基于高光谱成像与深度学习的茶叶炭疽病超早期诊断及激素代谢机制解析

《Artificial Intelligence in the Life Sciences》：Integrative hormone-metabolite tracking reveals ultra-early immune responses to anthracnose in tea cultivars

本研究针对茶叶炭疽病早期症状隐蔽、传统检测方法滞后的问题，开发了一种结合高光谱成像（HSI）与HybridSN-CBAM深度学习算法的非破坏性超早期诊断技术。通过激素-代谢物追踪和透射电镜（TEM）分析，揭示了抗病品种的防御机制，并建立PLSR模型实现代谢标志物的定量预测（R2>0.8）。该方法较qPCR提前12小时识别病害，为茶树病害智能监测和精准农业提供了新技术支撑。

　　

在全球三大饮料作物中，茶树（Camellia sinensis）因其经济与文化价值备受关注。然而，温暖湿润的种植环境使其极易遭受炭疽病侵袭，这种由炭疽菌（Colletotrichum camelliae）引起的真菌病害可导致叶片病斑蔓延、产量损失高达20%，并破坏茶多酚、氨基酸等品质成分。传统诊断依赖人工观察或分子技术（如qPCR、ELISA），但前者主观性强，后者耗时长且无法实现田间实时监测。如何突破早期症状隐匿的检测瓶颈，成为茶树病害防控的关键挑战。

为此，浙江大学生物系统工程与食品科学学院的研究团队在《Artificial Intelligence in the Life Sciences》发表论文，提出一种融合高光谱成像（HSI）与深度学习的新型超早期诊断框架。研究通过人工接种炭疽病的抗病品种中茶108（ZC108）和感病品种龙井43（LJ43），在5个时间点（0-72小时）采集叶片高光谱数据，结合HybridSN-CBAM模型进行光谱解混，利用透射电镜（TEM）观察细胞超微结构，并整合激素测定、广靶代谢组学和生理指标（如防御酶、光合色素）分析，系统解析病害发生机制。

关键技术方法包括：1）使用Specim FX10（400-1000 nm）和FX17（900-1700 nm）高光谱相机采集数据，通过黑白校正预处理；2）构建HybridSN-CBAM深度学习模型，引入卷积注意力模块（CBAM）优化特征提取，实现病灶像素级定位；3）采用qPCR量化病原生物量，验证诊断时效性；4）利用PLSR模型建立光谱与代谢物（如激素、氨基酸）的定量关系；5）通过TEM观察细胞器动态变化，关联光谱-生理响应。

3.1 超早期诊断性能

HybridSN-CBAM模型在测试集达到78%准确率，较基线模型提升3%，收敛速度提升40%。通过端元（EM）分析，在感染12小时即识别出病灶特征光谱（EM3），其反射率在510 nm处平坦化，近红外区（760-1000 nm）升高，提示叶绿素降解和水分流失（图3a）。而qPCR直至24-36小时才检测到显著病原增量（图3c），证明HSI技术可将诊断窗口提前12小时。

3.2 激素与代谢重编程

代谢组学鉴定出2010种代谢物，其中64种差异代谢物（如氨基酸、生物碱）为两品种共有。抗病品种ZC108的茉莉酸（JA）和生长素（IAA）含量在感染72小时时分别为感病品种的2.4倍和3倍（图4c），且防御酶（PPO、CAT）活性更高，表明其通过激活激素通路强化抗性。

3.3 生理指标与光谱关联

PLSR模型显示，61.3%的生理指标（如生物碱、叶绿素b）与光谱数据显著相关（R²>0.5）。例如，JA和叶绿素b的预测R²>0.9（图6c），证实光谱特征可定量反映代谢波动。

3.4 细胞超微结构演变

TEM揭示感染12小时时，ZC108仅出现质壁分离和线粒体肿胀，而LJ43已发生核仁异常；至72小时，感病品种叶绿体完全崩解（图7）。这种结构损伤与光谱中色素吸收峰（450 nm、670 nm）减弱、水吸收带（970 nm）偏移相互印证，阐明超早期诊断的细胞学基础。

研究通过多组学整合，证实HSI-CBAM框架能够捕捉感染初期的代谢与结构变化，实现病害“未病先防”。该技术为作物病害无创监测提供了新范式，未来可通过无人机载光谱系统推向田间应用。文中对模型线性假设、品种泛化性等局限的讨论，也为后续研究指明了优化方向。