晶癖预测

利用Resonon Pika XC2高光谱成像预测新鲜姜黄根茎中姜黄素浓度姜黄素是一种天然化合物，具有良好的抗炎、降血脂、抗氧化和抗癌等特性。姜黄素是从姜科、天南星科中一些植物的根茎中提取的一种二酮类化合物。其中，姜黄中约含姜黄素3%～6%，是植物界很稀少的具有二酮结构的色素。了解栽培根茎中姜黄素的水平并确定高产品种非常重要。传统上测量姜黄素是通过从新鲜根茎或干粉中将其提取出来，并使用高效液相色谱（HPLC）或紫外-可见分光光度法进行分析。从植物材料中分离姜黄素费事、费力、成本高，且需要专门的实验室设备和有经验的操作人员。而高光谱成像（HSI）是一种快速且无损的技术，已成功用于土壤和农产品（坚果、水果和蔬菜）各种化学成分和质量指标的评估。然而，目前尚未探索使用新鲜姜黄根茎的HIS图像来预测姜黄素。基于此，为了填补研究空白，在本文中，来自澳大利亚的一组研究团队进行了相关研究，旨在(1) 比较澳大利亚东部不同采样点3个姜黄品种（黄色、橙色和红色）的总姜黄素浓度和不同类姜黄素的分布；（2）评估利用可见-近红外（Vis/NIR）光谱（400-1000 nm）建立的PLSR模型预测新鲜姜黄根茎中总姜黄素浓度的潜力。作者在2018年11月至2019年11月，从五个研究地点共收集了190个样本，以捕捉生长周期的变化。利用光谱范围为400-1000 nm，光谱采样间隔为1.3 nm，光谱分辨率为2.3 nm的Resonon Pika XC2高光谱相机获取样品的高光谱图像。扫描后，提取根茎中的姜黄素，分析其总浓度和分布。建立偏最小二乘回归（PLSR）模型来预测总姜黄素浓度，并通过R2和RMSE来评估模型的准确度。图1 高光谱成像系统Resonon Pika XC2高光谱相机扫描姜黄根茎（a），选择根茎肉（横截面）（b）和皮（c）感兴趣区域（ROI），用于提取每个样品的平均光谱反射率。 图2 实验设计和模型开发流程图。【结果】表1 校准和测试集中不同品种和采样地的总姜黄素 (%) 浓度的描述性分析。图3 不同姜黄品种中三种姜黄素类化合物：双去甲氧基姜黄素 (a)、去甲氧基姜黄素 (b) 和姜黄素 (c) 的百分比分布。 图4 使用三个姜黄品种的原始反射光谱和根茎皮（a）与根茎肉（b）的所有可用波长开发的模型；测试集中单个样本的姜黄素（%）预测值（实心圆）（利用根茎肉模型）和测试数据集中单个样本测量值（“×”）和偏差线（与校准样本的相似度）分布图（c）表2 使用各种光谱分析技术的PLSR模型预测性能。 图5 仅使用橙色姜黄品种的原始反射光谱和根茎皮（a）与根茎肉（b）的所有可用波长开发的模型；测试集中单个样本的姜黄素（%）预测值（实心圆）（利用根茎肉模型）和测试数据集中单个样本测量值（“×”）和偏差线（与校准样本的相似度）分布图（c）。【结论】红色姜黄品种姜黄素最高，建议农民可以培育该品种。本研究结果表明Vis/NIR高光谱成像结合PLSR有潜力仅使用根茎肉图像而不是根茎皮图像预测新鲜姜黄中的姜黄素。在收获和清洗过程中，指状根茎通常从母根茎中折断，仍可销售，因此，通过扫描从加工批次中随机选择的任何折断的根茎碎片，并使用所开发的PLSR模型，可以在两级系统下基于农场手段对包装根茎进行分级。针对每个品种开发模型可以提高预测性能和可靠性。使用单一姜黄品种（橙色）开发的模型预测结果更准确，预测性能和可靠性更高。波长选择（Jack knifing）进一步改进了这些方法，使其适用于更小、更便携的多光谱成像系统。然而，在未来的研究中，应针对每个特定品种采集更大的样本量，并对从其他光谱区域收集的数据进行调查。此外，该方法应被用于预测单个姜黄素类化合物，未来新兴的图像深度学习算法可能会进一步提高模型预测性能。请点击如下链接，阅读全文：https://mp.weixin.qq.com/s?__biz=MjM5NjE1ODg2NA==&mid=2650310032&idx=1&sn=18f01ae402460e5da378f1ca6611014e&chksm=bee1a96f8996207988d67e735544aa15e26988c1a3cbb97e8aef9859a4a796e09c2f2202826e#rd

