植物工厂快速育种缩短水稻世代时间并提高代谢多样性

刘毅 ,  李宗耕 ,  程浩 ,  杨晓 ,  李明玥 ,  刘宏艳 ,  甘仁友 ,  杨其长

Engineering ›› 2025, Vol. 50 ›› Issue (7) : 259 -269.

PDF (8074KB)
Engineering ›› 2025, Vol. 50 ›› Issue (7) : 259 -269. DOI: 10.1016/j.eng.2024.09.019
研究论文

植物工厂快速育种缩短水稻世代时间并提高代谢多样性

作者信息 +

Plant Factory Speed Breeding Significantly Shortens Rice Generation Time and Enhances Metabolic Diversity

Author information +
文章历史 +
PDF (8267K)

摘要

水稻（Oryza sativa L.）在全球粮食安全中发挥着重要作用，但其育种效率受季节限制和加代时间长的影响。为了提升水稻育种效率，保障未来粮食需求，本研究在人工光植物工厂中设计了一种多层立体水培育种系统来加速水稻生长，缩短育种世代时间。结果表明在植物工厂中籼稻（ZF802M）可在定植后第63天收获，较传统大田栽培生育期缩短了一半，一年能够繁殖5~6代。试验通过高光谱成像（HSI）系统和全红外（ATR-IR）光谱分析了植物工厂和大田水稻的化学成分差异。此外，超高效液相色谱-质谱（UPLC-MS/MS）和气相色谱-质谱（GC-MS）的代谢组学分析表明，与大田水稻相比，植物工厂水稻中总酚酸和68种非挥发性及19种挥发性代谢物的含量明显上调。研究揭示了人工光植物工厂水稻的代谢特征，证实了植物工厂在加速水稻育种、提升育种效率等方面的巨大潜力，为解决全球人口增长和气候变化加剧的粮食安全问题提供了全新的方案。

Abstract

Rice (Oryza sativa L.) plays a pivotal role in global food security, yet its breeding is constrained by its long generation time and seasonality. To enhance rice breeding efficiency and meet future food demands, we have developed a vertical hydroponic breeding system integrated with light-emitting diodes (LEDs) lighting in a closed plant factory (PF), which significantly accelerates rice growth and generation advancement. The results show that indica rice can be harvested as early as after 63 days of cultivation, a 50% reduction compared with field cultivation, enabling the annual harvesting of 5–6 generations within the PF. A hyperspectral imaging (HSI) system and attenuated total reflectance (ATR) infrared (IR) spectroscopy were further employed to characterize the chemical composition of the PF- and field-cultivated rice. Metabolomics analysis with ultra-performance liquid chromatography-tandem mass spectrometry (UPLC-MS/MS) and gas chromatography-mass spectrometry (GC-MS) revealed that, compared with the field-cultivated rice, the PF-cultivated rice exhibited an up-regulation of total phenolic acids along with 68 non-volatile and 19 volatile metabolites, such as isovitexin, succinic acid, and methylillicinone F. Overall, this study reveals the unique metabolic profile of PF-cultivated rice and highlights the potential of PFs to accelerate the breeding of crops such as rice, offering an innovative agricultural strategy to support food security in the face of global population growth and climate change.

关键词

植物工厂 / 立体种植 / 水培 / 快速加代 / 代谢组

Key words

Plant factory / Vertical cultivation / Hydroponics / Rapid generation / Metabolomics

引用本文

引用格式 ▾
刘毅,李宗耕,程浩,杨晓,李明玥,刘宏艳,甘仁友,杨其长. 植物工厂快速育种缩短水稻世代时间并提高代谢多样性[J]. 工程（英文）, 2025, 50(7): 259-269 DOI:10.1016/j.eng.2024.09.019

登录浏览全文

4963

注册一个新账户 忘记密码

1 引言

水稻（Oryza sativa L.）是全球60%以上人口的主食，在粮食安全、营养供应和经济发展中发挥着重要作用[1‒5]。预计2050年全球人口将达百亿[6]，对水稻产量的需求也将随着人口的增长而增加[7‒8]。然而，当前常规水稻育种周期长、效率低，无法满足未来人口的庞大需求[9]，如何满足未来需求，快速培育出高产优质的水稻新品种成为一大挑战。因此，研究和开发“快速育种”技术对提高水稻的育种效率，保障粮食安全具有重要意义。

在环境可控设施内，调控环境要素可以促进作物生长，实现快速育种[10‒11]。植物工厂（PF）是一种在密闭条件下通过高精度环境控制，实现作物在垂直立体空间上周年计划性生产的高效农业生产系统。与大田栽培相比，植物工厂内部环境完全可控，结合营养液栽培，能够为作物生长提供最佳的生长环境和营养条件，从而促进作物生长，实现一年多茬种植[12]。当前，延长光照时间和控制温度等方法已成功应用于加速春小麦（Triticum aestivum）、硬粒小麦（Triticum durum）、大麦（Hordeum vulgare）、鹰嘴豆（Cicer arietinum）和豌豆（Pisum sativum）等长日照作物的育种[13‒14]。但延长光照时间无法实现水稻等短日照作物的快速育种，反而会推迟开花和延长生育期，影响世代进程。为了加速水稻等短日照作物的繁育，缩短育种周期，引入基于发光二极管（LED）光环境调控的快速育种技术[15‒16]。Kabade等[16]提出了一种名为“SpeedFlower”的快速育种方案，即在可控环境设施内通过控制光强、光质和光周期来诱导水稻快速开花，结合激素处理和提前收获可实现水稻一年种植4~5代。然而，这种快速育种技术忽略了根际环境对水稻生长的影响，缺乏相关的根际环境调控技术。

