CN111220734A - 一种利用敏感代谢物评价潜伏缺素期作物营养状态的方法 - Google Patents

一种利用敏感代谢物评价潜伏缺素期作物营养状态的方法 Download PDF

Info

Publication number
CN111220734A
CN111220734A CN202010119100.1A CN202010119100A CN111220734A CN 111220734 A CN111220734 A CN 111220734A CN 202010119100 A CN202010119100 A CN 202010119100A CN 111220734 A CN111220734 A CN 111220734A
Authority
CN
China
Prior art keywords
metabolites
sensitive
latent
sensitive metabolites
crops
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010119100.1A
Other languages
English (en)
Other versions
CN111220734B (zh
Inventor
高洪燕
毛罕平
李青林
张晓东
倪纪恒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Original Assignee
Jiangsu University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN202010119100.1A priority Critical patent/CN111220734B/zh
Publication of CN111220734A publication Critical patent/CN111220734A/zh
Priority to PCT/CN2020/122144 priority patent/WO2021169332A1/zh
Priority to GB2109274.7A priority patent/GB2594825B/en
Application granted granted Critical
Publication of CN111220734B publication Critical patent/CN111220734B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/04—Preparation or injection of sample to be analysed
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/62—Detectors specially adapted therefor
    • G01N30/72—Mass spectrometers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/86—Signal analysis
    • G01N30/8624—Detection of slopes or peaks; baseline correction
    • G01N30/8631—Peaks
    • G01N30/8634—Peak quality criteria
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/86—Signal analysis
    • G01N30/8693—Models, e.g. prediction of retention times, method development and validation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/86—Signal analysis
    • G01N30/8696—Details of Software
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/88—Integrated analysis systems specially adapted therefor, not covered by a single one of the groups G01N30/04 - G01N30/86
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/04—Preparation or injection of sample to be analysed
    • G01N2030/042—Standards
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/88—Integrated analysis systems specially adapted therefor, not covered by a single one of the groups G01N30/04 - G01N30/86
    • G01N2030/8809—Integrated analysis systems specially adapted therefor, not covered by a single one of the groups G01N30/04 - G01N30/86 analysis specially adapted for the sample
    • G01N2030/8868—Integrated analysis systems specially adapted therefor, not covered by a single one of the groups G01N30/04 - G01N30/86 analysis specially adapted for the sample elemental analysis, e.g. isotope dilution analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2570/00—Omics, e.g. proteomics, glycomics or lipidomics; Methods of analysis focusing on the entire complement of classes of biological molecules or subsets thereof, i.e. focusing on proteomes, glycomes or lipidomes

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)

Abstract

本发明提供一种利用敏感代谢物评价潜伏缺素期作物营养状态的方法，包括以下步骤：划分氮、磷、钾试验区，采用标准作物施肥配方，形成胁迫、适量和过量三种不同氮、磷、钾营养水平的样本；利用液相色谱‑质谱联用技术获取非靶代谢组学数据；筛选与作物氮磷钾显著相关的敏感代谢物；根据敏感代谢物的离子峰面积，对敏感代谢物进行相对定量，并进行归一化，建立营养元素及水平与标签对应关系，将样本分为校正集和验证集，分别建立校正集氮、磷、钾营养状态评价模型；获取敏感代谢物含量，输入营养状态评价模型，判断其营养状态。本发明可用于营养水平早期诊断，时效性和检测精度有明显提高。

