MX2008012927A - Metodo para el analisis multivariado en la prediccion de una caracteristica de interes. - Google Patents
Metodo para el analisis multivariado en la prediccion de una caracteristica de interes.Info
- Publication number
- MX2008012927A MX2008012927A MX2008012927A MX2008012927A MX2008012927A MX 2008012927 A MX2008012927 A MX 2008012927A MX 2008012927 A MX2008012927 A MX 2008012927A MX 2008012927 A MX2008012927 A MX 2008012927A MX 2008012927 A MX2008012927 A MX 2008012927A
- Authority
- MX
- Mexico
- Prior art keywords
- further characterized
- interest
- characteristic
- input data
- property
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000000491 multivariate analysis Methods 0.000 title claims description 6
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims abstract description 112
- 239000000126 substance Substances 0.000 claims abstract description 47
- 230000009418 agronomic effect Effects 0.000 claims abstract description 36
- 235000019621 digestibility Nutrition 0.000 claims abstract description 31
- 230000000704 physical effect Effects 0.000 claims abstract description 30
- 241000196324 Embryophyta Species 0.000 claims description 77
- 229920002472 Starch Polymers 0.000 claims description 45
- 235000019698 starch Nutrition 0.000 claims description 45
- 239000008107 starch Substances 0.000 claims description 45
- 108090000623 proteins and genes Proteins 0.000 claims description 44
- 102000004169 proteins and genes Human genes 0.000 claims description 44
- 238000004519 manufacturing process Methods 0.000 claims description 29
- 230000001413 cellular effect Effects 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 19
- 240000008042 Zea mays Species 0.000 claims description 15
- 235000002017 Zea mays subsp mays Nutrition 0.000 claims description 15
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 claims description 13
- 235000005822 corn Nutrition 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 11
- 108010055615 Zein Proteins 0.000 claims description 8
- 229920002494 Zein Polymers 0.000 claims description 8
- 150000002632 lipids Chemical class 0.000 claims description 8
- 238000012800 visualization Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000004806 packaging method and process Methods 0.000 claims description 7
- 239000005019 zein Substances 0.000 claims description 7
- 229940093612 zein Drugs 0.000 claims description 7
- 235000014633 carbohydrates Nutrition 0.000 claims description 6
- 150000001413 amino acids Chemical class 0.000 claims description 5
- 150000001720 carbohydrates Chemical class 0.000 claims description 5
- 239000000835 fiber Substances 0.000 claims description 5
- 239000012128 staining reagent Substances 0.000 claims description 5
- 102000004895 Lipoproteins Human genes 0.000 claims description 4
- 108090001030 Lipoproteins Proteins 0.000 claims description 4
- 235000021307 Triticum Nutrition 0.000 claims description 4
- 241000209140 Triticum Species 0.000 claims description 4
- 241000607479 Yersinia pestis Species 0.000 claims description 4
- 238000004043 dyeing Methods 0.000 claims description 4
- 238000001502 gel electrophoresis Methods 0.000 claims description 4
- 235000007319 Avena orientalis Nutrition 0.000 claims description 3
- 244000075850 Avena orientalis Species 0.000 claims description 3
- 244000068988 Glycine max Species 0.000 claims description 3
- 235000010469 Glycine max Nutrition 0.000 claims description 3
- 240000005979 Hordeum vulgare Species 0.000 claims description 3
- 235000007340 Hordeum vulgare Nutrition 0.000 claims description 3
- 240000007594 Oryza sativa Species 0.000 claims description 3
- 235000007164 Oryza sativa Nutrition 0.000 claims description 3
- 235000007238 Secale cereale Nutrition 0.000 claims description 3
- 244000082988 Secale cereale Species 0.000 claims description 3
- 240000006394 Sorghum bicolor Species 0.000 claims description 3
- 235000011684 Sorghum saccharatum Nutrition 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000005251 capillar electrophoresis Methods 0.000 claims description 3
- 201000010099 disease Diseases 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- 238000000556 factor analysis Methods 0.000 claims description 3
- 238000004128 high performance liquid chromatography Methods 0.000 claims description 3
- 238000001840 matrix-assisted laser desorption--ionisation time-of-flight mass spectrometry Methods 0.000 claims description 3
- SQFDQLBYJKFDDO-UHFFFAOYSA-K merbromin Chemical compound [Na+].[Na+].C=12C=C(Br)C(=O)C=C2OC=2C([Hg]O)=C([O-])C(Br)=CC=2C=1C1=CC=CC=C1C([O-])=O SQFDQLBYJKFDDO-UHFFFAOYSA-K 0.000 claims description 3
- 229940008716 mercurochrome Drugs 0.000 claims description 3
- 238000004007 reversed phase HPLC Methods 0.000 claims description 3
- 235000009566 rice Nutrition 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 claims description 3
- -1 Sudan IV Chemical compound 0.000 claims description 2
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000005336 cracking Methods 0.000 claims description 2
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 238000001114 immunoprecipitation Methods 0.000 claims description 2
- 238000012744 immunostaining Methods 0.000 claims description 2
- 238000011002 quantification Methods 0.000 claims description 2
- 238000000926 separation method Methods 0.000 claims description 2
- 229910052717 sulfur Inorganic materials 0.000 claims description 2
- 239000011593 sulfur Substances 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 claims 1
- 229910052740 iodine Inorganic materials 0.000 claims 1
- 239000011630 iodine Substances 0.000 claims 1
- 238000002415 sodium dodecyl sulfate polyacrylamide gel electrophoresis Methods 0.000 claims 1
- 238000000539 two dimensional gel electrophoresis Methods 0.000 claims 1
- 235000013339 cereals Nutrition 0.000 description 40
- 235000018102 proteins Nutrition 0.000 description 39
- 238000000855 fermentation Methods 0.000 description 12
- 230000004151 fermentation Effects 0.000 description 12
- 210000004027 cell Anatomy 0.000 description 10
- 238000010186 staining Methods 0.000 description 9
- 210000001519 tissue Anatomy 0.000 description 7
- 239000002028 Biomass Substances 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 244000144972 livestock Species 0.000 description 5
- 239000000203 mixture Substances 0.000 description 5
- 230000008520 organization Effects 0.000 description 5
- 239000000047 product Substances 0.000 description 5
- 235000019624 protein content Nutrition 0.000 description 5
- 239000000725 suspension Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 3
- 150000002019 disulfides Chemical class 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 239000008103 glucose Substances 0.000 description 3
- 238000003306 harvesting Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000000386 microscopy Methods 0.000 description 3
- 210000002706 plastid Anatomy 0.000 description 3
- 150000003573 thiols Chemical class 0.000 description 3
- 238000001238 wet grinding Methods 0.000 description 3
- 101150054830 S100A6 gene Proteins 0.000 description 2
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 229920002678 cellulose Polymers 0.000 description 2
- 239000001913 cellulose Substances 0.000 description 2
- 238000009614 chemical analysis method Methods 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 238000010828 elution Methods 0.000 description 2
- 230000002209 hydrophobic effect Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 235000009973 maize Nutrition 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 235000000346 sugar Nutrition 0.000 description 2
- 150000008163 sugars Chemical class 0.000 description 2
- 239000013076 target substance Substances 0.000 description 2
- BWGNESOTFCXPMA-UHFFFAOYSA-N Dihydrogen disulfide Chemical compound SS BWGNESOTFCXPMA-UHFFFAOYSA-N 0.000 description 1
- 241001057636 Dracaena deremensis Species 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 108010073178 Glucan 1,4-alpha-Glucosidase Proteins 0.000 description 1
- 102100022624 Glucoamylase Human genes 0.000 description 1
- 108010068370 Glutens Proteins 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 108010064851 Plant Proteins Proteins 0.000 description 1
- 238000001069 Raman spectroscopy Methods 0.000 description 1
- 240000004808 Saccharomyces cerevisiae Species 0.000 description 1
- UGXQOOQUZRUVSS-ZZXKWVIFSA-N [5-[3,5-dihydroxy-2-(1,3,4-trihydroxy-5-oxopentan-2-yl)oxyoxan-4-yl]oxy-3,4-dihydroxyoxolan-2-yl]methyl (e)-3-(4-hydroxyphenyl)prop-2-enoate Chemical compound OC1C(OC(CO)C(O)C(O)C=O)OCC(O)C1OC1C(O)C(O)C(COC(=O)\C=C\C=2C=CC(O)=CC=2)O1 UGXQOOQUZRUVSS-ZZXKWVIFSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 235000011054 acetic acid Nutrition 0.000 description 1
- DPKHZNPWBDQZCN-UHFFFAOYSA-N acridine orange free base Chemical compound C1=CC(N(C)C)=CC2=NC3=CC(N(C)C)=CC=C3C=C21 DPKHZNPWBDQZCN-UHFFFAOYSA-N 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 102000004139 alpha-Amylases Human genes 0.000 description 1
- 108090000637 alpha-Amylases Proteins 0.000 description 1
- 229940024171 alpha-amylase Drugs 0.000 description 1
- 229920000617 arabinoxylan Polymers 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- DZBUGLKDJFMEHC-UHFFFAOYSA-N benzoquinolinylidene Natural products C1=CC=CC2=CC3=CC=CC=C3N=C21 DZBUGLKDJFMEHC-UHFFFAOYSA-N 0.000 description 1
- 235000008429 bread Nutrition 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 244000038559 crop plants Species 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 150000002009 diols Chemical class 0.000 description 1
- 238000010494 dissociation reaction Methods 0.000 description 1
- 230000005593 dissociations Effects 0.000 description 1
- 238000012137 double-staining Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229940088598 enzyme Drugs 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 235000013312 flour Nutrition 0.000 description 1
- 235000014106 fortified food Nutrition 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 235000021312 gluten Nutrition 0.000 description 1