此外，依赖于环境调控的快速育种技术不仅能够显著缩短作物的生育期，对作物的代谢物也会产生影响。目前，生育期缩短后的水稻代谢变化尚不清楚。近年来，高光谱成像（hyperspectral imaging, HSI）系统和全红外（attenuated total reflectance infrared, ATR-IR）光谱被证实在分析种子蛋白质和淀粉等内部成分方面具有良好的应用效果[3,17]。超高效液相色谱-质谱（metabolomics analysis using ultra-performance liquid chromatography-tandem mass spectrometry, UPLC-MS/MS）和气相色谱-质谱（gas chromatography-mass spectrometry, GC-MS）的代谢组学分析也可以用来区分不同代谢物进而评估作物品质[18‒19]。因此，获取水稻的关键光谱和代谢组学信息对其品质评价具有重要参考价值。

本研究在全封闭的LED人工光植物工厂中设计了一套多层立体水培育种系统，通过调控水稻生长的环境和营养，诱导其快速生长，实现一年多代的快速繁育，从而加速水稻育种世代进程，缩短育种周期。此外，为了阐明植物工厂栽培对稻米品质的影响，我们利用ATR-IR和HSI系统，结合UPLC-MS/MS和GC-MS代谢组学分析，系统地研究了植物工厂水稻与大田栽培水稻的品质差异。本研究旨在提出一种创新育种方式，为提升育种效率、支撑作物生产和保障全球粮食安全提供全新的策略。

2 材料与方法

2.1 水稻快速育种

本文以籼稻（ZF802M）为实验材料。首先将种子在室温下浸泡24 h，然后播种到育苗穴盘中。发芽后将穴盘置于由红-白-蓝三色芯片组成的混合LED灯下培养7天，其中白色LED芯片的光谱由蓝光（28%）、绿光（42%）、红光（28%）以及远红光和紫外（UV）光（2%）组成[图1（a）]。光通量密度（photon flux density, PFD）为100 μmol∙m-2∙s-1（穴盘上方10 cm），光周期为13 h（7:00~20:00），其中红光、蓝光、绿光、远红光和紫外光的光强占比分别为35%、47%、16.5%、1.5% [图1（b）]。而后，将水稻幼苗定植到带有LED的双层水培种植系统中，栽培板长120 cm，宽60 cm，共18个定植孔，每孔定植3株水稻幼苗。LED灯板到栽培板的距离为60 cm，PFD设置为350 μmol∙m-2∙s-1（栽培板上方10 cm处）。LED光的光谱组成如图1（b）所示；光周期设置见附录A表S1。营养液采用Hoagland配方，pH为6.3 ± 0.1，电导率（EC）为(1.6 ± 0.1) mS∙cm-1，并通过60 W的水泵进行24 h循环，确保营养液溶解氧浓度。整个栽培期室内温度设为(28/21 ± 2) ℃（白/黑），相对湿度设为65% ± 5%，光期CO2设为(400 ± 10) μmol∙mol-1。种子收获晒干后，储存在4 ℃的冰箱中。

2.2 高光谱图像采集

本研究采用高光谱技术来区分植物工厂栽培和田间栽培的水稻种子[20‒21]。在图像获取之前，在每种样本中随机选取30粒水稻种子，并将它们放置在黑板上[图2（a）]。使用波数在400~1000 cm-1之间的HSI系统，在反射模式下获取了水稻种子样本的全连续光谱图像。图像获取的参数如附录A中的表S2所示。随后获取了植物工厂栽培和田间栽培水稻种子的图像和高光谱数据。为了提高图像获取的可比性和鲁棒性，额外使用了两张图像——暗电流图像（RD）和白参考图像（RW），来调整获取的水稻种子样本的原始图像（R0）。RD漫反射率约为0，通过用不透明盖子覆盖相机镜头获得；RW漫反射率约为99.9%，从白板上获取。所有图像的调整使用SpectrononPro 3.0.3软件（Resonon公司，美国）进行。水稻种子样本的调整图像（R）计算公式如下：

R=(R0-RD)(RW-RD)

最后，本研究结合主成分分析（PCA）和正交偏最小二乘判别分析（OPLS-DA），分析水稻种子的光谱信息。

2.3 ATR-IR光谱采集

带壳的水稻种子样本在38 ℃的烘箱中干燥至无水分，然后研磨成细粉用于ATR-IR光谱的采集。将1.5 mg的稻米粉样品与150 mg的溴化钾（KBr）彻底混合，然后将混合物压成片状，不含稻米粉的KBr（150 mg）也被压成片状作为空白对照。将片状样品固定在ATR锗晶体上，以45°角的单次反射进行光谱采集。使用空白片获取参考背景光谱。ATR-IR的设置为波数范围在400~4000 cm-1区间，分辨率为4 cm-1，扫描频率为7.5 kHz，扫描次数为32次，温度为25 ℃。使用OMNIC 8.0软件（赛默飞世尔科技公司，美国）完成光谱获取。每个样本的光谱分析进行了三次重复。为了比较植物工厂栽培和田间栽培水稻种子的光谱差异，本研究对每个样本的ATR-IR光谱数据进行了PCA和OPLS-DA分析。

2.4 UPLC-MS/MS对非挥发性物质的广泛靶向代谢组学分析

2.4.1 样品准备

根据之前研究中报道的方法[22]，通过冷冻法将水稻种子干燥后研磨成细粉，然后进行代谢物提取。即将水稻种子粉末（50 mg）与1.2 mL 70%甲醇水溶液在室温下混合，然后涡旋混合6次，每次30 s，间隔30 min。离心（12 000g, 3 min）后，收集上清液，通过0.22 μm滤膜过滤，并进行UPLC-MS/MS分析。

2.4.2 UPLC-MS/MS 条件

根据之前研究中报道的方法[23]，进行UPLC-MS/MS分析。样品分离使用配备了Agilent SB-C18色谱柱（1.8 µm, 2.1 mm × 100 mm）的SHIMADZU Nexera X2 UPLC系统（Shimazu，日本）。流动相由溶剂A（0.1%甲酸水溶液）和溶剂B（0.1%甲酸乙腈溶液）组成。流动相梯度程序设置如下：0 min，5%溶剂B；0~9 min，5%至95%溶剂B；9~10 min，95%溶剂B；10~11.10 min，95%至5%溶剂B；11.10~14 min，5%溶剂B。柱温设定为40 ℃，进样量为4 μL，流速为4.0 mL∙min-1。此外，使用配备有电喷雾电离（ESI）Turbo Ion-Spray接口的Applied Biosystems 4500三重QTRAP系统（Thermelfeld，美国）进行串联四极杆（QQQ）和线性离子阱（LIT）模式的采集。ESI参数设置如下：源温度为550 ℃；喷雾电压为5500 V（正离子）/-4500 V（负离子）；离子源气体I为50 psi，气体II为60 psi；帘气为25 psi。通过混合每个单独样本的等量来制备质量控制（QC）样本，以分析在相同处理方法下样本的重复性。