Description

一种利用敏感代谢物评价潜伏缺素期作物营养状态的方法
技术领域
本发明属于作物营养状态的表征方法，具体涉及一种利用敏感代谢物评价潜伏缺素期作物营养状态的方法。
背景技术
传统的化学分析法和人工经验检测时效性差且易受主观因素影响。目前，基于视觉图像、高光谱图像及可见-近红外光谱等无损检测技术在作物营养检测中应用广泛。植物生理学和植物营养学的研究已经证明，作物对各种逆境胁迫耐受性的形成过程是从植株水平到组织水平再到分子水平，是涉及多策略、多层次、多环节的复杂机制，主要涉及5个层次：1○叶片颜色和纹理等表面宏观特征；2○叶片表面的粗糙度和质地等微观特征；3○气孔、海绵体、栅栏组织等内部微结构；4○叶绿素a、叶绿素b、叶黄素等大分子物质；5○初级和次级代谢物等小分子物质。然而目前常用方法主要针对前4个相对容易检测的层次，由于检测手段和方法的局限性，在作物营养发生胁迫的最初期，即潜伏缺素期，获得的光谱和图像信息差别不大，当同时缺乏两种及以上元素时，会出现同质异谱或同谱异质，作物外观形态、颜色、纹理特征相似且不同表观特征相互耦合和交互现象，检测时效性差且精度低。
作物在长期的进化中对各种非生物胁迫产生了一定抵御能力，这种抵御机制的基础便是植物体内的成千上万种的代谢产物，当作物的正常生长遭遇到逆境胁迫时，原有的代谢平衡就会被扰乱，而为了达到新的代谢平衡稳态，作物会相应调整代谢路径，通过代谢产物种类及含量的变化调控来适应不利的生长环境，以便更好地满足组织、器官的生长和发育，保证正常的生理活动。作物体内新的代谢稳态的建成，需要各代谢途径之间互关联构成复杂网络，以实现对代谢过程的精细调控。由此可见，作物的逆境应答最终体现在代谢层面上，而代谢组学被认为是逆境“组学”研究的最终方向。已有研究发现，在氮胁迫的第6天，就可检测到作物体内黄酮含量已经发生了变化，而在作物发生氮胁迫的第11天，其嫩叶的光谱信息才显示出差异。这足以说明通过检测作物体内代谢物的变化可以在第一时间判断作物是否发生了营养胁迫，提高了检测时效性。
发明内容
针对上述问题，本发明提供一种利用敏感代谢物评价潜伏缺素期作物营养状态的方法。旨从第5层次入手，即小分子物质层面，利用非靶代谢组学技术研究营养发生胁迫时作物体内小分子物质的变化情况，筛选对于早期营养胁迫具有较高灵敏性的代谢物，并建立基于敏感代谢物的设施作物营养状态评价方法，该发明突破现有方法的瓶颈问题，可用于营养水平早期诊断，尤其适合于营养胁迫潜伏期评价，对促进农业提质增效，减少环境污染具有非常重要的理论和现实意义。
一种利用敏感代谢物评价潜伏缺素期作物营养状态的方法，包括以下步骤：
建立标准样本区：划分氮、磷、钾试验区，采用标准作物施肥配方，形成胁迫、适量和过量三种不同氮、磷、钾营养水平的样本；
获取非靶代谢组学数据：利用液相色谱-质谱联用技术获取非靶代谢组学数据；
筛选敏感代谢物：筛选与作物氮磷钾显著相关的敏感代谢物；
建立作物营养状态评价模型：根据敏感代谢物的离子峰面积，对敏感代谢物进行相对定量，并进行归一化，建立营养元素及水平与标签对应关系，将样本分为校正集和验证集，分别建立校正集氮、磷、钾营养状态评价模型；
判断其营养状态：获取敏感代谢物含量，输入营养状态评价模型，判断其营养状态。
上述方案中，所述建立标准样本区步骤中标准作物施肥配方采用岩棉加山崎生菜营养液标准配方。
上述方案中，所述筛选敏感代谢物的步骤具体为：
变化代谢物的筛选：分别对氮、磷、钾的代谢组数据进行变异倍数分析和T检验单变量统计分析，分别返回变异倍数FC值和P值，根据FC值和P值确定变化代谢物；
敏感代谢物的预筛选：对所述变化代谢物利用正交偏最小二乘判别分析算法，得到变量权重值VIP，根据VIP，P和FC确定预筛选敏感代谢物；