- 150000004676 glycans Chemical class 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 150000002402 hexoses Chemical class 0.000 description 1
- 230000007062 hydrolysis Effects 0.000 description 1
- 238000006460 hydrolysis reaction Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical class CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 description 1
- 235000014655 lactic acid Nutrition 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000007431 microscopic evaluation Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000010238 partial least squares regression Methods 0.000 description 1
- 235000021118 plant-derived protein Nutrition 0.000 description 1
- 229920001282 polysaccharide Polymers 0.000 description 1
- 239000005017 polysaccharide Substances 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 235000021309 simple sugar Nutrition 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
- 230000004584 weight gain Effects 0.000 description 1
- 235000019786 weight gain Nutrition 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12P—FERMENTATION OR ENZYME-USING PROCESSES TO SYNTHESISE A DESIRED CHEMICAL COMPOUND OR COMPOSITION OR TO SEPARATE OPTICAL ISOMERS FROM A RACEMIC MIXTURE
- C12P7/00—Preparation of oxygen-containing organic compounds
- C12P7/02—Preparation of oxygen-containing organic compounds containing a hydroxy group
- C12P7/04—Preparation of oxygen-containing organic compounds containing a hydroxy group acyclic
- C12P7/06—Ethanol, i.e. non-beverage
-
- 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
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/5097—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving plant cells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E50/00—Technologies for the production of fuel of non-fossil origin
- Y02E50/10—Biofuels, e.g. bio-diesel
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Organic Chemistry (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- Zoology (AREA)
- Microbiology (AREA)
- Biochemistry (AREA)
- Urology & Nephrology (AREA)
- Molecular Biology (AREA)
- Hematology (AREA)
- Biotechnology (AREA)
- General Physics & Mathematics (AREA)
- Wood Science & Technology (AREA)
- Physics & Mathematics (AREA)
- Animal Husbandry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marine Sciences & Fisheries (AREA)
- General Business, Economics & Management (AREA)
- Agronomy & Crop Science (AREA)
- Theoretical Computer Science (AREA)
- Botany (AREA)
- Mining & Mineral Resources (AREA)
- Genetics & Genomics (AREA)
- Cell Biology (AREA)
- General Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
Abstract
Se proporciona un método para predecir una característica de interés en una muestra agrícola, que comprende (a) obtener un conjunto de datos de entrada de: (i) por lo menos una propiedad agronómica; (u) por lo menos una propiedad química y una propiedad física; (b) introducir los datos en un procesador que contiene por lo menos un algoritmo, en donde el procesador realiza correlaciones de los datos de entrada con la característica de interés; y (c) obtener una eficacia predicha para la característica de interés; un sistema auxiliado por computadora comprende: (a) un medio legible por computadora que incluye instrucciones ejecutables por computadora que están configuradas para estimar una característica de interés en una muestra agrícola; (b) introducir datos de: (i) por lo menos una propiedad agronómica; y (u) por lo menos una propiedad química y una propiedad física; y (c) un algoritmo que es capaz de correlacionar los datos con la característica de interés; en donde el sistema emite una eficacia predicha para la característica de interés; la característica de interés puede incluir el rendimiento y/o digestibilidad de etanol.
Description
METODO PARA EL ANALISIS MULTIVARIADO EN LA PREDICCION DE UNA CARACTERISTICA DE INTERES
CAMPO DE LA INVENCION
La presente invención se refiere a la producción de cereales y de alimentos para ganado, y también se refiere a la producción de etanol mediante la fermentación de plantas que contienen almidón. Más específicamente, la invención se refiere a un método para predecir una característica de interés, por ejemplo, para predecir una alta digestibilidad y/o para predecir la capacidad de fermentación para producir un alto rendimiento de etanol.
ANTECEDENTES DE LA INVENCION
Las afirmaciones en esta sección únicamente proporcionan información antecedente relacionada con la presente descripción y no pueden constituir técnica anterior. El uso de fuentes de energía alternativas puede ser preferible por varias razones, por ejemplo, podría disminuir la dependencia de los combustibles fósiles, y por lo tanto puede disminuir la contaminación del aire. La producción de etanol por la fermentación de plantas que contienen carbohidratos es una posible fuente de energía alternativa. Por ejemplo, la
patente de E.U.A. No. 4,568,644 de Wang describe un método para producir etanol a partir de sustratos de biomasa utilizando un microorganismo que sea capaz de convertir carbohidratos de hexosa y pentosa en etanol, y en una menor extensión, los ácidos acético y láctico. La patente de E.U.A. No. 5,628,830 de B nk describe un método para producir azucares y etanol a partir de un material de biomasa, que consiste en dos procedimientos: la hidrólisis de celulosa en glucosa y la fermentación de glucosa en etanol. La maximización de la producción de etanol a partir de biomasa resulta económicamente preferible. Se han hecho esfuerzos para lograr un rendimiento incrementado, especialmente alterando la producción de los procedimientos o agregando pasos extra para la producción de etanol. Por ejemplo, la patente de E.U.A. No. 5,916,780 de Foody et al. describe un procedimiento para mejorar el rendimiento económico de etanol seleccionando alimento con una relación de arabinoxilan a polisacáridos totales que no son de almidón de más de aproximadamente 0.39, después tratando previamente el alimento para aumentar la producción de glucosa con menos enzima de celulosa. Se reporta que la fermentación subsecuente permite un mayor rendimiento de etanol. La patente de E.U.A. No. 6,509,180 de Verser et al. describe un procedimiento para producir etanol que incluye una combinación de conversiones bioquímicas y sintéticas para lograr una producción de etanol de alto rendimiento, evitando la producción de C02, que es una limitación importante en la producción económica del etanol.
La digestibidad maximizada a partir de la biomasa también es económicamente preferible. Los granos cultivados y cosechados para el consumo humano o por parte del ganado, tiene niveles variados de digestibidad. Para el ganado en particular, la productividad efectiva en costos y la ganancia de peso dependen de la digestibidad del alimento. Para el ganado en particular la industria ha utilizado diversos métodos para mejorar el valor del alimento incluyendo el descascaramiento con vapor, la reconstitución, la micronización y la extrusión en corto tiempo y a alta temperatura. Sin embargo, resultaría más benéfico predecir, antes de cualquier paso de procesamiento, la digestibidad de una variedad particular de planta, por ejemplo, la digestibidad de un híbrido de maíz. Se encuentra disponible un número de técnicas para caracterizar la organización celular de una planta. Las propiedades físicas y/o químicas de una planta se utilizan para analizar la constitución de la planta. El análisis químico se utiliza ampliamente en los laboratorios, ya que es rápido y sensible, y es adecuado para la automatización. Fox et al., Relations of Grain Proximote Composition and Physical Properties to Wet-Milling Characteristics of Maize, Cereal Chemistry, 69(2): 191 -197 (1992) describe correlaciones de un solo factor de composición próxima y de datos físicos de híbridos de maíz con rendimientos del producto, datos de recuperación de almidón y datos de composición del producto. Fox et al. También describe el uso de regresión múltiple para contar
la variación adicional en el rendimiento del almidón y el contenido de proteína del almidón recuperado. Singh et al., Compositional, Physical, and Wet-Milling Properties of Accessions Used in Germplasm Enhancement of Maize Project, Cereal Chemistry, 78(3): 330-335 (2001 ) menciona que el rendimiento de almidón y la recuperación se relacionan positivamente con el contenido de almidón y negativamente con el contenido de proteína y la densidad absoluta. Singh et al. También menciona que las variedades con densidades absolutas inferiores y pesos de prueba, los contenidos de almidón más grandes y los contenidos inferiores de grasa y de proteína son mejores para el molido en húmedo que otras variedades que no tienen estas características. Fang et al., Neural Network Modeling of Physical Properties of Ground Wheat, Cereal Chemistry, 75(2) 251 -253 (1998), menciona el diseño y el entrenamiento de modelos de red neural de los cuales se a comprobado que son capases de predecir propiedades físicas de materiales triturados en húmedo y molidos con rodillo. Gauchí and Chagnon, Comparison of Selection Methods of Explanatory Variables in PLS Regression with Application to Manufacturing Process DATA, Chemometrics and Intelligent Laboratoy Systems, 58:171 -193 (2001) describe métodos de selección de variables que se utilizan en modelos predictivos por las industrias del aceite, química y de los alimentos. La industria se beneficiaría con la disponibilidad de métodos para optimizar la calidad, la cantidad y el costo de los vienes parea la
producción de etanol por medio de la fermentación de granos y de biomasa. Similarmente, la industria se beneficiaría por la disponibilidad de los mismos métodos para optimizar la calidad, la cantidad y el costo de los bienes para la producción de cereales y de alimentos para ganado que sean altamente digestibles. En particular, representaría un avance muy útil en la técnica los nuevos métodos para determinar la eficacia para la producción de etanol y/o para determinar la digestibidad de variedades individuales de plantas.