2.5 挥发性代谢物的 GC-MS 分析

2.5.1 样品准备

将存储在-80 ℃的冷冻水稻种子用液氮研磨，并用涡旋混合器均匀混合。取约500 mg样品于1 mL液氮中，放入顶空瓶中，随后加入饱和氯化钠溶液（10 μL, 50 μg∙mL-1）；混合物通过全自动顶空固相微萃取（HS-SPME）法进行提取。具体而言，混合物在60 ℃下孵化5 min，使用120 μm固相微萃取（SPME）纤维组件（二乙烯基苯/卡盒烯/聚二甲基硅氧烷，DVB/CAR/PDMS）提取15 min，在250 ℃下保持5 min，然后进行GC-MS分析。在取样前，提取头在纤维调节站中25 ℃下老化5 min。

2.5.2 GC-MS 条件

使用安捷伦8890/7000D GC-MS分析挥发性代谢物。通过HS-SPME提取的样品使用DB-5ms毛细管柱（30 m × 0.25 mm × 0.25 μm）进行分离。温度程序设置为40 ℃保持3.5 min，以10 ℃∙min-1的速率升至100 ℃，以每7 ℃∙min-1的速率升至180 ℃，然后以25 ℃∙min-1的速率升至280 ℃，并最终保持280 ℃，维持5 min。氮气流量设置为1.2 mL∙min-1，溶剂延迟3.5 min。质谱（MS）分析在单离子监测（SIM）模式和定性定量离子精确扫描模式下进行，MS电子能量为70 eV。四极杆温度、质谱接口温度和离子源温度分别设置为150 ℃、280 ℃和230 ℃。通过比较化合物碎片同国家标准与技术研究院图书馆中化合物的相似性，对化合物进行初步鉴定。在相同的毛细管柱和GC-MS条件下运行1 µL的正构烷烃（C7~C25）混合物，以获得Kovats保留指数（RI）。

2.6 统计分析

本文使用Origin 2022（OriginLab，美国）创建光谱数据和条形图。利用云平台工具，对水稻种子的主要和次级代谢物进行了层次聚类分析（HCA）、PCA和OPLS-DA。根据OPLS-DA模型，使用投影重要性变量（VIP）大于或等于1，结合倍数变化（FC）大于或等于2及FC小于或等于0.5来筛选样本间差异代谢物。基于基因与基因组京都百科全书（KEGG, https://www.kegg.jp/kegg/pathway.html.），第3.4.2节中展示了主要代谢物及其相关代谢途径的可视化代谢图。

3 结果与讨论

3.1 植物工厂加速水稻育种

如图2（b）所示，籼稻（ZF802M）在定植后第45天开始抽穗，第63天收获，生育期与大田栽培相比缩短了一半，一年能够繁殖5~6代。试验结果表明，植物工厂水稻的结实率、谷草比和千粒重分别为87.7%、0.60和(25.0 ± 0.2) g。此外，植物工厂水稻种子具有良好的活力，种子发芽率超过96%。

与现有的快速育种技术[15‒16,24‒26]相比，我们首次提出植物工厂多层立体水培育种系统[图2（c）]。水培能够为作物生长提供充足的养分供应，提高养分利用率，实现节水节肥[27‒28]。目前快速育种技术主要是通过调控温度和光照等地上部环境要素来加速作物生长，而植物工厂多层立体水培育种系统可在对地上生长环境要素控制的基础上，兼顾地下根际环境与营养的控制，实现地上-地下环境营养的协同调控。与盆栽相比，水培可精准调控根际环境和养分含量[12]，充足的养分供应和良好的根际环境有助于促进水稻迅速生长，进而大幅缩短生育周期，提升周年迭代次数，实现更加快速的育种[29]。此外，植物工厂立体栽培扩大了种植空间，提高了单位种植效率，进而降低了可控环境设施高昂的运营和能耗成本。

3.2 利用光谱分析鉴别植物工厂和大田栽培水稻种子

水稻种子的主要成分，如水分、淀粉、脂肪、蛋白质和各种氨基酸，含有大量含氢基团（X‒H），具有红外吸收能力[30]。最近，ATR-IR及其光谱结合PCA、OPLS-DA等模式识别方法，被应用于识别水稻种子[30]。因此，为了实现水稻种子的高精度识别，我们收集了水稻种子在400~4000 cm-1的ATR-IR光谱和400~1000 cm-1的HSI光谱，并进一步建立了PCA和OPLS-DA模型来区分植物工厂和田间种植的水稻种子。