敏感代谢物的二次筛选：利用多种算法对敏感代谢物进行二次筛选，通过多种算法均能筛选出的物质为确定最终的敏感代谢物。
进一步的，所述变化代谢物中确定FC＞2且P＜0.05，FC＜0.5且P＜0.05的代谢物为变化代谢物。
进一步的，所述敏感代谢物的预筛中确定FC＞2，VIP＞1且P＜0.05和FC＜0.5，VIP＞1且P＜0.05的变化代谢物为预筛选敏感代谢物。
进一步的，所述多种算法包括：随机森林、弹性网络和逻辑回归。
进一步的，所述敏感代谢物中用于氮胁迫潜伏期诊断的敏感代谢物，为L-Glutamate、Mesaconic acid、cis-Aconitate或Glyceric acid中的一种或多种。
进一步的，所述敏感代谢物中用于磷胁迫潜伏期诊断的敏感代谢物，为Phosphoric acid、alpha-D-mannose 1-phosphate、sn-Glycero-3-phosphocholine或2-Deoxyribose5-phosphate中的一种或多种。
进一步的，所述敏感代谢物中用于钾胁迫潜伏期诊断的敏感代谢物，为N4-Acetylsulfamethoxazole、Adenosine、Hydroxyacetone，Nefazodone或Dihydroxyacetone中的一种或多种。
上述方案中，所述建立作物营养状态评价模型的步骤具体为：
根据离子峰面积，对最终敏感代谢物相对定量并进行归一化，建立营养元素及水平与标签对应关系，将样本分为校正集和验证集，分别建立校正集氮、磷、钾营养状态评价模型；
将校正集的敏感代谢物归一化相对含量作为营养状态评价模型的输入，径向基函数作为核函数，利用网格搜索算法寻找最优参数组合惩罚因子和核参数，其中交叉验证次数设置为10，惩罚参数步进距离设置为0.5、核参数步进距离设置为0.5，进而将验证集样本分别带入营养状态评价模型。
与现有技术相比，本发明的有益效果是：本发明利用非靶代谢组学技术研究营养发生胁迫时作物体内小分子物质的变化情况，筛选对于早期营养胁迫具有较高灵敏性的代谢物，并通过基于敏感代谢物的设施作物营养状态评价模型判断其营养状态，该发明突破现有方法的瓶颈问题，可用于营养水平早期诊断，尤其适合于营养胁迫潜伏期评价，对促进农业提质增效，减少环境污染具有非常重要的理论和现实意义。本发明筛选的敏感代谢物灵敏度高，特异性好，可用于作物营养缺乏无症状辨识，实现早诊断早施肥，本发明时效性和检测精度有明显提高。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明变异倍数分析和T检验联合检出的总体代谢物变化情况，其中图1(a)为生菜氮胁迫代谢物变化火山图,图1(b)为生菜磷胁迫代谢物变化火山图,图1(c)为生菜钾胁迫代谢物变化火山图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
以生菜为例，结合附图以及具体实施例对本发明作进一步的说明。
样本培育：在微型植物工厂中培育样本，采用岩棉加山崎生菜营养液标准配方。标准营养液含Ca(NO3)2·4H2O 236mg/L；KNO3 404mg/L；NH4H2PO4 57mg/L；MgSO4·7H2O 123mg/L；Fe–EDTA 16mg/L；MnCl2·4H2O 1.2mg/L；H3BO3 0.72mg/L；ZnSO4·4H2O 0.09mg/L；CuSO4·5H2O 0.04mg/L；(NO4)2Mo7O4 0.01mg/L。按照该元素标准配方的的0％，50％和100％，形成重度胁迫、中度胁迫和适量三种不同氮、磷、钾营养水平的样本。