BREVE DESCRIPCION DE LA INVENCION
Los inventores concibieron un método y un sistema para predecir una característica de interés, como la producción de etanol o la digestibidad en una muestra agrícola. Dicho método y sistema para predecir el rendimiento de etanol lleva a la selección de propiedades preferidas para condiciones óptimas de procesamiento en la fermentación de granos o de biomasa. Dicho método y sistema para predecir la digestibidad lleva a la selección de propiedades preferidas para condiciones óptimas de procesamiento en el alimento para ganado y en la producción de cereales. Así, la presente descripción proporciona un método para predecir una característica de interés en una muestra agrícola, que comprende (a) obtener un conjunto de datos de entrada a partir de: (i) por lo menos una propiedad agronómica; y (¡i) por lo menos una propiedad química y una propiedad física; (b) introducir los datos en un procesador que contiene
por lo menos un algoritmo, en donde el procesador realiza correlaciones de los datos introducidos con la característica de interés; y (c) obtener una eficacia predicha para la característica de interés. También se proporciona un sistema auxiliado con computadora, que comprende: (a) un medio legible por computadora que incluye instrucciones ejecutables por computadora que están configuradas para estimar una característica de interés en una muestra agrícola; (b) introducir datos a partir de: (i) por lo menos una propiedad agronómica; y (ii) por lo menos una propiedad química y una propiedad física; y (c) un algoritmo que sea capas de correlacionar los datos con la característica de interés; en donde el sistema produce una eficacia predicha para la característica de interés. Se describen modalidades adicionales en la descripción detallada siguiente. A partir de la descripción que se proporciona en la presente serán evidentes áreas de aplicabilidad adicionales. Deberá entenderse que la descripción y los ejemplos específicos tienen el propósito únicamente de ilustrar, y no pretenden limitar el alcance de la presente descripción.
BREVE DESCRIPCION DE LA FIGURA
La figura 1 es un diagrama de bloques de un sistema de computadora que se puede utilizar para implementar un método y un aparato que representa la invención. El dibujo que se describe en la presente únicamente tiene propósitos de ilustración y no pretende limitar el alcance de la presente descripción.
DESCRIPCION DETALLADA DE LA INVENCION
La siguiente descripción es únicamente ejemplar en naturaleza y no pretende limitar la presente descripción, aplicación o usos. La presente descripción proporciona un método para predecir una característica de interés en una muestra agrícola, que comprende: (a) obtener un conjunto de datos de entrada a partir de: (i) por lo menos una propiedad agronómica; y (i¡) por lo menos una propiedad química y una propiedad física; (b) introducir los datos en un procesador que contiene por lo menos un algoritmo, en donde el procesador realiza correlaciones de los datos introducidos con la característica de interés; y (c) obtener una eficacia predicha para la característica de interés. También se proporciona un sistema auxiliado con computadora que comprende: (a) un medio legible por computadora que incluye
instrucciones ejecutables por computadora que están configuradas para estimar una característica de interés en una muestra agrícola; (b) introducir datos a partir de; (i) por lo menos una propiedad agronómica; y (ii) por lo menos una propiedad química y una propiedad física; y (c) un algoritmo que sea capas de correlacionar los datos con la característica de interés; en donde el sistema produce una eficacia predicha para la característica de interés. Una característica de interés puede incluir cualquier característica deseable que mejore la producción o la capacidad e comercialización de una planta o de una semilla de planta. Ejemplos ilustrativos incluyen, pero no están limitados a, la digestibidad, fermentabilidad para la producción de etanol, la calidad de productos secundarios (granos secos de destiladores con o sin elementos solubles), la calidad de productos molidos secos (harina de maíz, hojuelas de maíz, cereales listos para comer, adjuntos de fermentación, bocadillos extruidos y recubiertos, panes, batidos, mezclas preparadas, alimentos fortificados, alimentos para animales, sémola de maíz, alimento de gluten de maíz, etc.), la calidad de los productos industriales, etc. una propiedad, como se utiliza en la presente, es algo que se mide o que se evalúa en una muestra agrícola, por ejemplo, una muestra obtenida a partir de la planta, o un grupo de plantas como una planta de cosecha o un híbrido.
Como se utiliza en la presente, la frase muestra agrícola puede ser cualquier planta de interés, incluyendo una planta individual, más de una planta, una variedad de plantas o un híbrido, una especie de grano una variedad de grano. Normalmente la planta es una variedad de cereal como por ejemplo maíz, trigo, cebada, arroz, centeno, avena, sorgo o soya. Particularmente para medir las propiedades agronómicas o las propiedades físicas de una planta, el paso de obtener una muestra a partir de la planta puede incluir obtener una o más semillas o granos de la planta, u obtener todas las muestras de la planta a partir de, por ejemplo, un campo. La obtención de una muestra, en algunas modalidades, puede ser únicamente la identificación de una o más plantas en las cuales se harán mediciones. Una muestra agrícola puede incluir una o más semillas de una planta. Se puede utilizar cualquier semilla en un método o ensayo de la invención. Se pueden analizar semillas individuales o semillas en un lote. Una muestra agrícola puede incluir otros tejidos vegetales.
Como se utiliza en la presente, los tejidos vegetales incluyen, pero no están limitados a, cualquier parte de la planta como una hoja, flor, raíz y pétalo. Como se utiliza en la presente, los datos introducidos pueden ser cualquier dato obtenido con la medición de por lo menos una propiedad. La obtención de un conjunto de datos de entrada a partir de las propiedades antes enumeradas puede incluir obtener los datos de una base de datos, y también puede incluir medir el valor de una propiedad agronómica, una propiedad química y/o una propiedad física. Los valores pueden ser valores
verdaderos, o pueden ser números asignados que están relacionados con el valor absoluto. Se puede obtener cualquier combinación de datos incluyendo, por ejemplo, datos agronómicos y datos químicos, datos agronómicos y datos físicos, o cada uno de datos agronómicos, datos físicos y datos químicos. Un usuario de los métodos y sistemas (incluyendo servidores, computadoras, etc.) puede incluir un individuo, una corporación, una sociedad, una agencia gubernamental, una institución de investigación o cualquier otra persona o entidad que tenga un interés o que necesite información concerniente a una característica de interés, como la producción de etanol o la digestibidad de una planta de maíz o de varias otras plantas. Ejemplos no limitantes incluyen granjeros, distribuidores, compradores y procesadores de semillas. El análisis de híbridos para una característica de interés normalmente precede al procesamiento del grano por molido, cocción, etc., y puede iniciar con la medición de por lo menos una propiedad agronómica, y también incluye el análisis de híbridos a partir de una mezcla, midiendo por lo menos una de una propiedad química y una propiedad física en una planta. Si la característica de interés es la producción de etanol, al tomar en cuenta las propiedades agronómicas se puede predecir la eficacia de la producción de etanol, por ejemplo, de acuerdo con el rendimiento por acre. Midiendo adicionalmente por lo menos una de una propiedad química o física, se incluye la fermentabilidad para producir etanol como un factor que contribuye a la eficacia en la producción de etanol. Las variedades de alto y bajo
rendimiento de etanol tienen características distinguibles en propiedades químicas y físicas, como también sucede con los híbridos de alta y baja digestibidad, y la identificación de estas características lleva a la predicción y al análisis de una planta para la característica de interés. La medición puede incluir, por ejemplo, estimar un perfil químico para híbridos vegetales particulares, estudiar la organización subcelular de las células del endospermo de híbridos con un alto y bajo rendimiento de etanol o híbridos con una alta y baja digestibidad, y/o la estimación de características agronómicas de los híbridos de interés. Para seleccionar una variedad de planta preferible para una característica particular de interés, un método para la presente invención comprende la aplicación de una técnica destructiva o no destructiva, o una combinación de las mismas, para la generación de datos agronómicos, químicos, cinéticos, físicos, reológicos y morfológicos para una población representativa con un amplio de variación. El paso de obtener un conjunto de datos de entrada a partir de por lo menos una de una propiedad química y una propiedad física, puede incluir obtener cualquier tejido de planta aceptable que conduzca a la medición de la propiedad particular, incluyendo, por ejemplo, el follaje, las semillas, una parte de semilla, raíces, etc. En algunas modalidades, se obtiene una semilla a partir de la planta. En otra modalidad adicional, se obtiene endospermo a partir de la semilla y se hace la medición con la muestra de endospermo.
En otra modalidad adicional, la obtención de un conjunto de datos de entrada incluye obtener por lo menos una de muestras seccionadas (rebanadas delgadas y planas) y molidas (trituradas con una cuchilla para formar un polvo o molidas en un molino mecánico). Se puede obtener más de un conjunto de datos a partir de una variedad de planta para cada propiedad, para asegurar la precisión del análisis. Si se analizan dos o más plantas, generalmente deberán obtenerse muestras de cada planta a partir del mismo tejido. .
Propiedades agronómicas Como se utiliza en la presente, una propiedad agronómica es cualquier propiedad que esté relacionada con la ciencia de la producción de granos incluyendo el rendimiento de la cosecha, el vigor de la semilla, la madurez relativa, la resistencia a las plagas, la manipulación de las semillas, etc. La madurez relativa como se utiliza en la presente es la terminación de la acumulación de peso seco por parte del grano, y por lo tanto, el rendimiento máximo. La manipulación de la semilla como se utiliza en la presente incluye la densidad de empaquetamiento, fragilidad, contenido de humedad, la capacidad de trilla, etc. Otras propiedades agronómicas incluyen los días a la afloración, la altura de la planta, la resistencia al acame, el vigor de emergencia, el vigor vegetativo, la porosidad, la tolerancia al estrés, la resistencia a las enfermedades, la ramificación, floración, ajuste de semilla, y estabilidad.