ATR-IR光谱的结果表明，不同水稻种子的吸收光谱在400~4000 cm-1范围内相似，显示出5个主要波段，波数分别为1150~1220 cm-1、1410~1500 cm-1、1660~1800 cm-1、2860~2951 cm-1和2975~3650 cm-1 [图3（a）和（b）]。1150~1220 cm-1波段可以归因于与脂肪族烃相关的C‒H第二泛音，而1410~1500 cm-1波段可以归因于与淀粉相关的O‒H官能团或与蛋白质相关的N‒H第一泛音[17]。对于水，特征性的负吸收带在1660~1800 cm-1和2975~3650 cm-1处与O‒H弯曲相关[31]。芳香族化合物在1042 cm-1处显示出吸收峰，这是由于苯环芳香面上的C‒H弯曲振动。对于羧酸，最特征的峰位于1085 cm-1，是由于‒COOH中的C=O（羧基）伸缩振动。在2860~2951 cm-1区域的吸收带也与烷烃、醇和脂肪酸有关，这是由于CH3和CH2基团中的C‒H伸缩振动。数据显示，水、芳香族化合物、烷烃、醇、脂肪酸和羧酸的吸收峰主导了光谱，表明这些可能是水稻种子中的主要化合物。在965 cm-1和1500 cm-1处观察到的特征性带可以归因于糖类和有机酸，这是由于CH‒OH的伸缩振动。在1410~1450 cm-1和1510~1540 cm-1处的特征性负吸收带可以归因于蛋白质和氨基酸中的N‒H、C‒H和O‒H的伸缩振动[31]。为了进一步了解两种水稻种子的内在差异，我们在400~4000 cm-1的ATR-IR光谱数据上进行了PCA，结果显示PF培养和田间种植的水稻种子之间有明显分离[图3（c）]。如图3（d）所示，OPLS-DA模型揭示了植物工厂和田间种植的水稻种子样本之间有更明显的区别，主成分1（PC1）和主成分2（PC2）的累积贡献率为96%。这些结果表明两种水稻种子之间存在内在差异。

HSI光谱的结果揭示了PF培养和田间种植水稻种子在400~750 cm-1的吸收光谱相似[图3（e）]，但在750~1000 cm-1处有所不同[图3（f）]。如图3（g）所示，400~1000 cm-1的HSI光谱的PCA显示了PF培养和田间种植水稻种子之间的明显分离，PC1和PC2占总变异的92%。OPLS-DA图[图3（h）]显示了植物工厂培养和田间种植水稻种子样本之间更清晰的分离，而PC1和PC2的累积贡献率为64%。

上述结果表明，可以根据不同的光谱指纹区分植物工厂培养和田间种植的水稻种子，这些指纹可能与它们的化学成分和丰度有关，与之前的研究结果一致[2,32]。HSI和ATR-IR检测结果证实，快速育种技术可以影响水稻种子的ATR-IR光谱。

3.3 植物工厂快速育种对水稻种子非挥发性代谢物的影响

快速育种对于突破传统育种和栽培技术的瓶颈具有重要意义。然而，其对水稻质量的影响尚不清楚。因此，我们进一步研究了植物工厂快速育种是否显著影响水稻中的非挥发性代谢物。

3.3.1 非挥发性代谢物谱分析

为了探索快速育种对水稻非挥发性代谢物轮廓的影响，我们基于UPLC-MS/MS进行了代谢组学分析（图4）。在正负离子模式下共确定了1000个非挥发性差异代谢物，包括190个黄酮类化合物、171个脂质、147个酚酸、102个氨基酸及其衍生物、97个生物碱、89个有机酸、65个核苷酸及其衍生物、33个木脂素和香豆素、10个萜类化合物、2个醌类、1个单宁和93个其他代谢物[附录A中的图S1（a）]。所有代谢物在植物工厂培养和田间种植的水稻种子中都被检测到，但植物工厂培养水稻种子中的代谢物比例与田间种植水稻种子中的不同[图4（a）]。在田间种植的水稻种子中，氨基酸及其衍生物（28.20%）、脂质（22.40%）和生物碱（19.14%）是非挥发性代谢物中比例最高的，而在植物工厂培养的水稻种子中，脂质（22.84%）、有机酸（20.97%）、氨基酸及其衍生物（12.37%）和生物碱（10.73%）是非挥发性代谢物的主要组成部分。

如图4（b）所示，植物工厂培养的水稻种子中的非挥发性代谢物总量高于田间种植的水稻种子。据报道，脂质在熟米饭硬度中起着重要作用[33]。与田间种植的水稻种子相比，植物工厂培养和田间种植的水稻种子之间的脂质水平没有显著差异。有趣的是，我们发现植物工厂培养的水稻种子中酚酸和有机酸的相对丰度显著增加。酚酸和有机酸是几种氨基酸的能量代谢中间产物，可以改善食物的味道、营养价值和储存时间[34‒35]。由于许多有机酸和酚酸具有抗氧化活性[36‒37]，植物工厂环境中的培养可能增强了水稻的抗氧化成分，使其更有营养。然而，植物工厂培养的水稻种子中氨基酸的相对丰度低于田间种植的水稻种子，这可能与水稻生长过程中氨基酸转化为有机酸和酚酸有关。

为了进一步评估植物工厂培养和田间种植水稻的整体代谢多样性，我们通过PCA得分图分析了代谢组数据，发现PC1和PC2分别占总变异的63%和10% [图4（c）]。基于HCA分析的热图显示了育种过程中水稻种子的动态变化[附录A中的图S1（b）]。样本被分为两组，HCA分析结果与PCA和OPLS-DA结果一致。

总体而言，这些结果表明植物工厂环境影响了水稻种子的非挥发性代谢轮廓。值得注意的是，快速育种可以提高籼稻的营养价值，增加其有机酸和酚酸的含量，这可能是来自氨基酸的生物转化。

3.3.2 挖掘非挥发性差异代谢物

在OPLS-DA评估模型中，预测参数包括R2X、R2Y和Q2。具体来说，R2X和R2Y分别表示构建模型对X和Y矩阵的解释能力，而Q2代表模型的预测能力。这三个指标越接近1，模型的稳定性和可靠性就越高。当Q2大于0.5时，可以认为是有效的模型，而Q2大于0.9则定义为优秀模型。一个可预测且非过拟合的OPLS-DA模型（R2Y = 1, Q2 = 0.992）被验证并用于筛选水稻种子中差异表达的化合物。基于OPLS-DA图[图4（d）]和VIP值，我们共鉴定出426个差异代谢物（p < 0.05、VIP ≥ 1、FC ≥ 2或FC ≤ 0.5）作为区分植物工厂培养和田间种植水稻种子的生物标志物（附录A中的表S3），包括68个黄酮类化合物、60个氨基酸及其衍生物、56个生物碱、48个酚酸、34个核苷酸及其衍生物、13个木脂素和香豆素、22个脂质、23个有机酸、4个三萜类化合物和29个其他代谢物。其中，257个差异代谢物上调，169个差异代谢物下调。OPLS-DA模型中VIP值最高的前20个代谢物如图5（a）所示。