样本采集及制备：为了尽量减少样本化学成分的转变和消耗，并终止样本代谢活动，选取不同处理的叶片，在洗净、吸干水分、剪碎、精确称重后，一部分用锡箔纸包裹好，放入液氮中速冻研磨成粉末后迅速加入样品提取液，用于仪器测定。样本经液氮研磨后，加入1000μL甲醇/乙腈/水，甲醇：乙腈：水＝2:2:1，v/v，涡旋混匀，低温下超声30min 2次，-20℃孵育1h沉淀蛋白质，13000rpm，4℃离心15min，取上清进行冻干，-80℃保存待用。质谱分析时加入100μL乙腈水溶液复溶，其中乙腈:水＝1:1，v/v，涡旋震荡，4℃，14000g离心15min，取上清液用于分析。另一部分烘干、称重、研磨后用于养分含量的测定。
仪器与试剂：Triple TOF 5600+质谱仪(美国AB Sciex质谱系统公司)；Agilent1290InfinityLC超高压液相色谱仪(Agilent)；Waters,ACQUITY UPLC BEH Amide 1.7μm,2.1mm×100mm column色谱柱；乙腈(Merck，1499230-935)、乙酸铵(Sigma，70221)、甲醇(Merck，144282)、氨水(Merck，105426)
色谱条件：使用HILIC色谱柱进行分离，流动相A为水、25mM乙酸铵、25mM氨水，流动相B为乙腈；梯度洗脱：0-0.5min，95％B；0.5-7min，95％-65％B；7-9min，65％-40％B；9-10min，40％B；10-11.1min，40％-95％B；11.1-16min，95％B，进样温度4℃，流速0.3mL/min，进样量10μL，柱温25℃。
质谱条件：离子源采用电喷雾电离(ESI)进行正、负离子模式检测；离子源温度600℃；喷雾电压5.5KV；离子源气0.41Mpa；气帘气0.21Mpa；一级质谱扫描范围m/z 60-1200Da，扫描速率0.15s/spectra；二级质谱扫描范围25-1200Da，扫描速率0.03s/spectra。
代谢组学数据预处理：原始数据经ProteoWizard转换成.mzXML格式，然后采用XCMS程序进行峰对齐、保留时间校正和提取峰面积。代谢物结构鉴定采用精确质量数匹配(<25ppm)和二级谱图匹配的方式，检索数据库。对XCMS提取得到的数据，删除组内缺失值>50％的离子峰，应用软件SIMCAP 14.1进行模式识别，利用Pareto-scaling对其进行预处理。
敏感代谢物筛选：对不同组别氮、磷、钾的代谢组数据进行变异倍数分析和T检验单变量统计分析，分别返回变异倍数Fold Change，FC值和P值，确定FC＞2且P＜0.05，FC＜0.5且P＜0.05为变化代谢物。筛选结果图1所示，横坐标为log(FC)值，纵坐标为-log(P)值，并区分了上调代谢物、下调代谢物和无变化代谢物。
为进一步筛选敏感代谢物，再利用正交偏最小二乘判别分析算法衡量各代谢物的表达模式对各组样本分类判别的影响强度和解释能力，得到的变量权重值(VariableImportance for theProjection,VIP)。本发明敏感代谢物的确定原则为：FC＞2，VIP＞1且P＜0.05和FC＜0.5，VIP＞1且P＜0.05。表1对比了不同方法联合筛选出的敏感代谢物数量，三种算法联合使用降低了敏感代谢物数量，表2-表4分别详细列出与氮磷钾胁迫相关的预筛选的敏感代谢物名称、带电模式以及VIP、P和FC值。
如果将上述筛选的敏感代谢物建立营养评价模型，所得模型异常复杂，不具预测能力。进一步在FC+Test+OPLS-DA初筛代谢物的基础上，为消除误差及偏向性，提高敏感代谢物的稳定性和泛化性，分别利用随机森林、弹性网络、逻辑回归等算法对敏感代谢物进行二次筛选。具体步骤以氮素为例，利用弹性网络将初筛数据降维，从与氮胁迫显著相关的49个敏感代谢物中筛选出7个，利用逻辑回归从49个敏感代谢物中筛选出7个，利用随机森林从49个敏感代谢物中筛选出5个，则确定原则为：三种算法均能筛选出的物质为最终确定的敏感代谢物。得到与氮胁迫显著相关的敏感代谢物为：L-Glutamate(KEGG ID：C00025)，Mesaconic acid(KEGG ID：C01732)，cis-Aconitate(KEGG ID：C00417)，Glyceric acid
