ارزﯾﺎﺑﯽ آﻟﻮدﮔﯽ وﯾﺮوﺳﯽ ﺑﺮ ﭘﺎﯾﻪ ﺷﻨﺎﺳﺎﯾﯽ اﻟﮕﻮي ﺗﻐﯿﯿﺮات ﺑﺎزﺗﺎﺑﺶ ﻃﯿﻔﯽ در ﮔﯿﺎﻫﺎن دﺧﺘﺮي ﺳﯿﺐ زﻣﯿﻨﯽ ﺑﺬري

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

تشخيص دقيق و سريع گياهان آلوده يك فرايند ضروري در سيستم گواهي بذر سيب‌زميني به شمار مي رود. انگشت نگاري طيفي به عنوان روش غيرتخريبي و سريع براي تشخيص گياهان بيمار يا تحت استرس، در حال توسعه مي باشد. تحقيق حاضر با استفاده از داده‌هاي طيف سنجي به تشخيص بوته‌هاي آلوده سيب‌زميني (كه به طور همزمان به دو ويروس PVY و PLRV آلوده بودند) بدون هرگونه فرايند تخريبي پرداخته است. داده-هاي طيفي از 32 گياه ( 16 گياه آلوده و 16 گياه سالم) كه وضعيت آلودگي يا سلامت آنها با استفاده از آزمون ELISA و RT-PCR محرز شده بود، برداشت گرديد. قبل از مدل‌سازي به منظور حذف سيگنال‌هاي ناخواسته از رو‌ش پيش‌پردازش داده‌هاي طيفي (Multiplicative scatter correction) و سپس روش طبقه-بندي Soft Independent Modeling of a Class Analogy (SIMCA) استفاده شد. در اين بررسي هيچ نمونه‌اي به طبقه اشتباه يا به طور هم زمان به دو طبقه تعلق نگرفت كه حاكي از پتانسيل قابل قبول اين روش طبقه‌بندي در تمايز گياهان آلوده به ويروس است. نتايج نشان داد طول موج‌ها به ترتيب در سه محدوده 910- 863 نانومتر (جزء محدوده طيفي مادون قرمز نزديك)، 725-704 نانومتر(جزء محدوده لبه قرمز) و 580-530 نانومتر (جزء محدوده سبز) بيشترين مشاركت را در تمايز گياهان آلوده و سالم و تفكيك مدل‌هاي مرتبط با آن داشته‌اند.

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.