研究團隊利用高光譜數據和深度卷積生成對抗網絡(DCGAN)來提高稻米蛋白質含量(GPC)估算的準確性。通過生成模擬數據，他們提高了模型的性能，實現了R²為 0.58 和 RRMSE 為 6.70%。該技術確定了與 GPC 相關的基因位點，包括OsmtSSB1L基因。該研究展示了將高光譜技術與 DCGAN 相結合用于高效遺傳分析和優質水稻品種選擇的潛力，為先進的農業實踐鋪平了道路。

水稻 ( Oryza sativa L.) 是一種重要的農作物，為全球一半以上的人口提供糧食。對優質、富含蛋白質的水稻的需求正在上升，因此準確估算谷物蛋白質含量 (GPC) 對于培育優良品種至關重要。盡管 GWAS 等基因組工具取得了進展，但傳統的表型分析仍然勞動密集且成本高昂，造成了瓶頸。光學和光譜成像的最新發展提供了高通量表型分析解決方案。然而，小型和不平衡的數據集限制了模型的性能和泛化。

2024 年 5 月 29 日在Plant Phenomics上發表的一項研究 (DOI：10.34133/plantphenomics.0200)旨在通過使用 DCGAN 生成模擬數據、提高 GPC 模型準確性并探索基因解剖潛力來解決這些問題。

該研究利用高光譜數據和 DCGAN 改進了水稻 GPC 的估算。原始和歸一化光譜數據揭示了對 GPC 分析至關重要的不同吸收特征。DCGAN 在 8,000 個時期后生成的模擬數據與測量數據非常吻合，提高了模型準確性。使用這些特征的偏最小二乘回歸 (PLSR) 模型實現了較高的驗證準確率(R 2 = 0.58，RRMSE = 6.70%)。此外，使用模擬數據進行全基因組關聯研究 (GWAS) 分析發現了重要的 SNP，包括與谷物儲存蛋白相關的OsmtSSB1L基因。這種方法展示了高泛化 GPC 模型的潛力，有助于水稻品種的高級遺傳分析和育種。

該研究首席研究員鄭恒彪介紹說：“該研究為基于高光譜技術進行水稻表型性狀的高效遺傳研究提供了一種新技術。”

綜上所述，本研究開發了一種使用 DCGAN 通過高光譜數據增強水稻 GPC 估計的方法。該方法展示了將 DCGAN 與高光譜技術相結合以改進作物表型和遺傳分析的潛力。展望未來，在不同的生態地點和更廣泛的數據集上進一步完善和驗證將增強該方法的穩健性和適用性，為更精準、更有效地培育優質水稻品種鋪平道路。