(KEGG ID：C00258)；与磷胁迫显著相关的敏感代谢物为：Phosphoric acid(KEGGID：C00009)，alpha-D-mannose 1-phosphate(KEGG ID：C00636)，sn-Glycero-3-phosphocholine
(KEGG ID：C00670)，2-Deoxyribose 5-phosphate(KEGG ID：C00673)；与钾胁迫显著相关的敏感代谢物为：N4-Acetylsulfamethoxazole(KEGG ID：C13061)，Adenosine(KEGGID：C00212)，Hydroxyacetone(KEGG ID：C05235)，Nefazodone(KEGG ID：C07256)，Dihydroxyacetone(KEGG ID：C00184)。将多种机器学习算法都筛选出的代谢物作为敏感代谢物，以此大大减少敏感代谢物的数量，最终将敏感代谢物数量从几十个降至几个，降低了评价模型的复杂程度。
评价模型建立：根据离子峰面积，对两次筛选得到敏感代谢物相对定量并进行归一化，建立营养元素及水平与标签对应关系如表5所示。将样本分为校正集和验证集，其中校正集样本量为总样本量的75％，利用支持向量机算法分别建立校正集氮磷钾营养状态评价模型，该模型为隐式模型，通过非线性映射，构造最优分类面，实现多目标分类。将校正集的敏感代谢物归一化相对含量作为输入，径向基函数作为核函数，利用网格搜索算法寻找最优参数组合惩罚因子和核参数，其中交叉验证次数设置为10，惩罚参数步进距离设置为0.5、核参数步进距离设置为0.5。进而氮磷钾验证集样本分别带入所建隐式模型，得到预测结果如表6所示，氮和钾元素营养评价模型均只识别错误1例，预测正确率为93.3％，磷元素营养评价模型识别错误为2例，正确率为86.7％。
技术对比：在实施该发明的同时，利用现有技术同步采集生菜叶片的高光谱图像、冠层主视及俯视图像，得到利用高光谱图像数据诊断生菜营养状况的正确率仅为60％，而从冠层图像提取的冠幅投影面积、株高、冠幅周长等信息差别很小，无法用于建立评价模型。该结论说明本发明与现有常规技术相比，时效性和检测精度有明显提高。
表1 FC，Test和OPLS-DA三种方法联合筛选敏感代谢物数量
Figure BDA0002392410870000061
表2氮肥发生变化后筛选的敏感代谢物名称及参数
Figure BDA0002392410870000062
Figure BDA0002392410870000071
表3磷肥发生变化后筛选的敏感代谢物名称及参数
Figure BDA0002392410870000072
Figure BDA0002392410870000081
Figure BDA0002392410870000091
表4钾肥发生变化后筛选的敏感代谢物名称及参数
Figure BDA0002392410870000092
Figure BDA0002392410870000101
表5营养类别与标签对应关系
Figure BDA0002392410870000102
表6支持向量机预测结果
Figure BDA0002392410870000103
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施例的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施例或变更均应包含在本发明的保护范围之内。

