- 3 次围观
**背景与研究目的** 植物挥发性有机化合物（VOCs）会随植物发育进程及环境条件的变化而动态变化。然而，其作为物候进程非侵入性指标的潜力尚未得到充分探索。本研究构建了一个整合自动化VOC采样、时间分辨VOC谱分析和机器学习分析的框架，用于非侵入性评估植物物候。以大豆（*Glycine max* (L.) Merr.）为研究对象，我们探究了与发育相关的VOC释放时间变化能否对不同发育阶段进行划分和预测。 **方法** 在受控环境条件下，我们于播种后第16至第43天每日采集VOC，涵盖从营养生长阶段向生殖生长阶段过渡的时期；采样采用自动化系统，并与热脱附-气相色谱-质谱（TD-GC-MS）联用。为表征与物候进程相关的VOC谱时间变化，我们利用多步骤分析流程对每日VOC数据进行分析，该流程结合了统计筛选和基于相似性的网络分析。我们根据VOC谱中的相似性模式定义由VOC推导的发育阶段，随后建立并评估机器学习模型以预测这些阶段。 **主要结果** 7种VOC表现出显著的阶段依赖性动态变化，其中包括绿叶挥发物和单萜类化合物，它们在物候进程中呈现出特征性的时间变化。基于网络的VOC谱聚类解析出5个发育阶段，并且这些阶段与传统发育阶段高度一致。机器学习模型能够根据VOC谱预测上述发育阶段，并在独立测试数据上取得较高的预测准确率，表明可以从VOC释放模式中定量推断物候进程。 **结论** 研究结果表明，VOC谱分析可作为评估大豆物候进程的一种可靠且非侵入性方法。通过提取具有时间结构的VOC信号，该框架能够捕捉仅凭视觉观察可能难以获取的发育信息，尤其是在冠层闭合之后。VOC谱分析为监测作物发育动态提供了一种实用工具，并在植物表型分析和精准作物管理领域展现出更广泛的应用潜力。
**背景与研究目的** 植物挥发性有机化合物（VOCs）会随着植物发育进程以及环境条件的变化而动态变化。然而，VOCs 作为物候进程非侵入性指标的潜力尚未得到充分探索。本研究构建了一个整合自动化 VOC 采样、时间分辨 VOC 图谱分析和机器学习分析的框架，用于非侵入性评估植物物候。以大豆（*Glycine max* (L.) Merr.）为研究对象，我们探究了与发育相关的 VOC 排放时间变化是否能够区分并预测不同发育阶段。
**方法** 在受控环境条件下，我们于播种后第 16 至第 43 天每日采集 VOC，涵盖从营养生长阶段向生殖生长阶段的过渡期，所采用的自动化采样系统与热脱附-气相色谱-质谱联用仪（TD-GC-MS）相连接。为表征与物候进程相关的 VOC 图谱时间变化，我们利用结合统计筛选和基于相似性的网络分析的多步骤流程，对每日 VOC 数据进行了分析。根据 VOC 图谱中的相似性模式，我们界定了基于 VOC 的发育阶段，随后建立并评估了用于预测这些阶段的机器学习模型。
**主要结果** 7 种 VOC 表现出明显的阶段依赖性动态变化，其中包括绿叶挥发物和单萜类化合物，它们在物候进程中呈现出特征性的时间变化。基于网络的 VOC 图谱聚类解析出 5 个发育阶段，并且这些阶段与传统发育阶段高度一致。机器学习模型能够根据 VOC 图谱对这些阶段进行预测，并在独立测试数据上表现出较高的预测准确率，表明可以依据 VOC 排放模式对物候进程进行定量推断。
**结论** 研究结果表明，VOC 图谱分析可作为评估大豆物候进程的一种可靠且非侵入性的方法。通过提取具有时间结构的 VOC 信号，该框架能够捕捉仅凭视觉观察可能难以获取的发育信息，尤其是在冠层闭合之后。VOC 图谱分析为监测作物发育动态提供了一种实用工具，并在植物表型分析和精准作物管理中具有更广泛的应用潜力。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.28.747781v1?rss=1
🏷️ 植物挥发性有机化合物 大豆物候 时间分辨谱分析 热脱附-气相色谱-质谱 机器学习 无损植物表型分析