与田间种植的水稻种子相比，在植物工厂培养的水稻种子中发现了157个差异代谢物（VIP ≥ 1.00、p < 0.05）（附录A中的表S4），包括68个上调代谢物（13个酚酸、10个脂质、8个有机酸、7个核苷酸及其衍生物、7个黄酮类化合物、5个生物碱、5个木脂素和香豆素、1个萜类化合物和12个其他代谢物[图5（b）]。在68个显著上调的非挥发性代谢物中，有8个非挥发性代谢物仅在植物工厂培养的水稻种子中检测到，包括松脂酚-4-O-葡萄糖苷、2-α-亚麻酸甘油-1-O-葡萄糖苷、3'-脱氧腺苷、6-O-咖啡酰-D-葡萄糖、1-O-咖啡酰-β-D-葡萄糖、3-吲哚丙酸（3-IPA）、槲皮素-4'-O-葡萄糖苷和异落叶松树脂酚9'-O-葡萄糖苷。值得注意的是，松脂酚-4-O-葡萄糖苷，是一种木脂素化合物，也存在于野茉莉的花[38]和连翘的果实中[39]，可能具有镇痛效果。3'-脱氧腺苷是一种具有抗多种癌症的核苷酸类似物[40]，而1-O-咖啡酰-β-D-葡萄糖是一种从蔬菜丝瓜（即海绵瓜）的果实中分离出的亲水性抗氧化剂[41]。3-IPA是一种色氨酸衍生的代谢物，具有多种有益功能，如免疫调节和抗炎及抗氧化活性[42‒43]。有趣的是，异落叶松树脂酚是其中唯一上调的萜类化合物；它也存在于马齿苋中，对某些神经退行性疾病可能有医疗作用[44‒45]。另一方面，20个氨基酸及其衍生物显著下调[图5（c）]。

为了阐明非挥发性代谢物的主要代谢途径，我们注释并富集了426个差异非挥发性代谢物，并将它们划分为不同的KEGG途径。差异代谢物涉及89条途径；前20条途径（p < 0.05）在泡沫图中展示[附录A中的图S2（a）]，包括氨酰-转运RNA（tRNA）生物合成、谷胱甘肽代谢、氨基酸生物合成、甘氨酸、丝氨酸-苏氨酸代谢，以及精氨酸-脯氨酸代谢途径。这些途径主要与生物碱、黄酮类化合物、木脂素、香豆素、脂质、核苷酸、有机酸、酚酸、萜类化合物和氨基酸的代谢有关。

68个显著上调的差异代谢物和20个显著下调的氨基酸及其衍生物的主要代谢途径综合展示在附录A的图S3中。最终，在52个KEGG相关途径中注释了34种化合物（11个氨基酸及其衍生物、5个有机酸、3个脂质、3个核苷酸及其衍生物、3个酚酸、2个黄酮类化合物、1个木脂素和6个其他物质），如附录A中的表S5所示。我们发现有机酸和酚酸与嘧啶代谢途径、丙酮酸代谢、丙氨酸/天冬氨酸/谷氨酸代谢，以及苯丙烷生物合成途径密切相关。另一方面，11个氨基酸及其衍生物与氨基酸生物合成、氨酰-tRNA生物合成和乙醛酸二羧酸代谢途径密切相关。其余45个上调的差异代谢物和9个下调的氨基酸及其衍生物由于缺乏关于其功能的可用信息，因此没有注释在任何途径中。

综合这些数据表明，植物工厂培养可以诱导水稻积累比田间培养更多的有机酸和酚酸，这可能与植物工厂条件下促进嘧啶代谢、丙酮酸代谢、丙氨酸、天冬氨酸和谷氨酸代谢以及苯丙烷生物合成有关。68个显著上调的差异代谢物和20个显著下调的氨基酸及其衍生物可以用作非挥发性生物标志物，以区分植物工厂培养的水稻种子和田间种植的水稻种子。

3.4 植物工厂快速育种对水稻种子挥发性代谢物的影响

挥发性代谢物是决定食物特征香气和风味的主要化合物，这使它们成为评价水稻质量的另一个重要指标[46‒47]。因此，我们还研究了植物工厂快速育种是否显著影响水稻的挥发性代谢物。

3.4.1 挥发性化合物的组成差异

基于GC-MS系统，本研究在正负离子模式下共确定了530个挥发性代谢物。所有这些挥发性化合物可分为15类[附录A中的图S1（c）]：93个杂环化合物（17.58%）、91个酯类（17.2%）、77个萜类化合物（14.56%）、58个烃类（10.96%）、49个醛类（9.07%）、46个醇类（8.70%）、38个酮类（7.18%）、35个芳香族化合物（6.62%）、13个酸类（2.46%）、9个酚类（1.70%）、7个胺类（1.32%）、6个氮化合物（1.13%）、4个卤代烃（0.76%）、2个硫化合物（0.38%）和2个其他化合物（0.38%）。如图4（e）所示，植物工厂培养和田间种植水稻种子中挥发性化合物的各类别占比相似。在植物工厂培养的水稻种子中，最丰富的挥发性代谢物包括芳香族化合物（16.66%）、硫化合物（14.85%）、杂环化合物（10.08%）和胺类（10.11%）。相比之下，田间种植的水稻种子中最丰富的挥发性代谢物是硫化合物（16.70%）、芳香族化合物（14.29%）、醛类（12.42%）和杂环化合物（10.52%）。如图4（f）所示，植物工厂培养的水稻种子中挥发性物质的总量低于田间种植的水稻种子，而植物工厂培养的水稻种子中酚类、酮类、芳香族化合物和胺类的积累显著增加，可能与植物工厂的特殊育种条件有关。然后我们进行了PCA分析。在PCA得分图中，PC1和PC2分别占总变异的44%和26% [图4（g）]。此外，基于530个挥发性代谢物的HCA图形成了两个主要簇[附录A中的图S1（d）]。综上，这些结果揭示了水稻种子中挥发性代谢物的组成和分布，以及植物工厂培养水稻和田间种植水稻之间的差异。这些结果为进一步研究水稻质量特性和栽培条件提供了重要信息。

