这篇文档属于类型a，即报告了一项独立原创研究的学术论文。以下是针对该研究的详细报告：
主要作者与机构
该研究的主要作者包括Li-Hong Xie、Shao-Qing Tang、Xiao-Qian Wang、Zhong-Hua Sheng、Shi-Kai Hu、Xiang-Jin Wei、Gui-Ai Jiao、Gao-Neng Shao、Ling Wang和Pei-Song Hu。研究由中国水稻研究所的国家水稻改良中心/水稻生物学国家重点实验室（位于杭州）和山东农业大学的作物生物学国家重点实验室（位于泰安）共同完成。该研究于2023年9月29日在线发表在期刊《LWT - Food Science and Technology》上，文章编号为115317。
学术背景
水稻是亚洲地区最主要的粮食作物，也是重要的氨基酸来源。氨基酸含量（AACs）是评估水稻营养价值的重要指标之一。传统的氨基酸测定方法基于化学分析，耗时长且成本高。近红外反射光谱（Near-Infrared Reflectance Spectroscopy, NIRS）是一种快速、无损且高效的技术，能够在单次运行中同时测定多种性状，因此在食品质量控制和作物育种中具有广泛应用潜力。然而，NIRS预测氨基酸含量的能力受到样品类型、状态、光谱预处理和回归技术等多种因素的影响。本研究的目的是通过优化样品选择、光谱预处理和回归技术，建立一种基于NIRS的高精度模型，用于同时测定水稻中的多种氨基酸含量，从而提高水稻育种和食品质量控制的效率。
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1210个水稻样品，这些样品来自中国七个主要水稻产区，涵盖了不同的农艺实践、地理位置、年份和遗传背景。样品被分为多个子集和集合，以评估样品多样性对模型的影响。样品经过脱壳和研磨后，制备成米粉用于后续分析。
化学分析氨基酸含量
采用化学方法测定样品中的17种氨基酸含量。样品经过盐酸水解后，使用高速氨基酸分析仪（Hitachi L8900）进行定量分析。为确保数据准确性，每个样品均包含标准参考样品，并进行了多次重复测量。
NIRS光谱采集
米粉样品在25°C下平衡24小时后，使用NIRS系统III快速含量分析仪（Foss Analytical AB）进行光谱扫描。光谱数据记录在400至2498 nm范围内，并以log(1/R)的形式表示，其中R为相对反射率。
样品选择与光谱预处理
使用全局H距离（GH）和主成分分析（PCA）算法筛选校准样品集。光谱数据经过多种预处理方法，包括标准正常变量变换（SNV）、去趋势（Detrend）和乘性散射校正（MSC）等，以减少数据维度并最小化误差。
校准与验证分析
采用改进的偏最小二乘法（Modified Partial Least Squares, MPLS）和偏最小二乘法（PLS）建立校准模型。通过交叉验证比较不同预处理方法和回归技术的效果，选择最佳模型。
统计分析与模型优化
使用WinisIII项目管理器软件进行光谱数据采集、预处理和化学计量统计分析。通过多因素方差分析比较不同光谱导数、散射和基线校正方法对模型参数的影响，并使用Duncan程序进行均值比较。
主要结果
研究的主要结果包括：
样品特征与模型质量
样品集的高度多样性为建立高精度校准模型提供了基础。研究发现，样品数量增加并不一定能提高模型精度，样品的化学和遗传多样性更为重要。
光谱预处理选择
加权乘性散射校正（WMSC）方法在大多数氨基酸的校准中表现最佳，能够显著提高模型的预测精度。
回归与光谱导数选择
MPLS回归结合“2,3,3,1”光谱导数处理方法（即基于3个数据点的二阶导数，以及第一和第二平滑分别为3和1个数据点）被确定为最佳模型。该模型在1300-1900 nm波长范围内表现出最高的预测精度。
潜在变量与波长选择
通过优化潜在变量（LVs）和波长范围，进一步提高了模型的预测性能。研究发现，1300-1900 nm是预测氨基酸含量的关键波长范围。
最佳模型与预测性能
最终确定的MPLS/“2,3,3,1”/WMSC模型在14种氨基酸的测定中表现出色，校准模型的R²值在0.919至0.967之间，校准标准误差（SEC）在0.0189%至0.0516%之间。外部验证结果表明，该模型具有较高的预测精度和稳定性。
结论
本研究通过系统优化NIRS光谱数据的预处理和回归技术，成功建立了一种高精度的模型，用于同时测定水稻中的多种氨基酸含量。该模型在水稻育种和食品质量控制中具有重要的应用价值，能够显著提高氨基酸测定的效率和准确性。研究还发现，样品多样性和光谱预处理方法对模型预测性能有显著影响，这为未来的相关研究提供了重要参考。
研究亮点
1. 高精度模型：本研究建立的MPLS/“2,3,3,1”/WMSC模型在14种氨基酸的测定中表现出色，预测精度显著高于传统方法。
2. 系统优化：研究通过系统优化样品选择、光谱预处理和回归技术，显著提高了NIRS预测氨基酸含量的能力。
3. 应用价值：该模型为水稻育种和食品质量控制提供了一种快速、高效的氨基酸测定方法，具有广泛的应用前景。
其他有价值的内容
研究还讨论了半胱氨酸（Cys）、蛋氨酸（Met）和脯氨酸（Pro）等氨基酸的预测精度较低的原因，并提出了未来改进的方向，如采用高效液相色谱-质谱联用技术（LC-MS/MS）进行化学分析，以进一步提高NIRS模型的预测能力。