工具，具有广泛的应用前景。
其他有价值的内容
研究还探讨了不同波长范围和信号对模型性能的影响，发现1300-2400 nm波长范围和约138个信号组合能够提供最佳的预测结果。这一发现为未来NIRS模型的优化提供了重要参考。
通过以上报告，读者可以全面了解该研究的背景、方法、结果及其科学和应用价值。