破译与锦葵（Hibiscus syriacus）中黄酮类化合物和花青素合成相关的microRNA-mRNA网络

《Industrial Crops and Products》：Deciphering microRNA-mRNA networks underlying flavonoids and anthocyanins syntheses in Hibiscus syriacus

　　叶片高光谱反射率预测大麻成熟花蕾中THC、CBD等成分含量，机器学习模型，非破坏性检测，工业大麻，药用大麻，光谱范围优化，早期预测，光调控，Cannabis sativa，化学类型分类。

　　在当前的研究中，科学家们探讨了如何利用非破坏性方法预测大麻植物中的大麻素浓度。这种技术对于优化作物价值和确保工业及医用大麻领域的合规性至关重要。通过在植物整个花期中对扇叶进行高光谱反射率（FLHR）测量，研究人员首次证明了这种方法可以准确预测成熟花序中的最终大麻素含量。研究对象包括两种大麻品种，它们在七种不同的光照条件下生长。所使用的机器学习模型对大麻素的预测精度高达R2值为0.89（针对CBD）、0.77（针对THC）和0.8（针对总大麻素含量），超过了以往的预测方法。这种方法的优势在于它使用了一种手持式高光谱设备，能够在不进行破坏性采样或实验室分析（如高效液相色谱或气相色谱-质谱分析）的情况下，快速、原地评估完整的扇叶。这不仅为大麻作物的基因型分类提供了工具，还为种植者和育种者提供了在收获前几周预测大麻素组成的能力，从而提高产品质量、降低成本，并确保符合严格的THC限制。

这项研究的核心在于，通过高光谱反射率技术，可以区分不同的大麻品种和光照处理。在实验中，研究团队使用了两种大麻品种：Black Label（BL）和Mountain Strong CBD 1（MSD1），并采用了一系列光照处理，包括混合的高压钠灯（HPS）和金属卤化物灯（MH）以及不同比例的LED灯。在两种生长周期（GC2和GC3）中，对植物的生长状况和大麻素含量进行了监测。结果显示，不同的光照条件对植物的生长和大麻素积累产生了显著影响。例如，在红光为主的光照条件下，植物通常生长得更高，叶子颜色更浅；而在蓝光为主的光照条件下，植物的生长高度相对较低，但叶子颜色更深。此外，某些光照处理下，MSD1的扇叶甚至呈现出紫色，这可能是由于类黄酮的积累，以应对特定的光谱质量。

研究团队在两个生长周期中分别在开花初期和后期对植物进行高光谱反射率测量。他们使用了一种高精度的光谱仪（ASD FieldSpec3 Hi-Res宽带光谱辐射计）来获取数据，其覆盖的波长范围从350到2500纳米，共包含2151个波长点。测量时，研究人员特别注意选择那些受自身遮荫影响较小的外部扇叶，并确保在测量过程中避免环境光干扰。通过校准和暗电流校正，他们确保了数据的稳定性和准确性。研究中还涉及了多种机器学习模型的构建，包括偏最小二乘法（PLS）、多层感知机（MLP）和径向基函数网络（RBF）。这些模型在预测大麻素含量方面表现出色，其中PLS模型在大多数预测任务中表现最佳。

研究结果显示，高光谱反射率数据在区分不同大麻品种和光照处理方面具有显著优势。通过线性判别分析（LDA），研究团队发现两种大麻品种在不同光照条件下表现出明显的差异。特别是在GC2生长周期中，早期（开花前）的测量显示出更高的预测准确性，这可能是由于在该阶段，大麻素前体的积累与最终大麻素含量之间存在更明显的关联。相比之下，GC3生长周期中，由于光照条件的差异，预测精度有所变化。此外，研究还指出，大麻素的预测能力并不总是与化合物的浓度成正比，某些低浓度的大麻素（如CBGA和CBCA）也能通过高光谱数据被准确预测。

研究团队还强调了高光谱反射率技术在非破坏性检测中的优势。与传统的实验室方法（如HPLC和GC-MS）相比，这种方法不需要破坏植物组织，且可以实现快速检测。这对于工业大麻作物尤为重要，因为超过法定THC含量的作物需要被销毁，而这种技术可以提前识别出可能超标的大麻植物，从而避免不必要的经济损失。同时，这种方法也可以帮助医用大麻种植者更准确地预测产量，优化种植策略。

此外，研究还讨论了高光谱数据在植物生长过程中的应用潜力。通过分析不同光照条件下植物的光谱特征，研究团队发现植物的生长形态和代谢产物积累受到光照质量的显著影响。这种影响不仅体现在植物的高度和叶子颜色上，还体现在大麻素前体的积累模式上。例如，在蓝光为主的光照条件下，大麻素前体（如CBGA）的积累更为显著，这可能与蓝光对植物代谢过程的刺激作用有关。同时，红光为主的光照条件则可能促进大麻素的最终合成，这与之前的实验结果一致。

研究团队还指出了未来研究的方向。他们认为，为了进一步提高预测精度，未来的研究可以专注于特定的叶片区域，特别是靠近所选花序的叶片。这样可以减少因测量不同叶片位置而可能引入的误差。此外，研究还建议，未来的工作应关注不同生长周期和光照条件下，大麻素前体和最终产物之间的关系，以更好地理解光谱数据与大麻素含量之间的联系。

总的来说，这项研究为大麻作物的非破坏性评估提供了新的思路和方法。通过高光谱反射率测量和机器学习模型的结合，研究人员能够提前预测大麻素含量，这对种植者和育种者具有重要意义。这种方法不仅能够提高大麻作物的生产效率，还能帮助确保符合法规要求，减少不必要的损失。此外，它还为未来的大麻研究和应用提供了新的工具，有助于更深入地了解植物的生长和代谢过程。