本研究由浙江大学、中国计量大学、江苏明天种业科技股份有限公司及浙江省农业科学院农产品质量标准研究所的Xuping Feng、Haijun Yin、Chu Zhang、Cheng Peng和Yong He合作完成，题为《Screening of transgenic maize using near infrared spectroscopy and chemometric techniques》，发表于2018年的《Spanish Journal of Agricultural Research》（16卷2期）。研究聚焦于利用近红外光谱（Near Infrared Spectroscopy, NIR）结合化学计量学技术，开发一种快速、低成本且非破坏性的转基因玉米筛选方法。

学术背景

转基因作物育种需通过分子生物学技术（如PCR、ELISA等）筛选目标性状，但这些方法存在耗时长、成本高、依赖专业操作的局限性。NIR光谱技术通过检测有机分子中氢键（C-H、N-H、O-H）的振动信息，可实现无需化学处理的快速分析，已广泛应用于农业和食品领域（如水分测定、成分分析）。然而，NIR光谱波段重叠严重，需借助化学计量学方法提取有效信息。本研究旨在：（1）评估NIR光谱区分转基因玉米的可行性；（2）筛选关键波长；（3）建立最优分类模型。

研究流程

1. 样本制备

   • 研究对象：含Cry1Ab/Cry2Aj-G10evo蛋白的转基因玉米及其非转基因亲本，共326片叶片（各163片）。
     
   • 样本处理：叶片在温室种植2个月后，采集最年轻完全展开叶，使用便携式NIR光谱仪（900–1700 nm）扫描，每10 nm采集一次反射光谱，每样本重复3次以减少误差。
     

2. 数据预处理与划分

   • 降噪：采用Savitzky-Golay平滑算法（窗口7，多项式阶数2）抑制噪声。
     
   • 数据集划分：通过Kennard-Stone算法按欧氏距离将数据分为校准集（240样本，各120）和预测集（86样本，各43），确保代表性。
     

3. 关键波长筛选
   采用三种算法从原始光谱（90波段）中提取敏感波长：

   • 加权回归系数（BW）：基于偏最小二乘回归模型筛选贡献最大的波长。
     
   • 主成分分析载荷（PCA-loadings）：通过PCA降维后选择主导波长。
     
   • 二阶导数（2nd derivative）：利用Savitzky-Golay法识别谱峰/谷。
     最终确定7–10个关键波长（如1125.6 nm、1413.97 nm等），对应C-H、N-H键振动（如1125 nm为C-H伸缩二阶倍频）。
     

4. 分类模型构建
   对比五种模型在全光谱和关键波长下的性能：

   • K-最近邻（KNN）：基于欧氏距离分类。
     
   • 软独立建模类类比（SIMCA）：PCA空间内计算样本距离。
     
   • 朴素贝叶斯分类器（NBC）：基于概率假设。
     
   • 极限学习机（ELM）：单隐层前馈神经网络，随机初始化输入权重。
     
   • 径向基函数神经网络（RBFNN）：非线性隐层激活函数。
     

主要结果

1. 光谱分析

   • 转基因与非转基因玉米光谱趋势相似，但均值反射率存在微小差异（图2c）。PCA未能有效分离两类样本（图3），需依赖更高级模型。
     

2. 模型性能

   • 全光谱模型：ELM和RBFNN表现最佳，校准集准确率均达100%，预测集分别为95.2%和92.86%；线性模型（SIMCA、NBC）准确率不足80%。
     
   • 关键波长模型：ELM（BW筛选波长）仍保持最高准确率（校准集90.83%，预测集86.9%），但变量减少导致性能略降；KNN（2nd导数筛选波长）准确率提升至88.1%。
     

3. 关键波长意义
   筛选的波长（如1413 nm对应CH3变形振动）反映了转基因引起的有机分子键变化，验证了NIR技术捕捉表型差异的能力。

结论与价值

本研究证实NIR结合化学计量学可高效区分转基因玉米，ELM模型在全光谱下准确率100%，关键波长下仍超90%。其科学价值在于：
1. 方法创新：首次将便携式NIR光谱仪与ELM结合，为育种实验室提供无需复杂前处理的现场筛查方案。
2. 应用潜力：相比传统分子检测，成本低、速度快，适用于大规模品种试验。

亮点

1. 技术组合：首次将BW波长筛选与ELM结合，平衡了模型复杂度与准确性。
   
2. 便携设备验证：使用USB即插即用光谱仪，推动技术实用化。
   
3. 跨学科应用：将食品领域的NIR技术拓展至转基因作物筛选，为育种提供新工具。
   

其他价值

研究还发现，RBFNN虽性能稍逊，但计算速度更快，适合实时分析；而关键波长的筛选策略可推广至其他作物的转基因检测。