Claims (10)

1.一种利用敏感代谢物评价潜伏缺素期作物营养状态的方法，其特征在于，包括以下步骤：
建立标准样本区：划分氮、磷、钾试验区，采用标准作物施肥配方，形成胁迫、适量和过量三种不同氮、磷、钾营养水平的样本；
获取非靶代谢组学数据：利用液相色谱-质谱联用技术获取非靶代谢组学数据；
筛选敏感代谢物：筛选与作物氮磷钾显著相关的敏感代谢物；
建立作物营养状态评价模型：根据敏感代谢物的离子峰面积，对敏感代谢物进行相对定量，并进行归一化，建立营养元素及水平与标签对应关系，将样本分为校正集和验证集，分别建立校正集氮、磷、钾营养状态评价模型；
判断其营养状态：获取敏感代谢物含量，输入营养状态评价模型，判断其营养状态。
2.根据权利要求1所述的利用敏感代谢物评价潜伏缺素期作物营养状态的方法，其特征在于，所述建立标准样本区步骤中标准作物施肥配方采用岩棉加山崎生菜营养液标准配方。
3.根据权利要求1所述的利用敏感代谢物评价潜伏缺素期作物营养状态的方法，其特征在于，所述筛选敏感代谢物的步骤具体为：
变化代谢物的筛选：分别对氮、磷、钾的代谢组数据进行变异倍数分析和T检验单变量统计分析，分别返回变异倍数FC值和P值，根据FC值和P值确定变化代谢物；
敏感代谢物的预筛选：对所述变化代谢物利用正交偏最小二乘判别分析算法，得到变量权重值VIP，根据VIP，P和FC确定预筛选敏感代谢物；
敏感代谢物的二次筛选：利用多种算法对敏感代谢物进行二次筛选，通过多种算法均能筛选出的物质为确定最终的敏感代谢物。
4.根据权利要求3所述的利用敏感代谢物评价潜伏缺素期作物营养状态的方法，其特征在于，所述变化代谢物中确定FC＞2且P＜0.05，FC＜0.5且P＜0.05的代谢物为变化代谢物。
5.根据权利要求3所述的利用敏感代谢物评价潜伏缺素期作物营养状态的方法，其特征在于，所述敏感代谢物的预筛中确定FC＞2，VIP＞1且P＜0.05和FC＜0.5，VIP＞1且P＜0.05的变化代谢物为预筛选敏感代谢物。
6.根据权利要求3所述的利用敏感代谢物评价潜伏缺素期作物营养状态的方法，其特征在于，所述多种算法包括：随机森林、弹性网络和逻辑回归。
7.根据权利要求3所述的利用敏感代谢物评价潜伏缺素期作物营养状态的方法，其特征在于，所述敏感代谢物中用于氮胁迫潜伏期诊断的敏感代谢物，为L-Glutamate、Mesaconic acid、cis-Aconitate或Glyceric acid中的一种或多种。
8.根据权利要求3所述的利用敏感代谢物评价潜伏缺素期作物营养状态的方法，其特征在于，所述敏感代谢物中用于磷胁迫潜伏期诊断的敏感代谢物，为Phosphoric acid、alpha-D-mannose 1-phosphate、sn-Glycero-3-phosphocholine或2-Deoxyribose 5-phosphate中的一种或多种。
9.根据权利要求3所述的利用敏感代谢物评价潜伏缺素期作物营养状态的方法，其特征在于，所述敏感代谢物中用于钾胁迫潜伏期诊断的敏感代谢物，为N4-Acetylsulfamethoxazole、Adenosine、Hydroxyacetone，Nefazodone或Dihydroxyacetone中的一种或多种。
10.根据权利要求1所述的利用敏感代谢物评价潜伏缺素期作物营养状态的方法，其特征在于，所述建立作物营养状态评价模型的步骤具体为：
根据离子峰面积，对最终敏感代谢物相对定量并进行归一化，建立营养元素及水平与标签对应关系，将样本分为校正集和验证集，分别建立校正集氮、磷、钾营养状态评价模型；
将校正集的敏感代谢物归一化相对含量作为营养状态评价模型的输入，径向基函数作为核函数，利用网格搜索算法寻找最优参数组合惩罚因子和核参数，其中交叉验证次数设置为10，惩罚参数步进距离设置为0.5、核参数步进距离设置为0.5，进而将验证集样本分别带入营养状态评价模型。
CN202010119100.1A 2020-02-26 2020-02-26 一种利用敏感代谢物评价潜伏缺素期作物营养状态的方法 Active CN111220734B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010119100.1A CN111220734B (zh) 2020-02-26 2020-02-26 一种利用敏感代谢物评价潜伏缺素期作物营养状态的方法
PCT/CN2020/122144 WO2021169332A1 (zh) 2020-02-26 2020-10-20 一种利用敏感代谢物评价潜伏缺素期作物营养状态的方法
GB2109274.7A GB2594825B (en) 2020-02-26 2020-10-20 Method for evaluating crop nutritional status during latent element deficiency using sensitive metabolites

