ارزیابی آلودگی ویروسی بر پایه شناسایی الگوی تغییرات بازتابش طیفی در گیاهان دختری سیب زمینی بذری

تشخیص دقیق و سریع گیاهان آلوده یک فرایند ضروری در سیستم گواهی بذر سیب‌زمینی به شمار می رود. انگشت نگاری طیفی به عنوان روش غیرتخریبی و سریع برای تشخیص گیاهان بیمار یا تحت استرس، در حال توسعه می باشد. تحقیق حاضر با استفاده از داده‌های طیف سنجی به تشخیص بوته‌های آلوده سیب‌زمینی (که به طور همزمان به دو ویروس pvy و plrv آلوده بودند) بدون هرگونه فرایند تخریبی پرداخته است. داده-های طیفی از 32 گیاه ( 16 گیاه آلوده و 16 گیاه سالم) که وضعیت آلودگی یا سلامت آنها با استفاده از آزمون elisa و rt-pcr محرز شده بود، برداشت گردید. قبل از مدل‌سازی به منظور حذف سیگنال‌های ناخواسته از رو‌ش پیش‌پردازش داده‌های طیفی (multiplicative scatter correction) و سپس روش طبقه-بندی soft independent modeling of a class analogy (simca) استفاده شد. در این بررسی هیچ نمونه‌ای به طبقه اشتباه یا به طور هم زمان به دو طبقه تعلق نگرفت که حاکی از پتانسیل قابل قبول این روش طبقه‌بندی در تمایز گیاهان آلوده به ویروس است. نتایج نشان داد طول موج‌ها به ترتیب در سه محدوده 910- 863 نانومتر (جزء محدوده طیفی مادون قرمز نزدیک)، 725-704 نانومتر(جزء محدوده لبه قرمز) و 580-530 نانومتر (جزء محدوده سبز) بیشترین مشارکت را در تمایز گیاهان آلوده و سالم و تفکیک مدل‌های مرتبط با آن داشته‌اند.

Virus infection assessment based on changes in spectral reflectance pattern on daughter seed potato plants

Fast and precise detection of infected potato plants is an essential practice in the seed potato certification system. Spectral fingerprinting as non-destructive and rapid method is going to be developed for discriminating plants with different stress such as disease. In this research virus infections of experimental plants (that infected with both PVY and PLRV viruses) were analyzed by spectral data without any destruction. Spectral data were collected from 32 plants (16 infected plants and 16 healthy plants) that were found to be infected or healthy using the ELISA and RT-PCR test. Some pretreatment methods of spectral data such as multiplicative scatter correction were used to remove noise. Soft independent modeling of class analogy (SIMCA) based on PCA analysis predicted the disease with high detection accuracy. The results showed, none of the samples belonged to the wrong group or to two groups simultaneously. The wavelengths in three ranges of 910-863 nm (near-infrared ), 725-704 nm (red edge) and 580-530 nm (green), had the greatest contribution to the complete differentiation of infected and healthy plants and development of models respectively.