3.4.2 挥发性化合物对风味特征的贡献

我们进行了OPLS-DA模型验证（R2Y = 0.995, Q2 = 0.910），并筛选水稻种子中差异挥发性化合物。基于OPLS-DA图[图4（h）]和VIP值，我们共鉴定出74个顶级差异代谢物（p < 0.05、VIP ≥ 1、FC ≥ 2或FC ≤ 0.5）作为区分植物工厂培养和田间种植水稻种子的生物标志物。发现的74个差异代谢物包括19个萜类化合物、13个杂环化合物、10个芳香族化合物、8个酮类、7个酯类、7个醛类、7个醇类、1个酸类、1个烃类和1个氮化合物，其中28个代谢物上调，46个代谢物下调。OPLS-DA模型中VIP值最高的前20个差异代谢物如图5（c）所示。

此外，与田间种植的水稻种子相比，我们在植物工厂培养的水稻种子中发现了65个顶级差异代谢物（VIP ≥ 1.00、p < 0.05、水平= 1）（附录A中的表S6），包括19个萜类化合物、13个杂环化合物、10个芳香族化合物、8个酮类、7个酯类、7个醛类、7个醇类、1个酸类、1个烃类和1个氮化合物。在65个代谢物中，19个显著上调的挥发性代谢物在植物工厂培养和大田种植的水稻种子中均被鉴定出来，包括4个杂环化合物、4个芳香族化合物、3个萜类化合物、2个酮类化合物、2个醇类化合物、2个醛类化合物、1个烃类化合物和1个酯类化合物[图5（d）]。值得注意的是，5种挥发性物质（1,3-苯并二氧戊环-5-醇、二苯甲烷、1,E-11,Z-13-十六碳三烯、1,3-二𫫇烷-2,2-二乙醇和10-表-γ-桉叶醇）仅在植物工厂培养的水稻种子中检测到。其中，1,3-苯并二氧戊环-5-醇（也称为芝麻素）是一种强大的功能性食品成分，具有多种有益功能，包括保护心脏[48]、抗神经炎症[49]和抗哮喘活性[50]。

然后我们对74个差异代谢物进行KEGG分析，鉴定出10条途径，包括与单萜、次级代谢物和倍半萜及三萜生物合成相关的途径，这些途径在附录A中的图S2（b）中展示。在19个上调代谢物中，7个化合物（如2个萜类化合物和1个醇类）在相关KEGG途径中注释（图6），其余58个化合物由于关于其功能的信息有限而没有注释（附录A中的表S7）。

4 结论与未来方向

世界人口的不断增长对作物遗传改良效率提出了更高的要求。我们提出的植物工厂多层立体水培快速育种系统能够加速水稻生长，与大田栽培相比生育期缩短了一半，一年可加代5~6次。此系统能够实现地上生长环境和地下根系环境的协同调控，为实现更加快速的世代交替提供了可能。此外，多层立体栽培提高了设施内部的空间利用率和单位能源效率，有效改善了运行能耗高的问题，从而提高快速育种设施的经济可持续性。植物工厂快速育种系统作为一个通用的快速育种平台，不仅可用于水稻的快速育种，还可实现小麦、大豆、玉米和苜蓿等各类作物的快速育种，并可与高通量作物表型、分子标记辅助选择和基因编辑等现代育种技术相结合，形成一种快速、精准、本地化的全新育种技术体系，大幅提升作物遗传改良效率，助力国家种业振兴（图7）。

研究发现，脂质、有机酸、氨基酸和生物碱是植物工厂水稻的主要四种代谢物。与大田栽培水稻相比，植物工厂水稻的酚酸、有机酸以及酚类、酮类、芳香烃和胺类等挥发性物质含量较高，但氨基酸及其衍生物的含量降低。此外，本研究检测到8种非挥发性物质和5种挥发性物质为植物工厂水稻所独有，这可能是区分植物工厂水稻特征的主要生物标志物。本研究强调了植物工厂快速育种系统在提高水稻育种效率和营养品质方面的潜力，通过利用植物工厂系统创新作物育种与栽培方式，可以有效地应对未来全球人口增长和气候变化带来的挑战，保障粮食安全。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

Bandumula N. Rice production in Asia: key to global food security. Proc Natl Acad Sci, India, Sect B Biol Sci 2018;88(4):1323‒8. . 10.1007/s40011-017-0867-7
[2]

Song EH, Jeong J, Park CY, Kim HY, Kim EH, Bang E, et al. Metabotyping of rice (Oryza sativa L.) for understanding its intrinsic physiology and potential eating quality. Food Res Int 2018;111:20‒30. . 10.1016/j.foodres.2018.05.003
[3]

Zhang L, Cui D, Ma X, Han B, Han L. Comparative analysis of rice reveals insights into the mechanism of colored rice via widely targeted metabolomics. Food Chem 2023;399:133926. . 10.1016/j.foodchem.2022.133926
[4]

Jin B, Zhang C, Jia L, Tang Q, Gao L, Zhao G, et al. Identification of rice seed varieties based on near-infrared hyperspectral imaging technology combined with deep learning. ACS Omega 2022;7(6):4735‒49. . 10.1021/acsomega.1c04102
[5]

Kim DS, Kim QW, Kim H, Kim HJ. Changes in the chemical, physical, and sensory properties of rice according to its germination rate. Food Chem 2022;388:133060. . 10.1016/j.foodchem.2022.133060
[6]

Hickey LT, Hafeez AN, Robinson H, Jackson SA, Leal-Bertioli SCM, Tester M, et al. Breeding crops to feed 10 billion. Nat Biotechnol 2019;37(7):744‒54. . 10.1038/s41587-019-0152-9
[7]

Voss-Fels KP, Stahl A, Hickey LT. Q&A: modern crop breeding for future food security. BMC Biol 2019;17:18. . 10.1186/s12915-019-0638-4
[8]