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010119100.1A CN111220734B (zh) 2020-02-26 2020-02-26 一种利用敏感代谢物评价潜伏缺素期作物营养状态的方法

Publications (2)

Publication Number Publication Date
CN111220734A true CN111220734A (zh) 2020-06-02
CN111220734B CN111220734B (zh) 2021-06-22

Family

ID=70807636

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010119100.1A Active CN111220734B (zh) 2020-02-26 2020-02-26 一种利用敏感代谢物评价潜伏缺素期作物营养状态的方法

Country Status (2)

Country Link
CN (1) CN111220734B (zh)
WO (1) WO2021169332A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021169332A1 (zh) * 2020-02-26 2021-09-02 江苏大学 一种利用敏感代谢物评价潜伏缺素期作物营养状态的方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114782835B (zh) * 2022-05-05 2024-04-26 中国农业大学 作物倒伏面积比例检测方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007003388A2 (en) * 2005-07-05 2007-01-11 Isagro S.P.A. Compositions supplying essential elements for preventing and correcting nutritional deficiencies in plants
CN103048266A (zh) * 2012-12-11 2013-04-17 江苏大学 一种设施番茄氮磷钾胁迫自动识别方法和装置
CN103509821A (zh) * 2013-10-18 2014-01-15 南京农业大学 一种植物磷素营养快速诊断和可视化动态监测方法及其重组表达载体的应用
CN104198396A (zh) * 2014-07-30 2014-12-10 江苏大学 偏振-高光谱技术诊断作物氮磷钾亏缺的方法
US10584361B2 (en) * 2012-08-04 2020-03-10 The University Of Akron Algae having intracellular lipid particles and high lipid content

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2270699A1 (en) * 2009-07-02 2011-01-05 BIOCRATES Life Sciences AG Method for normalization in metabolomics analysis methods with endogenous reference metabolites
WO2011024525A1 (ja) * 2009-08-31 2011-03-03 王子製紙株式会社 植物の栄養状態診断用マーカー選択方法、植物の栄養状態診断方法及び成長状態判定方法
CN103149280B (zh) * 2011-12-07 2014-08-20 中国农业大学 一种应用代谢组学技术评价动物个体营养状况的方法
CN103163238B (zh) * 2013-02-22 2015-12-23 江苏大学 利用根系有机酸分泌特征检测植物抗缺磷胁迫能力的方法
CN105651888A (zh) * 2016-01-08 2016-06-08 浙江大学 分析环境因素影响氨基酸营养贡献机理的方法
CN111220734B (zh) * 2020-02-26 2021-06-22 江苏大学 一种利用敏感代谢物评价潜伏缺素期作物营养状态的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007003388A2 (en) * 2005-07-05 2007-01-11 Isagro S.P.A. Compositions supplying essential elements for preventing and correcting nutritional deficiencies in plants
US10584361B2 (en) * 2012-08-04 2020-03-10 The University Of Akron Algae having intracellular lipid particles and high lipid content
CN103048266A (zh) * 2012-12-11 2013-04-17 江苏大学 一种设施番茄氮磷钾胁迫自动识别方法和装置
CN103509821A (zh) * 2013-10-18 2014-01-15 南京农业大学 一种植物磷素营养快速诊断和可视化动态监测方法及其重组表达载体的应用
CN104198396A (zh) * 2014-07-30 2014-12-10 江苏大学 偏振-高光谱技术诊断作物氮磷钾亏缺的方法

