类型a：

一、研究团队与发表信息
本研究由Keling Tu（中国农业大学/扬州大学）、Shaozhe Wen（扬州职业大学）等共同完成，通讯作者为中国农业大学的Qun Sun和扬州大学的Keling Tu。研究成果发表于*Journal of Advanced Research*（2025年，第76卷，45-56页），开放获取（CC BY-NC-ND 4.0许可）。

二、学术背景与研究目标
研究领域为种子科学与作物育种技术，聚焦玉米种子活力（seed vigor）的非破坏性检测方法。种子活力直接影响幼苗质量和作物产量，但传统检测方法（如电导率测试、加速老化试验等）通常具有破坏性、耗时且易受环境干扰。因此，本研究旨在开发一种基于种子表型组学（seed phenotyping）和机器学习的高通量、非破坏性种子活力检测策略，并探讨其遗传与代谢机制，以加速高活力玉米品种的选育。

三、研究流程与方法
1. 实验材料筛选
- 研究对象：368份遗传背景多样的玉米自交系种子（2016年和2017年收获）。
- 活力分组：通过冷浸发芽率（cold-soaking germination percentage）评估种子活力，筛选出20份高活力与低活力材料（8份高活力，12份低活力）。

1. 非破坏性表型数据采集

   • 高光谱成像（Hyperspectral Imaging, HSI）：采集种子胚部表面400-1000 nm光谱反射率，分析化学组成差异。
     
   • 机器视觉（Machine Vision）：使用Microtek扫描仪获取种子RGB图像，通过自主开发的AISeed软件提取54项表型特征（形状、颜色、纹理）。
     
   • 气相色谱-离子迁移谱（GC-IMS）：检测挥发性有机物（VOCs），分析代谢物差异。
     

2. 机器学习建模

   • 算法：随机森林（RF）、支持向量机（SVM）、多层感知器神经网络（MLP）。
     
   • 模型优化：通过网格搜索调整超参数，训练集与测试集比例为3:1。HSI数据结合SVM模型的准确率最高（94.7%），但机器视觉（MLP模型，90%准确率）因成本低、通量高被选为最优方案。
     

3. 关键表型特征筛选与遗传分析

   • 核心特征：b_mean（蓝色强度）、b_mean（蓝黄轴）、s_mean（饱和度）、b_std（蓝色标准差）。
     
   • 全基因组关联分析（GWAS）：基于368份材料的表型与SNP数据，发现与上述特征显著关联的基因，如GRMZM2G071599（调控生长素）和GRMZM2G412937（参与ABA信号通路）。
     

4. 代谢组学验证

   • 内源激素：低活力种子ABA含量较高，高活力种子IAA、GA3等激素水平显著更高。
     
   • 次级代谢物：高活力种子叶绿素指数（Chlorophyll Index）显著更高，类黄酮（Flavonoids）含量更低。
     

四、主要研究结果
1. 表型特征有效性：机器视觉提取的b_mean等4项特征与种子活力显著相关，且在不同年份间稳定性高。
2. 遗传机制：GWAS发现候选基因通过激素调控（如生长素、ABA）影响种子活力，为模型提供遗传证据。
3. 代谢差异：高活力种子叶绿素含量高、类黄酮积累少，与非破坏性检测的光谱特征一致。

五、结论与价值
1. 科学价值：首次将机器视觉、GWAS和代谢组学结合，阐明非破坏性检测模型的遗传与生理生化基础。
2. 应用价值：提供低成本、高通量的种子活力检测方案（AISeed软件集成模型），助力高活力玉米品种选育。

六、研究亮点
1. 方法创新：开发AISeed软件实现单粒种子表型高通量提取，优于传统高光谱设备的成本与效率。
2. 多组学整合：通过GWAS和代谢组学验证表型特征的生物学意义，提升模型的可解释性。
3. 实用性：模型可直接应用于种子产业，推动精准育种。

七、其他
研究得到中国国家重点研发计划（2024YFD1200100）等资助，数据与代码可通过补充材料获取。