Опубликовано 18.11 15:00

Оптимизация фотооценки содержания каротиноидов и антоцианов в моркови с учетом взаимосвязи оттенков и генетического разнообразия сортов

Колориметрический анализ пищевых продуктов с использованием цветового пространства CIELab/Ch (т.е. по цифровым изображениям образцов) является доступным неразрушающим методом прогнозирования содержания каротиноидов и антоцианов. В литературе представлены очень хорошо подогнанные, но примитивные модели оценки пигментов (например, одно-/множественные линейные регрессии). Однако отсутствуют стандартизированные методы, которые статистически учитывали бы высокую мультиколлинеарность между цветовыми параметрами CIELab/Ch, изменяющиеся условия освещения и цветовую калибровку, а также образцы с высокой генотипической изменчивостью.

Аннотация

Методы:  Была разработана оптимизация анализа изображений для прогнозирования содержания каротиноидов и антоцианов у 16 генотипов моркови различной окраски. Образцы фотографировали при шести условиях освещения цифровой камерой, и цвет изображения калибровали перед анализом с использованием цветового пространства CIELab/Ch. Общее содержание пигментов и содержание отдельных каротиноидов анализировали химически методами спектрофотометрии и высокоэффективной жидкостной хроматографии соответственно. Для оценки связей «цвет — пигмент» использовали регрессии на основе метода частичных наименьших квадратов (PLS) для коррекции высокой мультиколлинеарности среди независимых переменных (цветовых параметров CIELab/Ch).

Результаты/обсуждение:  Модели PLS достигли удовлетворительной точности прогнозирования общего содержания каротиноидов (ок. R2 = 0,77) и общего содержания антоцианов (ок. R2 = 0,81) при всех условиях освещения. Обе модели предлагаются как устойчивые подходы к прогнозированию общего содержания пигментов с использованием многомерных цветовых пространств, при изменяющихся условиях освещения и для группы образцов с высокой генотипической изменчивостью. Образцы моркови оказались обладающими очень высоким генетическим разнообразием внутри каждого сорта, что привело к неудовлетворительным моделям прогнозирования отдельных каротиноидов (ок. R2 = 0,45) при стандартном условии освещения. Однако все результаты могут быть использованы для расширения баз данных (в направлении искусственного интеллекта) и помощи селекционным программам в поиске более высоких концентраций этих интересных антиоксидантов для здоровья человека.

1 Введение

Каротиноиды и антоцианы — основные классы пигментов, отвечающих за широкий спектр цветов фруктов и овощей, от желтого, оранжевого и красного до фиолетового и синего. Каротиноиды придают желто-оранжевые и некоторые красные оттенки, в то время как антоцианы обеспечивают другие оттенки красного и фиолетово-синего (Аморим-Каррильо и др., 2014; Холм и др., 2021). Обе группы пигментов являются мощными антиоксидантами при употреблении в пищу и действуют посредством различных механизмов, что делает их надежной группой нутрицевтиков. Кроме того, яркие цвета стимулируют аппетит и пищеварение, и было обнаружено, что потребители напрямую связывают цвет свежих продуктов с их качеством (Мунш и др., 1983; Перес и др., 2022).

Антиоксидантные свойства каротиноидов и антоцианов обусловлены их относительно нестабильной химической структурой, что делает эти пигменты превосходными агентами, снижающими прооксидантные свойства. Сообщается, что каротиноиды способны гасить возбужденные состояния кислорода посредством переноса триплетной энергии и нейтрализовать пероксильные радикалы благодаря своей липофильности (Шталь и Зис, 2003; Мелендес-Мартинес и др., 2007). Аналогичным образом, антиоксидантная активность антоцианов осуществляется посредством переноса водорода или электронов (Мигель, 2011). Однако химическая нестабильность каротиноидов может возникать из-за окисления под воздействием света, а антоцианов — из-за изменений pH. Высокоэффективная жидкостная хроматография (ВЭЖХ) и спектрофотометрия, являющиеся в настоящее время стандартами для количественного определения биохимических пигментов, могут разрушать химическую структуру пигментов, являются трудоемкими и требуют дорогостоящего оборудования (Руис и др., 2008; Итле и Кабелька, 2009). Поэтому тщательное исследование и стандартизация взаимосвязи цвета и пигмента имеют решающее значение для быстрого и доступного количественного анализа, что представляет большой интерес для программ селекции сельскохозяйственных культур (Руис и др., 2008).