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
ARSHID HUSSAIN GANIE等: "Metabolite Profiling of Low-P Tolerant and Low-P Sensitive Maize Genotypes under Phosphorus Starvation and Restoration Conditions", 《PLOS ONE》 *
GLORIA COMADIRA等: "Nitrogen deficiency in barley (Hordeum vulgare) seedlings induces molecular and metabolic adjustments that trigger aphid resistance", 《JOURNAL OF EXPERIMENTAL BOTANY》 *
JWAKYUNG SUNG等: "Metabolomic profiling from leaves and roots of tomato (Solanumlycopersicum L.) plants grown under nitrogen, phosphorus orpotassium-deficient condition", 《PLANT SCIENCE》 *
SANTOSH KC等: "Metabolic Changes of Amino Acids and Flavonoids in Tea Plants in Response to Inorganic Phosphate Limitation", 《INTERNATIONAL JOURNAL OF MOLECULAR SCIENCES》 *
URTE SCHLÜTER等: "Maize Source Leaf Adaptation to Nitrogen Deficiency Affects Not Only Nitrogen and Carbon Metabolism But Also Control of Phosphate Homeostasis", 《PLANT PHYSIOLOGY》 *
XIAOHUI MO等: "Integration of metabolome and transcriptome analyses highlights soybean roots responding to phosphorus deficiency by modulating phosphorylated metabolite processes", 《PLANT PHYSIOLOGY AND BIOCHEMISTRY》 *
YI-WEN GAO等: "Untargeted liquid chromatography coupled with mass spectrometry reveals metabolic changes in nitrogen-deficient Isatis indigotica Fortune", 《PHYTOCHEMISTRY》 *
孙媛媛: "基于水稻叶片图像时空动态特征的氮磷钾营养诊断", 《中国博士学位论文全文数据库 农业科技辑》 *
王玲莉等: "氮磷钾配施对三江平原玉米产量的影响 ", 《黑龙江农业科学》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021169332A1 (zh) * 2020-02-26 2021-09-02 江苏大学 一种利用敏感代谢物评价潜伏缺素期作物营养状态的方法

Also Published As

Publication number Publication date
CN111220734B (zh) 2021-06-22
WO2021169332A1 (zh) 2021-09-02

Similar Documents

Publication Publication Date Title
Liu et al. Quality evaluation of traditional Chinese medicines based on fingerprinting
Bueno et al. A non-targeted metabolomic approach to identify food markers to support discrimination between organic and conventional tomato crops
Koek et al. Quantitative metabolomics based on gas chromatography mass spectrometry: status and perspectives
Xiao et al. Discrimination of conventional and organic rice using untargeted LC-MS-based metabolomics
Rusilowicz et al. A batch correction method for liquid chromatography–mass spectrometry data that does not depend on quality control samples
WO2021232943A1 (zh) 一种基于uplc/hrms的代谢组学相对定量分析方法
CN111220734B (zh) 一种利用敏感代谢物评价潜伏缺素期作物营养状态的方法
JP2003533672A (ja) 非標的化複雑試料分析の方法
Chen et al. A modified data normalization method for GC-MS-based metabolomics to minimize batch variation
Rial et al. A new UHPLC‐MS/MS method for the direct determination of strigolactones in root exudates and extracts
CN108535375B (zh) 一种基于液质联用代谢组学分析玛咖标志性代谢产物的方法
CN106018600A (zh) 一种区分假阳性质谱峰信号且定量校正质谱峰面积的代谢组学方法
Zhao et al. The response of Volvariella volvacea to low-temperature stress based on Metabonomics
CN109187614A (zh) 基于核磁共振和质谱的代谢组学数据融合方法及其应用
CN105424827A (zh) 一种代谢组学数据随机误差的筛选和校正方法
CN113759003B (zh) 一种基于uplc指纹图谱和化学计量法的甘草产地判别方法
García et al. Can we trust biomarkers identified using different non-targeted metabolomics platforms? Multi-platform, inter-laboratory comparative metabolomics profiling of lettuce cultivars via UPLC-QTOF-MS
CN114783539A (zh) 一种基于光谱聚类的中药成分分析方法及系统
CN107941939A (zh) 一种利用代谢组学技术区分有机大米和非有机大米的方法
US6895340B2 (en) Method of molecular structure recognition
CN107314986A (zh) 一种利用近红外光谱检测油菜茎秆可溶性糖含量的方法
Mahmud et al. Comparison of global metabolite extraction strategies for soybeans using UHPLC-HRMS
Li et al. Liquid chromatography/mass spectrometry‐based metabolic profiling to elucidate chemical differences of tobacco leaves between Zimbabwe and China
CN111487353A (zh) 高含量泽兰黄酮-4’,7-双葡萄糖苷作为玫瑰蜂花粉特征性标志物的应用
Wen et al. Direct infusion electrospray ionization-ion mobility-mass spectrometry for rapid metabolite marker discovery of medicinal Phellodendron Bark

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant