本研究由 Clíssia Barboza da Silva 等学者主导，第一作者及通讯作者单位均为巴西圣保罗大学（University of São Paulo, USP）的核能农业中心（Center for Nuclear Energy in Agriculture, CENA）。该研究成果于2021年发表于《Scientific Reports》期刊。

这项研究属于农业科学和种子技术领域，具体聚焦于开发一种快速、无损且可靠的大豆种子质量评估方法。在现代农业中，种子活力是决定作物产量和品质的关键因素。高活力种子能确保在多变环境条件下迅速、整齐地建立植株，但目前种子行业所使用的标准发芽和活力测试方法，如早期发芽试验或电导率测定，通常耗时较长，且结果依赖于专业分析人员的主观判断，难以重复。因此，探索先进且创新的方法以改良现有种子检测技术具有巨大的行业需求。

该研究旨在利用自体荧光光谱成像技术（autofluorescence‑spectral imaging），结合机器学习算法，建立不同模型来对经过人工老化处理后生理质量不同的大豆种子进行分类。此研究的核心工作流程由几个紧密相连的部分构成。首先，研究者选取了大豆品种“M5705 IPRO”的种子作为研究对象，初始含水量为7.9%，并对其进行不同时间长度（0小时、12小时、24小时和48小时）的人工加速老化处理。这一步骤是为了模拟种子在储存过程中的自然劣变过程，获得具有不同活力水平的种子样本组。老化处理在温度42°C和98%相对湿度的密闭盒中进行，处理后需将种子干燥至原始含水量。随后，研究者采用了一种名为VideometerLab4™的现代光学设备来采集种子的自体荧光光谱图像。该设备集成了电荷耦合器件芯片（CCD-chip），能够在几秒钟内获取样本在多个特定激发-发射组合下的高分辨率光谱图像，涵盖了紫外线到可见光区域。研究总共使用了11个激发-发射组合波段，如365/400 nm、405/500 nm等，这些波段能够探测种子内重要的荧光化合物，如色素和细胞壁结构成分。在图像分析环节，研究者使用了归一化典型判别分析（normalized canonical discriminant analysis, NCdA）算法，通过对每个像素值进行10%裁剪均值转换，以消除异常值的影响，从而提供更真实的组织自体荧光信号分布图。除了成像分析，研究还同步进行了一系列传统的生理与生化测试来作为对照和相关性分析的基础。他们评估了种子的发芽率、电导率（用以指示膜完整性）、加速老化耐受力以及幼苗出苗率，同时测量了种子中多种与生理状态和防御机制相关的生化指标，包括总类胡萝卜素、种子胚和种皮中的总酚、脂质过氧化产物丙二醛（MDA）、过氧化氢（H₂O₂）、种皮木质素以及叶绿素a和b的含量。此外，研究者还在播种后第16天测量了由不同活力种子生长出的幼苗的叶绿素a指数和表示光系统II最大量子效率的Fv/Fm值，以探究种子质量问题对幼苗光合机构的后续影响。在数据分析阶段，研究者利用皮尔逊相关系数分析了自体荧光光谱数据与传统种子质量指标之间的关系，并应用线性判别分析（Linear Discriminant Analysis, LDA）来评估不同波段对区分种子级别的贡献度。最后，他们基于自体荧光光谱数据，开发并比较了三种机器学习模型的分类性能，这三种算法分别是：人工神经网络（Artificial Neural Network, ANN）、支持向量机（Support Vector Machine，采用线性核函数）和线性判别分析（LDA）。模型使用680颗种子进行5折交叉验证，并预留120颗种子进行外部验证，其性能通过精确度、Kappa系数、精确率、召回率和F1分数等多个指标进行全面评估。

研究结果清晰展示了人工老化对大豆种子生理和生化层面造成的显著影响，以及自体荧光技术精准捕捉这些变化的能力。在生理层面，随着老化时间延长，种子发芽率下降，反映膜损伤的电导率值逐渐增加，这证实了劣变过程的发生。生化分析显示，过氧化氢含量在老化初期（12小时）出现强烈积累，这可能作为信号分子触发了后续的抗氧化反应；相应地，脂质过氧化产物丙二醛（MDA）的含量在老化种子中显著降低。这些生化变化与自体荧光信号产生了极强的关联。在对不同激发-发射组合的分析中，365/400 nm波段组合提供了最精细的种子类别区分能力，它能有效地将未老化种子与所有老化处理组分离。通过自体荧光图像可以直观地看到，在有种皮存在时，老化24小时和48小时的种子表现出最低的自体荧光信号，而移除种皮后，这种差异则消失，表明劣变主要影响了种子表层组织的荧光化合物。最关键的是，相关性分析揭示了自体荧光数据与多种关键质量指标的紧密联系。其中，365/400 nm波段组合的信号与种子胚中的总酚含量呈完美的负相关（相关系数为-1.00），而660/700 nm波段组合则与评估种子耐逆性的饱和盐加速老化（SSAA）测试结果呈完美的正相关（1.00）。此外，其他波段也与木质素含量、电导率、叶绿素含量等指标存在高度相关性。这些发现表明，种子生理潜能的降低伴随着自身荧光化合物浓度乃至结构的变化。在机器学习模型开发部分，基于全部激发-发射组合数据所建立的ANN、SVM-L和LDA模型均表现出极高的性能，无论是在交叉验证还是外部验证中，准确率均达到了0.99，Kappa系数也达到了0.98以上，显示出模型能够稳定、准确地根据光谱数据对种子活力等级进行分类。另外，对幼苗的研究进一步揭示了老化的深远影响。虽然老化48小时的种子在发芽试验后期（第8天）萌发率与未老化种子相似，但由此长成的幼苗却表现出显著不同的光合特性。其叶绿素a指数在第16天时异常升高，但代表光系统II光化学效率的Fv/Fm值却显著降低。这暗示了一种可能的补偿机制，即老化严重的种子在幼苗发育阶段通过过度合成叶绿素来试图弥补因前期损伤导致的光合效率不足，但这种补偿并不足以完全恢复光化学装置的效能。

本研究的结论明确指出，基于种子组织荧光特性的自体荧光光谱成像技术是一种能够有效鉴定大豆种子生理潜能的潜在工具。该方法利用人工神经网络、支持向量机或线性判别分析模型，可以快速评估通过人工老化处理的种子质量，且模型性能优异（准确率达0.99）。其中，与胚部总酚含量有完美相关性的365/400 nm激发-发射波段对于区分种子类别具有关键作用。该研究的科学价值在于，它不仅证明了将先进光学成像技术与化学计量学方法相结合可以作为一种全新的标记物用于种子质量定性分析，还深入探讨了种子劣变过程中荧光化合物变化的生物学意义，及其对后代幼苗光合作用的潜在影响。从应用价值上看，这项研究成果为种子产业提供了一种快速、无损、客观且高度可靠的检测方法，有望在未来改善种子质量控制流程，为种子库管理和大规模商业种子筛选提供有力的技术支持。研究也审慎地指出了未来方向，即需要在更多栽培品种上深入研究，并比较人工老化种子与自然老化种子之间的结果差异，以充分考虑细胞质物理状态对种子劣变生理的影响。

本研究的方法学亮点在于其创新性地将高分辨率的自体荧光光谱成像与多种机器学习算法进行了系统整合和比较，并利用归一化典型判别分析（NCdA）技术优化了图像数据信息。研究的突出发现之一是明确了与胚部总酚含量和种子耐逆性具有完美相关性的特定光谱标志物（365/400 nm和660/700 nm波段），这为未来开发简化的、基于特定波段的检测设备提供了关键科学依据。