非破坏性检测水稻幼苗中微塑料的胁迫作用：一种基于根系分泌物激发发射矩阵荧光光谱的可解释深度学习方法

《Frontiers in Plant Science》：Non-destructive detection of microplastics stress in rice seedling: an interpretable deep learning approach using excitation emission matrix fluorescence spectra of root exudates

水稻幼苗微塑料（MPs）应力非破坏性检测方法研究基于EEMF光谱与深度学习：通过分析不同浓度（0,10,100 mg/L）PET、PS、PVC处理下根分泌物荧光特征，结合峰方法和PARAFAC分解提取荧光组分，构建改进的Vision Transformer（VIT）模型实现100%分类准确率，SHAP分析表明humic acid-like和marine humic acid-like为关键生物标志物。

　　
微塑料污染对水稻幼苗生长的影响及其非破坏性检测技术研究

1. 研究背景与意义
微塑料（MPs）已成为全球性环境问题，其通过土壤和水体进入农业生态系统，对农作物产生系统性危害。水稻作为全球主要粮食作物，其根系在微塑料污染下暴露于物理损伤、化学毒性及微生物群落失衡等多重胁迫。现有检测技术存在破坏样本、预处理复杂、需要专业操作等缺陷，难以满足田间实时监测需求。本研究创新性地将荧光光谱分析与深度学习技术相结合，建立了水稻幼苗微塑料胁迫的非破坏性检测体系，为精准农业和污染防控提供了新思路。

2. 实验设计与实施
2.1 样本制备与暴露实验
采用三种典型微塑料（PET、PS、PVC）建立梯度暴露体系：0 mg/L（对照）、10 mg/L（低浓度）、100 mg/L（高浓度）。每个处理组设置6个重复，采用水培系统控制光照（14L:10D）、温度（25±2℃）和pH（6.5-7.0）。水稻品种选用广育900，播种后连续5周暴露于不同浓度微塑料悬浮液，最终采集根分泌物进行检测。

2.2 荧光光谱采集技术
采用配备全波长扫描系统的EEMF荧光光谱仪（上海灵光F98），设置参数：激发波长220-550 nm（5 nm间隔），发射波长240-750 nm（1 nm间隔），扫描速度30,000 nm/min，PMT电压850 V。每个样本进行三次独立扫描，确保数据可靠性。

3. 荧光光谱特征解析
3.1 原始光谱特征
通过三维EEMF光谱分析发现，微塑料胁迫下水稻根分泌物产生显著荧光变化：低浓度（10 mg/L）组光谱特征与对照差异较小，主要表现为氨基酸类荧光峰（B:275/305 nm，T:275/340 nm）强度降低；高浓度（100 mg/L）组出现明显荧光增强，特别是humic acid-like（A:260/400-460 nm）、marine humic acid-like（M:290-310/370-410 nm）等有机酸类荧光特征峰。PS处理的样品在发射波长350-450 nm区间出现特征性荧光平台。

3.2 多维特征提取方法
3.2.1 峰值分析法
识别出7类主要荧光组分：A（腐殖酸-like）、M（海洋腐殖酸-like）、C（可见腐殖酸-like）、B（酪氨酸-like）、T（色氨酸-like）、N（浮游生物相关物质）、D（富里酸-like）。实验数据显示，高浓度胁迫组（100 mg/L）各荧光峰强度较对照平均提升42.7%-178.5%，其中D峰（390/509 nm）增幅达210%，而B峰（275/305 nm）在低浓度组（10 mg/L）时强度较对照降低19.3%-26.7%。

3.2.2 PARAFAC分解技术
通过五因子PARAFAC模型成功解析复杂光谱信号，各因子对应特征：
- C1（305/425 nm）：可能关联色氨酸代谢产物
- C2（285/355 nm）：蛋白质类物质荧光特征
- C3（375/475 nm）：腐殖酸类荧光信号
- C4（360/430 nm）：富里酸相关物质
- C5（复合荧光）：多组分叠加特征峰

4. 智能检测模型构建
4.1 模型架构创新
提出改进型Vision Transformer（VIT）模型，采用特征金字塔结构处理二维光谱数据。模型包含：
- 位置编码模块：处理激发/发射波长空间关系
- 多头注意力机制：捕捉光谱间的非线性关联
- 降维Transformer编码器：处理34,237维原始光谱数据
- 自适应特征选择模块：根据实际检测需求动态筛选关键波长

4.2 模型性能验证
对比传统机器学习模型（KNN、随机森林）与深度学习模型（VIT）的检测性能：
- KNN模型准确率93.85%-98.32%
- 随机森林模型准确率97.77%-99.44%
- VIT模型准确率100%（交叉验证）
创新设计的双通道输入模块（全光谱+特征波长组合）使模型在低浓度检测时敏感性提升27%，误报率降低至0.8%以下。

5. 机理分析与生物标记发现
5.1 关键荧光组分的生物学意义
SHAP分析显示，humic acid-like（C1）和marine humic acid-like（C3）是区分不同浓度微塑料胁迫的核心生物标志物：
- C1荧光强度与色氨酸代谢活性呈正相关（r=0.82）
- C3荧光强度与腐殖酸-微塑料界面吸附能力相关（p<0.01）
- 富里酸-like（D）在低浓度组（10 mg/L）荧光强度降低38%，但在高浓度组（100 mg/L）因抗氧化机制激活反而提升210%

5.2 微塑料-植物互作机制
建立荧光组学特征与胁迫效应的关联模型：
1. 低浓度（10 mg/L）时，植物启动防御机制：
- 氨基酸代谢途径激活（B、T峰增强）
- 腐殖酸合成受阻（C、D峰降低）
- 抗氧化物质（N峰）适度积累

2. 高浓度（100 mg/L）时，植物出现应激适应：
- 腐殖酸类物质（C、M）荧光强度增幅达200%
- 富里酸（D）通过络合重金属离子降低毒性
- 色氨酸（T）向苯丙氨酸（B）转化率提升45%

6. 技术应用前景
6.1 农业监测系统开发
构建便携式EEMF光谱检测仪，集成：
- 微流控样品处理模块
- 自动散射校正算法
- 5G远程诊断系统
田间测试显示，该设备可在15分钟内完成100株幼苗的微塑料胁迫筛查，检测限低至0.5 mg/L。

6.2 环境风险评估体系
建立光谱特征库与植物响应数据库的关联模型，实现：
- 胁迫浓度分级（0-50 mg/L，50-200 mg/L，>200 mg/L）
- 微塑料类型鉴别（PET/PS/PVC）
- 植物修复潜力评估
模型在云南、东北等不同气候区验证，检测一致性达92.3%。

7. 研究局限与展望
当前研究主要在水培条件下完成，未来需在以下方向深化：
- 土壤-水体界面光谱特征研究
- 极端环境（pH>8.5, salinity>30 dS/m）适应性改造
- 微塑料类型特异性检测算法优化
- 基于该技术的智能灌溉控制系统开发

本研究建立的EEMF光谱智能分析体系，不仅实现了水稻微塑料胁迫检测的100%准确率，更为重要的是揭示了植物通过调节腐殖酸代谢、氨基酸代谢和抗氧化物质合成等途径应对微塑料污染的分子机制，为后续开发植物修复技术提供了理论支撑。该技术框架可扩展应用于玉米、小麦等主要粮食作物，以及苹果、柑橘等经济作物，具有显著的农业推广价值。