摘要：本研究以2014年和2015年長(zhǎng)江流域生態(tài)試驗(yàn)10個(gè)試點(diǎn)的11個(gè)陸地棉品種的棉籽為材料，利用近紅外光譜分析技術(shù)測(cè)定棉花光籽樣品中的植酸含量（質(zhì)量分?jǐn)?shù)，下同），進(jìn)行陸地棉種子植酸含量的遺傳效應(yīng)分析。結(jié)果顯示，11個(gè)棉花品種的植酸含量為1.04%～1.54%，10個(gè)地點(diǎn)的植酸含量為1.07%～1.68%，2年的植酸含量分別為1.26%和1.38%，表明棉籽中的植酸含量不僅受材料遺傳特性的影響，還受種植地點(diǎn)、種植年份的影響。同時(shí)，對(duì)2021年冬種于海南三亞的國(guó)內(nèi)外471份棉花種質(zhì)資源的植酸含量進(jìn)行測(cè)定，篩選了5份植酸含量低于1%的棉花種質(zhì)資源，為低植酸棉花育種提供了材料。

關(guān)鍵詞：棉花；種子；植酸含量；近紅外光譜分析；種質(zhì)資源

棉籽是棉花生產(chǎn)最重要的副產(chǎn)品。棉籽中含有豐富的營(yíng)養(yǎng)物質(zhì)，如蛋白質(zhì)、油脂以及氨基酸等，棉籽脫殼后的棉籽仁中油脂含量（質(zhì)量分?jǐn)?shù)，下同）占30%左右，蛋白質(zhì)含量約為35%，是優(yōu)良的植物油資源，也是重要的植物蛋白質(zhì)資源，可作為優(yōu)質(zhì)的飼料以及重要的工業(yè)原料[1-2]。然而，棉籽中存在有毒的棉酚以及抗?fàn)I養(yǎng)因子植酸等，對(duì)棉籽的綜合利用造成負(fù)面影響。種子中的植酸磷被認(rèn)為是1種不可被單胃動(dòng)物利用的磷的形式，因?yàn)閱挝竸?dòng)物消化道中植酸酶的活性很低以致不能分解植酸復(fù)合物。此外，植酸在消化時(shí)還會(huì)與動(dòng)物消化道中的金屬元素（特別是鐵、鋅）及蛋白質(zhì)等形成不溶的螯合物被排出體外，不僅限制了棉粕在畜牧生產(chǎn)中的應(yīng)用，而且造成水體污染以及富營(yíng)養(yǎng)化等環(huán)境問(wèn)題[3]。近年來(lái)，隨著對(duì)食品安全、環(huán)境保護(hù)等問(wèn)題的關(guān)注度不斷提升，低植酸作物品種選育逐漸受到人們的重視。鑒于此，筆者等利用近紅外光譜分析儀測(cè)定棉籽樣品的光譜數(shù)據(jù)，并經(jīng)已建立的棉花光籽植酸含量近紅外光譜校正模型分析得出植酸含量，對(duì)不同基因型、不同地點(diǎn)、不同年份的棉花種質(zhì)資源的棉籽植酸含量進(jìn)行遺傳分析；同時(shí)，對(duì)國(guó)內(nèi)外棉花種質(zhì)資源的植酸含量進(jìn)行分析，篩選出低植酸含量的棉花種質(zhì)資源，為低植酸棉花育種提供理論依據(jù)和種質(zhì)資源。