Zhang L,YangX, LiT,GanR,WangZ,PengJ, et al.Plantfactory technologylightsup urban horticulture in the post-coronavirus world. Hortic Res 2022;9:uhac018. . 10.1093/hr/uhac018
[9]

De La Fuente GN, Frei UK, Lübberstedt T. Accelerating plant breeding. Trends Plant Sci 2013;18(12):667‒72. . 10.1016/j.tplants.2013.09.001
[10]

Ghosh S, Watson A, Gonzalez-Navarro OE, Ramirez-Gonzalez RH, Yanes L, Mendoza-Suárez M, et al. Speed breeding in growth chambers and glasshouses for crop breeding and model plant research. Nat Protoc 2018;13(12):2944‒63. . 10.1038/s41596-018-0072-z
[11]

Nagatoshi Y, Fujita Y. Accelerating soybean breeding in a CO2-supplemented growth chamber. Plant Cell Physiol 2019;60(1):77‒84. . 10.1093/pcp/pcy189
[12]

Zhang L, Huang L, Li T, Wang T, Yang X, Yang Q. The skyscraper crop factory: a potential crop-production system to meet rising urban food demand. Engineering 2023;31:70‒5. . 10.1016/j.eng.2023.08.014
[13]

Thongtip A, Mosaleeyanon K, Korinsak S, Toojinda T, Darwell CT, Chutimanukul P, et al. Promotion of seed germination and early plant growth by KNO3 and light spectra in Ocimum tenuiflorum using a plant factory. Sci Rep 2022;12(1):6995. . 10.1038/s41598-022-11001-5
[14]

Watson A, Ghosh S, Williams MJ, Cuddy WS, Simmonds J, Rey MD, et al. Speed breeding is a powerful tool to accelerate crop research and breeding. Nat Plants 2018;4(1):23‒9. . 10.1038/s41477-017-0083-8
[15]

Jähne F, Hahn V, Würschum T, Leiser WL. Speed breeding short-day crops by LED-controlled light schemes. Theor Appl Genet 2020;133(8):2335‒42. . 10.1007/s00122-020-03601-4
[16]

Kabade PG, Dixit S, Singh UM, Alam S, Bhosale S, Kumar S, et al. SpeedFlower: a comprehensive speed breeding protocol for indica and japonica rice. Plant Biotechnol J 2024;22(5):1051‒66. . 10.1111/pbi.14245
[17]

John R, Bhardwaj R, Jeyaseelan C, Bollinedi H, Singh N, Harish GD, et al. Germplasm variability-assisted near infrared reflectance spectroscopy chemometrics to develop multi-trait robust prediction models in rice. Front Nutr 2022;9:946255. . 10.3389/fnut.2022.946255
[18]

Song T, Das D, Zhu F, Chen X, Chen M, Yang F, et al. Effect of alternate wetting and drying irrigation on the nutritional qualities of milled rice. Front Plant Sci 2021;12:721160. . 10.3389/fpls.2021.721160
[19]

Wang C, Feng Y, Zhang S, Fu T, Sheng Y, Zhang Y, et al. Effects of storage on brown rice (Oryza sativa L.) metabolites, analyzed using gas chromatography and mass spectrometry. Food Sci Nutr 2020;8(6):2882‒94. . 10.1002/fsn3.1589
[20]

Guo L, Yu Y, Yu H, Tang Y, Li J, Du Y, et al. Rapid quantitative analysis of adulterated rice with partial least squares regression using hyperspectral imaging system. J Sci Food Agric 2019;99(12):5558‒64.
[21]

Liu W, Zeng S, Wu G, Li H, Chen F. Rice seed purity identification technology using hyperspectral image with lasso logistic regression model. Sensors 2021;21(13):4384. . 10.3390/s21134384
[22]

Liu Y, Liu HY, Xia Y, Guo H, He XQ, Li H, et al. Screening and process optimization of ultrasound-assisted extraction of main antioxidants from sweet tea (Lithocarpus litseifolius [Hance] Chun). Food Biosci 2021;43:101277. . 10.1016/j.fbio.2021.101277
[23]

Zeng T, Fang B, Huang F, Dai L, Tang Z, Tian J, et al. Mass spectrometry-based metabolomics investigation on two different indica rice grains (Oryza sativa L.) under cadmium stress. Food Chem 2021;343:128472. . 10.1016/j.foodchem.2020.128472
[24]

Alahmad S, Dinglasan E, Leung KM, Riaz A, Derbal N, Voss-Fels KP, et al. Speed breeding for multiple quantitative traits in durum wheat. Plant Methods 2018;14:36. . 10.1186/s13007-018-0302-y
[25]

Chiurugwi T, Kemp S, Powell W, Hickey LT. Speed breeding orphan crops. Theor Appl Genet 2019;132(3):607‒16. . 10.1007/s00122-018-3202-7
[26]

Cazzola F, Bermejo CJ, Gatti I, Cointry E. Speed breeding in pulses: an opportunity to improve the efficiency of breeding programs. Crop Pasture Sci 2021;72(3):165‒72. . 10.1071/cp20462
[27]

Van Delden SH, SharathKumar M, Butturini M, Graamans LJA, Heuvelink E, Kacira M, et al. Current status and future challenges in implementing and upscaling vertical farming systems. Nat Food 2021;2(12):944‒56. . 10.1038/s43016-021-00402-w
[28]

Ahn TI, Park JE, Jung JH, Kim SM, Yoo G, Kim HS, et al. Nutrient dosing framework for an emission-free urban hydroponic production. Front Plant Sci 2021;12:768717. . 10.3389/fpls.2021.768717
[29]

Zhang S, Zhang Y, Li K, Yan M, Zhang J, Yu M, et al. Nitrogen mediates flowering time and nitrogen use efficiency via floral regulators in rice. Curr Biol 2021;31(4):671‒683.e5. . 10.1016/j.cub.2020.10.095
[30]

