基于VSPAI的近红外光谱小麦蛋白质分析方法研究

基于模型集群分析思想,利用变量选择比自适应迭代法(VSPAI)结合偏最小二乘法(PLS)建立了小麦蛋白质含量的近红外光谱预测模型。VSPAI利用蒙特卡罗采样法随机选取样本子集,运用PLS建立样本子集的回归模型,并计算各变量回归系数的平均值和标准差,求出每个变量的初始权重,并与加权自助采样法相结合选取最佳特征变量。结果表明,VSPAI-PLS模型与竞争性自适应重加权采样结合PLS、变量组合集群分析结合PLS、变量组合集群分析迭代保留信息变量法结合PLS、引导软阈值算法结合PLS模型相比,VSPAI-PLS模型的预测精度提高了39.9%、5.9%、25.4%、46.9%。综上,将VSPAI-PLS模型应用于小麦蛋白质的近红外光谱无损检测具备可行性。

小麦群体连续选择效应的综合分析

本试验对由太谷核不育基因构成的异交群体（ＤＮＳ１）内４个性状进行连续两轮歧化选择，并将所得数据进行群体综合分析．结果表明：整个群体的平均表现和变异程度未发生明显变化；但群体分布状况有一定改变，尤其是每穗粒数的分布变化较为明显；株高和千粒重的有效因子数估计基本符合小麦遗传实际表现，每穗粒数的有效有效因子数估计略低，说明此性状遗传背景较为简单．

小麦异交群体选择效果的同工酶分析

通过对具有太谷核不育基因的小麦异交原始群体和二向选择后的部分子群体进行薄层等电聚焦电泳分析，结果如下：在选择四代中，不同选择方向的群体之间已显示出一定的子群体分化，异交群体内有相当高的遗传变异水平，多态位点百分率、位点的等位基因平均数和平均杂合度分别为１００％、３２９０７和０５７６３．经Ｆ检验，六个子群体的平均杂合度及位点的等位基因平均数均无显著变化．群体内具有很高的多态水平，比较六个子群体，只有４０２％的遗传多样性发生于群体之间，而另有９５９８％的遗传多样性存在于子群体内部．根据聚类分析结果，以Ｌ４子群体的分化程度最高．可见选择是有效的．

人工合成小麦对普通小麦农艺性状及产量潜力的改良

通过硬粒小麦（2n=4x=28,AB基因组）与节节麦（2n=2x=14,D基因组）杂交而成的人工合成六倍体小麦,已成为拓展小麦遗传基础和利用野生资源重要基因改良栽培小麦的重要桥梁和手段。利用一个分蘖力强、高抗条锈病并含1.5＋10HMW-GS的人工合成六倍体小麦材料CD780（P1）与丰产性好、适应性广、品质优良但丧失条锈病抗性的小麦品种川育12（P2）杂交,构建131个重组近交系（RILs）（F8）。2005—2006年,将RILs群体分别种植于四川省平原和川中丘陵两个生态点,研究其主要农艺性状表现及性状间的相关关系。结果表明：（1）单位面积穗数（SPM）、生物产量（BW）、籽粒生产率（GPR）、生物生产率（BPR）和籽粒产量（GY）5个性状,群体均值均超过双亲,而分蘖力（TPP）、穗粒数（GPS）、千粒重（TKW）、全生育期（DTM）和收获指数（HI）等农艺性状,群体均值处于双亲之间;（2）SPM、GPS、GPM、HI、GPR和BPR等性状与GY成显著正相关,而DTH、DTM与GY成极显著负相关,TKW与GY的相关系数近于零;TPP、RSSP、BW和PH等性状与GY间的相关性,在两个生态点之间存在明显区别。（3）131个RILs株系中有15个株系的GY显著高于栽培小麦亲本P2,增幅13.6%-27.4%;对高产株系的农艺特性及增产原因进行了分析。

基于蒙特卡洛变量组合集群分析法的小麦蛋白质近红外光谱变量选择

小麦是我国重要的粮食之一,提高对小麦蛋白质含量预测的精准性对保证小麦质量具有重要的意义。采用不同地区的小麦共93个样本近红外光谱与化学值作为建模数据。首先利用小波包(WTP)对光谱信号进行降噪处理,消除外界噪音信号对光谱的影响。其次利用蒙特卡洛变量组合集群分析法(MC-VCPA)进行变量选择,最后利用偏最小二乘法(PLS)建立小麦蛋白质预测模型,并对预测集样本进行预测。对比其他的建模方法,MC-VCPA所选择的10个特征变量代替了全光谱256个变量,预测均方根误差(RMSEP)值由0.4974降低到0.3295,提高了33%,优于其他建模方法。结果表明,基于MC-VCPA的近红外光谱分析方法对小麦蛋白质含量进行定量分析是可行的。

基于BOSS的小麦水分近红外光谱分析方法研究

小麦水分含量是评估小麦品质的重要指标,近红外光谱技术可以同时、快速、无损的对小麦水分含量进行检测与定量分析。基于模型集群分析(MPA)思想,结合引导软阈值算法(BOSS)对光谱变量进行选择,通过子模型回归系数得到变量权重,采用加权引导采样(WBS)逐步校正优化变量权重,收缩变量空间,选取交叉验证均方根误差(RMSECV)较小的子集为最优变量集,以此建立回归预测模型。结果显示,与全光谱模型相比,利用BOSS算法选择的特征变量建模,可以将预测均方根误差(RMSEP)由0.4717下降到0.2249,预测精度提高了52.3%,极大程度简化了模型,提高了模型预测能力。