KR20160037507A - Ｆｔ－ｉｒ 분광분석기를 통한 부모계 계통으로부터 ｆ1잡종종자의 신속한 구별 - Google Patents

Ｆｔ－ｉｒ 분광분석기를 통한 부모계 계통으로부터 ｆ1잡종종자의 신속한 구별 Download PDF

Info

Publication number
KR20160037507A
KR20160037507A KR1020140130148A KR20140130148A KR20160037507A KR 20160037507 A KR20160037507 A KR 20160037507A KR 1020140130148 A KR1020140130148 A KR 1020140130148A KR 20140130148 A KR20140130148 A KR 20140130148A KR 20160037507 A KR20160037507 A KR 20160037507A
Authority
KR
South Korea
Prior art keywords
plant
extract
statistical analysis
multivariate statistical
analysis
Prior art date
Application number
KR1020140130148A
Other languages
English (en)
Other versions
KR101721735B1 (ko
Inventor
민병환
김석원
허설혜
Original Assignee
경북대학교 산학협력단
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 경북대학교 산학협력단 filed Critical 경북대학교 산학협력단
Priority to KR1020140130148A priority Critical patent/KR101721735B1/ko
Publication of KR20160037507A publication Critical patent/KR20160037507A/ko
Application granted granted Critical
Publication of KR101721735B1 publication Critical patent/KR101721735B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/483—Physical analysis of biological material
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/483—Physical analysis of biological material
    • G01N33/487—Physical analysis of biological material of liquid biological material

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Urology & Nephrology (AREA)
  • Molecular Biology (AREA)
  • Hematology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

본 발명은 FT-IR 및 다변량 통계분석법을 이용한 식물체의 잡종제1세대 선별, 총단백질함량 예측 및 고단백질 함량 품종 선별방법에 관한 것으로, 보다 구체적으로는 식물체로부터 추출물을 얻는 단계; 상기 추출물을 이용하여 FT-IR(Fourier-transform infrared spectroscopy) 스펙트럼 프로파일을 얻는 단계; 상기 다변량 통계 분석을 이용하여 주성분 분석(Principal component analysis, PCA), 부분최소자승 판별분석(Partial least squares-discriminant analysis, PLS-DA) 및 부분최소자승 회귀분석(Partial least squares regression, PLSR)로 이루어진 다변량 통계 분석방법 중에서 어느 하나 이상을 수행하는 단계; 및 상기 분석 결과로부터 식물체의 부모계로부터 잡종제1세대를 구별하는 단계를 포함하는 식물체의 잡종제1세대 신속선별방법, 총단백질함량 예측 및 고단백질 함량 품종 선별방법에 관한 것이다. 본 발명을 사용하면, 간단한 작업 수행을 통하여 보다 신뢰성이 우수한 방법으로 식물체의 잡종제1세대를 선별하고, 총단백질 함량을 예측할 있으며, 또한 그로부터 고단백질 함량 품종을 선별할 수 있으며, 이를 식물체, 특히 옥수수, 감자, 쌀과 같은 주요 식물의 품종 개량에 효과적으로 적용할 수 있다.

Description

ＦＴ－ＩＲ 분광분석기를 통한 부모계 계통으로부터 Ｆ1잡종종자의 신속한 구별 {Rapid discrimination of F1 hybrid seeds from their parental lines using FT-IR spectroscopy combined by multivariate analysis}
본 발명은 FT-IR 및 다변량 통계분석법을 이용한 식물체의 잡종제1세대 신속한 선별방법에 관한 것이다.
대사체학(metabolomics)은 개체 전체가 주어진 상황에서 생산하는 대사 산물의 총합을 다루는 영역이다. 대사체는 유전체학(genomics), 전사체학(transcriptomics), 단백질체학(proteomics) 등에서 다루고 있는 특정 개체의 유전자, 전사체, 단백질의 종류에 비해 매우 낮은 숫자로, 식물계 전체에 존재하는 대사체는 약 20만 종류로 추정되고 있다. 이들 대사 산물은 생물 종에 관계없이 동일한 화학구조를 가짐으로서 대사체학은 여러 체학(omics) 가운데 가장 접근하기에 용이하다. 이러한 대사체는 생물학적 샘플을 성장 조건, 발달 단계, 유전자형에 따라 차이를 판별하여 구별할 수 있도록 대사 지문의 기능을 제공할 수 있으며, 식물체 단백질 함량의 변화는 식물의 생물학적 변화를 측정하는 중요한 인자가 된다.
기존의 대사체학은 가스크로마토그래피(gas chromatography), 액체크로마토그래피(Liquid chromatography), 핵자기공명 등의 분석 장비에 매스 또는 매스/매스를 결합하여 대사체를 분석 및 정의함에 따라 대량의 시료를 필요로 하며 전처리 과정도 매우 복잡할 뿐 아니라 시료 하나를 분석하는데 많은 시간 및 노동력이 요구된다. 이에 반하여 FT-IR(Fourier Transform Infrared Spectroscopy)은 소량의 시료 및 단순하고 간단한 전처리 과정, 그리고 수초 내에 시료의 스펙트럼 분석이 가능하므로 기존 분석기기와 비교했을 때 초고속으로 프로파일의 획득이 가능하다.
비록 상기 분석기술이 유용하기는 하나 식물 대사체의 구체적인 연구에 도입된 것은 그리 다양하지 않으며, FT-IR을 이용하는 식물체의 대사체를 연구하는 기술과 관련된 선행 기술로는, FT-IT 스펙트럼 프로파일에 대하여 다변량 통계분석을 수행하여 대사관련 돌연변이 식물체를 신속하게 선발하고 안토시아닌 생합성 조절 관련 돌연변이체 및 유전자 탐색, 그리고 유전자 기능 예측에 적용하도록 한 한국공개특허 10-2011-0000005가 있다. 다만 이는 유전자 돌연변이 탐색에만 국한되어 있을 뿐, 잡종제1세대와 부모계의 구별이나 총단백질함량 예측과는 전혀 무관하다.
1. 한국공개특허 10-2011-0000005
1. Kohavi, R., 1995. A study of cross-validation and bootstrap for accuracy estimation and model selection. IJCAI 2, 1137-1145. 2. Shewry, P.R., Tatham, A.S., Fido, R. J., 1995. Separation of plant proteins by electrophoresis. In: Methods in Molecular Biology-Plant Gene Transfer and Expression Protocols, 49, 423-.437. Jones, H. (ed.). Humana Press, Totowa, NJ. 3. Bradford, M.M., 1976. A rapid and sensitive method for the quantitation of microgram quantities of protein utilizing the principle of protein-dye binding. Anal. Biochem.72, 248-54. 4. Martens, H., Naes, T., 1993. Multivariate Calibration; John Wiley and Sons: Chichester, U.K. 5. Terhoeven-Urselmans, T., Vagen, T.G., Spaargaren, O., Shepherd, K.D., 2010. Prediction of soil fertility properties from a globally distributed soil mid-infrared spectral library. Soil Sci. Soc. Am. J. 74, 1792-1799. 6. Liu, Y., Ying, Y., Yu, H., Fu, X., 2006. Comparison of the HPLC method and FT-NIR analysis for quantification of glucose, fructose, and sucrose in intact apple fruits. J. Agric. Food Chem. 54, 2810-2815.
본 발명은 분석 수행이 용이하고 간편하면서 신뢰도가 우수한, 식물체의 부모계로부터 잡종제1세대를 구별하는 단계를 포함하는 식물체의 잡종제1세대 선별방법을 제공하기 위한 것이다.
상기 상술한 목적을 달성하기 위한 본 발명은 식물체로부터 추출물을 얻는 단계; 상기 추출물을 이용하여 FT-IR(Fourier-transform infrared spectroscopy) 스펙트럼 프로파일을 얻는 단계; 상기 다변량 통계 분석을 이용하여 주성분 분석(Principal component analysis, PCA), 부분최소자승 판별분석(Partial least squares-discriminant analysis, PLS-DA) 및 부분최소자승 회귀분석(Partial least squares regression, PLSR)로 이루어진 다변량 통계 분석방법 중에서 어느 하나 이상을 수행하는 단계; 및 상기 분석 결과로부터 식물체의 부모계로부터 잡종제1세대를 구별하는 단계를 포함하는 식물체의 잡종제1세대 선별방법을 제공한다.
본 발명의 일태양에 따르면, 상기 식물체는 옥수수인 것을 특징으로 한다.
본 발명의 일태양에 따르면, 상기 식물체로부터 추출물을 얻는 단계는 대상 식물체를 분쇄하는 단계 및 상기 분쇄된 식물체에 용매를 가하는 단계 및 항온배양하는 단계를 포함하는 것을 특징으로 한다.
본 발명의 일태양에 따르면, 상기 용매는 정제수를 포함한 물, 탄소수 1 내지 4의 저급 알코올 또는 이들의 혼합용매로부터 선택된 것을 특징으로 한다.
본 발명의 일태양에 따르면, 상기 배양은 20 내지 70℃에서 3 내지 100분 동안 수행하는 것을 특징으로 한다.
본 발명의 일태양에 따르면, 상기 FT-IR 스펙트럼 프로파일은 1,800 에서 800-1 영역에 해당하는 자료인 것을 특징으로 한다.
본 발명의 일태양에 따르면, 상기 다변량 통계 분석방법 중에서 어느 하나 이상을 수행하는 단계는 상기 추출물로부터 얻은 FT-IR 스펙트럼 프로파일에 대하여 기준선 조정(baseline correction), 스펙트럼 강도 정규화(spectral intensity normalization), 및 평활화(smoothing) 과정 중에서 어느 하나 이상의 전처리 과정을 더욱 수행하는 것을 특징으로 한다.
본 발명의 일태양에 따르면, 상기 다변량 통계 분석방법 중에서 어느 하나 이상을 수행하는 단계는 상기 전처리 과정을 거친 자료에 대하여 2차 도함수(미분)를 추가로 수행하는 것을 특징으로 한다.
본 발명의 일태양에 따르면, 상기 주성분분석(PCA)은 선형 반복 부분최소자승(Non-linear iterative partial least squares, NIPALS) 알고리즘을 사용한 것을 특징으로 한다.
본 발명의 일태양에 따르면, 본 발명의 일 태양에 따르면, 식물체로부터 추출물을 얻는 단계; 상기 추출물을 이용하여 FT-IR(Fourier-transform infrared spectroscopy) 스펙트럼 프로파일을 얻는 단계; 상기 다변량 통계 분석을 이용하여 주성분 분석(Principal component analysis, PCA), 부분최소자승 판별분석(Partial least squares-discriminant analysis, PLS-DA) 및 부분최소자승 회귀분석(Partial least squares regression, PLSR)로 이루어진 다변량 통계 분석방법 중에서 어느 하나 이상을 수행하는 단계; 및 상기 분석 결과로부터 식물체의 총단백질 함량을 예측하는 식물체의 총단백질 함량 예측방법을 제공한다.
본 발명의 일태양에 따르면, 상기 식물체는 옥수수인 것을 특징으로 한다.
본 발명의 일태양에 따르면, 상기 식물체로부터 추출물을 얻는 단계는 대상 식물체를 분쇄하는 단계 및 상기 분쇄된 식물체에 용매를 가하는 단계 및 항온배양하는 단계를 포함하는 것을 특징으로 한다.
본 발명의 일태양에 따르면, 상기 용매는 정제수를 포함한 물, 탄소수 1 내지 4의 저급 알코올 또는 이들의 혼합용매로부터 선택된 것을 특징으로 한다.
본 발명의 일태양에 따르면, 상기 배양은 20 내지 70℃에서 3 내지 100분 동안 수행하는 것을 특징으로 한다.
본 발명의 일태양에 따르면, 상기 FT-IR 스펙트럼 프로파일은 1,800 에서 800-1 영역에 해당하는 자료인 것을 특징으로 한다.
본 발명의 일태양에 따르면, 상기 FT-IR 스펙트럼 프로파일은 1,800 에서 800-1 영역에 해당하는 자료인 것을 특징으로 한다.
본 발명의 일태양에 따르면, 상기 다변량 통계 분석방법 중에서 어느 하나 이상을 수행하는 단계는 상기 추출물로부터 얻은 FT-IR 스펙트럼 프로파일에 대하여 기준선 조정(baseline correction), 스펙트럼 강도 정규화(spectral intensity normalization), 및 평활화(smoothing) 과정 중에서 어느 하나 이상의 전처리 과정을 더욱 수행하는 것을 특징으로 한다.
본 발명의 일태양에 따르면, 상기 다변량 통계 분석방법 중에서 어느 하나 이상을 수행하는 단계는 상기 전처리 과정을 거친 자료에 대하여 2차 도함수(미분)를 추가로 수행하는 것을 특징으로 한다.
본 발명의 일태양에 따르면, 상기 주성분분석(PCA)은 선형 반복 부분최소자승(Non-linear iterative partial least squares, NIPALS) 알고리즘을 사용한 것을 특징으로 한다.
본 발명의 일 태양에 따르면, 상기 상술한 식물체의 총단백질량 예측방법을 사용하여 고단백질 함유 품종을 선별하는 식물체의 고단백질 함유 품종 선별방법을 제공한다.
본 발명에 따른 식물체의 잡종제1세대 선별, 총단백질함량 예측 및 고단백질 함량 품종 선별방법은 종래 DNA를 분석 시료로 하던 방법과 달리 추출물 자체를 분석대상 시료로 할 수 있어, 작업이 매우 간단하여 신속성이 우수하고, 한꺼번에 ㅁ많은 양을 검정할 수 있어 대량성이 있으며, 따라서 비용이 적게 드는 우수한 ㄱ겨경제성이 있다. 특히 기존의 순도검정은 DNA를 추출해야 하고 DNA의 마커를 개발해야 하는데 본 기술은 그러한 절차가 필요하지 않는 장점이 있다. 따라서 본 발명의 방법은 신뢰성이 우수한 방법으로 식물체의 잡종제1세대를 선별하고, 총단백질 함량을 예측할 있으며, 또한 그로부터 고단백질 함량 품종을 선별할 수 있으며, 이를 통해 식물체, 특히 옥수수, 감자, 쌀과 같은 주요 식물의 신속한 순도검정 및 품종 개량에 효과적으로 적용할 수 있다.
도 1은 FT-IR을 사용한 부모계와 잡종제1세대의 판별 모델에 대한 데이터 자료이다.
1A는 옥수수 종자의 FT-IR 스펙트럼 데이터 평균치. 실선(solid)은 모계, 대쉬(dash)는 부계, 점선(dotted)은 잡종제1세대임. 1B는 부모계과 잡종제1세대의 FT-IR 스펙트럼에서 얻은 PCA 점수 그림(score plot)임. 1C는 부모계과 잡종제1세대의 FT-IR 스펙트럼에서 얻은 PC 로딩값임. 화살표는 PC1과 PC2를 판별하는데 가장 유의적인 영역을 의미함. 1D는 부모계과 잡종제1세대의 FT-IR 스펙트럼에서 얻은 PLS-DA 점수 그림임. 각 그림에서 숫자는 개별 옥수수 종자 및 그 복제품을 나타내고, 점선 원형은 부계, 모계, 잡종제1세대 각각 동일한 그룹으로 그룹지어지는 경계를 나타냄.
도 2는 옥수수 계통에 대한 FT-IR 스펙트럼 대표도이다. 화살표는 PC1과 PC2를 판별하는데 가장 유의적인 영역을 의미함. GPO1: 광평옥 옥수수 모계, 371 및 353: 근친교배 옥수수 계통.
도 3은 176개 옥수수 계통의 FT-IR 스펙트럼에서 얻은 점수 그림(score plot, 도 3A) 및 PC 로딩값(도 3B)이다. 청색 점선원은 고단백질 그룹이고, 적색 점선원은 저단백질 그룹임. 화살표는 PC1과 PC2를 판별하는데 가장 유의적인 영역을 의미함.
도 4는 PLSR 분석법을 적용한 개별 옥수수 종자의 총단백질량 예측 모델에 대한 교차 검증(A) 및 외부 검증(B)에 대한 결과(선형 회귀 분석)이다.
상기 상술한 목적을 달성하기 위한 본 발명은, 식물체로부터 추출물을 얻는 단계; 상기 추출물을 이용하여 FT-IR(Fourier-transform infrared spectroscopy) 스펙트럼 프로파일을 얻는 단계; 상기 다변량 통계 분석을 이용하여 주성분 분석(Principal component analysis, PCA), 부분최소자승 판별분석(Partial least squares-discriminant analysis, PLS-DA) 및 부분최소자승 회귀분석(Partial least squares regression, PLSR)로 이루어진 다변량 통계 분석방법 중에서 어느 하나 이상을 수행하는 단계; 및 상기 분석 결과로부터 잡종제1세를 선별하는 방법, 총단백질 함량을 예측하는 방법 및 고단백질 함유 품종 선별방법을 제공한다. 이하 도면을 참조하여 본 발명을 구체적으로 설명한다.
본 발명은 식물체로부터 추출물을 얻는 단계; 상기 추출물을 이용하여 FT-IR(Fourier-transform infrared spectroscopy) 스펙트럼 프로파일을 얻는 단계; 상기 다변량 통계 분석을 이용하여 주성분 분석(Principal component analysis, PCA), 부분최소자승 판별분석(Partial least squares-discriminant analysis, PLS-DA) 및 부분최소자승 회귀분석(Partial least squares regression, PLSR)로 이루어진 다변량 통계 분석방법 중에서 어느 하나 이상을 수행하는 단계를 특징으로 한다.
상기 FT-IR 스펨트럼 프로파일에 상기의 다변량 통게 분석을 수행하면 식물체의 단백질체에 대한 다양하고 구체적인 정보를 얻을 수 있으며, 식물체의 부모계로부터 잡종제1세대를 구별하는 단계를 포함하는 식물체의 잡종제1세대 선별방법, 상기 분석 결과로부터 총단백질 함량을 예측하는 방법을 제공할 수 있으며, 그 결과로부터 고단백질 함량 품종을 선별하는 방법을 제공하는 것을 특징으로 한다.
본 발명에 사용되는 다변량 통계 분석의 구동체계는 R 프로그램을 사용하나, 이에 한정되지 않는다.
본 발명이 적용될 수 있는 상기 식물체는 특정 식물에 국한되지 않으며, 옥수수, 벼, 보리, 차, 수수, 조 등의 주요 종자 식물에 적용할 수 있다.
상기 식물체로부터 추출물을 얻는 단계는 당해 기술 분야에서 통상적으로 알려진 추출방법을 일반적으로 적용할 수 있으며, 보다 구체적으로는 대상 식물체를 분쇄하는 단계 및 상기 분쇄된 식물체에 용매를 가하는 단계 및 항온배양하는 단계를 포함할 수 있다. 따라서, 상기 분쇄는 통상의 분쇄기, 믹서 등을 사용하여 수행할 수 있으며, 상기 용매는 정제수를 포함한 물, 탄소수 1 내지 4의 저급 알코올 또는 이들의 혼합용매로부터 선택될 수 있고, 상기 추출물의 형상은 국한되지 않으며 액상, 분말, 동결건조물 등일 수 있다. 또한, 상기 배양은 20 내지 70℃에서 3 내지 100분 동안 수행될 수 있으며, 보다 바람직하게는 40 내지 55℃에서 5 내지 30분 동안 수행할 수 있다. 상기 범위내에 있는 것이 시간 효율 및 단백질체의 안정성면에서 바람직하다.
본 발명에 사용되는 상기 FT-IR 스펙트럼 프로파일은 해당 식물체에 대한 스펙트럼 자료라면 특정 영역에 국한되지 않으나, 800 에서 800-1 영역에 해당하는 자료일 수 있다. 상기 범위 내에 해당하는 단백질체에 대한 정보가 보다 신뢰성이 우수한 결과를 도출할 수 있다.
본 발명에 사용되는 다변량 통계 분석은 보다 정확하고 신뢰성 높은 결과를 도출하기 위하여 데이터 처리과정을 거칠 수 있는데, 상기 데이터 전처리 과정은 통상의 기술자가 다변량 통계 분석에 적용할 수 있는 통상적인 전처리 과정일 수 있으며, 보가 구체적으로는 식물 추출물로부터 얻은 FT-IR 스펙트럼 프로파일에 대하여 기준선 조정(baseline correction), 스펙트럼 강도 정규화(spectral intensity normalization), 및 평활화(smoothing) 과정 중에서 어느 하나 이상의 전처리 과정을 거치거나, 더욱 바람직하게는 상기 전처리 과정을 거친 자료에 대하여 2차 도함수(미분)를 추가로 수행할 수 있다.
본 발명의 일태양에 따르면, 상기 주성분분석(PCA)은 선형 반복 부분최소자승(Non-linear iterative partial least squares, NIPALS) 알고리즘일 수 있다.
이하에서는 실시예를 통하여 본 발명을 더욱 상세히 설명하고자 한다. 다만, 이들 실시예는 오로지 본 발명을 예시하기 위한 것으로서, 본 발명의 범위가 이들 실시예에 의해 제한되는 것으로 해석되지는 않는다 할 것이다.
<실험예 1> 식물 재료 준비
부모계와 잡종 제1세대(F1)의 구별방법을 확립하기 위하여, 광평옥의 부계(paternal line), 모계(maternal line) 및 그의 잡종 제1세대로부터 얻은 8개의 개별 종자를 적외선분광분석법(Fourier transform infrared spectroscopy, FI-IR)에 사용하였다.
총 단백질량 예측 모델 개발을 위하여, 상업용 옥수수 종자를 포함하는 총 176개 옥수수 계통을 적외선분광분석기에 사용하였다.
광평옥 부계 종자 및 모계 종자는 대한민국 농촌진흥청 종자은행(gene bank)로부터 얻고, 이들을 교배하여 잡종1세대 종자를 얻었다. 상업용 옥수수 종자(P3156, 32P75)는 파이오니어 회사 제품을 구입하였고, 찰옥수수 품종의 부계(COW1), 모계(COW2) 및 그의 동종교배계는 농우 바이오사로부터 공급되었다.
상기 종자들은 곱게 분말화한 후, 분석 전까지 -70℃에서 보관하였다. 적외선분광분석을 위하여 다음과 같은 과정에 의하여 전세포 추출물(whole cell extract)을 제조하였다.
상기 옥수수 분말 가루 20㎎을 200㎖의 추출 완충액(20% (v/v) 메탄올)에 혼합한 후, 13,000 rpm에서 5분간 원심분리하여 상청액을 수득하였다. 세포 잔여물이 없어질 때까지 원심분리를 반복적으로 수행하였다. 상기 전세포 추출물을 -20℃에서 보관하였다.
<실험예 2> FT-IR spectroscopy 및 다변량 분석
상기에서 얻은 옥수수 전세포 추출물 5㎖를 384-웰 셀렌화아연(ZnSe) 플레이트에 로드한 후, 37℃로 예열한 핫플레이트에 놓아 시료를 건조시켰다. 상기 건조된 플레이트를 microplate reader unit HTS-XT(Bluker Optics GmbH, Ettlingen, Germany) 및 OPUS 6.5 version을 이용하여 적외선분광분석을 수행하였다.
각 스펙트럼은 4cm-1의 해상도에서 4,000 에서 400cm-1 범위까지 획득하였다. 신호대잡음비(signal-to-noise ratio, S/N ratio)를 높이기 위하여, 128 인터페로그램을 부가적으로 더하고 분석결과와 함께 평균내었다. 시료를 담은 플레이트의 스펙트럼을 공제하는 방식으로 적외선 스페트럼 결과를 얻었다.
상기 디지털화된 스펙트럼 원본 결과 중 1,800 에서 800cm-1 범위의 데이터를 OPUS 소프트웨어(ver 7.0)을 사용하여, 기준선 조정(baseline correction), 스펙트럼 강도 정규화(spectral intensity normalization), 및 평활화(smoothing)을 함께 포함하여 전처리하였다. 상기 전처리 결과에 대하여 다시 OPUS 소프트웨어(ver 7.0)를 사용하여 2차 도함수(미분)를 수행하였다. 상기 미분 결과물을 R 통계 분석 프로그램(R statistical analysis program, ver 2.15.3)에 입력한 후, 주성분분석(Principal component analysis, PCA) 및 부분최소자승 판별분석(Partial least squares-discriminant analysis, PLS-DA)을 수행하였다.
상기 PCA는 비선형 반복 부분최소자승(Non-linear iterative partial least squares, NIPALS) 알고리즘을 사용하여 수행하였으며, 이로부터 얻어진 PCA 점수는 상관행렬(correlation matrix) 계산에 사용하였다. 상기 PLS-DA는 상기 PCA에 따른 R 프로그램을 사용하여 수행하였으며, 이 PLS-DA를 광평옥의 부계와 잡종제1세대 종자의 구별에 사용하였다. 상기 잡종제1세대 구별에 가장 중요한 스펙트럼 변수를 규명하기 위하여, PCA 로딩값도 측정하였다.
부분최소자승 회귀(Partial Least Squares Regresison, PLSR) 분석법을 적용하여 FT-IR 스펙트럼 결과로부터 잡종제1세대 구별을 위한 PLS 예측 모델을 확립하였다. 상기 PLS 예측 모델은 반복 무작위 부표본 검증법(repeated random sub-sampling validation, 비특허문헌 1)을 이용한 교차검증을 통해 검증하였다. 상기 총 데이터집합(data set)은, 모델을 확립하는데 사용한 87개 샘플을 포함하는 학습집합(Training set) 및 검증하는데 사용한 29개 샘플을 포함하는 검증집합(Test set)으로 나누었다.
광평옥 잡종제1세대 분류모델은 PLS-DA의 기능 중에서 R 프로그램의 caret 패키지에 의하여 확립하였다. 검증 샘플을 사용하여 상기 모델을 검증하였으며, 상기 과정은 무작위화로부터의 오류를 줄이기 위하여 10회를 반복하였다.
상기 PLS-DA 모델로부터 확립한 잡종제1세대 예측법의 예측력은 정확성과 P-value로 표현하였다.
참고로, PLS-DA(Partial least squares-discriminant analysis)는 PLS(Partial least squares 분석 결과에 좀 더 많은 정보를 부가시켜 좀 더 정확한 분석 결과를 유도하는 분석으로서, 일반적으로 부모계와 F1의 구별만 필요하면 PLS 분석만으로 충분하며 부계와 모계까지 구별을 원하면 PLS-DA 분석을 수행할 수 있다.
<실험예 3> 단백질 총량 정량
176개 중에서 무작위로 33개 옥수수 계통(GPO1, GPO2, CWO1, CWO2, P3156, 32P75, 195, 199, 200, 204, 207, 208, 211, 214, 222, 244, 251, 261, 262, 276, 309, 310, 353, 371, 372, 383, 384, 387, 390, 403, 409, 417, 418)을 선택하여 브래드포드법(Bradford assay)으로 총단백질량을 측정하였다. 총단백질은 Shewry 방법으로 추출하였다(비특허문헌 2 참조).
옥수수 종자 분말 20㎎을 에펜도르프 튜브(1.5㎖)에 넣고, 단백질 추출완충액(1M Tris-HCl pH 6.8, 10% 도데실 황산 나트륨(Sodium Dodecyl Sulfate, SDS), 1M 디티오트레이톨(dithiothreitol, DTT), 100% 글리세롤, MilliQ 물) 400㎕를 첨가하여 잘 혼합하였다. 이를 13,000 rpm에서 20분 동안 원심분리하여, 상청액을 분리하여 새 튜브에 담은 후, 이를 90분 동안 실온에서 배양한 후, 100℃ 항온수조에 2분 동안 담가 단백질을 변성시켰다. 자외선분광기(UV spectrophotometer)를 사용하여 브래프포드법으로 단백질을 정량하였다(비특허문헌 3 참조).
<실험예 4> 총단백질량에 대한 PLSR 및 예측값 검증
옥수수 계통의 총단백질량 검량모델(calibration model)을 확립하기 위하여, 다변량 분석에 사용된 FT-IR 스펙트럼 데이터를 나타내는 X축과, 브래드포드법으로 측정한 총단백질량을 나타내는 Y축으로 표현되는 두 변수 속에 존재하는 정보를 PLSR법을 사용하여 통합하였다.
상기 총 데이터집합(data set)은, 모델을 확립하는데 사용한 143개 샘플을 포함하는 학습집합(Training set) 및 검증하는데 사용한 33개 샘플을 포함하는 검증집합(Test set)으로 나누었다.
교차 검증 동안, 상기 모델의 최적 요소를 결정하기 위하여 단일잔류(leave-one-out)법을 수행하였다(비특허문헌 4 참조). 최적의 검량식을 선택하기 위하여, 예측치 오차의 제곱 평균 제곱근(root mean square error(표준오차) of prediction, RMSEP), FT-IR 스펙트럼 데이터 집합의 총 변동(total variation)으로부터 설명할 수 있는 변량의 백분율, 결정계수(coefficient of determination, R2)를 사용하였다(비특허문헌 5 및 6 참조).
교차 검증 동안, 원본 샘플에서 유래한 외부 샘플을 사용하여 검량식의 수행결과를 확인하였다. 외부 검증을 위하여, 25개 옥수수 계통의 총단백질량에 대한 예측값과 측정값간의 상관도를 회귀계수(regression coefficient, R2)를 사용하여 계산하였다. 예측값간의 통계적 유의성은 p<0.05 수준에서 t-test로 결정하였다. 총 143개의 근친교배 계통에 대하여 총단백질양을 예측하여 단백질 고함유 계통을 선별하였다.
<실시예 1> 광평옥의 부모계와 잡종제1세대의 대사적 판별
상기 상술한 방법에 의한 FT-IR spectroscopy 데이터를 다변량 통계 분석법과 통합하여 처리하여 광평옥의 부모계와 잡종제1세대를 쉽고 빠르게 판별할 수 있는 방법을 제공하였다. 구체적인 결과는 도 1에 도시하였다.
도 1A는 옥수수 종자의 FT-IR 스펙트럼 데이터 평균치를 나타내었다(실선(solid)은 모계, 대쉬(dash)는 부계, 점선(dotted)은 잡종제1세대임). 단백질/아미드 및 (1,700-1,500 cm-1) 와 폴리사카라이드(1,200-900cm-1) 영역에서 가장 강렬한 스펙트럼 변동이 있었다. 보다 구체적으로는, 아미드 Ⅰ은 1,750-1,600 cm-1, 아미드 Ⅱ는 1,600-1,500 cm-1, 폴리사카라이드는 1,200-900cm-1영역에 해당한다.
도 1B는 부모계과 잡종제1세대의 FT-IR 스펙트럼에서 얻은 주성분 분석(Principal component analysis, PCA) 점수 그림(score plot)이다. 각각 총변동의 13.2%, 6.6%를 차지하는 두 개의 주성분(PC1, PC2)에 대한 결과를 이차원 그림으로 도시하였다. 각 시료샘플의 복제샘플에 대한 측정값도 해당 원본샘플의 측정값 옆에 위치하는 것을 통하여, 상기 PCA 분석이 개별 개체의 구별에도 유용하게 사용될수 있다는 점을 확인하였다. 상기 PCA 점수 그림에서, 부계 샘플은 오른쪽에 분포(적색 점선 영역)하는 반면, 잡종제1세대 샘플은 왼쪽에 분포(청색 점선 영역)하였고, 모계 샘플이 존재하는 영역(흑색 점선 영역)의 경계선은 부계 샘플이 존재하는 영역은 중첩되었다.
도 1C는 부모계과 잡종제1세대의 FT-IR 스펙트럼에서 얻은 주성분(PC) 로딩값이다. 주성분 로딩값은 잡종제1세대를 판별하는 주성분1(PC1) 점수 및 주성분2(PC2) 점수를 표현하데 가장 중요한 FT-IR 스펙트럼 변동이 된다. 화살표는 PC1과 PC2를 판별하는데 가장 유의적인 영역을 의미하며, 이는 결국 도 1A에 나타난 결과와 동일하게 단백질/아미드 Ⅰ 및 Ⅱ (1,700-1,500 cm-1)와 폴리사카라이드(1,200-900cm-1) 영역이 부모계과 잡종제1세대의 판별에 유의적임을 나타낸다. 보다 구체적으로는, 아미드 Ⅰ 및 Ⅱ는 1,550-1,700 cm-1, 인지질과 핵산의 메틸기(CH3) 의 C-H 결합과 인산디에스테르 그룹의 P=O 비대칭확장 결합은 1,300-1,500 cm-1, 탄수화물의 C-O, C-C, C-O-C 결합은 900-1,200cm-1영역에 해당한다.
도 1D는 부모계과 잡종제1세대의 FT-IR 스펙트럼에서 얻은 부분최소자승 판별분석(Partial least squares-discriminant analysis, PLS-DA) 점수 그림이다. 상기 결과, 같은 그룹에 속하는 샘플들이 보다 더욱 집중적으로 분포하여 PCA 분석 보다 향상된 그룹화를 제공하는 것을 확인하였다. 특히 PLS-DA에서는 PCA에서는 분리할 수 없었던 모계와 부계를 분리할 수 있다.
부모계과 잡종제1세대의 판별에 PLSR의 실용적 적용을 검증하기 위하여 실행한 교차검증 결과를 표 1에 도시하였다.
Figure pat00001
예측 정확도는 96.6% 였다(P-value : 0.00942, P<0.05). 이러한 결과는 본 발명에 따른 판별 방법이 신속성 및 정확도 면에서 매우 우수함을 나타낸다.
<실시예 2>
옥수수 종자의 총단백질량 예측 모델을 확립하기 위하여, 상업적 품종을 포함하는 총 176개 옥수수 계통에 대하여 FT-IR spectroscopy를 수행하였다. 상기 176개 옥수수 계통으로부터 얻은 전체적인 스펙트럼 변동은 도 1A에 나타난 스펙트럼 변동과 유사하였다. 단백질/아미드 Ⅰ 및 Ⅱ (1,700-1,500 cm-1) 와 폴리사카라이드(1,200-900cm-1) 영역에서 가장 강렬한 스펙트럼 변동이 있었다(도 2 참조). 이는 옥수수 종자는 비록 옥수수 계통간 품종마다 상이한 신진대사변이가 있기는 하지만, 유사한 신진대사 구성을 갖는 것을 의미한다. 또한, 근친교배계통 번호 353 과 371번 간에 단백질/아미드 Ⅰ 및 Ⅱ (1,700-1,500 cm-1) 영역에서 양적변동이 있는 것을 관찰하였다. 상기 영역은 단백질 및 아미노산의 질적 및 양적 변동과 연관되어 있다.
상기 176개 옥수수 계통에 대하여 주성분분석(PCA) 결과는 점수 그림(score plot)으로 도 3A에.도시하였다. 각각 총변동의 17.5%, 14%를 차지하는 두 개의 주성분(PC1, PC2)에 대한 결과를 이차원 그림으로 도시하였다. 다만 분리된 그룹으로 구별하기는 어려웠다. 총단백질량 예측 모델을 확립하기 위하여, 상기 176개 계통으로부터 33개 계통을 무작위로 선택하여 종자내 총 단백질량을 측정하였다. 상기 두 결과를 결합하여, 고단백질 그룹은 주로 왼쪽 상단 영역(청색 점선)에 위치하고, 저단백질 그룹은 그 반대 영역(적색 점선)에 위치하는 것을 확인하였다(도 3A).
도 3B는 부모계과 잡종제1세대의 FT-IR 스펙트럼에서 얻은 주성분(PC) 로딩값을 나타낸 그림이다. 주성분 로딩값은 잡종제1세대를 판별하는 주성분1(PC1) 점수 및 주성분2(PC2) 점수를 표현하데 가장 중요한 FT-IR 스펙트럼 변동이 된다. 화살표는 PC1과 PC2를 판별하는데 가장 유의적인 영역을 의미하며, 이는 결국 도 1C에 나타난 결과와 유사하게 단백질/아미드 Ⅰ 및 Ⅱ (1,700-1,500 cm-1)와 폴리사카라이드(1,200-900cm-1) 영역이 부모계과 잡종제1세대의 판별에 유의적임을 나타낸다.
<실시예 3>
옥수수 종자의 총단백질량 예측 모델을 확립하기 위하여, 상기 176개 계통으로부터 33개 계통을 무작위로 선택하여 종자내 총 단백질량을 브래드포드 분석법으로 측정하였다. 모든 샘플은 3회 반복 수행하였으며, 그 결과를 평균±표준편차로 표 2에 표시하였다.
Figure pat00002

상기 총 33개 옥수수 근친교배 계통의 총단백질량은 9.8 에서 9.1 (㎎/g 건조중량) 정도였으며, 평균값은 9.41±0.2(㎎/g 건조중량)였다. 본 실험에서, 광평옥 모계(GPO1)을 총단백질 정량의 대조군으로 사용하였다. 따라서, 371, 262 및 222 옥수수 계통이 고단백질 계통이고, 353, 403 및 383 옥수수 계통이 저단백질 계통이다.
PLSR 분석법을 사용하여 옥수수 종자의 총단백질량의 간단하고 신뢰성 높은 계측 모델을 확립하였고, 상기 방법을 총단백질 정량방법으로 검증하였다. PLSR 분석법을 사용하여, 상기 FT-IR 스펙트럼 데이터를 총단백질 값에 적용하여검량식을 얻었다. 스펙트럼 영역 및 PLS 인자의 숫자는 예측치 오차의 제곱 평균 제곱근(root mean square error(표준오차) of prediction, RMSEP) 및 결정계수(coefficient of determination, R2)에 최적화되었다. FT-IR 스펙트럼 데이터에 PLSR을 적용하여 통해 얻은 총단백질량에 대한 교차 검증(단일잔류(leave-one-out)법)한 결과를 표 3에 도시하였다.
Figure pat00003

상기 선택된 PLSR 모델을 사용하여 총 33개 옥수수 계통의 총단백질량을 예측하였으며, 상기 예측값과 실제 측정값 간의 선형 회귀 분석 결과 상관 계수(R2)가 0.94로 나타났다(도 4A 참조). 이는 본 발명에 따른 총단백질량 예측 모델이 매우 우수함을 의미한다.
외부 검증에서, PLSR 모델법을 사용하여 총단백질량을 예측하였다. 외부의 118개 근친교배 계통에 대하여 PLSR 모델을 사용하여 예측한 총단백질량 결과를 하기 표 4에 정리하였다.
Figure pat00004

외부 검증을 위하여, 25개 옥수수 계통에 대하여 총단백질량 예측값과 측정값 사이의 상관관계를 선형회귀 분석하여 PLS 예측의 정확성을 확인하였다. 상기 선형회귀 분석결과, 상관 계수(R2)가 0.78로 나타나서 비교적 좋은 예측성을 갖는 것으로 확인되었다(도 4B 참조).
본 실험 결과를 종합적으로 검토하면, FT-IR spectropy에 다변량 분석을 결합하여 수행하면 식물체의 부모계와 잡종제1세대를 손쉽게 구별할 수 있는 것은 물론, 총단백질량을 예측할 수 있다. 이와 함께 상기 방법은 식물체의 대사 평가 및 식물 품종개량을 위한 고처리 예비 선별법에도 적용될 수 있다.
이상으로 본 발명 내용의 특정한 부분을 상세히 기술하였는 바, 당업계의 통상의 지식을 가진 자에게 있어서, 이러한 구체적 기술은 단지 바람직한 실시 양태일 뿐이며, 이에 의해 본 발명의 범위가 제한되는 것이 아닌 점은 명백할 것이다. 따라서 본 발명의 실질적인 범위는 첨부된 청구항 들과 그것들의 등가물에 의하여 정의된다고 할 것이다.

Claims (19)