La obtención de un conjunto de datos de entrada a partir de por lo menos una propiedad agronómica incluye medir el valor de una propiedad agronómica. Ya se han obtenido datos agronómicos y se encuentran disponibles en la industria para muchas cosechas, ya que estos mismos datos se utilizan para comparar características deseadas cuando se determina cuál semilla plantar. Un experto en la técnica puede obtener datos agronómicos para practicar esta invención a partir de una base de datos ya existente. Los datos agronómicos también pueden obtenerse tomando mediciones apropiadas en el campo para determinar, por ejemplo, el rendimiento de la cosecha, el vigor de la semilla, etc. Debido a varias razones es importante incluir datos agronómicos en el análisis de la predicción del rendimiento de etanol para un grano como un todo. Los datos agronómicos toman en cuenta la productividad general de una planta de cosecha o de un híbrido. Por ejemplo, si el híbrido A produce más etanol por fanega que el híbrido B, se creería que el híbrido A es el grano de elección. Sin embargo, si el híbrido A es particularmente susceptible a las plagas comunes, o normalmente es un grano de bajo rendimiento, podría ser más benéfico elegir al híbrido B. Los datos agronómicos también toman en cuenta factores tales como el tiempo de cosecha y/o el costo para optimizar el rendimiento de etanol. También es importante incluir datos agronómicos en el análisis de la predicción de digestibidad para una cosecha como un todo, como se describió con respecto a la íermentabilidad. La madurez relativa, la dureza del
grano, el tiempo de cosecha, y otros factores pueden ser indicadores de la digestibidad, y se pueden considerar cuando se optimiza la digestibidad de una planta.
Propiedades químicas y propiedades Una matriz de proteína característica, altamente organizada que consiste en numerosos cuerpos de proteína estrechamente empacados, presionados contra amiloplastos, está presente en las células de endospermo de una planta debajo rendimiento de etanol. Las plantas que tienen dichas características tienen células que son más difíciles de separar y liberar el contenido de la célula, como granos individuales de almidón libres de proteína. Sin querer apegarse a la teoría, se cree que la capacidad de resistir la disociación, o un grado más grande de asociación de almidón de almidón-proteína puede ser una limitación importante en la producción económica del etanol a partir de fuentes vegetales, ya que la disponibilidad de los granos de almidón es limitada. Como se utiliza en la presente, la frase "grado de asociación de almidón-proteína" indica el nivel hasta el cual están conectados el almidón y la proteína entre sí como lo determina, por ejemplo, los métodos se describen a continuación. En el procedimiento de digestión y fermentación, los granos de almidón se descomponen azucares simples, normalmente mediante alfa amilasa y/o glucoamilasa. El etanol se produce cuando se alimenta levadura en los azucares.
Las mediciones del valor de las propiedades físicas y químicas que se describen en la presente pueden ser datos de entrada útiles en la predicción de la digestibidad o del rendimiento de etanol. Las propiedades físicas y químicas que se describen a continuación son indicadores de la digestibilidad o fermentabilidad, y el grado de fermentabilidad es un factor en la determinación de la eficacia para producir etanol. Una concentración más alta de ciertas sustancias puede revelar información que se refiere a una característica de interés en una muestra agrícola. Así, la medición de las propiedades químicas de una planta se puede llevar a cabo con el perfilamiento de ciertas sustancias en las células o en los tejidos tomados de la planta. Se puede evaluar una gran variedad de sustancias con el propósito de analizar plantas y variedades de plantas. Generalmente una sustancia que será medida se seleccionará basándose en la especie de la planta que será analizada. Se necesita medir por lo menos una sustancia y un experto en la técnica puede determinar el número óptimo o preferible de sustancias objetivo basándose en la planta que será utilizada. Normalmente una sustancia que será medida se selecciona de proteína, almidón y lípido. La propiedad química se puede seleccionar del contenido de aceite, contenido fibra, contenido de humedad, contenido de aminoácidos, contenido de proteínas o contenido de almidón. El contenido de aceite puede incluir tanto la cantidad como el tipo de aceite. El contenido de fibra puede incluir tanto en la cantidad como la clasificación de la fibra. El contenido de
aminoácidos puede incluir tanto la cantidad como el tipo de aminoácidos. El contenido de proteína puede incluir tanto la cantidad como el tipo de proteína. El contenido de almidón puede incluir tanto en la cantidad como la clasificación del almidón. Los inventores determinaron que las propiedades químicas de la planta, calculadas utilizando análisis cromatográfico, demuestran un perfil de elusión de proteína totalmente diferente para las líneas de plantas altamente o poco fermentables, En particular, por ejemplo, las proteínas vegetales especificas como las zeinas son más abundantes en las líneas de maíz poco fermentables en comparación con las líneas de maíz altamente fermentables. Las zeina proteínas son hidrófogas y se encuentran unidas al almidón a través de un enlace no covalente e interacciones hidrófobas. Por consiguiente un contenido más alto de zeina puede jugar un papel importante en el proceso de rendimiento de fermentación como la inhibición del proceso de fermentación limitando la disponibilidad del almidón. Las zeina proteínas contienen cantidades más altas de tioles y de disulfuros con relación a otras proteínas, por lo tanto, en una modalidad, la cuantificación de tioles y disulfuros en una muestra de proteínas es un indicador de la cantidad de zeina proteína. En forma similar, las propiedades químicas de las plantas muestran perfiles de elusión de proteínas totalmente diferentes para las líneas de plantas de alta digestibilidad y de baja digestibidad. Las zeinas
proteínas son más abundantes en las líneas de maíz de baja digestibidad y son menos abundantes en las líneas de maíz de alta digestibidad. Se puede utilizar cualquier técnica de análisis químico para la determinación de las propiedades químicas como la determinación de las composiciones de proteína, almidón y lípidos. Entre las distintas técnicas de análisis químico, generalmente son preferibles las técnicas de separación para una aplicación de la presente invención. Ejemplos de técnica de análisis químico incluye, pero no están limitados a, HPLC, MALDI-TOF MS, electroforesis capilar, MS en línea RP-HPLC, electroforesis en gel, selección SDS electroforesis en gel de 2-D, y combinaciones de los mismos. En modalidad, un método para predecir una característica de interés incluye obtener un conjunto de datos de entrada a partir de un método de alto rendimiento empleando un analizador de alto rendimiento que es capaz de producir resultados rápidos. Los datos de entrada se pueden obtener a partir de por lo menos una propiedad química y una propiedad física, pero idealmente proporciona datos en más de una propiedad en un período muy corto. El rápido suministro de resultados puede ayudar a optimizar la digestibidad o el rendimiento de etanol a un nivel vegetal. Análisis ilustrativos incluyen, pero no están limitados por ejemplo, HPLC, MALDI-TOF MS, electroforesis capilar, MS en línea RP-HPLC electroforesis en gel y combinaciones de los mismo. En algunas modalidades, los datos de entrada se obtienen para el perfil químico de sustancias objetivo como proteínas, almidón o lípido. En
modalidades particulares la proteína es zeina, que comprende las proteínas a-zeina, ß-zeina y ?-zeina. En otras modalidades se mide una propiedad química para determinar el contenido de azufre, un indicador de proteínas que contienen diol y disulfuro. También se puede predecir una característica de interés midiendo las propiedades físicas de la planta que son indicativas de la característica de interés. En una modalidad, el método comprende determinar la densidad de almidón de una muestra de la planta en suspensión. La densidad de almidón es la cantidad de almidón visualizado o medido en alguna unidad discreta, por ejemplo, un volumen o el área de una imagen; En algunas modalidades, el método comprende medir la proteína mediante la inmunoprecipitación o inmunotinción. En otras modalidades, el método comprende teñir la muestra con un reactivo de tinción para proteína, lípidos, lipoproteína o carbohidrato, presentando una imagen de la muestra teñida y determinando la avocación de almidón-proteína mediante el análisis de la imagen. La propiedad física se puede seleccionar de propiedades no celulares que incluyen la densidad absoluta de la semilla, el peso de prueba de la semilla, la dureza de la semilla, el tamaño de la semilla, la relación de endospermo de duro a suave, el tamaño de germen, el color, el resquebrajamiento, la captación de agua, el grosor del pericarpio o el tamaño de corona.
