近日，中国科学院教授、中国科学院植物研究所研究员种康研究小组和合作伙伴推出了基于“高光谱-代谢”的高通量精确鉴定技术体系，有效解决了多组数据整合表征饲料特性的问题。相关成果发表在国际学术期刊上 Phenomics。

抗盐饲料种类培养是边际土地饲料产业发展的核心和基础。饲料和其他作物的育种一直存在技术瓶颈，目标表型难以准确检测高通量。表型组学的快速发展使它成为识别饲料表型和挖掘遗传资源的利器。然而，如何有效地分析表型组产生的高通量数据仍然是一个难题。表型组学与上层组学数据集成进行多组学分析是一个重要的解决方案。目前，表型组学数据分析大多采用普遍性大数据模型，但很少报道小样本目标数据的具体模型。

因此，研究人员推出了基于“高光谱-代谢”的高通量精确鉴定技术体系，有效解决了多组数据整合表征饲料特性的问题。通过建立具有特定代谢物的光谱指数和基于最小二乘回归法的代谢物含量估算模型，他们可以整合高光谱和代谢组数据，在上层代谢数据的指导下实现光谱特性的降维分析，并利用机器学习实现对目标表的准确识别。

在苜蓿突变体抗盐表型的鉴定中，该技术在主成分分析的帮助下，具有100%的精度，能够在盐胁迫的初始阶段实现表型识别，表现出较强的预测能力。双组表型识别采用特定的目标数据模型，表型组和代谢组数据可以在没有大量数据的情况下有效整合，从而实现目标表型的准确识别。该技术将成为开发饲料繁殖领域新品种的有力工具和技术体系。