(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111209987.4 (22)申请日 2021.10.18 (71)申请人 江西农业大 学 地址 330045 江西省南昌市昌北 经济开发 区庐山中大道8 88号 (72)发明人 黄路生　唐熹　张志燕　谢磊　 肖石军　 (74)专利代理 机构 北京聿华联合知识产权代理 有限公司 1 1611 代理人 朱绘 (51)Int.Cl. G01N 21/359(2014.01) G16B 20/20(2019.01) G06F 30/27(2020.01) G06N 3/12(2006.01) (54)发明名称 基于GWAS筛选后近红外光谱特征波段预测 品质的方法及系统 (57)摘要 本发明提供了一种基于GWAS筛选后近红外 光谱特征波段预测品质的方法及系统， 应用了特 有的近红外光谱 特征波段筛选策略， 首先利用近 红外光谱采集设备对配置的原始样 本进行扫描， 获取样本的光谱 数据， 并测定样 本的各项肉质性 状理化指标， 然后按照设定的方式将两种数据导 入到对应的系统中进行GWAS分析， 进而依据分析 的结果和设定的阈值线绘制匹配的曼哈顿图， 基 于图中的信息筛选出各个肉质性状指标对应的 超过阈值的多个匹配波 段， 最终基于筛选的波 段 利用近红外光谱技术实现肉类品质的预测， 一方 面克服了传统预测流程中设备性能溢出和成本 高的问题， 将预测成本控制在合理水平， 另 一方 面简化了 数据处理的流程， 优化预测时效性的同 时提升了预测结果的精确度。 权利要求书2页 说明书12页 附图5页 CN 113945539 A 2022.01.18 CN 113945539 A 1.一种基于GWAS筛选后近红外光谱特征波段预测品质的方法， 其特征在于， 所述方法 包括： 样本配置步骤、 基于待测的全面肉质性状配置设定规模的原始肉类样本， 按照设定的 处理策略进行样本制备处 理， 并对制备的各目标样本进行编号； 数据测定步骤、 通过近红外光谱采集设备对各目标样本进行扫描获取近红外光谱数 据， 利用近红外设备附带 的测定功能模块， 或匹配的理化测定手段获取各目标样本的肉质 性状数据， 并将两种数据关联记录； GWAS分析步骤、 利用GEMMA软件调用线性混合模型对两者进行GWAS分析， 获取对应的分 析结果； 特征图绘制步骤、 基于GWAS分析后的结果文件， 配合设置的显著性阈值线绘制对应的 曼哈顿图； 特征筛选步骤、 依据 曼哈顿图中的各项肉质性状指标表征信 息相对于光谱波段表征信 息的分布情况， 筛 选确定所有肉质性状指标对应的有效光谱波段； 预测应用步骤、 利用近红外光谱技术基于筛选得到的有效光谱波段实现肉质性状的预 测。 2.如权利要求1所述的方法， 其特征在于， 在所述样本配置步骤中， 待测的肉质性状包 括以下指标： 脂肪、 水分、 蛋白质、 瘦肉率、 胶原蛋白、 盐分、 灰分、 饱和脂肪酸、 能量kJ/100g、 能量kcal/100g、 钠盐、 PH值、 L*值、 a*值以及b*值。 3.如权利要求1所述的方法， 其特征在于， 在所述样本配置步骤中， 按照设定的处理策 略进行样本制备处 理的过程包括： 去除各原始样品表面可见的脂肪与筋膜， 采用粉碎设备将每个样品搅碎以使粉碎样品 能选样均匀填入圆形玻璃 平皿中。 4.如权利要求1所述的方法， 其特征在于， 在所述数据测定步骤中， 扫描获取近红外光 谱数据后还 包括： 运用马氏距离判别法对超过马氏距离阈值的样本进行剔除， 将剩余的样本作为有效的 样本投入肉质性状数据获取及后续 步骤。 5.如权利 要求1所述的方法， 其特征在于， 在所述GWAS 分析步骤中， 包括： 将肉质性状数 据作为表型文件， 将近红外光谱数据作为基因型文件， 输入到相应的GEMMA软件或平台中， 调用线性混合模 型进行GWAS分析， 以有效消除光谱波段之 间存在的多重共线性对分析结果 产生的影响。 6.如权利要求5所述的方法， 其特征在于， 所述GWAS分析步骤中， 调用下式所示的线性 混合模型： Y＝Xb+Zu+ ε 其中， Y为样本对应的表型向量， X为由协变量生成的固定效应矩阵， Z为聚合了所有样 本光谱信息的随机效应矩阵， b和u分别表示固定效应和随机效应的权 重系数， ε为残差 。 7.如权利要求1所述的方法， 其特征在于， 在特征图绘制步骤中， 以光谱波段作为横坐 标， 显著性p值进行 ‑log10转换后作为纵坐标绘制散点图， 采用Bonferroni校正法设置显著 性阈值线。 8.如权利要求1所述的方法， 其特征在于， 在特征筛选步骤中， 针对各个肉质性状指标，权　利　要　求　书 1/2 页 2 CN 113945539 A 2选取每个指标在特征图中超过阈值的每一个顶峰以及其左右各设定数量的波段， 将这些波 段作为对应单个肉质性状指标的匹配近红外特 征波段。 9.如权利要求1所述的方法， 其特征在于， 所述方法还包括分析验证步骤、 在预测应用 步骤之前， 对筛选出 的特征波段运用多元线性回归模型相对于全波段进行验证， 通过计算 以下参数： 校正集决定系数 交叉验证 集决定系数 校正集均方根误差(RMSEC)和 交叉验证集均方根 误差(RMSE CV)对比衡量所筛 选特征波段相对于全波段的预测结果。 10.一种基于GWAS筛选后近红外光谱特征波段预测品质的系统， 其特征在于， 所述系统 执行如权利要求1～ 9中任意一项所述的方法。权　利　要　求　书 2/2 页 3 CN 113945539 A 3