En una modalidad particular, la visualización de la característica celular incluye: (a) la tinción de la muestra con un reactivo de tinción para por lo menos uno de proteína, lípido, lipoproteína y carbohidrato; (b) presentar una imagen de la muestra teñida; y (c) medir la característica celular incluyendo el análisis de la imagen presentada. Un estudio de las propiedades físicas de las plantas con microtécnicas revela que cada una de las plantas con alto rendimiento de etanol y con bajo rendimiento de etanol tiene características celulares distinguibles, como sucede con las plantas alta digestibilidad y con baja digestibilidad. No se encuentra ninguna diferencia significativa entro los granos de almidón de los híbridos de alto rendimiento de etanol y de bajo rendimiento de etanol en términos de tamaño, forma, índices de refracción relaciones de poblaciones de grano de almidón, y color de tinción. Sin embargo, en las muestras de híbridos con un alto rendimiento de etanol, los granos de almidón se encuentran dispersados dentro de la célula, fáciles de aislar, formando así suspensiones que contienen densidades más altas de grano de almidón. En dichas muestras de alto rendimiento de etanol, los granos de almidón generalmente están dispersados en suspensión como estructuras únicas, raramente asociadas con una proteína, mientras que para las muestras que tienen un bajo rendimiento de etanol, los granos de almidón se encuentran altamente organizados dentro de la célula, son difíciles de aislar, y de está manera dan como resultado suspensiones de grano de almidón de baja densidad. Estos granos de almidón de baja densidad con
frecuencia están presentes en suspensiones como agregados o como racimo, y con frecuencia están asociados con proteínas. Específicamente, la examinación microscópica muestra que los granos de almidón de los híbridos de alto rendimiento de etanol están empaquetados holgadamente dentro de las células y raramente muestras superficies irregulares. Los granos de almidón de los híbridos de bajo rendimiento de etanol están empacados apretadamente uno contra el otro, y muestran materiales asociados con/o en las superficie de amiloplasto. Estos mismos hallazgos aplican para otras características de interés que incluyen la digestibilidad. La tinción de proteínas muestra diferencias significativas entre los híbridos de alto rendimiento de etanol y de bajo rendimiento de etanol; la matriz de proteína de las muestras de alto rendimiento de etanol es pareja, continua y frágil, pero la matriz de proteína de las muestras de bajo rendimiento de etanol es irregular, más gruesa, con una alta densidad de estructuras globulares. Por lo tanto los granos dispersados en los agregados o en racimos, y que están asociados con las proteínas, se pueden evaluar como una variedad de bajo rendimiento de etanol. Los hallazgos son similares para los híbridos de alta digestibidad y de baja digestibidad. La frase "empacamiento de proteínas" como se utiliza en la presente describe la visualización de la matriz de proteínas. En algunas modalidades la visualización den empaquetamiento de proteínas se utiliza para analizar la asociación de almidón-proteína. El grado de empacamiento de proteínas se puede medir de muchas maneras conocidas en la técnica o
que se describen en la presente o se pueden estimar valores relativos para representar los distintos grados de empacamiento de proteínas. De esta manera los datos obtenidos a partir de la medición del empacamiento de proteínas son útiles como datos de entrada. La frase matriz de "proteínas de almidón" como se utiliza en la presente se refiere a la asociación de almidón con las matrices de proteínas circundantes, que usualmente son células de endospermo. El empacamiento de proteína, la matriz de proteína de almidón, y la densidad de almidón son características celulares, cualquiera de las cuales se puede medir en una muestra vegetal dada. Normalmente estas propiedades se miden en muestras de endospermo. La visualización de los componentes celulares generalmente requiere de la preparación de la muestra como un paso inicia. Las muestras para el análisis microscópico se pueden tomar a partir de cualquier parte de la planta de interés. Por lo general es preferible obtener las muestras a partir de partes de las plantas que son una fuente principal de almidón. Por ejemplo, los tejidos de endospermo pueden utilizarse para la preparación de muestras. Después de tomar las muestras de las plantas, se pueden teñir para una mejor observación microscópica. Los objetivos de tinción pueden cambiarse dependiendo de la planta que será utilizada en la producción de la característica de interés. Generalmente los objetivos se seleccionan a partir de proteínas, lípidos, lipoproteínas y carbohidratos. Los procedimientos de tinción son bien conocidos en la técnica y prácticamente se puede emplear
exitosamente cualquier procedimiento conocido para la presente invención. Un procedimiento de tinción específico se seleccionará adecuadamente de acuerdo con el objetivo de tinción. Al igual que los protocolos de tinción, cualquier reactivo de tinción conocido se puede utilizar para la presente invención. Ilustrativamente, se puede utilizar el mercurocromo, yo, y Sudan IV para la tinción de proteínas, almidón y lípidos, respectivamente. Sin embargo, la elección de reactivos no es necesariamente determinante del resultado de la invención. Las muestras se pueden teñir con uno o más reactivos. Por ejemplo, una muestra se puede teñir con mercurocromo para identificar las proteínas que contienen tioles y disulfuros, y después se pueden contra teñir con naranja de acridina para identificar amiloplastos. De esta manera la doble tinción permite la visualización de objetivo con-localizados. Para visualizar características celulares de una muestra, se presenta una imagen de la muestra teñida. Normalmente se pueden emplear técnicas de microscopia. Se pueden utilizar cualquier técnica de microscopia conocida como por ejemplo, microscopia de luz, con focal, hiperespectral, y electrónica, para determinar la organización subcelular de las células o tejidos de las plantas de muestras. Un experto en la técnica puede elegir los microscopios adecuados de acuerdo con las muestras que se utilicen en el método. Ejemplos de microscopios para dichas técnicas, incluyen, pero no están limitados a, el microscopio de contraste de interferencia diferencial (DIC) el microscopio de luz polarizada, el microscopio de fluorescencia, microscopio de epi-fluorescencia, microscopio con focal, microscopio
hiperespectral, microscopio de barrido electrónico (SEM), y microscopio electrónico de transmisión (TEM). La visualización de las características celulares por medio del microscopio hace posible la medición de la organización celular de las muestras. Por ejemplo, se pueden determinar las cantidades respectivas de granos de almidón asociados con proteínas y sin proteínas presentasen las muestras vegetales, contando los granos asociados. Esto puede servir como una base para la determinación de las características de alto rendimiento de etanol y de bajo rendimiento de etanol. La observación y el conteo se pueden llevar a cabo de varias maneras como la observación directa a través de una lente y la examinación de las imágenes tomadas a través de un microscopio. La asociación de almidón-proteínas se puede determinar mediante la cuantificación de fluorescencia, puntos fluorescentes, la determinación de la intensidad de la fluorescencia, o la determinación del área de fluorescencia. El análisis de la organización subcelular, como el conteo de granos se puede automatizar con la ayuda de un dispositivo de computadora o software o la combinación del dispositivo de computadora y el software. Se pueden emplear otras técnicas de visualización para analizar las características físicas de una planta, incluyendo, pero no limitadas a lectores de placa fluorescente, espectrofotómetro, difusor de luz, tecnologías hiperespectrales, fluorímetros, citómetros de flujo, espectroscopia de NIR, y espectroscopia de Raman.
De está manera los datos obtenidos a partir de una base de datos y/o por las técnicas antes mencionadas se introducen en un procesador. El procesador contiene por lo menos un algoritmo y realiza correlaciones de los datos introducidos con la característica de interés. Los procesadores generalmente son conocidos en la técnica, pero pueden ser como los que se describe a continuación. Un algoritmo adecuado puede ser uno que correlacione los datos de entrada con la característica de interés, y también se describe en el siguiente sistema auxiliado con computadora. El resultado de la correlación del procesador es la salida de una eficacia predicha para una característica de interés, una función tanto de las propiedades agronómicas como de las propiedades químicas y/o físicas. La obtención de una eficacia predicha incluye el cálculo de los datos de entrada para la capacidad de predecir la eficacia.
Sistema auxiliado con computadora. De acuerdo con algunas modalidades, se obtienen datos de entrada o un conjunto de datos de entrada como se describió anteriormente, introducidos por un sistema auxiliado con computadora y se someten a análisis en el sistema que se ejemplifica en la figura 1. Al utilizar los datos de entrada, se computa una eficacia predicha para una característica de interés utilizando un algoritmo que toma en cuenta los valores medidos. El algoritmo puede incluir los datos de entrada para todas las propiedades a una selección
de las propiedades. Los datos de salida, como se describirá más adelante son la eficacia predicha una característica de interés. Refiriéndonos a la figura 1 un ambiente de operación para una modalidad ilustrada de la presente invención es un sistema auxiliado con computadora 500 con una computadora 502 que comprende por lo menos un procesador 504, junto con un sistema de memoria 506 incorporado con por lo menos una estructura de enlace común 508, un dispositivo de entrada 510, y un dispositivo de salida 512. El procesador ilustrado 504 tiene un diseño familiar e incluye una lógica aritmética (ALU) 514 para realizar cálculos, una colección de registradores 516 para un almacenamiento temporal de datos e instrucciones, y una unidad de control 518 para controlar la operación del sistema 500. Cualquiera de una variedad de procesadores, incluyendo por lo menos los de Digital Equipment, Sun, MIPS, Motorota, NEC, Intel, Cyrix, AMD, HP, y Nexgen, son igualmente preferibles para el procesador X. La modalidad ilustrada de la invención opera en un sistema operativo que está diseñado para ser portable a cualquiera de estas plataformas de procesamiento. El sistema de memoria 506 generalmente incluye una memoria principal de alta velocidad 520 en forma de un medio como dispositivos semiconductores de memoria de acceso aleatorio (RAM) y de memoria de solo lectura (ROM), y un almacenamiento secundario 522 en forma de medios de almacenamiento a largo plazo como discos flexibles, discos duros, cintas, CD-ROM, memoria instantánea, etc, y otros dispositivos que almacenan
datos utilizando medios eléctricos, magnéticos, ópticos u otros medios de registro. La memoria principal 520 también puede incluir una memoria de despliegue de video para desplegar imágenes a través de un dispositivo de despliegue. Los expertos en la técnica reconocerán que el sistema de memoria 506 puede comprender una variedad de componentes alternativos que tengan una variedad de capacidades de almacenamiento. El dispositivo de entrada 510 y el dispositivo de salida 512 también son familiares. El dispositivo de entrada 510 puede comprender u-n teclado, un mouse, un transductor físico (por ejemplo, un micrófono), etc y se conecta a la computadora 502 a través de una interfaz de entrada 524. El dispositivo de salida 512 puede comprender un despliegue, una impresora, un transductor (por ejemplo una bocina), etc., y puede estar interconectado a la computadora 502 a través de una interfaz de salida 526. Algunos dispositivos, como un adaptador de red o un módem, se pueden utilizar como dispositivos de entrada y/o de salida. Como será familiar para los expertos en la técnica, el sistema de computadora 500 también incluye un sistema operativo y por lo menos un programa de aplicación. Ambos están residentes en el sistema de memoria ilustrado 506. El sistema operativo es el conjunto de software que controla la operación del sistema de computadora y la asignación de recursos. El programa de aplicación es el conjunto de software que realiza una tarea deseada por el usuario, utilizando recursos de computadora que están disponibles a través del sistema operativo. El programa de aplicación
contiene un algoritmo, una función para resolver problemas. El algoritmo se puede utilizar para determinar correlaciones, y como tal, puede correlacionar los datos de entrada con la característica de interés, por ejemplo, la digestibidad o eficacia para producir etanol. Ilustrativamente, para un conjunto de datos dado que es introducido a través del dispositivo de entrada 510, un algoritmo que es capaz de correlacionar los datos de entrada con la característica de interés o el procesador 504 que comprende el algoritmo, transforma los puntos de datos individuales en un solo valor que es indicativo de la característica de interés de la planta o de la variedad a partir de la cual se obtuvo el conjunto de datos. De acuerdo con las modalidades de esta invención, una correlación es el establecimiento de una relación entre variables aleatorias. Como se demostró antes, un algoritmo se puede utilizar para determinar correlaciones, para correlacionar los datos de entrada con una característica de interés. En algunas modalidades la correlación es un indicador directo o un indicador indirecto de la característica predicha. En otras modalidades, la determinación de una correlación incluye comparar por lo menos una propiedad medida con una propiedad umbral predeterminado. Idealmente, un sistema ejemplar de acuerdo con la invención puede rastrear grandes números de variables para identificar híbridos o especies de plantas con una característica de interés. El sistema puede
utilizar formulas estadísticas para identificar híbridos con una alta digestibidad, alta fermentabilidad, alta eficacia para producir etanol. De esta manera, en algunas modalidades, un algoritmo incluye un análisis de datos multivariado de los datos de entrada. El análisis multivariado como se utiliza en la presente se refiere a cualquier técnica estadística que se utilice para analizar datos que surjan a partir de más de una variable. Ilustrativamente, el análisis de datos multivariado se selecciona de por lo menos uno del grupo que consiste en el análisis del componente principal, regresión al componente principal, análisis de factores, mínimos cuadráticos parciales, agrupamiento difuso, redes neurales artificiales, análisis de factores paralelos, modelos de Tucker, método de eliminación de orden generalizado, regresión estimada localmente, regresión contraída, mínimos cuadráticos totales, regresión de covariantes principales, redes de Kohonen, análisis de discriminación lineal o cuadrática, K-vecinos más cercanos basado en distancias de rango reducido, métodos de regresión multilineal, modelación independiente suave de analogías de clase, y versiones robustecidas de las anteriores versiones no lineales obvias. De acuerdo con las prácticas de los expertos en la técnica de la programación computacional, la presente invención se describe con referencia a representaciones simbólicas de operaciones que son realizadas por el sistema de computadora 500. Dichas operaciones se conocen como ejecutadas por computadora o ejecutables por computadora. Podrá
apreciarse que las operaciones que están representadas simbólicamente incluyen la manipulación por parte del procesador 504 de señales eléctricas que representan bits de datos y el mantenimiento de los bits de datos como ubicaciones de memoria en el sistema de memoria 506, así como otro procesamiento de señales. Las ubicaciones de memoria en donde se mantienen los bits de datos son ubicaciones físicas que tienen propiedades eléctricas, magnéticas u ópticas particulares que corresponden a los bits de datos. La invención se puede implementar en un programa o en programas, que comprenden una serie de instrucciones almacenadas en un medio legible por computadora. El medio legible por computadora puede ser cualquier medio que pueda ser utilizado por una computadora, incluyendo cualquiera de los dispositivos, o una combinación de los dispositivos, que se describieron anteriormente en conexión con el sistema de memoria 506. Después de realizar la correlación, el sistema o método produce una salida de la eficacia predicha para la característica de interés. Como se describió antes, la eficacia predicha para la característica de intereses es una función tanto de las propiedades agronómicas como de las propiedades químicas y/o físicas. En algunas modalidades, la salida incluye una clasificación de más de una propiedad medida para la capacidad de predecir la eficacia, en donde la clasificación es una función de la característica de interés asociada con la planta. En otras modalidades, el sistema produce una eficacia predicha y también clasifica las propiedades para la capacidad de predecir la eficacia.
El presente sistema y métodos también habilitan comparaciones ya hechas entre poblaciones objetivo en donde la eficacia predicha para la característica de interés no es conocida con grupos de control. Cuando se introducen elementos o características y las modalidades ejemplares, los artículos "un", "una", "el/la" y "dicho/dicha" significan que hay uno o más de dichos elementos o características. Los términos "que comprende", "que incluye" y "que tiene" pretenden incluir y significar que puede haber elementos o características adicionales además de las especificadas. También deberá entenderse que los pasos del método, procedimiento y operaciones que se describen en la presente no necesariamente están restringidos al requerimiento de que se realicen en el orden particular que se describe o ilustra, a menos que se indique específicamente como un orden de realización. También deberá entenderse que se pueden emplear pasos adicionales o alternativos. La descripción únicamente tiene una naturaleza ejemplar y por lo tanto, se pueden hacer variaciones que no se aparten de la esencia de la descripción y que estén dentro del alcance de la descripción. Dichas variaciones no deberán ser consideradas como una desviación del espíritu y el alcance de la descripción.
Claims (35)
1.- Un método para predecir una característica de interés en una muestra agrícola, el método comprende, (a) obtener un conjunto de datos de entrada de: (i) por lo menos una propiedad agronómica; y (ii) por lo menos una propiedad química y una propiedad física; (b) introducir los datos en un procesador que contiene por lo menos una algoritmo, en donde el procesador realiza correlaciones de los datos de entrada con la característica de interés; y (c) obtener una eficacia predicha para la característica de interés.
2.- El método de conformidad con la reivindicación 1 , caracterizado además porque la característica de interés es la producción de etanol.
3.- El método de conformidad con la reivindicación 1 , caracterizado además porque la característica de interés es la digestibidad.
4. - El método de conformidad con la reivindicación 1 , caracterizado además porque la obtención del conjunto de datos de entrada de (i) por lo menos una propiedad agronómica y (ii) por lo menos una de una propiedad química y una propiedad física, comprende obtener los datos a partir de una base de datos.
5. - El método de conformidad con la reivindicación 1 , caracterizado además porque la obtención de un conjunto de datos de entrada a partir de por lo menos una propiedad agronómica, incluye medir el valor de una propiedad agronómica seleccionada del grupo que consiste en el rendimiento de la cosecha, el vigor de la semilla, la madurez relativa, la resistencia a las plagas, la manipulación de las semillas, días a la afloración, la altura de la planta, la resistencia al acame, el vigor de emergencia, el vigor vegetativo, la porosidad, la tolerancia al estrés, la resistencia a las enfermedades, la ramificación, floración, ajuste de semilla, y estabilidad.
6. - El método de conformidad con la reivindicación 1 , caracterizado además porque la obtención de un conjunto de datos de entrada incluye obtener una muestra a partir de una planta.
7. - El método de conformidad con la reivindicación 6, caracterizado además porque la planta se selecciona del grupo que consiste en maíz, trigo, cebada, arroz, centeno, avena, sorgo y soya.
8. - El método de conformidad con la reivindicación 6, caracterizado además porque la obtención de la muestra incluye obtener una muestra de endospermo asociado con la planta.
9. - El método de conformidad con la reivindicación 6, caracterizado además porque la obtención de un conjunto de datos de entrada incluye medir el valor de una propiedad química seleccionada del grupo que consiste en contenido de aceite, contenido de fibra, contenido de humedad, contenido de aminoácidos, contenido de proteínas y contenido de almidón.
10. - El método de conformidad con la reivindicación 9, caracterizado además porque la medición del valor de la propiedad química incluye medir el contenido de proteínas, y en donde el contenido de proteínas comprende por lo menos una zeina proteína seleccionada del grupo que consiste en a-zeina proteína, ß-zeina proteína, y ?-zeina proteína.
11. - El método de conformidad con la reivindicación 8, caracterizado además porque la obtención de un conjunto de datos de entrada incluye medir el valor de una propiedad química que comprende medir un contenido de azufre.
12.- El método de conformidad con la reivindicación 6, caracterizado además porque la obtención de un conjunto de datos de entrada incluye medir un valor de una propiedad química utilizando una técnica de separación seleccionada del grupo que consiste en HPLC, MALDI-TOF MS, electroforesis capilar, MS en línea de RP-HPLC, electroforesis en gel, página SDS, electroforesis en gel bi-dimensional, y combinaciones de las mismas.
13. - El método de conformidad con la reivindicación 6, caracterizado además porque la obtención de un conjunto de datos de entrada incluye medir el valor de una propiedad física que incluye por lo menos una de una característica no celular y una característica celular de la muestra.
14. - El método de conformidad con la reivindicación 6, caracterizado además porque la obtención de un conjunto de datos de entrada incluye medir un valor de una propiedad física que incluye una característica no celular seleccionada del grupo que consiste en densidad absoluta de la semilla, peso de prueba de la semilla, dureza de la semilla, tamaño de la semilla, relación del endospermo de duro a suave, tamaño del germen, color, resquebrajamiento, captación de agua, grosor del pericarpio, y tamaño de corona.
15. - El método de conformidad con la reivindicación 6, caracterizado además porque la obtención de un conjunto de datos de entrada incluye medir el valor de una propiedad física que incluye visualizar una característica celular de la muestra.
16. - El método de conformidad con la reivindicación 15, caracterizado además porque la característica celular es por lo menos una de empacamiento de proteínas, matriz de proteínas de almidón y densidad de almidón.
17.- El método de conformidad con la reivindicación 15, caracterizado además porque la visualizacion de la característica celular incluye analizar la muestra mediante por lo menos uno de inmunotinción e inmunoprecipitación.
18.- El método de conformidad con la reivindicación 15, caracterizado además porque la visualizacion de la característica celular incluye: (a) teñir la muestra con un reactivo de tinción para por lo menos una proteína, lípido, lipoproteína y carbohidratos; (b) presentar una imagen del la muestra teñida, y (c) medir la característica celular incluyendo el análisis de la imagen presentada.
19. - El método de conformidad con la reivindicación 18, caracterizado además porque la tinción incluye teñir con por lo menos un reactivo de tinción seleccionado del grupo que consiste en mercurocromo, Sudan IV, y yodo.
20. - El método de conformidad con la reivindicación 18, caracterizado además porque la presentación de una imagen incluye obtener una imagen con un microscopio seleccionado del grupo que consiste en microscopio de contraste de interferencia diferencial (DIC), microscopio de luz, microscopio de luz polarizada, microscopio de fluorescencia, microscopio de epi-fluorescencia, microscopio confocal, microscopio hiperespectral, microscopio de barrido electrónico (SEM), y microscopio de transmisión electrónica (TEM).
21.- El método de conformidad con la reivindicación 18, caracterizado además porque el análisis de la imagen incluye la cuantificación de puntos fluorescentes, determinación de fluorescencia, intensidad de fluorescencia, o la determinación del área de fluorescencia.
22.- El método de conformidad con la reivindicación 18, caracterizado además porque el análisis de la imagen incluye analizar la imagen utilizando un software de computadora.
23. - El método de conformidad con la reivindicación 1 , caracterizado además porque la salida de una eficacia predicha incluye clasificar los datos de entrada para la capacidad de predecir la eficacia.
24. - Un sistema auxiliado con computadora que comprende: (a) un medio legible por computadora que incluye instrucciones ejecutables por computadora que están configuradas para estimar una característica de interés en una muestra agrícola; (b) datos de entrada de: (i) por lo menos una propiedad agronómica; y (ii) por lo menos uno de una propiedad química y una propiedad física; y (c) un algoritmo que sea capaz de correlacionar los datos con la característica de interés; en donde el sistema emite una eficacia predicha para la característica de interés.
25. - El sistema de conformidad con la reivindicación 24, caracterizado además porque la característica de interés es la producción de etanol.
26.- El sistema de conformidad con la reivindicación 24, caracterizado además porque la característica de interés es la digestibilidad.
27. - El sistema de conformidad con la reivindicación 24, caracterizado además porque los datos de entrada de: (i) por lo menos una propiedad agronómica y (ii) por lo menos una de una propiedad química y una propiedad física, se obtienen a partir de una base de datos.
28. - El sistema de conformidad con la reivindicación 24, caracterizado además porque los datos de entrada de por lo menos una propiedad agronómica incluyen el rendimiento de la cosecha, el vigor de la semilla, la madurez relativa, la resistencia a las plagas, la manipulación de las semillas, días a la afloración, la altura de la planta, la resistencia al acame, el vigor de emergencia, el vigor vegetativo, la porosidad, la tolerancia al estrés, la resistencia a las enfermedades, la ramificación, floración, ajuste de semilla, y estabilidad.
29.- El sistema de conformidad con la reivindicación 24, caracterizado además porque los datos de entrada de por lo menos una de una propiedad química y una propiedad física se obtienen a partir de una. planta.
30.- El sistema de conformidad con la reivindicación 29, caracterizado además porque la planta se selecciona de un grupo que consiste en maíz, trigo, cebada, arroz, centeno, avena, sorgo y soya.
31. - El sistema de conformidad con la reivindicación 24, caracterizado además porque los datos de entrada incluyen datos de por lo menos una propiedad química seleccionada del grupo que consiste en contenido de aceite, contenido de fibra, contenido de humedad, contenido de aminoácidos, contenido de proteínas, y contenido de almidón.
32. - El sistema de conformidad con la reivindicación 24, caracterizado además porque los datos de entrada incluyen datos de por lo menos una propiedad física seleccionada de por lo menos uno de una característica no celular o una característica celular de una planta.
33. - El método de conformidad con la reivindicación 24, caracterizado además porque el sistema también comprende una interfaz del usuario para hacer interfaz con el sistema auxiliado con computadora.
34. - El sistema de conformidad con la reivindicación 24, caracterizado además porque el algoritmo incluye análisis de datos multivariado seleccionado de por lo menos uno del grupo que consiste en el análisis del componente principal, regresión al componente principal, análisis de factores, mínimos cuadráticos parciales, agrupamiento difuso, redes neurales artificiales, análisis de factores paralelos, modelos de Tucker, método de eliminación de orden generalizado, regresión estimada localmente, regresión contraída, mínimos cuadráticos totales, regresión de covariantes principales, redes de Kohonen, análisis de discriminación lineal o cuadrática, K-vecinos más cercanos basado en distancias de rango reducido, métodos de regresión multilineal, modelación independiente suave de analogías de clase, y versiones robustecidas de las anteriores versiones no lineales obvias.
35. - El sistema de conformidad con la reivindicación 24, caracterizado además porque el sistema emite una eficacia predicha y también valora los datos de entrada para la capacidad de predecir la eficacia.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US78967906P | 2006-04-06 | 2006-04-06 | |
| PCT/US2007/066181 WO2007118215A2 (en) | 2006-04-06 | 2007-04-06 | Method for multivariate analysis in predicting a trait of interest |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| MX2008012927A true MX2008012927A (es) | 2008-12-18 |
Family
ID=38468899
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| MX2008012927A MX2008012927A (es) | 2006-04-06 | 2007-04-06 | Metodo para el analisis multivariado en la prediccion de una caracteristica de interes. |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US20070240242A1 (es) |
| EP (1) | EP2004834A2 (es) |
| AU (1) | AU2007234734A1 (es) |
| CA (1) | CA2648213A1 (es) |
| MX (1) | MX2008012927A (es) |
| WO (1) | WO2007118215A2 (es) |
Families Citing this family (36)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7832143B2 (en) | 2004-08-26 | 2010-11-16 | Monsanto Technology Llc | High throughput methods for sampling seeds |
| WO2006026467A2 (en) | 2004-08-26 | 2006-03-09 | Monsanto Technology Llc | Automated testing of seeds |
| US7703238B2 (en) | 2004-08-26 | 2010-04-27 | Monsanto Technology Llc | Methods of seed breeding using high throughput nondestructive seed sampling |
| US8735169B2 (en) | 2006-02-07 | 2014-05-27 | Stokes Bio Limited | Methods for analyzing agricultural and environmental samples |
| US7998669B2 (en) | 2006-03-02 | 2011-08-16 | Monsanto Technology Llc | Automated contamination-free seed sampler and methods of sampling, testing and bulking seeds |
| US8028469B2 (en) | 2006-03-02 | 2011-10-04 | Monsanto Technology Llc | Automated high-throughput seed sampler and methods of sampling, testing and bulking seeds |
| EP2005193A1 (en) * | 2006-04-06 | 2008-12-24 | Monsanto Technology, LLC | Method of predicting a trait of interest |
| MX2009002933A (es) * | 2006-09-15 | 2009-03-31 | Monsanto Technology Llc | Metodos para incrementar la fermentabilidad de materia vegetal para producir etanol. |
| EP1962212A1 (en) * | 2007-01-17 | 2008-08-27 | Syngeta Participations AG | Process for selecting individuals and designing a breeding program |
| WO2008150903A1 (en) * | 2007-05-31 | 2008-12-11 | Monsanto Technology Llc | Seed sorter |
| US20090075325A1 (en) * | 2007-09-19 | 2009-03-19 | Monsanto Technology Llc | Systems and methods for analyzing agricultural products |
| WO2009067622A1 (en) * | 2007-11-20 | 2009-05-28 | Monsanto Technology Llc | Automated systems and assemblies for use in evaluating agricultural products and methods therefor |
| US9842252B2 (en) * | 2009-05-29 | 2017-12-12 | Monsanto Technology Llc | Systems and methods for use in characterizing agricultural products |
| DE102009024423A1 (de) * | 2009-06-09 | 2010-12-16 | Knoten Weimar An-Institut an der Bauhaus-Universität Weimar Internationale Transferstelle Umwelttechnologien GmbH | Verfahren zur energetischen abfallfreien Verwertung von pflanzlichen Rohstoffen, insbesondere von Zuckerrüben oder Süßkartoffeln, die in Energieträger wie Ethanol und Methan und in Düngemittel umgewandelt werden |
| JP5764380B2 (ja) * | 2010-04-29 | 2015-08-19 | エフ イー アイ カンパニＦｅｉ Ｃｏｍｐａｎｙ | Ｓｅｍ画像化法 |
| AR083897A1 (es) | 2010-11-17 | 2013-04-10 | Pioneer Hi Bred Int | Prediccion de fenotipos y rasgos en base al metaboloma |
| CN102682444A (zh) * | 2011-03-08 | 2012-09-19 | 河南工业大学 | 一种检测糙出白率和碾白率的方法 |
| KR101341815B1 (ko) | 2012-12-04 | 2014-01-06 | 대한민국 | 초분광 영상처리를 이용한 종자 선별 장치 |
| CN103206911B (zh) * | 2013-01-15 | 2015-07-22 | 四川农业大学 | 一种茎秆挠度的测量装置 |
| US8933401B1 (en) | 2013-10-25 | 2015-01-13 | Lawrence Livermore National Security, Llc | System and method for compressive scanning electron microscopy |
| AU2013405440B2 (en) * | 2013-11-14 | 2019-08-22 | Grainsense Oy | Optical analyzer, optical analyzing method and sample preparation device |
| CN109425676A (zh) * | 2017-08-26 | 2019-03-05 | 刘琳琳 | 一种食品中苏丹红的快速检测方法 |
| CN107808375B (zh) * | 2017-09-28 | 2019-07-16 | 中国科学院合肥物质科学研究院 | 融合多种上下文深度学习模型的水稻病害图像检测方法 |
| MY197312A (en) * | 2017-11-22 | 2023-06-13 | Felda Agricultural Services Sdn Bhd | Method and system for selecting a plant breed |
| CN108241786B (zh) * | 2018-01-11 | 2021-06-04 | 安徽省农业科学院水稻研究所 | 一种水稻抗倒伏能力评价方法 |
| CN108802080A (zh) * | 2018-08-16 | 2018-11-13 | 扬州大学 | 一种玉米成熟种子中胚乳淀粉生长环的原位观察方法 |
| CN109342331A (zh) * | 2018-11-05 | 2019-02-15 | 贵阳学院 | 基于可见/近红外光谱技术的李子硬度无损检测方法 |
| CN109429970B (zh) * | 2018-11-06 | 2022-07-29 | 山东省花生研究所 | 一种促进盐碱地花生种子萌发的选种方法 |
| US10902238B2 (en) | 2018-11-28 | 2021-01-26 | Toyota Research Institute, Inc. | Systems and methods for predicting semantics of a particle using semantic segmentation |
| US11423196B2 (en) | 2018-11-28 | 2022-08-23 | Toyota Research Institute, Inc. | Systems and methods for predicting responses of a particle to a stimulus |
| CN110443271B (zh) * | 2019-06-24 | 2021-11-19 | 中国石油大学(华东) | 一种基于多阈值Birch聚类的相控孔隙度预测方法 |
| US11610272B1 (en) * | 2020-01-29 | 2023-03-21 | Arva Intelligence Corp. | Predicting crop yield with a crop prediction engine |
| US11715024B1 (en) * | 2020-02-20 | 2023-08-01 | Arva Intelligence Corp. | Estimating soil chemistry at different crop field locations |
| CN112669167A (zh) * | 2020-12-15 | 2021-04-16 | 中国农业大学 | 一种预测商品猪生产性能的方法及其应用 |
| CN112666998B (zh) * | 2020-12-28 | 2022-02-11 | 柳州市汇方科技有限公司 | 一种调控米粉含水率的方法及装置 |
| CN113033891B (zh) * | 2021-03-19 | 2022-01-18 | 河北水熠木丰工程技术有限责任公司 | 高墩桥梁健康监控方法及装置 |
Family Cites Families (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US3350372A (en) * | 1960-08-22 | 1967-10-31 | Gulf Oil Corp | Ethylene/acrylate ester copolymers |
| US5628830A (en) * | 1979-03-23 | 1997-05-13 | The Regents Of The University Of California | Enzymatic hydrolysis of biomass material |
| US4568644A (en) * | 1981-12-10 | 1986-02-04 | Massachusetts Institute Of Technology | Fermentation method producing ethanol |
| US5245188A (en) * | 1988-08-11 | 1993-09-14 | Satake Engineering Co., Ltd. | Apparatus for evaluating the grade of rice grains |
| GB2273154B (en) * | 1992-12-02 | 1996-12-11 | Buehler Ag | Method for cleaning and sorting bulk material |
| US5412220A (en) * | 1993-03-05 | 1995-05-02 | United Industrial Products, Ltd. | Optical scanning device for lumber |
| JPH0833871A (ja) * | 1994-02-01 | 1996-02-06 | Binder & Co Ag | 廃棄物分類の方法と装置 |
| US5916780A (en) * | 1997-06-09 | 1999-06-29 | Iogen Corporation | Pretreatment process for conversion of cellulose to fuel ethanol |
| US5959102A (en) * | 1997-06-30 | 1999-09-28 | Rutgers University | Starch purification by thermally tolerant broad pH range proteolytic enzymes |
| US6118055A (en) * | 1998-03-10 | 2000-09-12 | Pioneer Hi-Bred International, Inc. | Inbred maize line PH12J |
| US7083954B2 (en) * | 1999-02-11 | 2006-08-01 | Renessen Llc | Method of producing fermentation-based products from corn |
| CN1227364C (zh) * | 1999-03-11 | 2005-11-16 | 齐凯姆公司 | 一种生产乙醇的方法 |
| JP2005055175A (ja) * | 1999-09-07 | 2005-03-03 | National Agriculture & Bio-Oriented Research Organization | 試料調製方法および装置 |
| US6566125B2 (en) * | 2000-06-02 | 2003-05-20 | The United States Of America As Represented By The Secretary Of Agriculture | Use of enzymes to reduce steep time and SO2 requirements in a maize wet-milling process |
| US6705827B2 (en) * | 2000-08-25 | 2004-03-16 | Aagrinomics, Llc | Robotic seed-handling apparatus and methods |
| US6646264B1 (en) * | 2000-10-30 | 2003-11-11 | Monsanto Technology Llc | Methods and devices for analyzing agricultural products |
| US6706989B2 (en) * | 2001-02-02 | 2004-03-16 | Pioneer Hi-Bred International, Inc. | Automated high-throughput seed sample processing system and method |
| US6397678B1 (en) * | 2001-05-04 | 2002-06-04 | Shay Popper | Method and apparatus for measuring objects, particularly useful for measuring diamonds |
| US7123750B2 (en) * | 2002-01-29 | 2006-10-17 | Pioneer Hi-Bred International, Inc. | Automated plant analysis method, apparatus, and system using imaging technologies |
| US6879389B2 (en) * | 2002-06-03 | 2005-04-12 | Innoventor Engineering, Inc. | Methods and systems for small parts inspection |
| JP4381122B2 (ja) * | 2003-02-14 | 2009-12-09 | 晶宇生物科技實業股▲分▼有限公司 | 側壁付微細アレイバイオチップ反射型画像アクセス及び分析装置、並びにその方法 |
| US7702597B2 (en) * | 2004-04-20 | 2010-04-20 | George Mason Intellectual Properties, Inc. | Crop yield prediction using piecewise linear regression with a break point and weather and agricultural parameters |
| WO2006026467A2 (en) * | 2004-08-26 | 2006-03-09 | Monsanto Technology Llc | Automated testing of seeds |
| EP2005193A1 (en) * | 2006-04-06 | 2008-12-24 | Monsanto Technology, LLC | Method of predicting a trait of interest |
-
2007
- 2007-04-06 WO PCT/US2007/066181 patent/WO2007118215A2/en active Application Filing
- 2007-04-06 US US11/697,602 patent/US20070240242A1/en not_active Abandoned
- 2007-04-06 MX MX2008012927A patent/MX2008012927A/es unknown
- 2007-04-06 CA CA002648213A patent/CA2648213A1/en not_active Abandoned
- 2007-04-06 EP EP07760280A patent/EP2004834A2/en not_active Withdrawn
- 2007-04-06 AU AU2007234734A patent/AU2007234734A1/en not_active Abandoned
Also Published As
| Publication number | Publication date |
|---|---|
| WO2007118215A2 (en) | 2007-10-18 |
| EP2004834A2 (en) | 2008-12-24 |
| CA2648213A1 (en) | 2007-10-18 |
| AU2007234734A1 (en) | 2007-10-18 |
| WO2007118215A3 (en) | 2007-11-29 |
| US20070240242A1 (en) | 2007-10-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| MX2008012927A (es) | Metodo para el analisis multivariado en la prediccion de una caracteristica de interes. | |
| Caporaso et al. | Near-Infrared spectroscopy and hyperspectral imaging for non-destructive quality assessment of cereal grains | |
| Rahaman et al. | Advanced phenotyping and phenotype data analysis for the study of plant growth and development | |
| Agelet et al. | Feasibility of near infrared spectroscopy for analyzing corn kernel damage and viability of soybean and corn kernels | |
| Chu et al. | Classifying maize kernels naturally infected by fungi using near-infrared hyperspectral imaging | |
| Hacisalihoglu et al. | Near-infrared reflectance spectroscopy predicts protein, starch, and seed weight in intact seeds of common bean (Phaseolus vulgaris L.) | |
| ElMasry et al. | Utilization of computer vision and multispectral imaging techniques for classification of cowpea (Vigna unguiculata) seeds | |
| Al-Amery et al. | Near-infrared spectroscopy used to predict soybean seed germination and vigour | |
| CN105044022B (zh) | 一种基于近红外光谱技术快速无损检测小麦硬度的方法及应用 | |
| Pang et al. | Hyperspectral imaging coupled with multivariate methods for seed vitality estimation and forecast for Quercus variabilis | |
| Arazuri et al. | Rheological parameters determination using Near Infrared technology in whole wheat grain | |
| MX2008012926A (es) | Metodo para predecir una característica de interes. | |
| Guelpa et al. | Application of Rapid Visco Analyser (RVA) viscograms and chemometrics for maize hardness characterisation | |
| Nehoshtan et al. | Robust seed germination prediction using deep learning and RGB image data | |
| Rathna Priya et al. | Characterising corn grain using infrared imaging and spectroscopic techniques: a review | |
| Tian et al. | Nondestructive testing for wheat quality with sensor technology based on Big Data | |
| Barbin et al. | Influence of plant densities and fertilization on maize grains by near-infrared spectroscopy | |
| CN105675538A (zh) | 一种胡麻饼养分的检测方法 | |
| Safdar et al. | Reviving grain quality in wheat through non‐destructive phenotyping techniques like hyperspectral imaging | |
| Duc et al. | Image-based phenotyping of seed architectural traits and prediction of seed weight using machine learning models in soybean | |
| Sampaio et al. | Near-Infrared spectroscopy and machine learning: analysis and classification methods of rice | |
| CN110163459A (zh) | 一种构建多指标评价模型对小麦品质分级的方法 | |
| Ma et al. | A fast and efficient phenotyping method to estimate sugarcane stalk bending properties using near-infrared spectroscopy | |
| CN106546553A (zh) | 一种转基因大豆油的快速无损鉴别方法 | |
| Feng et al. | Chemical Imaging of the Microstructure of Chickpea Seed Tissue within a Cellular Dimension Using Synchrotron Infrared Microspectroscopy: A Preliminary Study |