p style="text-align: left text-indent: 2em "记者从中国科学院物理研究所获悉，该所一组科研团队开发出一种快速计算晶体材料的拓扑性质的新方法，并用此方法在近4万种材料中发现了8千余种拓扑材料，十几倍于过去十几年间人们找到的拓扑材料的总和，并据此建立了拓扑电子材料的在线数据库。成果于北京时间28日由国际权威学术期刊《自然》在线发表。/pp style="text-align: left text-indent: 0em "　　这一成果意义重大。它改变了拓扑量子材料这一研究方向的研究范式，将该方向的重点从“寻找新材料”推进到“研究新材料”。/pp style="text-align: left text-indent: 0em "　　拓扑量子材料被认为将在超低功耗电子元件的研究和量子信息等领域起到重要基础作用。因此，如何寻找更多的新拓扑材料也因此成为了国际凝聚态物理领域的重要问题。此前，物理所已进行了一系列探索，并在拓扑绝缘体、量子反常霍尔效应、外尔半金属等方面做出了重要贡献。/pp style="text-align: left text-indent: 0em "　　团队的通讯作者之一、中科院物理所的方辰研究员介绍，在实验中直接测量拓扑性质是困难的，因此首先用计算的方法预测材料的拓扑性质，就成为了寻找拓扑材料的重要的一环。然而，在过去的研究中，由于不变量的表达式十分繁难，这一计算往往需要深耕于该领域的专家耗费大量时间精力才能完成。“手动搜索”的局限性，使得人们难以预测绝大部分材料的拓扑性质。/pp style="text-align: left text-indent: 0em "　　物理所团队开发出了通过计算材料能带的对称性数据从而自动获得其拓扑不变量的一套完整的、快速的、可以全自动运行的计算流程。在经过该流程之后，任何一种非磁性晶体材料都将获得一个“拓扑标签”，写着它是否具有，以及具有哪些拓扑性质。/pp style="text-align: left text-indent: 0em "　　大批拓扑量子材料在理论上的发现，改变了拓扑量子材料这一研究方向的研究范式，并给未来的实验研究提供了很多线索和机会。/pp style="text-align: left text-indent: 0em "　　物理所成果由该所方辰研究员、翁红明研究员、方忠研究员等人与中国科学院计算机网络信息中心联合完成。/pp style="text-align: left text-indent: 0em "　　所谓“英雄所见略同”，另有两个研究小组，也于同一天同一刊物上发表了他们的独立研究成果。其中一个小组是来自美国的普林斯顿大学、西班牙巴斯克大学和德国马克斯-普朗克研究所的科学家，另一小组是来自南京大学和美国哈佛大学的科学家。他们两个小组的工作内容，同样是通过计算能带高对称点的对称性数据从而得到材料的拓扑性质，方法和物理所研究小组采用的方法一致，三个研究组得到的结果也彼此相洽、相互印证。/p

苹果是一种常见而又神奇的水果。很多人学会的第一个英语单词可能就是Apple；从树上掉下来，砸到牛顿，启发牛顿的也是苹果；引领消费时代数码潮流的苹果公司，logo是被咬了一口的苹果~对于这种大家经常吃的香甜水果，追本溯源，是来自蔷薇科苹果属的杂交水果。苹果的祖先，是一种叫做“新疆野苹果”的植物，生长在我国新疆和中亚地区，后来伴随人类活动扩散开来，果农们也一代代与苹果树斗智斗勇，通过杂交等方式把他们调教的越来越美味。现代农业，为满足大家更多需求，苹果的杂交育种依旧在进行，人类学会了利用更先进的技术，今天推荐大家了解一篇通过高光谱成像来预测苹果杂交后香气的优秀文章。基于Resonon PIKA XC2高光谱成像预测苹果杂交后代香气苹果是世界上最受欢迎且有价值的水果之一。质地、风味和营养是苹果最重要的品质。一般来说，香气在苹果风味中发挥着重要的作用。提高苹果香气是育种和筛选的目标。因此，构建苹果香气成分评估模型至关重要。高光谱成像技术（HSI）结合二维成像技术实现光谱全图像信息获取，因其快速、有效和无损特征而广泛应用在农业、食品和化学领域。基于此，在本文中，来自西北农林科技大学园艺学院的研究人员利用高光谱成像（PIKA XC2 高光谱相机，Resonon Inc., Bozeman，MT，USA）建立了‘Honeycrisp’ × ‘Maodi’杂交后代的香气成分预测模型，初步实现了苹果成分的即时检测，以提供理论基础。【结果】高光谱图像光谱预处理酯（a）、醛（b）、酮（c）和乙醇（d）测量值和预测值散点图。酯（a）、醛（b）、酮（c）和乙醇（d）特征光谱带分布。【结论】在育种中，杂交后代香气成分的快速无损检测可以简化筛选过程并有效降低成本。在本研究中，作者利用高光谱成像来评估‘Honeycrisp’ × ‘Maodi’杂交后代的香气成分。基于光谱的SNV-RF模型在化学类别预测方面表现良好，但在单个化学物质预测方面表现不佳。在化学类别的预测中，酒精的结果最可靠，其次是酯类。分析化学基团的特征光谱，酯类的特征光谱为413、493、512、551、592、600、721、727、729、733 nm，醇类的特征光谱为519、562、570、571、660、676、700、737、738 nm，均在可见光范围内。醛和酮的特征光谱数量相对较多，分别为20和19个。在单个挥发性成分的预测中，大部分化学成分的预测效果较差，仅对环辛醇和2-十一烯醛预测结果基本可用。为了改进本工作的方法研究，今后将考虑和实践更多的杂交后代、建模方法和指标。结果表明，高光谱技术可用于杂交后代芳香化学类别和单个香气成分检测，但模型的稳定性和可靠性有待提高，为苹果育种过程中香气特征的初步筛选提供新选择，为基于苹果香气的自动分级提供理论依据。