Колориметрический анализ был предложен в качестве неразрушающего и более доступного метода определения пигментов в различных видах пищевых продуктов и/или в качестве вспомогательного метода к другим методам количественного определения (Руис и др., 2008; Мореско и др., 2017; Бунлюфан и др., 2023). Колориметрия обычно проводится с использованием трехкомпонентных колориметров или моделей цифрового анализа изображений (Мелендес-Мартинес и др., 2003; Гони и Сальвадори, 2017; Мореско и др., 2017; Агарвал и др., 2021). Многомерное цветовое пространство CIELab/Ch широко используется для объективного измерения цвета, поскольку оно не зависит от устройства и охватывает весь спектр человеческого зрения (Филлипс, 2023). Параметры цвета включают L* (яркость или количество белого), a* (краснота по шкале от зеленого до красного) и b* (желтизна по шкале от синего до желтого). На основе этих параметров можно рассчитать хроматичность (C*; насыщенность или интенсивность) и угол оттенка (h°) (Виейра и др., 2019; Филлипс, 2023).

В настоящее время результаты исследований по колориметрическому прогнозированию пигментов противоречивы, и в этой области отсутствует надежный стандартизированный метод. Подходы к калибровке цвета в существующих исследованиях часто не учитывают спектральные свойства освещения или их взаимодействие с откликом сенсора камеры (Агарвал и др., 2021; Ким и Ван Иерсел, 2023). Кроме того, влияние интенсивности света на прогнозирование пигментации было оценено некоторыми исследователями (Eoh et al., 2025), однако до сих пор не разработан широко распространенный протокол для стандартизации условий получения изображений, особенно в отношении конфигурации освещения (например, поляризации, угла и интенсивности) и их влияния на измеряемые параметры цвета. Эти факторы имеют решающее значение, поскольку изменения интенсивности, спектрального состава и геометрии освещения могут существенно влиять на измеряемые параметры цвета. Например, было обнаружено, что более высокое содержание влаги на поверхности образцов увеличивает преломленный свет, регистрируемый датчиком (или просто человеческим глазом), тем самым увеличивая значения L* и C* (Озкан и др., 2003).

Аналогично, образцы с более высоким содержанием пигментов имеют более темный цвет мякоти (значение L* уменьшается). В литературе описана сильная отрицательная корреляция (R² = 0,61–0,98) между L* в образцах и общим содержанием каротиноидов (TCC), β-каротина, ликопина, лютеина и общим содержанием антоцианов (TAC) в различных видах пищевых продуктов (Д'Суза и др., 1992; Такахата и др., 1993; Мелендес-Мартинес и др., 2003; Монтес и др., 2005; Симонн и др., 1993; Итле и Кабелька, 2009; Пандурангаиа и др., 2020; Бунлюфан и др., 2023). Среди рассмотренных исследований только Фернандес Акино и др. (2016) явно указали на отсутствие взаимосвязи между каротиноидами и L* у разных сортов банана.

Было установлено, что параметр a* является наилучшим предиктором содержания соматических клеток в различных видах обработанного детского питания Дока и др. (2014) (R² = 0,99) и в сквоше по Итле и Кабелька (2009) (R² = 0,83). Высокие корреляции также отмечаются между a* и ликопином в различных продуктах питания (Д'Суза и др., 1992; Хайман и др., 2004). Напротив, Мелендес-Мартинес и др. (2003) обнаружили, что желтизна (b*) и C* являются наиболее коррелированными параметрами с содержанием каротиноидов в апельсиновом соке (R² = 0,95–0,999), как и при определении лютеина в соке Ким и др. (2012) и Итле и Кабелька (2009).

