高粱茎秆结构特征的高通量光谱分析模型构建及其抗倒伏机制解析

《BMC Plant Biology》：A precise and high-throughput assay for stem structural characteristics deepens understanding of lodging resistance in sorghum

编辑推荐：针对高粱茎秆结构特征传统测定方法复杂低效的难题，广西大学研究人员通过VIS/NIR（可见光-近红外光谱）技术结合支持向量机回归（SVR）模型，建立了8项茎秆解剖参数的快速预测体系，验证了干粉样本+MSC预处理+SVR模型的最佳组合（R2达0.88-0.97），揭示茎秆维管束数量与倒伏指数（lodging index）呈显著负相关，为作物抗倒伏育种提供了高效表型分析工具。

　　

在农作物生产中，倒伏（lodging）犹如一场看不见的"多米诺骨牌效应"，每年导致全球谷物减产高达20%。其中茎秆倒伏（stem lodging）因茎基部机械强度不足引发断裂，成为制约高粱（Sorghum bicolor L.）——这个全球第五大谷类作物产量的关键瓶颈。传统茎秆解剖分析方法需要经历繁琐的切片制备、显微观察等步骤，一个样本的处理往往需要数天时间，这种"蜗牛式"的检测效率严重阻碍了抗倒伏育种的进程。更令人困扰的是，茎秆内部复杂的"建筑结构"——包括大/小维管束（LVB/SVB）的数量（NLVB/NSVB）和截面积（ALVB/ASVB）、茎截面积（SA）、茎周长（SC）、皮层面积（RA）和皮层厚度（RT）等参数，虽然被证实与抗倒伏性密切相关，却长期缺乏高效的检测手段。

针对这一技术困境，广西大学王令强团队联合华中农业大学研究人员在《BMC Plant Biology》发表了一项突破性研究。他们创新性地将可见光-近红外光谱（VIS/NIR）技术引入茎秆结构分析领域，通过对103份地理来源多样（中国、美国、印度）的高粱种质进行系统研究，建立了全球首个基于光谱的高粱茎秆结构特征高通量预测模型体系。研究团队采用干粉与水洗粉两种样本处理方式，结合多元散射校正（MSC）等光谱预处理方法，比较了偏最小二乘回归（PLSR）和支持向量机回归（SVR）等算法的预测效能。

关键技术方法包括：①采集103份高粱种质的茎秆横截面形态学数据；②制备干粉和水洗粉两种生物质样本；③使用Spectra Star 2600XT-R光谱仪获取680-2600nm波长范围的VIS/NIR光谱；④采用SVR和PLSR算法构建8项茎秆结构参数的预测模型；⑤通过决定系数（R²）和相对分析误差（RPD）评估模型性能。

研究结果揭示：
"高粱茎秆结构特征的高多样性"：8项茎秆参数在103份种质中均呈现显著变异（变异系数CV>20%），其中小维管束面积（ASVB）变异最大（CV=60%），中国种质的茎截面积和周长显著小于美国种质。

"茎秆结构与抗倒伏性的系统关联"：维管束数量与倒伏指数呈显著负相关（P<0.01），且与农艺性状（穗重、一级分枝数、千粒重）呈正相关，证实茎秆结构同时影响抗倒伏性和产量潜力。

"光谱预测模型的优化组合"：干粉样本的预测精度显著优于水洗粉（P<0.05），SVR模型表现最佳（验证集R²=0.88-0.97，RPD=2.85-5.99），其中茎截面积（SA）预测精度最低（R²=0.88），而维管束数量预测效果最优。

讨论与结论：
该研究首次实现了作物茎秆解剖结构的光谱学预测，建立的"干粉+MSC+SVR"模型体系将传统需要数天的检测过程缩短至分钟级。研究发现维管束数量（而非面积）是影响抗倒伏性的关键结构参数，这为高粱抗倒伏育种提供了明确的性状选择靶点。技术层面，研究证实光谱信号主要捕获茎秆细胞壁组分（纤维素、木质素等）与宏观结构的关联特征，这种"组分-结构"的跨尺度关联机制为其他作物的表型分析提供了新思路。未来通过扩大样本量和环境多样性，可进一步优化模型的普适性。这项技术突破不仅为作物抗逆育种提供了高效工具，也为植物力学-光谱学的交叉研究开辟了新途径。