基于高光谱技术的细菌生物被膜分类检测

针对现有生物被膜检测方法耗时、费力、低效的问题,以大肠杆菌、金黄色葡萄球菌、沙门氏菌为例,研究荧光高光谱技术对不同细菌生物被膜进行种类识别和成膜能力评价的可行性。采集细菌生物被膜样本荧光高光谱图像,并基于5种方法预处理后的光谱数据建立支持向量机分类(support vector classification machine,SVC)和偏最小二乘判别分析(partial least squares discriminant analysis model,PLS-DA)细菌被膜分类检测模型。利用连续投影算法(successive projections algorithm,SPA)、竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)分别提取特征波长并建立相应简化模型。结果显示:细菌生物被膜种类识别全波长和特征波长模型中SVC性能均优于PLS-DA,最优模型为None-SPA-SVC,校正集和预测集分类准确率均为96.67%。在细菌生物被膜成膜能力的全波长模型分类判别中,SVC算法整体上分类准确率优于PLS-DA;对于简化模型,最优模型为SPA-SVC,校正集和预测集分类准确率分别为100.00%和96.67%。研究结果表明,高光谱技术可以对细菌生物被膜种类及生物被膜的成膜能力进行有效、快速、准确地分类。

基于DPLS-CSM优化的NIRS杂交水稻种子真伪快速无损鉴定

近红外光谱分析技术(NIRS)具有快速、无损、低成本、准确、无污染的优点,有望应用于杂交水稻种子真实性的高通量鉴定及筛选。本研究采用近红漫反射光谱结合一种新的化学计量学方法——判别式偏最小二乘分类筛选法(DPLS-CSM),对单粒水稻种子‘新两优6号’与其父本、母本和其他假种子进行了区分。通过与判别式偏最小二乘(DPLS)法的对比,使用DPLS-CSM建模时的灵敏度Sn、命中率Pr和马修斯相关系数Mcc分别为97.92%、97.58%和95.51%,高于DPLS法建模的92.01%、93.97%和90.68%;在对验证集进行检验时,DPLS-CSM模型的Sn、Pr和Mcc值分别为98.96%、95%和93.83%,高于后者的94.79%、88.35%和88.57%。结果表明,使用DPLS-CSM结合NIRS对‘新两优6号’的真伪鉴定是可行的,该方法为水稻杂交种真伪的快速无损鉴别与筛选提供了新的选择。