玉米粉淀粉含量近紅外模型建立與優(yōu)化

1、玉米粉淀粉含量近紅外模型建立與優(yōu)化韓潔楠1，王美娟1，趙訓(xùn)超1,2，魯鑫1，周志強(qiáng)1，李明順1，張德貴1，郝轉(zhuǎn)芳1，翁建峰1，雍洪軍1，李新海1（1中國(guó)農(nóng)業(yè)科學(xué)院，作物科學(xué)研究所，北京 100081；2黑龍江八一農(nóng)墾大學(xué)，農(nóng)學(xué)院，黑龍江 大慶，163319）摘要淀粉是玉米產(chǎn)量和品質(zhì)的重要性狀，在群體水平準(zhǔn)確測(cè)定淀粉含量是研究淀粉遺傳與生理的重要基礎(chǔ)。本文以230份玉米自交系為樣本，采用旋光法與一階導(dǎo)數(shù)及去一條直線的光譜預(yù)處理法，構(gòu)建玉米粉樣淀粉含量的近紅外分析（NIRS）模型，可顯著提高籽粒淀粉含量預(yù)測(cè)的準(zhǔn)確性。該模型的定標(biāo)標(biāo)準(zhǔn)偏差（RMSEE）、交叉驗(yàn)證標(biāo)準(zhǔn)偏差（RMSECV）、外部驗(yàn)證標(biāo)準(zhǔn)

2、偏差（RMSEP）、定標(biāo)相關(guān)系數(shù)（R2cal）、交叉驗(yàn)證相關(guān)系數(shù)（R2cv）、外部驗(yàn)證相關(guān)系數(shù)（R2cv）分別為0.609、0.722、0.738、0.909、0.864和0.854。建立的玉米粉樣NIRS模型可將預(yù)測(cè)值與化學(xué)值偏差控制在1.7%內(nèi)，能夠準(zhǔn)確定量分析玉米籽粒淀粉含量，應(yīng)用于育種材料早期篩選及群體水平粗淀粉分析。關(guān)鍵詞：玉米粉；淀粉含量；近紅外分析模型；準(zhǔn)確度Establishment and Optimization of a Near-Infrared Model of Maize Starch ContentJienan HAN, Meijuan WANG, Xunchao

3、 ZHAO, Xin LU, Zhiqiang ZHOU, Mingshun LI, Degui ZHANG, Zhuanfang HAO, Jianfeng WENG, Hongjun YONG, Xinhai LIAbstract Starch content is an important trait of maize (Zea mays L.) kernels as it accounts for the seed yield and quality. Analysis starch content accurately at the population level is the i

4、mportant foundation when we study genetic and physiological of starch quality. In this paper, 230 maize inbred lines were set as samples, using the method of polarimeter and pre-treatment of the first derivative add minus one line separately to establish and optimize a Near-infrared spectroscopy (NI

5、RS) model of maize starch content successfully, which can improve the accuracy of the prediction significantly. Of the model, the calibration standard deviation (RMSEE) is 0.609, the cross-validation standard deviation (RMSECV) is 0.722, the external verification standard deviation (RMSEP) is 0.738,

6、 the calibration correlation coefficient (R2cal) is 0.909, the cross-validation correlation coefficient (R2cv) is 0.864, and the external verification correlation coefficient (R2cv) is 0.854. Of the model, the deviation between the predicted value and the chemical value can be controlled within 1.7%

7、, which can improve the accuracy largely when it was used in quantitative analysis of grain starch content and then can be applicated in breeding inbred line selection or crude starch content analysis at the group level.Key words: Maize kernel powder; Starch content; Near-Infrared spectroscopy (NIRS

8、) model; Accuracy基金項(xiàng)目中國(guó)農(nóng)業(yè)科學(xué)院科技創(chuàng)新工程-主要農(nóng)產(chǎn)品營(yíng)養(yǎng)品質(zhì)評(píng)價(jià)與調(diào)控（2019-2023年）作者簡(jiǎn)介韓潔楠（1990-），女，河北省石家莊，助理研究員，主要從事玉米籽粒淀粉品質(zhì)遺傳改良與種質(zhì)創(chuàng)制。TelE-mail：hanjienan1 前言淀粉是玉米籽粒胚乳的主要組成部分，約占籽粒70%的干重。淀粉積累量與籽粒飽滿度及產(chǎn)量呈顯著正相關(guān)，同時(shí)總淀粉中支鏈淀粉及直鏈淀粉比例和結(jié)構(gòu)影響籽粒的品質(zhì)。2018年我國(guó)玉米總產(chǎn)量達(dá)到2.57億噸，種植面積4213萬(wàn)公頃，是我國(guó)種植面積最大、總產(chǎn)量最高的作物（國(guó)家統(tǒng)計(jì)局，2018年）。目前，玉米品種需求

9、已從傳統(tǒng)產(chǎn)量型向品質(zhì)型、專用型轉(zhuǎn)變，例如近年來(lái)發(fā)展起的玉米淀粉、燃料乙醇、氨基酸加工等。玉米制取淀粉原料充足、出粉率高、工藝成熟、生產(chǎn)成本低、產(chǎn)量高、不受季節(jié)限制，是最具工業(yè)化生產(chǎn)淀粉的谷物原料。目前以玉米淀粉為原料生產(chǎn)的工業(yè)制品達(dá)千余種，其廣泛用途可與石油類產(chǎn)品相提并論1。我國(guó)主推玉米品種淀粉含量隨著年代變化總體呈上升趨勢(shì)，每10年上升約0.25% 2，平均淀粉含量低于發(fā)達(dá)國(guó)家。淀粉合成途徑關(guān)鍵基因的改造或調(diào)控是提高玉米淀粉含量的有效途徑，可顯著加快高淀粉玉米等專用型品種培育進(jìn)程3-6。玉米種質(zhì)資源豐富，淀粉含量差異大7-8，因此構(gòu)建重組自交系群體或收集自交系群體，采用聯(lián)合連鎖不平衡分析（Q

10、TL）及全基因組關(guān)聯(lián)分析（GWAS），是正向發(fā)掘淀粉含量調(diào)控因子及優(yōu)良單體型的重要途徑。QTL定位發(fā)現(xiàn)，調(diào)控淀粉含量的QTLs遍布玉米的10條染色體9。Wang分析CI7/K22重組自交系群體發(fā)現(xiàn)6個(gè)QTLs位點(diǎn)分別解釋4.7%-10.6%淀粉含量差異，7個(gè)候選基因中4個(gè)基因參與淀粉合成，3個(gè)基因編碼非淀粉代謝途徑酶類10。Cook等發(fā)現(xiàn)了多個(gè)玉米籽粒淀粉、蛋白及油分調(diào)控基因7。Liu等對(duì)263份自交系全基因組聯(lián)合分析，發(fā)現(xiàn)77個(gè)候選基因與淀粉含量相關(guān)，其中包括淀粉合成關(guān)鍵酶AGPase的亞基APS18。Xiao等對(duì)B73 x DHLoPro1 F2:3群體QTL定位發(fā)現(xiàn)qHS3位點(diǎn)，可以解釋

11、26%的淀粉差異11；該位點(diǎn)在三個(gè)連鎖群體中均被發(fā)現(xiàn)12-14；利用此位點(diǎn)差異的近等基因系進(jìn)行轉(zhuǎn)錄組測(cè)序，發(fā)現(xiàn)76個(gè)基因發(fā)生突變，384個(gè)基因差異表達(dá)，進(jìn)一步分析認(rèn)為催化葡萄糖轉(zhuǎn)化為6磷酸葡萄糖的己糖激酶ZmHXK3a為靶基因11。Li等對(duì)454份自交系玉米進(jìn)行GWAS分析，發(fā)現(xiàn)27個(gè)位點(diǎn)調(diào)控直鏈淀粉含量，候選基因包括轉(zhuǎn)錄因子、糖基轉(zhuǎn)移酶、糖苷酶、水解酶等15。淀粉合成通路復(fù)雜，仍需進(jìn)一步精細(xì)定位關(guān)鍵調(diào)控基因，解析基因功能?？偟矸蹨y(cè)定常用的化學(xué)方法有旋光法、比色法、酶解法、酸解法等16。化學(xué)方法測(cè)定過(guò)程繁瑣、成本高、耗時(shí)長(zhǎng)，需要配置特定的儀器，不適合大規(guī)模群體水平的測(cè)定。20世紀(jì)50年代，近紅

12、外光譜分析（near infrared spectroscopy, NIRS）技術(shù)首先應(yīng)用于農(nóng)產(chǎn)品的品質(zhì)檢測(cè)與分析，使NIRS技術(shù)在農(nóng)業(yè)相關(guān)領(lǐng)域的應(yīng)用研究陸續(xù)展開(kāi)17。該技術(shù)通過(guò)將化學(xué)測(cè)定值與光譜數(shù)據(jù)建立數(shù)學(xué)模型，運(yùn)用特定儀器掃描樣品獲得光譜數(shù)據(jù)，便可快速獲得樣品定量或定性檢測(cè)結(jié)果。NIRS法測(cè)定玉米淀粉含量已入選國(guó)標(biāo)法18。近紅外光是指波長(zhǎng)介于可見(jiàn)光與中紅外光之間的電磁波，近紅外光照到樣品的內(nèi)部，發(fā)生反射、折射、吸收等相互作用，使光傳播方向不斷變化，最終攜帶樣品信息反射出樣品表面被檢測(cè)器接收，這種漫反射光譜采集方式是顆粒、粉末狀等復(fù)雜樣品無(wú)損快速測(cè)定的形式19。玉米籽粒形態(tài)不規(guī)則，例如馬齒型

13、呈扁平狀，有明顯的具胚平面和無(wú)胚平面。研究發(fā)現(xiàn)玉米胚正對(duì)近紅外儀器光源時(shí)，采集的光譜包含大量胚的信息，胚背對(duì)光源采集到的光譜大部分信息則來(lái)自胚乳20。玉米籽粒中98%的淀粉積累在胚乳中，完整籽粒裝樣時(shí)很難保證胚的朝向，造成預(yù)測(cè)偏差較大。為了增加光譜攜帶信息，研究者傾向于將具胚面朝向光源，導(dǎo)致預(yù)測(cè)結(jié)果偏低。完整籽粒裝樣，籽粒之間的孔隙大，當(dāng)對(duì)樣品進(jìn)行掃描時(shí)，近紅外光會(huì)穿過(guò)籽粒間孔隙，造成能量損失，進(jìn)而影響光譜信息的準(zhǔn)確度。玉米籽粒形狀、大小、顏色等性狀會(huì)因種植年份和地區(qū)的不同而變化，使得光譜通用性也面臨嚴(yán)峻挑戰(zhàn)。應(yīng)用NIRS法分析茶葉中粗纖維、水分及灰分，發(fā)現(xiàn)當(dāng)樣品顆粒度為 0.5 mm 時(shí)，標(biāo)

14、準(zhǔn)偏差更低，值也較穩(wěn)定21。劉建學(xué)采用精米粉建立NIRS蛋白質(zhì)含量預(yù)測(cè)模型，相關(guān)系數(shù)達(dá)0.94，通過(guò)對(duì)不同粒度米粉分析，發(fā)現(xiàn)樣品粒度越小，所建模型的預(yù)測(cè)性能越好22。羅曦以水稻米粉為樣品建立了水稻抗性淀粉含量預(yù)測(cè)模型，內(nèi)部驗(yàn)證及外部驗(yàn)證都具有較高的相關(guān)系數(shù)（0.97、0.98），定標(biāo)模型精度更高，誤差更小23。邵春甫以粒徑約為0.15 mm的高梁粉，建立總淀粉、直鏈淀粉以及支鏈淀粉NIRS模型，相關(guān)系數(shù)分別達(dá)到0.95、0.92以及0.94，模型精度高24。宋瑜采用小麥粉建立灰分預(yù)測(cè)模型，預(yù)測(cè)值與真值之間的相關(guān)系數(shù)為0.94，同樣的樣品處理方式比拉曼光譜分析技術(shù)建立的模型預(yù)測(cè)精度高25。劉會(huì)影

15、建立NIRS法測(cè)定玉米秸稈粉樣中纖維素和半纖維素含量模型，預(yù)測(cè)平均相對(duì)誤差僅為2.34%和2.13%，預(yù)測(cè)值與化學(xué)值誤差較小26。已有報(bào)道均是針對(duì)玉米完整籽粒建立的NIRS總淀粉預(yù)測(cè)模型，預(yù)測(cè)精度及適用性較低。因此本研究旨在建立以玉米籽粒粉為樣品的NIRS預(yù)測(cè)模型，在保證快速、高效前提下進(jìn)一步提高總淀粉預(yù)測(cè)精度，實(shí)現(xiàn)對(duì)群體水平樣本量的快速準(zhǔn)確測(cè)定。2 材料與方法2.1試驗(yàn)材料及田間試驗(yàn)以230份高配合力玉米自交系為材料，包括美國(guó)NSS群、美國(guó)SS群，中國(guó)NSS群、中國(guó)SS群、中國(guó)旅大紅骨群、中國(guó)四平頭群， 為1982年至2016年我國(guó)主要的育種材料對(duì)這230份供試自交系的代表性加以描述。201

16、8年種植于吉林省公主嶺中國(guó)農(nóng)業(yè)科學(xué)院作物科學(xué)研究所基地。采用不完全隨機(jī)區(qū)組設(shè)計(jì)，3次重復(fù)，自交授粉。行長(zhǎng)4 m，行間距0.6 m，株距0.26 m，種植密度為6.4萬(wàn)株/hm2。2.2淀粉測(cè)定每次重復(fù)挑選長(zhǎng)勢(shì)一致的三個(gè)單穗混合，剔除不完整的籽粒。利用小型電動(dòng)磨粉機(jī)磨樣，充分粉碎籽粒樣品，過(guò)50 mm網(wǎng)篩，鼓風(fēng)干燥烘箱65度將玉米粉水分烘干至2%以下，保存?zhèn)溆?。采用快速水分測(cè)定儀（YGS-101）測(cè)定水分（H）。參照國(guó)標(biāo)方法旋光法（GB 5009.9-2016）測(cè)定谷物籽粒淀粉。具體操作為：油浴分解。為保證含水量在2%以內(nèi)，稱樣前利用65度烘箱再次干燥樣品4-6 h。稱取2.5000±

17、0.05 g（W）干粉，放入250 mL三角瓶中，加入20 mL氯化鈣-乙酸溶液（pH=2.0）渦旋混勻，充分溶解樣品, 再加入20 mL氯化鈣-乙酸溶液，沖洗容器壁。置于120度甘油浴鍋中，持續(xù)加熱30 min，取出后自來(lái)水沖洗冷卻至室溫。待測(cè)液制備。將溶解液全部轉(zhuǎn)入100 mL容量瓶，加入1 mL 硫酸鋅溶液（30%, W/V），搖勻，加入1 mL 亞鐵氰化鉀溶液（15%, W/V），搖勻，蒸餾水定容至100 mL。定量濾紙過(guò)濾，濾液即為待測(cè)液。上機(jī)測(cè)定。零點(diǎn)調(diào)整用氯化鈣-乙酸溶液：蒸餾水（6:4）。用待測(cè)液潤(rùn)洗旋光管兩次，在20度恒溫條件下測(cè)定相對(duì)旋光值（，AUTOPOL III旋光儀）

18、。計(jì)算公式。粗淀粉含量（%）=*106/203*LW（1-H）。每個(gè)樣品平行測(cè)定兩次，相對(duì)誤差不超過(guò)2%。含水量H平均為1%，管長(zhǎng)L為10 cm。該試驗(yàn)在玉米優(yōu)質(zhì)抗逆育種創(chuàng)新組實(shí)驗(yàn)室完成，玉米標(biāo)準(zhǔn)樣品（71.67%）由農(nóng)業(yè)部谷物品質(zhì)監(jiān)督檢驗(yàn)測(cè)試中心提供。平均每5天測(cè)定標(biāo)樣一次，測(cè)定值與標(biāo)準(zhǔn)含量相比偏差均小于1.5完成標(biāo)準(zhǔn)方法化驗(yàn)的實(shí)驗(yàn)室是哪？是否是具備國(guó)家部門認(rèn)可的標(biāo)準(zhǔn)化實(shí)驗(yàn)室？完成后的模型分析出的樣品數(shù)據(jù)是否又由具備國(guó)家標(biāo)準(zhǔn)資質(zhì)的實(shí)驗(yàn)室檢測(cè)？偏差多少？本研究用的230份自交系（分為定標(biāo)集及測(cè)試集），全部應(yīng)用該方法測(cè)定淀粉的準(zhǔn)確含量。以標(biāo)準(zhǔn)樣品為校正樣品，本實(shí)驗(yàn)室測(cè)定結(jié)果與農(nóng)業(yè)部谷物品質(zhì)監(jiān)督檢

19、驗(yàn)測(cè)試中心測(cè)定結(jié)果偏差小于1.5%，測(cè)定結(jié)果準(zhǔn)確可靠。%，測(cè)定結(jié)果準(zhǔn)確可靠。 本研究230份玉米自交系群體，淀粉含量最高為73.63%。用該模型分析的淀粉含量若超過(guò)該閾值，我們會(huì)運(yùn)用旋光法進(jìn)一步測(cè)定其準(zhǔn)確含量，同時(shí)收集光譜不斷完善擴(kuò)大該模型的應(yīng)用范圍淀粉含量最高為73.63%以上的測(cè)試結(jié)果會(huì)受多大偏差？應(yīng)用時(shí)如何規(guī)避？。2.3 玉米粉樣NIRS法光譜分析樣品處理與旋光法分析樣品一致。在采集光譜前，所有粉樣在65度下再次平衡水分4-6 h，每批樣品隨機(jī)抽取20個(gè)進(jìn)行水分測(cè)定，確保水分含量全部在2%以內(nèi)。裝入直徑為2 cm，高5 cm的西林瓶中，樣品高度約4 cm，鎮(zhèn)壓勻?qū)嵰员ＷC各部分密度一致。每

20、份樣品裝樣1次，每次裝樣掃描2次，采集全光譜數(shù)據(jù)保存。近紅外光譜儀器為MPA 型傅立葉近紅外反射光譜儀（德國(guó)BRUKER 公司），譜區(qū)范圍4000-12000 cm-1，掃描次數(shù)64，分辨率8 cm-1。2.4 NIRS預(yù)測(cè)模型建立與驗(yàn)證近紅外譜區(qū)范圍采用交互式選擇法確定。在收集樣品近紅外光譜時(shí)，一些噪音信息會(huì)進(jìn)入到光譜圖中，影響玉米淀粉分析，也直接影響預(yù)測(cè)值的可靠性和準(zhǔn)確性。因此，在獲得光譜圖時(shí)，運(yùn)用多種數(shù)據(jù)預(yù)處理方法，最大限度提高光譜數(shù)據(jù)預(yù)測(cè)值與真值間的相關(guān)性。OPUS 6.5提供了多種預(yù)處理函數(shù)，包括無(wú)光譜處理、消除常數(shù)偏移量、減去一條直線、矢量歸一化、最小-最大歸一化、多元散射校正、一

21、階導(dǎo)數(shù)、一階導(dǎo)數(shù)及減去一條直線、一階導(dǎo)數(shù)加矢量歸一化。光譜預(yù)處理后利用偏最小二乘法（PLS）對(duì)淀粉化學(xué)測(cè)定值與近紅外光譜數(shù)據(jù)擬合并建立模型，具體包含兩步操作：1）利用定標(biāo)集樣品建立校正模型，并做交叉檢驗(yàn)；剔除異常值優(yōu)化模型。2）利用測(cè)試集樣品進(jìn)行外部檢驗(yàn)。2.5統(tǒng)計(jì)分析方法試驗(yàn)數(shù)據(jù)采用Excel (2016版) 和SAS 軟件進(jìn)行分析處理，包括方差分析、相關(guān)分析等。3 結(jié)果與分析3.1供試樣品淀粉化學(xué)法分析對(duì)230份供試自交系玉米粉樣進(jìn)行粗淀粉含量百分比測(cè)定，結(jié)果表明粗淀粉含量最高為73.63%，最低為59.85%，平均值為67.62%，分布頻率如圖1所示。本研究中玉米種質(zhì)材料收集于1982年

22、起至2016年國(guó)內(nèi)應(yīng)用廣泛的育種自交系，粗淀粉含量涵蓋了當(dāng)前育種材料的范圍。 圖1 粗淀粉含量分布頻率直方圖 Figure 1 Crude starch content distribution frequency of maize inbred lines3.2玉米全粒粉近紅外光譜圖將玉米粉在短波近紅外區(qū)進(jìn)行全光譜掃描（如圖2所示）。結(jié)果發(fā)現(xiàn)不同樣品曲線線型相似，表明玉米自交系籽粒基本成分相對(duì)一致，樣本間的光譜差異則標(biāo)志著籽粒中各成分百分含量有差異。平行樣品的吸收峰基本重疊在一塊（相同顏色），說(shuō)明同一樣品不同生物學(xué)重復(fù)光譜的重現(xiàn)性好。 圖2 四份隨機(jī)樣品的近紅外漫反射光譜示意圖 Figure

23、 2 Schematic diagram of near-infrared diffuse reflectance spectra of four random samples3.3 玉米粉NIRS模型的校正與優(yōu)化NIRS法需要建立精度高、有代表性的預(yù)測(cè)模型，建模樣品集的合理性、化學(xué)含量測(cè)定的準(zhǔn)確性直接影響預(yù)測(cè)結(jié)果精確度。按照分析方法2.3，獲得230份玉米交系全粒粉樣準(zhǔn)確淀粉含量。供試樣品隨機(jī)編號(hào)排序，淀粉含量分布均勻，利用MAP配套分析軟件OPUS 6.5按比例50%自動(dòng)選擇建模樣品。主成分分析顯示定標(biāo)樣品粗淀粉含量覆蓋95%以上供試材料，具有代表性。利用OPUS6.5計(jì)算所有樣品的F概率

24、，F(xiàn)>0.99時(shí)顯示為紅色，表明該樣品光譜異?；蛘嬷涤姓`，導(dǎo)致預(yù)測(cè)值與真值間差異較大，予以刪除。通過(guò)內(nèi)部交叉驗(yàn)證，驗(yàn)證模型的準(zhǔn)確度，同時(shí)去除離散性大的樣品。計(jì)算表明馬氏距離GH0.4的樣品可視為來(lái)自同一群體，GH0.4的樣品則視為異常樣品予以剔除。本研究最終以106份樣品為定標(biāo)集，建立玉米粉NIRS預(yù)測(cè)模型。定標(biāo)集淀粉含量最高為73.63%，最低為62.35%，平均為67.73%，標(biāo)準(zhǔn)差2.01，淀粉含量頻率分布直方圖如圖3，化學(xué)值變化范圍為11.28%，變異程度較高，基本覆蓋自交系籽粒淀粉質(zhì)量分?jǐn)?shù)變化范圍，滿足建立NIRS模型條件。圖3定標(biāo)集淀粉含量頻率分布直方圖Figure 3 St

25、arch content distribution frequency of calibration samplesNIRS法預(yù)測(cè)精確度與NIRS模型直接相關(guān)，相關(guān)系數(shù)R2和均方根誤差RMSE是評(píng)價(jià)預(yù)測(cè)模型好壞的主要參數(shù)，高精度預(yù)測(cè)模型應(yīng)具有較高R2和較低的RMSE。剔除全部異常樣品，以一階導(dǎo)數(shù)加減去一條直線的最優(yōu)預(yù)處理函數(shù)對(duì)光譜進(jìn)行預(yù)處理，利用偏最小二乘法（PLS）建立的NIRS預(yù)測(cè)模型精度最高。標(biāo)準(zhǔn)偏差（RMSEE）為0.609，交叉驗(yàn)證標(biāo)準(zhǔn)偏差（RMSECV）為0.722；定標(biāo)相關(guān)系數(shù)（R2cal）為0.909、交叉驗(yàn)證相關(guān)系數(shù)（R2cv）為0.864（如圖4）。相關(guān)系數(shù)、標(biāo)準(zhǔn)差滿足NI

26、RS模型對(duì)準(zhǔn)確度的要求，可應(yīng)用于定量檢測(cè)分析。圖4 玉米粉樣NIRS淀粉預(yù)測(cè)定標(biāo)模型 Figure 4 Starch content predication model of NIRS of maize kernel powder3.4 玉米粉NIRS模型的預(yù)測(cè)效果分析進(jìn)一步通過(guò)外部驗(yàn)證分析NIRS預(yù)測(cè)模型的精度，外部驗(yàn)證所用的樣品未參加模型建立，分析預(yù)測(cè)值和化學(xué)值之間的符合程度可評(píng)價(jià)本模型的預(yù)測(cè)效果。同樣根據(jù)F得率剔除部分光譜異?；蚧瘜W(xué)值異常樣品后，外部驗(yàn)證集由94份樣品組成，淀粉含量最高為71.99%，最低為60.41%，平均值為67.62%，標(biāo)準(zhǔn)差1.92。外部驗(yàn)證標(biāo)準(zhǔn)差（RMSEP）為

27、0.738，相關(guān)系數(shù)（R2cv）為0.854（圖5）。分析發(fā)現(xiàn)預(yù)測(cè)值與旋光測(cè)定值偏差均在1.7%以內(nèi)，經(jīng)單因素方差分析兩值無(wú)顯著差異，表明該預(yù)測(cè)模型精度較高，可應(yīng)用于玉米粉淀粉含量的定量分析。圖5 NIRS模型的外部驗(yàn)證結(jié)果Figure 5 External validation results of NIRS model 4 討論應(yīng)用NIRS技術(shù)快速掃描樣品，可獲得農(nóng)產(chǎn)品水分、灰分、淀粉、直鏈淀粉、蛋白質(zhì)、油分、脂肪、多糖、單糖等含量，方便快捷，被廣泛應(yīng)用于品質(zhì)的定量和定性分析27-31。玉米自交系平均淀粉含量在67-68%之間，處于較高水平。Xiao等選取的近等基因系淀粉含量?jī)H相差2.8%

28、11。玉米種質(zhì)資源豐富，粒型多變，有硬粒型、馬齒型、中間型、粉質(zhì)型等；籽粒形狀有圓形、楔形、中間型，大小也各不同，籽粒形態(tài)特征的差異會(huì)導(dǎo)致完整籽粒NIRS預(yù)測(cè)準(zhǔn)確度降低32，而籽粒磨粉后顆粒均一，裝樣緊實(shí)，可顯著提高光譜穩(wěn)定性，使NIRS預(yù)測(cè)偏差大幅降低。本研究建立的模型預(yù)測(cè)偏差小于1.7%，預(yù)測(cè)值與化學(xué)值無(wú)顯著差異?；蚬脖磉_(dá)分析、轉(zhuǎn)錄組分析法可快速、高效發(fā)掘相關(guān)性狀候選基因9，因此群體水平個(gè)體性狀的精確分析始終是限制因素。玉米群體一般成百上千份，數(shù)量大。NIRS法能快速獲得定量或定性數(shù)據(jù)，但由于穩(wěn)定性低通常需要多年多點(diǎn)的數(shù)據(jù)綜合分析7-9，除環(huán)境氣候條件對(duì)生長(zhǎng)發(fā)育影響外，NIRS法預(yù)測(cè)偏差

29、大是主要原因。研究發(fā)現(xiàn)NIRS可靠性的增加，會(huì)使穩(wěn)定性降低。劉林三等通過(guò)分割建模的方式，來(lái)提高對(duì)完整籽粒直鏈淀粉的預(yù)測(cè)精度33。本文建立的玉米籽粒粉樣淀粉NIRS模型，預(yù)測(cè)值與真值無(wú)顯著性差異，與完整籽?？焖贌o(wú)損檢測(cè)相比準(zhǔn)確度更高，所需樣品更少。按上機(jī)分析時(shí)每樣裝樣1次計(jì)算，平均只需8.24 g干樣，約25粒干種子（未發(fā)表數(shù)據(jù)）。水分含量對(duì)淀粉含量影響大，若準(zhǔn)確分析完整籽粒水分含量則費(fèi)時(shí)費(fèi)力，若常溫平衡水分則需花費(fèi)較長(zhǎng)時(shí)間。籽粒粉樣水分可快速烘干、精確檢測(cè)，本文中用鼓風(fēng)干燥箱烘干玉米粉樣只需12小時(shí)，含水量更低的粉樣NIRS預(yù)測(cè)值也更接近絕對(duì)含量。但本文中建立模型所用樣品的淀粉含量范圍較窄，對(duì)

30、于含量低于60%及高于74%的樣品預(yù)測(cè)穩(wěn)定性較低，需進(jìn)一步搜集玉米材料完善預(yù)測(cè)模型范圍。5 參考文獻(xiàn)1 張濤. 玉米淀粉深加工技術(shù)及產(chǎn)品用途J. 農(nóng)牧產(chǎn)品開(kāi)發(fā), 1998, 32-34.Zhang T. The deep processing technology of corn starch and application of starch product. Agricultural and Animal Product Development, 1998, 32-34. (in Chinese)2 孫琦, 張世煌, 李新海等. 中國(guó)不同年代主推玉米品種品質(zhì)性狀的變化趨勢(shì)J. 中國(guó)農(nóng)業(yè)科學(xué)

31、, 2014, 47(14):2723-2730.Sun Q, Zhang S H, Li X H et al. The trend of quality traits of maize varieties released extensively in different eras in China. Scientia Agricultura Sinica, 2014, 47(14):2723-2730. (in Chinese)3 Stark D M, Timmerman K P, Barry G F et al. Regulation of the amount of starch in

32、 plant-tissues by ADP-glucose pyrophosphorylase J. Science, 1992, 258:287-92.4 Sweetlove L J, BURRELL M M. Starch metabolism in tubers of transgenic potato (Solanum tuberosum) with increased ADP glucose pyrophosphorylase J. Biochemical Journal, 1996, 320:493-98. 5 Wang Z Y, Chen X P, Wang J H et al.

33、 Increasing maize seed weight by enhancing the cytoplasmic ADP-glucose pyrophosphorylase activity in transgenic maize plants J. Plant Cell Tissue Organ Culture, 2007, 88:83-92.6 Li N, Zhang S, Zhao Y et al. Over-expression of AGPase genes enhances seed weight and starch content in transgenic maize J

34、. Planta, 2011, 233:241-50.7 Cook Jason P, McMullen Michael D, Holland James B et al. Genetic architecture of maize kernel composition in the nested association mapping and inbred association Panels J. Plant Physiology, 2012, 158: 824-834.8 Liu N, Xue Y D, Guo Zh Y et al. Genome-wide association stu

35、dy identifies candidate genes for starch content regulation in maize kernels J. Frontiers in Plant Science, 2016, 7: 1046.9 Lin F, Zhou L, He B et al. QTL mapping for maize starch content and candidate gene prediction combined with coexpression network analysis J. Theoretical and Applied Genetics, 2

36、019: 1-11.10 Wang T T, Wang M, Hu Sh T et al. Genetic basis of maize kernel starch content revealed by high-density single nucleotide polymorphism markers in a recombinant inbred line population J. BMC Plant Biology, 2015, 15:288.11 Xiao Y N, Thatcher S, Wang M et al. Transcriptome analysis of near-

37、isogenic lines provides molecular insights into starch biosynthesis in maize kernel J. Journal of Integrative Plant Biology, 2016, 58(8): 713-723.12 Goldman I, Rocheford T, Dudley J. Quantitative trait loci influencing protein and starch concentration in the Illinois long term selection maize strain

38、s J. Theoretical and Applied Genetics, 1993, 87: 217-224.13 Wassom J J, Wong J C, Martinez E et al. QTL Associated with maize kernel oil, protein, and starch concentrations; kernel mass; and grain yield in Illinois high oil x B73 backcross-derived lines J. Crop Science, 2008, 48: 243.14 Yang G, Dong

39、 Y, Li Y et al. Verification of QTL for grain starch content and its genetic correlation with oil content using two connected RIL populations in high-oil maize J. PloS ONE, 2013, 8: e53770. 15 Li Ch S, Huang Y C, Huang R D et al. The genetic architecture of amylose biosynthesis in maize kernel J. Pl

40、ant Biotechnology Journal, 2018, 16: 688-695.16 代立剛，何煜，王浩等. 谷物中總淀粉含量的測(cè)定方法 J.中國(guó)食物與營(yíng)養(yǎng), 2013, 19(6): 38-42.Dai L G, He Y, Wang H et al. Determination methods of total starch content in grain J. Food and Nutrition in China, 2013, 19(6): 38-42. (in Chinese)17 Yao J, Du B, Zhi X J. Fast recognition of adu

41、lterated milk and the brands of milk based on the NIR technology J. Food Research And Development, 2016: 178-181. 18 GB/T25219-2010 玉米淀粉含量測(cè)定: 近紅外法S.19 嚴(yán)衍祿，陳斌，朱大洲等近紅外光譜分析的原理、技術(shù)與應(yīng)用M北京：中國(guó)輕工業(yè)出版社, 2013.Yan Y L, Chen B, Zhu D Z et al. Principle, technology and application of Near Infrared Spectroscopy M.

42、Beijing: China Light Industry Press, 2013. (in Chinese)20 賈仕強(qiáng), 郭婷婷, 唐興田等. 應(yīng)用近紅外光譜進(jìn)行玉米單籽粒品種真實(shí)性鑒定的光譜測(cè)量方法研究 J. 光譜學(xué)與光譜分析, 2012, 32(1):103-107. Jia S Q, Guo T T, Tang X T et al. Study on spectral measurement methods in identification of maize variety authenticity based on near infrared spectra of single

43、kernels J. Spectroscopy and Spectral Analysis, 2012, 32(1):103-107. (in Chinese)21 熊麗華. 近紅外光譜法快速檢測(cè)茶葉中粗纖維、水分和灰分的研究D. 2018.22 劉建學(xué), 吳守一, 方如明. 近紅外光譜法快速檢測(cè)大米蛋白質(zhì)含量J. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2001, 32(3): 68-70.Liu J X, Wu S Y, Fang R M. Rapid measurement of rice protein content by near infrared spectroscopy J. Transactions

44、 of the Chinese Society for Agricultural, 2001, 32(3): 68-70. (in Chinese)23 羅曦, 吳方喜, 謝鴻光等. 近紅外光譜的水稻抗性淀粉含量測(cè)定研究J. 光譜學(xué)與光譜學(xué)分析, 2016, 32(3): 697-701.Luo X, Wu F X, Xie H G et al. Research on resistant starch content of rice grain based on NIR spectroscopy model J. Spectroscopy and Spectral Analysis, 201

45、6, 32(3): 697-701. (in Chinese)24 邵春甫, 李長(zhǎng)文, 王珊等. 近紅外光譜應(yīng)用于高粱中總淀粉、直鏈淀粉與支鏈淀粉的定量分析J. 糧油食品科技, 2016, 24(2): 014.Shao C F, Li C W, Wang S et al. Quantitative analysis of starch，amylose and amylopectin in sorghum seeds by Fourier transform near infrared spectroscopy J. Science and Technology of Cereals, Oil

46、s and Food. 2016, 24(2): 014. (in Chinese)25 宋瑜, 孫曉榮, 劉翠玲等. 拉曼光譜和近紅外光譜在小麥粉品質(zhì)定量分析中的應(yīng)用J. 食品科學(xué)技術(shù)學(xué)報(bào), 2014, 32(2):24-27.Song Y, Sun X R, Liu C L et al. Quantitative analysis of wheat glour quality using Raman spectroscopy and near infrared spectroscopy J. Journal of Food Science and Technology, 2014, 32(

47、2):24-27. (in Chinese)26 劉會(huì)影, 李國(guó)立, 薛冬樺等. 近紅外光譜法測(cè)定玉米秸稈纖維素和半纖維素含量J. 中國(guó)農(nóng)學(xué)通報(bào), 2013, 29(35):182-186.Liu H Y, Li G L, Xue D H et al. Determination of cellulose and hemicellulose contents in corn straw using near-infrared spectroscopy J. Chinese Agricultural Science Bulletin, 2013, 29(35):182-186. (in Chinese)27 Cozzolino D, Fassio A, Gimenez A. The use