1 材料與方法

1.1 試驗(yàn)材料

用于陸地棉種子植酸含量遺傳效應(yīng)分析試驗(yàn)的11個(gè)品種分別為浙大1號(hào)、浙大2號(hào)、浙大3號(hào)、浙大4號(hào)、浙大5號(hào)、浙大6號(hào)、浙大7號(hào)、浙大8號(hào)、浙大9號(hào)、浙大10號(hào)和浙大11號(hào)，由浙江大學(xué)農(nóng)業(yè)與生物技術(shù)學(xué)院祝水金課題組提供。試驗(yàn)棉籽材料分別來(lái)源于2014年和2015年湖南澧縣、湖南岳陽(yáng)、湖南武陵、浙江江山、浙江金華、安徽合肥、安徽蕪湖、江蘇鹽城、江蘇南京和江西九江的棉花生態(tài)試驗(yàn)，各試點(diǎn)每個(gè)小區(qū)收獲軋花后的棉籽貯存于冷庫(kù)（0 ℃ ± 1 ℃，相對(duì)濕度50%），待測(cè)。

低植酸種質(zhì)資源篩選試驗(yàn)的材料是浙江大學(xué)農(nóng)業(yè)與生物技術(shù)學(xué)院培育或引進(jìn)的471份陸地棉種質(zhì)資源（其中引進(jìn)的國(guó)外陸地棉種質(zhì)資源有179份）。2021年冬，將其種于海南省三亞市崖城鎮(zhèn)保港南繁試驗(yàn)地，取各材料考種樣品軋去皮棉后的棉籽保存于冷庫(kù)，待測(cè)。

1.2 樣品的制備

每份棉籽樣品取200 g，經(jīng)濃硫酸脫絨、NaOH中和、清水沖洗、烘干至質(zhì)量恒定后，放入密閉容器備用。

1.3 近紅外光譜的采集

采用瑞士步琦NIR Flex-N500近紅外光譜分析儀（Büchi，F(xiàn)lawil，Switzerland），其測(cè)定光譜范圍為波數(shù)4 000～10 000 cm－1，每4 cm－1采集1次反射值（Reflection，R）。為減小誤差，各樣品裝樣、掃描3次，將得到的反射強(qiáng)度進(jìn)行l(wèi)g（1/R）轉(zhuǎn)換，即為吸光度（Absorbance， A），并取3份樣品數(shù)據(jù)的平均值。近紅外光譜分析儀工作時(shí)的環(huán)境溫度為25 ℃ ± 0.5 ℃，相對(duì)濕度為40%。

1.4 棉籽植酸含量的測(cè)定

將采集的原始棉花光籽近紅外光譜數(shù)據(jù)導(dǎo)入光譜預(yù)處理軟件Unscrambler X 10.4，依次進(jìn)行Savitzky-Golay平滑、變量標(biāo)準(zhǔn)化（standard normal variate， SNV）和一階微分（1D）預(yù)處理，將預(yù)處理后的光譜數(shù)據(jù)導(dǎo)入Matlab軟件，利用已建立的棉籽植酸含量的近紅外光譜校正模型[4-5]得到待測(cè)棉籽樣品的植酸含量。

1.5 統(tǒng)計(jì)分析

用Microsoft Excel整理數(shù)據(jù)，用SPSS 20進(jìn)行方差分析，用QT Model[6-7]（http：//ibi.zju.edu.cn/index.html/bcl/software/qtmodel/index.html）進(jìn)行遺傳效應(yīng)分析，多重比較采用最小顯著差數(shù)法（least significant difference， LSD）。

2" " 結(jié)果與分析

2.1 基因型和環(huán)境對(duì)棉籽植酸含量的影響

2.1.1 不同基因型和環(huán)境下棉籽植酸含量的方差分析。不同年份種植于不同地點(diǎn)的不同品種的棉籽植酸含量的方差分析結(jié)果見(jiàn)表1。從表1可以看出，基因型、地點(diǎn)、年份、基因型和地點(diǎn)的互作效應(yīng)、基因型和年份的互作效應(yīng)、地點(diǎn)和年份的互作效應(yīng)以及基因型-地點(diǎn)-年份的互作效應(yīng)對(duì)棉籽中的植酸含量都有極顯著的影響（P＜0.01）。從棉籽植酸含量各變異平方和占總變異平方和的百分比來(lái)看，地點(diǎn)和年份的互作效應(yīng)＞地點(diǎn)＞年份＞基因型＞基因型和年份的互作效應(yīng)＞基因型-地點(diǎn)-年份的互作效應(yīng)＞基因型和地點(diǎn)的互作效應(yīng)，其所占百分比分別為30.89%、25.19%、22.90%、9.22%、7.41%、1.99%和1.90%，說(shuō)明棉籽中植酸的含量主要受地點(diǎn)和年份的影響，而基因型及其與地點(diǎn)和年份三者之間的互作效應(yīng)對(duì)植酸含量的影響相對(duì)較小。