Chen J, Li M, Pan T, Pang L, Yao L, Zhang J. Rapid and non-destructive analysis for the identification of multi-grain rice seeds with near-infrared spectroscopy. Spectrochim Acta A Mol Biomol Spectrosc 2019;219:179‒85. . 10.1016/j.saa.2019.03.105
[31]

Wu Z, Xu E, Long J, Pan X, Xu X, Jin Z, et al. Comparison between ATR-IR, Raman, concatenated ATR-IR and Raman spectroscopy for the determination of total antioxidant capacity and total phenolic content of Chinese rice wine. Food Chem 2016;194:671‒9. . 10.1016/j.foodchem.2015.08.071
[32]

Li F, Liu Y, Zhang X, Liu L, Yan Y, Ji X, et al. Transcriptome and metabolome analyses reveals the pathway and metabolites of grain quality under phytochrome B in rice (Oryza sativa L.). Rice 2022;15(1):52. . 10.1186/s12284-022-00600-5
[33]

Concepcion J, Calingacion M, Garson MJ, Fitzgerald MA. Lipidomics reveals associations between rice quality traits. Metabolomics 2020;16(5):54. . 10.1007/s11306-020-01670-6
[34]

Ramsay J, Morton J, Norris M, Kanungo S. Organic acid disorders. Ann Transl Med 2018;6(24):472. . 10.21037/atm.2018.12.39
[35]

Shi Y, Pu D, Zhou X, Zhang Y. Recent progress in the study of taste characteristics and the nutrition and health properties of organic acids in foods. Foods 2022;11(21):3408. . 10.3390/foods11213408
[36]

Zhang B, Xia T, Duan W, Zhang Z, Li Y, Fang B, et al. Effects of organic acids, amino acids and phenolic compounds on antioxidant characteristic of Zhenjiang aromatic vinegar. Molecules 2019;24(20):3799. . 10.3390/molecules24203799
[37]

Tyagi A, Lim MJ, Kim NH, Barathikannan K, Vijayalakshmi S, Elahi F, et al. Quantification of amino acids, phenolic compounds profiling from nine rice varieties and their antioxidant potential. Antioxidants 2022;11(5):839. . 10.3390/antiox11050839
[38]

He L, Zhou Y, Wan G, Wang W, Zhang N, Yao L. Antinociceptive effects of flower extracts and the active fraction from Styrax japonicus . J Ethnopharmacol 2022;284:114779. . 10.1016/j.jep.2021.114779
[39]

Zhang F, Li Z, Li C, Li M, Yao Z, Yao X, et al. Characterization of lignans in Forsythiae Fructus and their metabolites in rats by ultra-performance liquid chromatography coupled time-of-flight mass spectrometry. J Pharm Pharmacol 2020;72(12):1879‒92. . 10.1111/jphp.13346
[40]

Lee S, Alaali L, Kwon HJ, Rigi M, Eberhart CG. Cordycepin (3′-deoxyadenosine) suppresses heat shock protein 90 function and targets tumor growth in an adenosine deaminase-dependent manner. Cancers 2022;14(13):3122. . 10.3390/cancers14133122
[41]

Du Q, Xu Y, Li L, Zhao Y, Jerz G, Winterhalter P. Antioxidant constituents in the fruits of Luffa cylindrica (L.) Roem. J Agric Food Chem 2006;54(12):4186‒90. . 10.1021/jf0604790
[42]

Owumi SE, Najophe ES, Otunla MT. 3-Indolepropionic acid prevented chlorpyrifos-induced hepatorenal toxicities in rats by improving anti-inflammatory, antioxidant, and pro-apoptotic responses and abating DNA damage. Environ Sci Pollut Res Int 2022;29(49):74377‒93. . 10.1007/s11356-022-21075-3
[43]

Guijas C, Horton LE, Hoang L, Domingo-Almenara X, Billings EM, Ware BC, et al. Microbial metabolite 3-indolepropionic acid mediates immunosuppression. Metabolites 2022;12(7):645. . 10.3390/metabo12070645
[44]

Baruah V, Paul R, Gogoi D, Mazumder N, Chakraborty S, Das A, et al. Integrated computational approach toward discovery of multi-targeted natural products from Thumbai (Leucas aspera) for attuning NKT cells. J Biomol Struct Dyn 2020;40(7):2893‒907.
[45]

Xu W, Wang J, Ju B, Lan X, Ying X, Stien D. Seven compounds from Portulaca oleracea L. and their anticholinesterase activities. Nat Prod Res 2022;36(10):2547‒53. . 10.1080/14786419.2021.1916928
[46]

Lee J, Kim DW, Jang GJ, Song S, Park KJ, Lim JH, et al. Effects of different storage conditions on the metabolite and microbial profiles of white rice (Oryza sativa L.). Food Sci Biotechnol 2019;28(3):623‒31. . 10.1007/s10068-018-0520-0
[47]

Mihaylova D, Popova A, Vrancheva R, Dincheva I. HS-SPME-GC‒MS volatile profile characterization of peach (Prunus persica L. Batsch) varieties grown in the eastern Balkan peninsula. Plants 2022;11(2):166. . 10.3390/plants11020166
[48]

Jayaraj P, Narasimhulu CA, Rajagopalan S, Parthasarathy S, Desikan R. Sesamol: a powerful functional food ingredient from sesame oil for cardioprotection. Food Funct 2020;11(2):1198‒210. . 10.1039/c9fo01873e
[49]

Feng X, Chen X, Zaeem M, Zhang W, Song L, Chen L, et al. Sesamol attenuates neuroinflammation by regulating the AMPK/SIRT1/NF-κB signaling pathway after spinal cord injury in mice. Oxid Med Cell Longev 2022;2022:8010670. . 10.1155/2022/8010670
[50]

Liou C, Chen YL, Yu MC, Yeh KW, Shen SC, Huang WC. Sesamol alleviates airway hyperresponsiveness and oxidative stress in asthmatic mice. Antioxidants 2020;9(4):295. . 10.3390/antiox9040295

AI Summary AI Mindmap
PDF (8074KB)

9104

访问

0

被引

详细
导航
相关文章

AI思维导图

/

〈 〉