跳动城乡网谷物对于食品和生物燃料至关重要，在生产中越来越多地使用转基因 (GM) 技术来增强抵抗力和营养。尽管存在生物安全问题，但 PCR 等精确检测方法非常复杂且依赖于专家。先进的光谱技术，包括近透视 和太赫兹，正在成为通过分析光谱特征来识别转基因生物的更简单的替代方案。
机器学习，尤其是深度学习算法，显着提高了这些方法的准确性，尽管在管理高维数据和理解深度学习的“黑匣子”本质方面仍然存在挑战。完善这些技术以获得更广泛的应用和更清晰的可解释性非常重要。
在这项研究中，研究人员首先研究了表达cry1Ab/cry1Ac 基因的水稻种子的代谢变异性。代谢组分析显示转基因和非转基因水稻品种之间存在显着差异，其中有机酸、脂质和器官杂环化合物占主导地位。光谱分析表明，非转基因种子通常比转基因种子具有更高的反射率值。
近透视 光谱的主成分分析表明仅基于原始数据进行分类是一个挑战，强调了特征提取的必要性。太赫兹光谱虽然视觉上不易分离，但显示出显着的吸收峰和基因型之间的变化。
与其他机器学习模型相比，CascadeSeed-1 模型使用近透视 光谱和太赫兹光谱，在品种辨别方面表现出卓越的准确性。对于转基因状态识别，CascadeSeed-2 模型在不同水稻品种中表现出较高的准确性，基于太赫兹光谱的模型通常优于基于近透视 的模型。
采用波长选择方法来改进模型，减少冗余特征。尽管这导致准确性有所下降，但它显着提高了模型的速度和效率。
该研究证实了代谢组学和光谱分析之间的相关性，光谱特征反映了代谢内容。级联建模方法有效地识别了来自不同遗传背景的转基因种子，因此优于传统的机器学习方法。
引导反向传播算法可以有效识别与特定代谢变化相关的特征波长。
总之，本研究开发了一种使用近透视 和太赫兹光谱结合深度学习算法来识别转基因水稻种子的非侵入性快速方法。
虽然在简化模型中观察到了轻微的准确性权衡，但这种方法显示出在检测转基因生物和进行风险评估方面增强现实世界适用性的希望。