2.1.2 不同基因型棉籽的植酸含量差異及基因型效應(yīng)分析。11個(gè)品種的植酸含量測(cè)定結(jié)果（圖1）表明，不同品種間棉籽植酸含量的差異較大，變異系數(shù)為9.58%。11個(gè)參試品種棉籽植酸含量的平均值為1.04%～1.54%。其中：浙大3號(hào)的植酸含量最高，顯著高于浙大2號(hào)、浙大4號(hào)、浙大7號(hào)、浙大8號(hào)、浙大9號(hào)（P＜0.05）；浙大8號(hào)的植酸含量最低，顯著低于浙大1號(hào)、浙大2號(hào)、浙大3號(hào)、浙大5號(hào)、浙大6號(hào)、浙大10號(hào)和浙大11號(hào)（P＜0.05）；浙大1號(hào)、浙大2號(hào)、浙大4號(hào)、浙大5號(hào)、浙大6號(hào)、浙大7號(hào)、浙大9號(hào)、浙大10號(hào)和浙大11號(hào)這9個(gè)品種之間沒(méi)有顯著差異。

比較發(fā)現(xiàn)，不同基因型棉籽中的植酸含量具有明顯的差異（表2）。其中，浙大3號(hào)、浙大5號(hào)、浙大6號(hào)和浙大11號(hào)的基因型效應(yīng)為正，浙大1號(hào)、浙大2號(hào)、浙大4號(hào)、浙大7號(hào)、浙大8號(hào)、浙大9號(hào)和浙大10號(hào)的基因型效應(yīng)為負(fù)。對(duì)比圖1和表2可以發(fā)現(xiàn)，浙大3號(hào)的正效應(yīng)最顯著，浙大8號(hào)的負(fù)效應(yīng)最顯著，浙大6號(hào)的正效應(yīng)最低，浙大10號(hào)的負(fù)效應(yīng)最低。

2.1.3 環(huán)境對(duì)棉籽植酸含量的影響及環(huán)境效應(yīng)分析。10個(gè)不同生態(tài)地點(diǎn)的棉籽植酸含量存在顯著差異（圖2），范圍在1.07%～1.68%，變異系數(shù)為15.18%，其中，種植于浙江江山的棉籽植酸含量最高，顯著高于除浙江金華外的其他8個(gè)地點(diǎn)，種植于湖南澧縣的棉籽植酸含量最低，2個(gè)地點(diǎn)的棉籽植酸含量相差0.61百分點(diǎn)。同一省份不同地點(diǎn)的棉籽植酸含量也有顯著差異，如湖南的澧縣和岳陽(yáng)。說(shuō)明棉籽植酸含量在不同省份之間，以及同一省份不同地點(diǎn)之間都可能存在顯著差異。

不同地點(diǎn)對(duì)棉籽植酸含量的影響不同，不同種植地點(diǎn)間植酸含量存在明顯的差異（表3）。湖南岳陽(yáng)、浙江江山和浙江金華3個(gè)地點(diǎn)對(duì)棉籽中的植酸含量表現(xiàn)為正效應(yīng)，其他7個(gè)生態(tài)地點(diǎn)對(duì)棉籽中的植酸含量均表現(xiàn)為負(fù)效應(yīng)。對(duì)比圖2和表3可知，浙江江山種植點(diǎn)對(duì)棉籽中的植酸含量的正效應(yīng)最為顯著，湖南岳陽(yáng)種植點(diǎn)對(duì)植酸含量的正效應(yīng)最低。同時(shí)，對(duì)棉籽植酸含量產(chǎn)生負(fù)效應(yīng)的地點(diǎn)中，湖南澧縣的負(fù)效應(yīng)最強(qiáng)，江蘇鹽城種植點(diǎn)產(chǎn)生的負(fù)效應(yīng)最弱。

2014年和2015年間棉籽植酸含量比較結(jié)果（圖3）表明，2014年棉籽植酸含量的平均值為1.26%，2015年棉籽植酸含量的平均值為1.38%，2年之間棉籽植酸含量相差0.12百分點(diǎn)，差異達(dá)到極顯著水平，說(shuō)明年份對(duì)棉籽植酸含量的影響較大。

不同種植年份間，棉籽中的植酸含量存在極顯著差異（表4）。2014年對(duì)棉籽植酸含量表現(xiàn)為負(fù)效應(yīng)，2015年對(duì)棉籽植酸含量表現(xiàn)為正效應(yīng)，2014年的棉籽植酸含量低于2015年的含量（圖3和表4）。

2.1.4" 基因型與環(huán)境互作分析。基因型和地點(diǎn)互作效應(yīng)的分析結(jié)果見(jiàn)表5。不同地點(diǎn)對(duì)同一品種的植酸含量效應(yīng)值不同，不同品種的植酸含量在同一地點(diǎn)效應(yīng)值也不同。分品種分析，浙大1號(hào)在江西九江具有最大的正效應(yīng)，而在江蘇鹽城具有最大的負(fù)效應(yīng)；浙大2號(hào)在浙江江山的正效應(yīng)最大，在江蘇鹽城的負(fù)效應(yīng)最大；浙大3號(hào)在安徽合肥的正效應(yīng)最大，在江蘇南京的負(fù)效應(yīng)最大；浙大4號(hào)在浙江金華的正效應(yīng)最大，在湖南岳陽(yáng)的負(fù)效應(yīng)最大；浙大5號(hào)在湖南岳陽(yáng)的正效應(yīng)最大，在浙江金華的負(fù)效應(yīng)最大；浙大6號(hào)在湖南岳陽(yáng)的正效應(yīng)最大，在湖南武陵的負(fù)效應(yīng)最大；浙大7號(hào)在江蘇南京的正效應(yīng)最大，在安徽合肥的負(fù)效應(yīng)最大；浙大8號(hào)在浙江金華的正效應(yīng)最大，在湖南岳陽(yáng)的負(fù)效應(yīng)最大；浙大9號(hào)在江蘇鹽城的正效應(yīng)最大，在湖南岳陽(yáng)的負(fù)效應(yīng)最大；浙大10號(hào)在江蘇鹽城的正效應(yīng)最大，在江蘇南京的負(fù)效應(yīng)最大；浙大11號(hào)在湖南武陵的正效應(yīng)最大，在湖南岳陽(yáng)的負(fù)效應(yīng)最大。從地點(diǎn)效應(yīng)分析，在湖南澧縣和湖南岳陽(yáng)最大正效應(yīng)的品種是浙大5號(hào)，最大負(fù)效應(yīng)的是浙大11號(hào)；在湖南武陵最大正效應(yīng)的品種是浙大11號(hào)，最大負(fù)效應(yīng)的是浙大6號(hào)；在浙江江山最大正效應(yīng)的品種是浙大5號(hào)，最大負(fù)效應(yīng)的是浙大8號(hào)；在浙江金華最大正效應(yīng)的品種是浙大8號(hào)，最大負(fù)效應(yīng)的是浙大5號(hào)；在安徽合肥最大正效應(yīng)的品種是浙大3號(hào)，最大負(fù)效應(yīng)的是浙大7號(hào)；在安徽蕪湖最大正效應(yīng)的品種是浙大3號(hào)，最大負(fù)效應(yīng)的是浙大1號(hào)；在江蘇鹽城最大正效應(yīng)的品種是浙大9號(hào)，最大負(fù)效應(yīng)的是浙大1號(hào)；在江蘇南京最大正效應(yīng)的品種是浙大7號(hào)，最大負(fù)效應(yīng)的是浙大3號(hào)；在江西九江最大正效應(yīng)的品種是浙大1號(hào)，最大負(fù)效應(yīng)的是浙大5號(hào)。棉籽植酸含量的基因型和地點(diǎn)互作正效應(yīng)最大的是浙大8號(hào)與浙江金華，負(fù)效應(yīng)最大的是浙大6號(hào)與湖南武陵。

基因型和年份互作效應(yīng)分析結(jié)果如表6所示，同一品種植酸含量于不同年份的效應(yīng)值不同，同一年份種植的不同品種植酸含量效應(yīng)值也不同。從品種來(lái)看，浙大1號(hào)、2號(hào)、7號(hào)、8號(hào)和10號(hào)在2014年表現(xiàn)為正效應(yīng)，其中，浙大8號(hào)與2014年互作為2014年正效應(yīng)的最大值，但在2015年則表現(xiàn)為負(fù)效應(yīng)。浙大3號(hào)、4號(hào)、5號(hào)、6號(hào)、9號(hào)和11號(hào)在2014年的表現(xiàn)為負(fù)效應(yīng)，其中，浙大5號(hào)與2014年互作負(fù)效應(yīng)為2014年的最大值，但與2015年為正效應(yīng)。從年份來(lái)看，2014年與浙大8號(hào)的互作正效應(yīng)最大，與浙大5號(hào)的互作負(fù)效應(yīng)最大；2015年與浙大3號(hào)的正效應(yīng)最大，與浙大8號(hào)的負(fù)效應(yīng)最大。2年中，棉籽中植酸含量的基因型和年份互作正效應(yīng)最大的是浙大3號(hào)與2015年，負(fù)效應(yīng)最大的是浙大8號(hào)與2015年。

地點(diǎn)和年份互作效應(yīng)分析結(jié)果如表7所示，同一地點(diǎn)不同年份棉籽植酸含量互作效應(yīng)值不同，同一年份不同地點(diǎn)棉籽植酸含量的互作效應(yīng)值也不同。從地點(diǎn)來(lái)看，湖南岳陽(yáng)、湖南武陵、安徽蕪湖和江西九江4個(gè)地點(diǎn)與2014年表現(xiàn)為正效應(yīng)，正效應(yīng)最大為湖南岳陽(yáng)，2015年與這4個(gè)點(diǎn)表現(xiàn)為負(fù)效應(yīng)，負(fù)效應(yīng)最大為江西九江；湖南澧縣、浙江江山、浙江金華、安徽合肥、江蘇鹽城和江蘇南京6個(gè)地點(diǎn)棉籽植酸含量在2014年為負(fù)效應(yīng)，效應(yīng)值最大的為江蘇南京，其中浙江江山、浙江金華、江蘇鹽城和江蘇南京4個(gè)點(diǎn)在2015年為正效應(yīng)，效應(yīng)最大的為浙江金華。從年份來(lái)看，2014年湖南岳陽(yáng)的正效應(yīng)最大，江蘇南京的負(fù)效應(yīng)最大；2015年浙江金華的正效應(yīng)最大，江西九江的負(fù)效應(yīng)最大。

2.2 陸地棉種質(zhì)資源植酸含量分析

2021年海南三亞崖城鎮(zhèn)保港南繁試驗(yàn)地種植收獲的471份引進(jìn)或自育的陸地棉品種資源的植酸含量分布見(jiàn)圖4。471份陸地棉種質(zhì)資源的平均棉籽植酸含量為1.73%，變幅為0.95%～3.08%。浙江大學(xué)農(nóng)業(yè)與生物技術(shù)學(xué)院培育的292份陸地棉種質(zhì)資源的植酸含量變幅為0.95%～2.06%，平均為1.44%，大部分樣品的植酸含量在1.2%～1.6%（圖4）。國(guó)外引進(jìn)的179份陸地棉種質(zhì)資源的棉籽植酸含量為1.24%～3.08%，平均為2.22%?？梢?jiàn)，浙江大學(xué)農(nóng)業(yè)與生物技術(shù)學(xué)院培育的陸地棉種質(zhì)資源種子的植酸含量比國(guó)外引進(jìn)的要低。

所測(cè)定的471份陸地棉種質(zhì)資源中，種子植酸含量低于1%的低植酸陸地棉種質(zhì)有5份（表8），均為國(guó)內(nèi)自育的陸地棉種質(zhì)資源，可以用于后續(xù)的低植酸品種選育。種子植酸含量高于3%的有3份（表8），均為國(guó)外引進(jìn)的陸地棉種質(zhì)資源。

3" " 討論與結(jié)論

植酸是1種存在于多種植物中的天然有機(jī)酸，對(duì)植物自身的礦質(zhì)元素吸收、消化和利用起重要的調(diào)節(jié)作用。然而，植酸的存在會(huì)對(duì)人以及其他單胃動(dòng)物的礦物質(zhì)吸收產(chǎn)生負(fù)面影響，導(dǎo)致鐵、鋅等元素的攝取受到限制。長(zhǎng)期以來(lái)人們致力于從育種和加工環(huán)節(jié)來(lái)降低植酸的含量，在此過(guò)程中常需要對(duì)大量樣品中的植酸含量進(jìn)行快速、準(zhǔn)確的測(cè)定。傳統(tǒng)的植酸測(cè)定方法如分光光度法、高效液相色譜法、離子色譜法等步驟煩瑣、測(cè)定時(shí)間長(zhǎng)且成本較高，在測(cè)定前需要對(duì)樣品進(jìn)行脫殼、磨粉等處理，測(cè)定后的樣品將不能再做種子利用。近紅外光譜分析技術(shù)在評(píng)價(jià)種質(zhì)資源化學(xué)成分、品質(zhì)和營(yíng)養(yǎng)價(jià)值等方面具有多種優(yōu)勢(shì)，在農(nóng)業(yè)、化學(xué)工業(yè)、食品工業(yè)和其他行業(yè)領(lǐng)域具有廣闊的應(yīng)用前景，已成為種質(zhì)資源評(píng)價(jià)的重要手段。近紅外光譜和機(jī)器學(xué)習(xí)的結(jié)合在農(nóng)作物[8-12]、水果[13-15]和茶葉[16-17]等農(nóng)產(chǎn)品的快速、無(wú)損質(zhì)量檢測(cè)方面已發(fā)揮重要作用，可以預(yù)測(cè)各種指標(biāo)，如水分、蛋白質(zhì)含量、糖分等，也可以應(yīng)用于識(shí)別、分類和評(píng)估藥物質(zhì)量[18]。作為1種低成本和快速的疾病識(shí)別方法，近紅外光譜也被用于健康領(lǐng)域[19]。而且它可以被用來(lái)檢測(cè)和分析高分子材料[20]、評(píng)估水污染以及確定土壤中有機(jī)物的含量[21-22]。本研究所采用的測(cè)定棉花光籽植酸含量的近紅外光譜校正模型，其預(yù)測(cè)決定系數(shù)達(dá)到了0.976 8，預(yù)測(cè)準(zhǔn)確性強(qiáng)，可以替代傳統(tǒng)的化學(xué)測(cè)定方法。

基于近紅外光譜法測(cè)定棉籽植酸的結(jié)果，本研究分析了2014年和2015年種植于長(zhǎng)江中下游流域10個(gè)生態(tài)地點(diǎn)的11個(gè)陸地棉品種的棉籽植酸含量的基因型和環(huán)境效應(yīng)。研究結(jié)果表明不同基因型棉籽中的植酸含量具有較大的差異，說(shuō)明棉籽植酸含量可以通過(guò)常規(guī)的遺傳育種方法進(jìn)行改良。然而，10個(gè)試驗(yàn)地點(diǎn)的棉花種子中的植酸含量差異也較大，且年份之間的差異也達(dá)顯著水平，說(shuō)明棉花植酸含量容易受到環(huán)境因素的影響。因此，在低植酸棉花育種研究中，應(yīng)特別注意在同一環(huán)境條件下鑒定材料和選用精確的試驗(yàn)設(shè)計(jì)。從同一地點(diǎn)同一年份收獲的國(guó)內(nèi)外471份陸地棉種質(zhì)資源種子的植酸含量可以看出，陸地棉資源中種子植酸含量差異十分明顯；從中篩選到種子植酸含量低于1%的5份陸地棉種質(zhì)資源，可作為低植酸棉花育種的資源加以利用。此外，可以利用不同植酸含量的基因型之間雜交，特別是高植酸和低植酸資源的雜交，通過(guò)基因互作、基因累加等途徑創(chuàng)制低植酸含量的陸地棉種質(zhì)系并用于育種實(shí)踐。

參考文獻(xiàn)：

[1] Sawan Z M，El-Farra A A，El-Latif S A. Cottonseed， protein and oil yields， and oil properties as affected by nitrogen and phosphorus fertilization and growth-regulators[J]. Journal of Agronomy and Crop Science， 1988，65（6）：948-951.

[2] 蘭宏兵，張玲，云志. 棉籽的綜合利用及深加工技術(shù)[J]. 中國(guó)油脂，2010，35（7）：61-65.

[3] 任學(xué)良，舒慶堯. 低植酸作物的研究進(jìn)展及展望[J]. 核農(nóng)學(xué)報(bào)，2004，18（6）：438-442.

[4] 祝水金，趙茹冰，李誠(chéng)，等. 基于近紅外光譜的整粒棉籽中植酸含量的無(wú)損測(cè)定方法：CN106018335A[P]. 2016-10-12.

[5] 趙茹冰. 棉籽植酸含量近紅外光譜無(wú)損分析技術(shù)的優(yōu)化及其在棉籽植酸含量基因型與環(huán)境效應(yīng)研究中應(yīng)用[D]. 杭州：浙江大學(xué)，2017.

[6] 朱軍. 數(shù)量性狀基因定位的混合線性模型分析方法[J]. 遺傳，1998（S1）：139-140.

[7] 朱軍. 遺傳模型分析方法[M]. 北京：中國(guó)農(nóng)業(yè)出版社，1997：123-142．

[8] Chen Y，Bin J，Zou C M，et al. Discrimination of fresh tobacco leaves with different maturity levels by near-infrared （NIR） spectroscopy and deep learning[J/OL]. Journal of Analytical Methods in Chemistry，2021，2021：9912589（2021-06-08）[2023-06-05]. https：//doi.org/1155/2021/9912589.

[9] Li C，Zhao T L，Li C，et al. Determination of gossypol content in cottonseeds by near infrared spectroscopy based on Monte Carlo uninformative variable elimination and nonlinear calibration methods[J]. Food Chemistry，2017，221：990-996.

[10] Quampah A，Huang Z R，Wu J G，et al. Estimation of oil content and fatty acid composition in cottonseed kernel powder using near infrared reflectance spectroscopy[J]. Journal of the American Oil Chemists’ Society，2012，89（4）：567-575.

[11] Tian J，Chen X Y，Liang Z N，et al. Application of NIR spectral standardization based on principal component score evaluation in wheat flour crude protein model sharing[J/OL]. Journal of Food Quality，2022，2022：9009756（2022-04-12）[2023-06-05]. https：//doi.org/10.1155/2022/9009756.

[12] 劉秀英，李亞娟，胡佳鳳，等. 油用牡丹種子水分含量近紅外光譜估算研究[J]. 種子，2021，40（4）：142-148.

[13] Jiang X G，Zhu M W，Yao J L，et al. Study on the effect of apple size difference on soluble solids content model based on near-infrared （NIR） spectroscopy[J/OL]. Journal of Spectroscopy，2022，2022：3740527（2022-05-27）[2023-06-05]. https：//doi.org/10.1155/2022/3740527.

[14] Amuah C L Y，Teye E，Lamptey F P，et al. Feasibility study of the use of handheld NIR spectrometer for simultaneous authentication and quantification of quality parameters in intact pineapple fruits[J/OL]. Journal of Spectroscopy，2019，2019：5975461（2019-08-06）[2023-06-05]." https：//doi.org/10.1155/2019/5975461.

[15] Mishra P，Passos D. A synergistic use of chemometrics and deep learning improved the predictive performance of near-infrared spectroscopy models for dry matter prediction in mango fruit[J/OL]. Chemometrics and Intelligent Laboratory Systems，2021，212：104287（2021-05-21）[2023-06-05]. https：//doi.org/10.1016/j.chemolab.2021.104287.

[16] Zhu M Z，Wen B B，Wu H，et al. The quality control of tea by near-infrared reflectance （NIR） spectroscopy and chemometrics[J/OL]. Journal of Spectroscopy，2019，2019：8129648（2019-02-02）[2023-06-05]." https：//doi.org/10.1155/2019/8129648.

[17] Yang J R，Wang J，Lu G D，et al. TeaNet： Deep learning on near-infrared spectroscopy （NIR） data for the assurance of tea quality[J/OL]. Computers and Electronics in Agriculture，2021，190：106431（2021-09-16）[2023-06-05]. https：//doi.org/10.1016/j.compag.2021.106431.

[18] Zhang Z Y，Wang Y J，Yan H，et al. Rapid geographical origin identification and quality assessment of angelicae sinensis radix by FT-NIR spectroscopy[J/OL]. Journal of Analytical Methods in Chemistry，2021，2021：8875876（2021-01-12）[2023-06-05]. https：//doi.org/10.1155/2021/8875876.

[19] Wang K Y，Bian X H，Zheng M，et al. Rapid determination of hemoglobin concentration by a novel ensemble extreme learning machine method combined with near-infrared spectroscopy[J/OL]. Spectrochimica Acta Part A：Molecular and Biomolecular Spectroscopy，2021，263：120138（2021-07-09）[2023-06-05]. http：//dx.doi.org/10.1016/j.saa.2021.120138.

[20] Yang Y L，Zhang X，Yin J W，et al. Rapid and nondestructive on-site classification method for consumer-grade plastics based on portable NIR spectrometer and machine learning[J/OL]. Journal of Spectroscopy，2020，2020：6631234（2020-12-10）[2023-06-05]. https：//doi.org/10.1155/2020/6631234.

[21] Chen H Z，Xu L L，Ai W，et al. Kernel functions embedded in support vector machine learning models for rapid water pollution assessment via near-infrared spectroscopy[J/OL]. Science of the Total Environment，2020，714：136765（2020-01-17）[2023-06-05]. https：//doi.org/10.1016/j.scitotenv.2020.136765.

[22] Xu Z，Zhao X M，Guo X，et al. Deep learning application for predicting soil organic matter content by VIS-NIR spectroscopy[J/OL]. Computational Intelligence and Neuroscience，2019，2019：3563761（2019-11-29）[2023-06-05]. https：//doi.org/10.1155/2019/3563761.

（責(zé)任編輯：付毓 責(zé)任校對(duì)：秦凡）