  1. 식물체로부터 추출물을 얻는 단계;
    상기 추출물을 이용하여 FT-IR(Fourier-transform infrared spectroscopy) 스펙트럼 프로파일을 얻는 단계;
    상기 다변량 통계 분석을 이용하여 주성분 분석(Principal component analysis, PCA), 부분최소자승 판별분석(Partial least squares-discriminant analysis, PLS-DA) 및 부분최소자승 회귀분석(Partial least squares regression, PLSR)로 이루어진 다변량 통계 분석방법 중에서 어느 하나 이상을 수행하는 단계; 및
    상기 분석 결과로부터 식물체의 부모계로부터 잡종제1세대를 구별하는 단계를 포함하는 식물체의 잡종제1세대 선별방법.
  2. 제1항에 있어서,
    상기 식물체는 옥수수, 벼, 보리, 차, 수수 및 조로 이루어진 군 중에서 선택되는 특징으로 하는 식물체의 잡종제1세대 선별방법.
  3. 제1항에 있어서,
    상기 식물체로부터 추출물을 얻는 단계는 대상 식물체를 분쇄하는 단계 및 상기 분쇄된 식물체에 용매를 가하는 단계 및 항온배양하는 단계를 포함하는 것을 특징으로 하는 식물체의 잡종제1세대 선별방법.
  4. 제3항에 있어서,
    상기 용매는 정제수를 포함한 물, 탄소수 1 내지 4의 저급 알코올 또는 이들의 혼합용매로부터 선택된 것을 특징으로 하는 식물체의 잡종제1세대 선별방법.
  5. 제3항에 있어서,
    상기 배양은 20 내지 70℃에서 3 내지 100분 동안 수행하는 것을 특징으로 하는 식물체의 잡종제1세대 선별방법.
  6. 제1항에 있어서,
    상기 FT-IR 스펙트럼 프로파일은 1,800 에서 800-1 영역에 해당하는 자료인 것을 특징으로 하는 식물체의 잡종제1세대 선별방법.
  7. 제1항에 있어서,
    상기 다변량 통계 분석방법 중에서 어느 하나 이상을 수행하는 단계는 상기 추출물로부터 얻은 FT-IR 스펙트럼 프로파일에 대하여 기준선 조정(baseline correction), 스펙트럼 강도 정규화(spectral intensity normalization), 및 평활화(smoothing) 과정 중에서 어느 하나 이상의 전처리 과정을 더욱 수행하는 것을 특징으로 하는 식물체의 잡종제1세대 선별방법.
  8. 제7항에 있어서,
    상기 다변량 통계 분석방법 중에서 어느 하나 이상을 수행하는 단계는 상기 전처리 과정을 거친 자료에 대하여 2차 도함수(미분)를 추가로 수행하는 것을 특징으로 하는 식물체의 잡종제1세대 선별방법.
  9. 제1항에 있어서,
    상기 주성분 분석(PCA)은 선형 반복 부분최소자승(Non-linear iterative partial least squares, NIPALS) 알고리즘을 사용한 것을 특징으로 하는 식물체의 잡종제1세대 선별방법.
  10. 식물체로부터 추출물을 얻는 단계;
    상기 추출물을 이용하여 FT-IR(Fourier-transform infrared spectroscopy) 스펙트럼 프로파일을 얻는 단계;
    상기 다변량 통계 분석을 이용하여 주성분 분석(Principal component analysis, PCA), 부분최소자승 판별분석(Partial least squares-discriminant analysis, PLS-DA) 및 부분최소자승 회귀분석(Partial least squares regression, PLSR)로 이루어진 다변량 통계 분석방법 중에서 어느 하나 이상을 수행하는 단계; 및
    상기 분석 결과로부터 식물체의 총단백질 함량을 예측하는 식물체의 총단백질 함량 예측방법.
  11. 제10항에 있어서,
    상기 식물체는 옥수수, 벼, 보리, 차, 수수 및 조로 이루어진 군 중에서 선택되는 것을 특징으로 하는 식물체의 총단백질 함량 예측방법.
  12. 제10항에 있어서,
    상기 식물체로부터 추출물을 얻는 단계는 대상 식물체를 분쇄하는 단계 및 상기 분쇄된 식물체에 용매를 가하는 단계 및 항온배양하는 단계를 포함하는 것을 특징으로 하는 식물체의 총단백질 함량 예측방법.
  13. 제12항에 있어서,
    상기 용매는 정제수를 포함한 물, 탄소수 1 내지 4의 저급 알코올 또는 이들의 혼합용매로부터 선택된 것을 특징으로 하는 식물체의 총단백질 함량 예측방법.
  14. 제12항에 있어서,
    상기 배양은 20 내지 70℃에서 3 내지 100분 동안 수행하는 것을 특징으로 하는 식물체의 총단백질 함량 예측방법.
  15. 제10항에 있어서,
    상기 FT-IR 스펙트럼 프로파일은 1,800 에서 800-1 영역에 해당하는 자료인 것을 특징으로 하는 식물체의 총단백질 함량 예측방법.
  16. 제10항에 있어서,
    상기 다변량 통계 분석방법 중에서 어느 하나 이상을 수행하는 단계는 상기 추출물로부터 얻은 FT-IR 스펙트럼 프로파일에 대하여 기준선 조정(baseline correction), 스펙트럼 강도 정규화(spectral intensity normalization), 및 평활화(smoothing) 과정 중에서 어느 하나 이상의 전처리 과정을 더욱 수행하는 것을 특징으로 하는 식물체의 총단백질 함량 예측방법.
  17. 제16항에 있어서,
    상기 다변량 통계 분석방법 중에서 어느 하나 이상을 수행하는 단계는 상기 전처리 과정을 거친 자료에 대하여 2차 도함수(미분)를 추가로 수행하는 것을 특징으로 하는 식물체의 총단백질 함량 예측방법.
  18. 제10항에 있어서,
    상기 주성분분석(PCA)은 선형 반복 부분최소자승(Non-linear iterative partial least squares, NIPALS) 알고리즘을 사용한 것을 특징으로 하는 식물체의 총단백질 함량 예측방법.
  19. 제10항 내지 제18항 중에서 선택된 어느 하나의 식물체의 총단백질량 예측방법을 사용하여 고단백질 함유 품종을 선별하는 식물체의 고단백질 함유 품종 선별방법.
KR1020140130148A 2014-09-29 2014-09-29 Ｆｔ－ｉｒ 분광분석기를 통한 부모계 계통으로부터 ｆ1잡종종자의 신속한 구별 KR101721735B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020140130148A KR101721735B1 (ko) 2014-09-29 2014-09-29 Ｆｔ－ｉｒ 분광분석기를 통한 부모계 계통으로부터 ｆ1잡종종자의 신속한 구별

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140130148A KR101721735B1 (ko) 2014-09-29 2014-09-29 Ｆｔ－ｉｒ 분광분석기를 통한 부모계 계통으로부터 ｆ1잡종종자의 신속한 구별

Publications (2)

Publication Number Publication Date
KR20160037507A true KR20160037507A (ko) 2016-04-06
KR101721735B1 KR101721735B1 (ko) 2017-03-30

Family

ID=55790476

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140130148A KR101721735B1 (ko) 2014-09-29 2014-09-29 Ｆｔ－ｉｒ 분광분석기를 통한 부모계 계통으로부터 ｆ1잡종종자의 신속한 구별

Country Status (1)

Country Link
KR (1) KR101721735B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109520964A (zh) * 2018-11-01 2019-03-26 广东省农业科学院作物研究所 基于nirs的种子活力测定方法、系统及存储介质
CN111965135A (zh) * 2020-06-05 2020-11-20 贵州省生物技术研究所(贵州省生物技术重点实验室、贵州省马铃薯研究所、贵州省食品加工研究所) 基于近红外光谱的面条中马铃薯全粉含量快速测定的方法
US10918320B2 (en) 2017-05-05 2021-02-16 Samsung Electronics Co., Ltd. Method of predicting blood glucose level using near-infrared (NIR) spectroscopy data
EP4368969A1 (de) * 2022-11-11 2024-05-15 Deere & Company Verfahren und anordnung zur ermittlung einer massen- und/oder grössenspezifischen grösse von körnerfrüchten

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110000005A (ko) 2009-06-26 2011-01-03 한국생명공학연구원 Ｆｔ-ｉｒ 대사체 프로파일 및 다변량 통계 분석법을 이용한 대사 관련 돌연변이 식물체의 선발 방법
KR20110121838A (ko) * 2010-05-03 2011-11-09 강원대학교산학협력단 근적외 다변량 분석법을 이용한 곡물 시료의 원산지 판별방법
JP5177384B2 (ja) * 2007-01-31 2013-04-03 奈良県 緑茶の品質予測方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5177384B2 (ja) * 2007-01-31 2013-04-03 奈良県 緑茶の品質予測方法
KR20110000005A (ko) 2009-06-26 2011-01-03 한국생명공학연구원 Ｆｔ-ｉｒ 대사체 프로파일 및 다변량 통계 분석법을 이용한 대사 관련 돌연변이 식물체의 선발 방법
KR20110121838A (ko) * 2010-05-03 2011-11-09 강원대학교산학협력단 근적외 다변량 분석법을 이용한 곡물 시료의 원산지 판별방법

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
1. Kohavi, R., 1995. A study of cross-validation and bootstrap for accuracy estimation and model selection. IJCAI 2, 1137-1145.
2. Shewry, P.R., Tatham, A.S., Fido, R. J., 1995. Separation of plant proteins by electrophoresis. In: Methods in Molecular Biology-Plant Gene Transfer and Expression Protocols, 49, 423-.437. Jones, H. (ed.). Humana Press, Totowa, NJ.
3. Bradford, M.M., 1976. A rapid and sensitive method for the quantitation of microgram quantities of protein utilizing the principle of protein-dye binding. Anal. Biochem.72, 248-54.
4. Martens, H., Naes, T., 1993. Multivariate Calibration; John Wiley and Sons: Chichester, U.K.
5. Terhoeven-Urselmans, T., Vagen, T.G., Spaargaren, O., Shepherd, K.D., 2010. Prediction of soil fertility properties from a globally distributed soil mid-infrared spectral library. Soil Sci. Soc. Am. J. 74, 1792-1799.
6. Liu, Y., Ying, Y., Yu, H., Fu, X., 2006. Comparison of the HPLC method and FT-NIR analysis for quantification of glucose, fructose, and sucrose in intact apple fruits. J. Agric. Food Chem. 54, 2810-2815.
송승엽 외. FT-IR 스펙트럼 데이터의 다변량 통계분석을 이용한 고기능성 아프리칸 얌 식별 및 기능성 성분 함량 예측 모델링. 원예과학기술지, 2014, 32.1: 105-114(2014.02.28.)* *
허설혜 외. FT-IR 스펙트럼 데이터의 다변량통계분석을 이용한 고단백 옥수수의 신속선발, 한국원예학회, 2013: 198-199(2013.05.31.)* *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10918320B2 (en) 2017-05-05 2021-02-16 Samsung Electronics Co., Ltd. Method of predicting blood glucose level using near-infrared (NIR) spectroscopy data
CN109520964A (zh) * 2018-11-01 2019-03-26 广东省农业科学院作物研究所 基于nirs的种子活力测定方法、系统及存储介质
CN111965135A (zh) * 2020-06-05 2020-11-20 贵州省生物技术研究所(贵州省生物技术重点实验室、贵州省马铃薯研究所、贵州省食品加工研究所) 基于近红外光谱的面条中马铃薯全粉含量快速测定的方法
EP4368969A1 (de) * 2022-11-11 2024-05-15 Deere & Company Verfahren und anordnung zur ermittlung einer massen- und/oder grössenspezifischen grösse von körnerfrüchten

Also Published As

Publication number Publication date
KR101721735B1 (ko) 2017-03-30

Similar Documents

Publication Publication Date Title
Meenu et al. A critical review on analytical techniques to detect adulteration of extra virgin olive oil
Jones et al. Using metabolic profiling to assess plant-pathogen interactions: an example using rice (Oryza sativa) and the blast pathogen Magnaporthe grisea
Barros et al. Comparison of two GM maize varieties with a near‐isogenic non‐GM variety using transcriptomics, proteomics and metabolomics
Khakimov et al. Trends in the application of chemometrics to foodomics studies
Cox et al. Metabolomic studies in Drosophila
Huang et al. Improved generalization of spectral models associated with Vis-NIR spectroscopy for determining the moisture content of different tea leaves
Bajhaiya et al. High-throughput metabolic screening of microalgae genetic variation in response to nutrient limitation
KR101721735B1 (ko) Ｆｔ－ｉｒ 분광분석기를 통한 부모계 계통으로부터 ｆ1잡종종자의 신속한 구별
Kunz et al. Updating a synchronous fluorescence spectroscopic virgin olive oil adulteration calibration to a new geographical region
Turi et al. Metabolomics for phytochemical discovery: development of statistical approaches using a cranberry model system
Rochfort et al. Mussel metabolomics—Species discrimination and provenance determination
Cozzolino Infrared methods for high throughput screening of metabolites: food and medical applications
Stryeck et al. Integrative metabolomics as emerging tool to study autophagy regulation
von Wuthenau et al. Food authentication of almonds (Prunus dulcis mill.). Origin analysis with inductively coupled plasma mass spectrometry (ICP-MS) and chemometrics
Yu et al. Rapid high-throughput determination of major components and amino acids in a single peanut kernel based on portable near-infrared spectroscopy combined with chemometrics
Suzuki et al. Rice-Arabidopsis FOX line screening with FT-NIR-based fingerprinting for GC-TOF/MS-based metabolite profiling
Creydt et al. Mass-spectrometry-based food metabolomics in routine applications: A basic standardization approach using housekeeping metabolites for the authentication of asparagus
Petrokilidou et al. The lipid profile of three Malassezia species assessed by Raman spectroscopy and discriminant analysis
Warren et al. Infrared microspectroscopic imaging of plant tissues: spectral visualization of Triticum aestivum kernel and Arabidopsis leaf microstructure
Hosseini et al. Application of genetic algorithm and multivariate methods for the detection and measurement of milk‐surfactant adulteration by attenuated total reflection and near‐infrared spectroscopy
Gagaoua et al. Proteomics to explain and predict meat quality
Schmitt et al. Food profiling: determination of the geographical origin of walnuts by 1H NMR spectroscopy using the polar extract
León et al. Foodomics applications
Delwiche et al. Assessing glycinin (11S) and β-conglycinin (7S) fractions of soybean storage protein by near-infrared spectroscopy
Nadaf et al. Near infrared reflectance spectroscopy (NIRS) for large scale screening of fatty acid profile in peanut (Arachis hypogaea L.)

Legal Events

Date Code Title Description
A201 Request for examination
A302 Request for accelerated examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20200302

Year of fee payment: 4