引用本文
丁璐, 李梦婷, 刘洋, 朱文碧, 刘冬梅, 牟美睿, 刘海学. 近红外光谱结合二维相关技术对玉米F1代杂交种的快速筛选[J]. 光谱学与光谱分析, 2020,40(7): 2235-2239*.
DING Lu, LI Meng-ting, LIU Yang, ZHU Wen-bi, LIU Dong-mei, MOU Mei-rui, LIU Hai-xue. Rapid Screening of Maize F1 Hybrids Based on Near-Infrared Spectrum and Two-Dimensional Correlation Technology[J]. Spectroscopy and Spectral Analysis, 2020,40(7): 2235-2239*.
Doi:10.3964/j.issn.1000-0593(2020)07-2235-05  
Permissions
Copyright©2020, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
近红外光谱结合二维相关技术对玉米F1代杂交种的快速筛选
丁璐1, 李梦婷2, 刘洋1, 朱文碧1, 刘冬梅3, 牟美睿1, 刘海学1,*
1. 天津农学院农学与资源环境学院, 天津 300384
2. 云南农业大学稻作物研究所, 云南 昆明 650201 3. 天津市第一中心医院心内科, 天津 300192
3. 天津市第一中心医院心内科, 天津 300192
*通讯联系人 e-mail: liuhaixue@tjau.edu.cn

作者简介: 丁 璐, 女, 1993年生, 天津农学院农学与资源环境学院教师 e-mail: 935469309@qq.com

收稿日期: 2018-12-04
基金: 国家自然科学基金项目(41771357, 31201359, 81471698)和天津市自然科学基金项目(18JCYBJC96400, 16JCQNJC08200), 天津市科技计划项目(17ZXYENC00080)资助
摘要

为有效筛选F1代玉米杂交种的优势种, 提出了一种基于近红外光谱技术和二维相关谱技术相结合的种子快速筛选方法, 以内蒙古奈曼旗当地的推广品种京科958(JK958)作为对照, 测定了26个玉米品系的近红外光谱, 并对其进行聚类分析。 当类间距=10时, 26个品系被聚成3类。 第一类是与对照品相近的品系: JK958(对照品种), 26, 14, 489, 263和320等; 第二类是9, 542, 16, 121以及57品系; 第三类是与对照品较远的品系: 317, 582, 284, 264以及157。 一般, 若两个品系差别越小, 其自相关谱强度就越小, 反之成立。 若两个品系完全相同, 理想情况下同步二维相关谱上不会出现任何特征信息, 因此可通过自相关谱强度来判别两个品系的相似程度。 根据聚类分析结果, 选出了品系14, 26, 9和157进行二维相关性分析。 其中, 品系14和26是在近红外光谱聚类分析中与对照品种JK958相距较近的品系, 而9和157则与JK958相距较远。 品系14和JK958自相关强度的范围在0.000 0~0.000 2 a.u.; 品系26和JK958自相关强度的范围为: 0.000 00~0.000 10 a.u.; 品系9与JK958的自相关强度范围: 0.000 0~0.001 6 a.u.; 品系157与JK958的自相关强度约为0.000 4~0.002 0 a.u.; 从自相关强度整体来看四个品系与JK958的自相关强度由大到小的排列顺序为157>9>14>26, 表明: 品系26与对照品系JK958最相似。 为了验证上述筛选品系方法的有效性, 将以田间实地测量的玉米15个主要农艺性状数据, 进行聚类分析, 并与近红外光谱和二维相关谱快速筛选的结果进行对照。 研究发现: 农艺性状的聚类分析结果与近红外光谱聚类结果存在交叉(品系320, 26, 24, 147, 109和263)。 自相关强度为10-5数量级的品系26与JK958距离较近, 被聚到一类; 而自相关强度为10-4数量级的品系14, 9和157被聚为一类。 农艺性状的聚类结果证实了近红外光谱和二维相关谱技术快速筛选玉米品系的有效性。 研究结果表明: 近红外光谱+二维相关谱技术对玉米品系进行初步快速筛选是可行的和有效的。

关键词: 近红外光谱; 二维相关谱; 不同玉米品系; 农艺性状; 聚类分析
中图分类号:S339.3 文献标志码:A
Rapid Screening of Maize F1 Hybrids Based on Near-Infrared Spectrum and Two-Dimensional Correlation Technology
DING Lu1, LI Meng-ting2, LIU Yang1, ZHU Wen-bi1, LIU Dong-mei3, MOU Mei-rui1, LIU Hai-xue1,*
1. College of Resource and Environmental Science, Tianjin Agricultural University, Tianjin 300384, China
2. Rice Research Institute, Yunnan Agricultural University, Kunming 650201, China
3. Cardiology Department, Tianjin First Center Hospital, Tianjin 300192, China
*Corresponding author
Abstract

In order to screen the dominant species of hybrid corn F1 generation effectively, a fast seed screening method was proposed based on near infrared spectroscopy and two-dimensional (2D) correlation spectroscopy. The jingke 958 (JK958) which is a variety of Naiman banner in Inner Mongolia local promotion as a control sample, the near-infrared (NIR) spectra of 26 maize lines were collected and clustering analysis was carried out. When the class spacing was equal to 10, 26 samples were clustered into 3 groups in terms of the results of cluster analysis. The first group is close to the control sample: JK958, 26, 14, 489, 263, 320 etc. The second group is 9, 542, 16, 121 and 57; the third group is far from the control sample: 317, 582, 284, 264 and 157. In general, if the difference between the two samples is small, the autocorrelation intensity is small. If the two samples are identical, synchronous 2D correlation spectrum cannot represent characteristic information under ideal conditions. Therefore, the similarity between the two samples can be judged by the autocorrelation intensity. According to the results of cluster analysis, lines 14, 26, 9 and 157 were selected for 2D correlation analysis. Among them, lines 14 and 26 are close to JK958 (contrast sample) in NIR cluster analysis, while the 9 and 157 with JK958 are far apart. The autocorrelation intensity is in the range of 0.000 0~0.000 2 a.u. for sample 14, 0.000 00~0.000 10 a.u. for sample 26, 0.000 0~0.001 6 a.u. for sample 9, 0.000 4~0.002 0 a.u. for sample 157. As a whole, the order of autocorrelation intensity between four samples and JK958 sample is 157>9>14>26, which shows that sample 26 is the most similar to that of control sample JK958. In order to verify the validity of the above screening methods, cluster analysis was carried out based on 16 Main Agronomic Traits of maize measured in the field, and compared with the results of rapid screening by near infrared spectroscopy and 2D correlation spectroscopy. It can be found that there is a cross between the agronomic characters of clustering analysis and the near infrared spectral clustering (line 320, 26, 24, 147, 109 and 263). Samples 26 with the 10-5 autocorrelation intensity was close to JK958, and were clustered into one group, while samples 14, 9 and 157 with the 10-4 autocorrelation intensity were clustered into one group. The clustering results of agronomic traits confirmed the validity of NIR spectroscopy for rapid screening of maize lines. The results showed that NIR spectroscopy combined with 2D correlation spectroscopy was feasible and effective for rapid screening of maize lines.

Keyword: Near-infrared spectroscopy; Two-dimensional (2D) correlation spectroscopy; Different corn lines; Agronomic traits; Clustering analysis
引言

我国是粮食生产大国。 玉米是我国重要的粮食和饲料作物, 于2012年成为我国产量第一的粮食作物。 根据国家统计数据显示, 2015年我国玉米的种植面积约3 812万hm2, 产量2.2亿t, 占作物栽培总面积的22.91%, 占作物总产量的36.15%。 玉米生产研究重要的目标之一是获得高产, 杂种优势是目前农业生产上提高产量和改进品质的重要措施之一。 但杂种优势的田间检测需要耗费大量的人力、 物力和时间, 且限于条件因素的影响, 不能一次测验多个组合, 所以杂种优势的预测问题一直是育种工作者进行探求的问题之一。

与传统检测方法相比, 近红外光谱技术具有快速、 便捷等优点, 已被应用于玉米杂交种筛选, 使得玉米育种更加方便、 快捷[1, 2, 3, 4, 5]。 Cui等[2]将近红外光谱与模式识别相结合, 实现了不同玉米种子的识别, 识别正确率超过90%。 Jia等[3]对带种衣的玉米种子进行近红外光谱分析, 所建立的SIMCA模型的判别正确率为97.5%。 彭城[5]等应用近红外光谱技术实现了转双价基因玉米的快速鉴别。 李梦婷[5]等利用近/中红外光谱结合聚类分析快速筛选玉米自交系组合。 二维相关谱技术具有高的光谱分辨率, 特别适合复杂体系相似样品的分析, 已经被广泛的应用于复杂生物体系的研究中[6, 7, 8, 9, 10, 11, 12, 13]。 本文将近红外光谱技术与二维相关谱技术相结合实现玉米杂交种的快速筛选, 并通过田间实地测量的玉米农艺性状数据验证了方法的有效性, 所提出的方法国内外尚未见相关报道。 本研究对于玉米杂交种的筛选工作具有重要的参考意义。

1 实验部分
1.1 试验地概况

试验在内蒙古奈曼旗享禾种业有限公司进行, 试验田地形规整、 地势平坦、 地力均匀、 排灌方便, 历年无异常或特殊的气象条件。

1.2 材料

对照品种: 当地推广品种 京科958(JK958)。

供试玉米(F1代): 品系489, 品系9, 品系10, 品系14, 品系16, 品系24, 品系26, 品系57, 品系84, 品系107, 品系109, 品系110, 品系112, 品系121, 品系147, 品系157, 品系263, 品系264, 品系284, 品系314, 品系317, 品系320, 品系542, 品系541, 品系582。

1.3 仪器及方法

1.3.1 光谱分析

室温下, 从各品系完全成熟的玉米果穗上剥取20个籽粒, 粉碎研磨后过筛(80目), 样品一式两份存放于密封袋。 使用PE公司的Spectrum GX型FT-IR光谱仪(配置铟砷化镓检测器和稳压空气冷却光源), 仪器自带积分球附件。 近红外光谱波数采集范围是4 000~10 000 cm-1。 每个样品扫描次数为16, 扫描间隔为4 cm-1。 为减少基线漂移对分析的影响, 采用OMNIC软件对所有的光谱进行基线校正、 平滑处理、 归一化光谱, 然后对这些数据进行多变量分析。

1.3.2 农艺性状

试验于2017年4月— 2017年10月进行, 实验区长6 m, 宽4 m, 面积24 m2, 采用完全随机区组排列, 设3次重复, 共计78个实验小区, 试验总面积1 872 m2, 试验田按行距60 cm, 株距25 cm进行种植, 5 050株/667 m2, 按照当地大田生产水平进行管理, 四周设有保护行。

玉米成熟后收获前在田间使用卷尺测量其株高和穗位高, 统计单株叶数; 室内考种使用直尺测量穗长, 使用游标卡尺测量穗粗、 秃尖程度、 轴粗, 统计穗行数、 行粒数; 烘干后脱粒, 统计轴色(轴色分为红色和白色), 使用天平称量穗重、 穗粒重、 百粒重。

2 结果与讨论
2.1 不同玉米品系的近红外光谱分析— — 一级筛选

26个玉米品系的近红外光谱如图1所示, 所有品系光谱曲线的重合度极高, 在4 327, 4 754, 5 181, 5 630, 6 858以及8 309 cm-1处出现特征峰。 从光谱图直接得出的信息相当粗略, 无法实现各品系的鉴别和筛选, 因此需要借助多元统计方法。

图1 不同玉米品系的近红外光谱Fig.1 The near-infrared spectra of corn line

对图1中26个玉米品系的近红外光谱进行聚类分析, 其结果见图2, 当类间距=10时, 26个品系被聚成3类。 第一类是: 10, 489, 263, 320, 147, 26, 314, 110, 107, JK958(对照品种), 24, 84, 14, 112, 109以及541; 第二类是9, 542, 16, 121以及57; 第三类是317, 582, 284, 264以及157。 根据对照品系在品系谱图中的位置, 可以得到与该品系大致相似的品系, 包括品系320, 26, 107, 34等。

图2 近红外光谱聚类分析结果Fig.2 The result of cluster analysis based on near-infrared spectra

2.2 二维近红外相关分析

二维相关谱表征的是外扰变化的特征光谱信息, 若两个样品完全相同, 则两样品相关图谱上不会体现任何的信息; 两个样品越相似, 其相关强度就越小, 反之成立, 所以可通过相关谱技术实现样品相似性的判别。

在上述近红外光谱聚类分析不同玉米品系一级筛选的基础上, 选出了品系14, 26, 9和157进行二维相关性分析, 对其进行二级筛选。 其中, 品系14和26是聚类分析中与对照品种JK958相似的品系, 而品系157和541在品系谱图中与JK958相距相对较远, 即相差比较大的品系。 图3(a)— (d)分别是品系14, 26与JK958相关计算对应的自相关谱, 图3(a)中, 品系14和JK958在4 337, 4 701, 5 085和6 270 cm-1等处出现较强的自相关峰, 其强度的范围在0.000 0~0.000 2 a.u., 大小为10-4数量级; 图3(b)中, 品系26和JK958在4 010, 5 021, 5 812和8 395 cm-1等处出现较强的自相关峰, 其强度的范围为: 0.000 00~0.000 10 a.u., 大小为10-5数量级。 图3(c)中, 品系9与JK958在4 380, 4 754和5 203 cm-1等处出现较强的自相关峰, 其自相关强度范围: 0.000 0~0.001 6, 大小为10-4数量级。 图3(d)中, 品系157与JK958在4 327, 4 711和5 191 cm-1等处出现较强的峰, 其强度约为0.000 4~0.002 0 a.u., 大小为10-4数量级。 故, 相比较之下, 前者的自相关强度小于后者。 因此, 这两个品系中, 品系9可能与对照组更为相似。 从自相关强度整体来看四个品系与JK958品种的自相关强度由大到小的排列顺序为157> 9> 14> 26, 表明: 品系26与对照品种JK958最相似。

图3 品系14(a), 26(b), 9(c)和157(d)的自相关谱Fig.3 Auto-correlation spectra of samples of 14(a), 26(b), 9(c) and 157(d)

2.3 农艺性状相关分析

为了验证上述方法分析结果的有效性, 采集了田间实地测量的玉米15个主要农艺性状数据(见表1), 15个主要农艺性状分别为穗长、 穗行数、 行粒数、 穗粗、 秃尖程度、 穗重、 穗粒重、 出籽率、 百粒重、 轴粗、 轴色(轴色分为红色和白色)、 株高、 穗位高、 单株叶数、 亩产量。

表1 26个玉米品系的15个农艺性状 Table 1 The 15 agronomic characters of 26 corn lines

将统计所得的农艺性状进行系统聚类分析。 在系统聚类分析的谱系(图4)中可以看出: 当类间距=10时, 26个玉米品系(品种)被聚类2类: 第一类包含对照品种JK958以及品系582, 320, 26, 264, 57, 284, 24, 147, 542, 16, 109, 317和263, 第二类包括品系110, 121, 112, 489, 10, 541, 14, 314, 157, 9, 107和84。 其中, 品系110, 121, 112和489, 产量在亩产1 200 kg左右, 其单位面积产量在所有品系中最低; 而品系10, 541等8个品系的株高和穗位高相对较低。 结合农艺性状和近红外光谱分析结果, 得到品系320, 26, 24, 147, 109和263是二者的交叉结果。 当自相关强度在10-5时, 品系26和JK958聚为一类, 而品系14, 9和157在10-4时聚为同一类。 上述研究表明, 基于近红外光谱和二维相关谱技术对玉米品系进行初步快速筛选的方法是可行且有效的。

图4 农艺性状聚类分析结果Fig.4 The result of cluster analysis based on agronomic traits

3 结论

提出了一种基于近红外光谱结合二维相关谱技术快速筛选玉米杂交种的方法, 并通过田间26个品系15个农艺性状数据的聚类分析, 验证了所提出快速筛选方法的有效性和可靠性。 所提出的方法可以为其他作物(水稻、 小麦等)的杂交种筛选提供新思路。

参考文献
[1] Ambrose A, Lohumi S, Lee W H, Sensors and Actuators B: Chemical, 2016, 224: 500. [本文引用:1]
[2] Cui Y J, Xu L J, An D, et al. International Journal of Agricultual & Biological Engineering, 2018, 11: 177. [本文引用:2]
[3] Jia S, An D, Liu Z, et al. Journal of Cereal Science, 2015, 63: 21. [本文引用:2]
[4] PENG Cheng, FENG Xu-ping, HE Yong, et al(彭城, 冯旭萍, 何勇, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2018, 38(4): 1095. [本文引用:1]
[5] LI Meng-ting, YANG Ren-jie, CHEN Zhi-yuan, et al(李梦婷, 杨仁杰, 陈志远, 等). Seed(种子), 2017, 36: 93. [本文引用:3]
[6] Noda I. J. Mol. Struct. , 2014, 1069: 3. [本文引用:1]
[7] Noda I. J. Mol. Struct. , 2014, 1069: 23. [本文引用:1]
[8] Chen B, Tian P, Lu D L, et al. Anal Methods, 2012, 4: 4310. [本文引用:1]
[9] Yang R J, Sun X S, Wang B H, et al. Spectrosc. Lett. , 2016, 49: 355. [本文引用:1]
[10] Yang R J, Zhang W Y, Yang Y R, et al. Anal. Lett. , 2014, 47: 2560. [本文引用:1]
[11] Yang R J, Yang Y R, Dong G M, et al. Anal. Methods, 2014, 6: 3436. [本文引用:1]
[12] Yang R J, Liu R, Dong G M, et al. Spectrochim Acta A, 2016, 157: 50. [本文引用:1]
[13] Smith B R, Ashton K M, Brodbelt A, et al. Analyst, 2016, 141: 3668. [本文引用:1]