С другой стороны, было также обнаружено, что показатель TAC сильно коррелирует с показателем C* в плодах жаботикабы Монтес и др. (2005). Однако Куэвас Монтилья и др. (2011) обнаружили, что увеличение концентрации антоцианов в фиолетово-черной моркови связано с увеличением значений h°. Они сообщили об увеличении значений h° по мере изменения оттенков от красноватых к черным. Следовательно, более низкое содержание антоцианов (в красноватых корнях) также совпадало с более высокими значениями a* (Куэвас Монтилья и др., 2011). В отличие от большей части литературы, Мунш и др. (1983) показали, что для прогнозирования содержания каротиноидов необходимы все параметры цвета, учитывая мультиколлинеарность параметров и их различное влияние друг на друга. Мояно и др. (2008) получили модели со значительно лучшим соответствием при корреляции TCC с L*a*b* (R² = 0,82–0,84) и L*C*h° (R² = 0,80–0,82), чем с отдельными параметрами цвета (R² = 0,24–0,64). Обнаруженные несоответствия между исследованиями в данной области указывают на то, что использование элементарного регрессионного анализа следует критически оценивать с помощью более надежных статистических методов, таких как метод частичных наименьших квадратов (PLS), как это предлагается в некоторых исследованиях (Мелендес-Мартинес и др., 2003; Хан и др., 2008; Руис и др., 2008; Мореско и др., 2017). Кроме того, Серочинска и др. (2006) отметили, что, несмотря на то, что цветовое пространство CIELab/Ch оказалось очень эффективным методом оценки содержания общего количества каротина и β-каротина в цветках зимней тыквы, результаты оценки были слабыми в мякоти плодов тех же растений, что указывает на ненадежность при экстраполяции моделей на различные типы образцов. Подробный обзор сельскохозяйственных культур, тканей и пищевых продуктов, включенных в этот обзор литературы, доступен по адресу: https://doi.org/10.34894/OUURRH.

Морковь (Daucus carota, L.) может быть богата каротиноидами и/или антоцианами, при этом возможно большое разнообразие фенотипических признаков в окраске корнеплодов (сорта варьируются от белого до фиолетово-черного) (Мелендес-Мартинес и др., 2003; Surles et al., 2004). Однако надежные колориметрические исследования такой группы образцов в настоящее время отсутствуют. Содержание общего количества солей в корнях оранжевой моркови обычно колеблется от 8 до 25 мг/100 г свежей массы, что обеспечивает отличный вклад в рацион питания (Dóka et al., 2014). Этот состав примерно равен 45–80% β-каротина, 10–20% α-каротина и 1–2% лютеина (Surles et al., 2004). Содержание ликопина варьируется в зависимости от сорта, в некоторых он достигает 6% (Surles et al., 2004). Антоцианы могут накапливаться в моркови в очень больших количествах, что приводит к появлению (темно-фиолетового) цвета у фиолетово-черных сортов. Диапазон содержания антоцианов может варьироваться от 0,5 до 190 мг/100 г сырой массы у этих сортов, причем некоторые из них содержат антоцианы в сочетании с другими пигментами (в основном β-каротином и α-каротином) (Холм и др., 2021; Перес и др., 2022).

Цель данного исследования — разработка оптимизации анализа изображений (ИАО) для оценки возможности прогнозирования общего содержания каротиноидов, лютеина, ликопина, α-каротина, β-каротина и антоцианов в 16 сортах моркови на основе цвета их корней (от белого до фиолетового). Новизна данного исследования заключается в использовании шести различных условий освещения в сочетании с калибровкой цвета во время получения и анализа цифровых изображений. Важно отметить, что в качестве надежного статистического метода, учитывающего высокую мультиколлинеарность параметров цвета CIELab/Ch (L*, a*, b*, C* и h°), используется PLS-регрессия. Эта проблема редко учитывается в других исследованиях в данной области.

2. Материалы и методы

2.1 Растительный материал

В период с 14 мая по 30 октября 2023 года на поле в Роггеле, Нидерланды (51,26° с.ш., 5,92° в.д.), было выращено 16 сортов моркови. Различные сорта были выбраны для изучения обширной фенотипической изменчивости и могут быть сгруппированы по цвету: белый (W1), желтый (Y1, Y2), оранжевый (O1, O2, O3, O4, O5, O6, O7, O8, O9), красный (R1), фиолетовый (P1, P2) и фиолетовый с желтой внутренней сердцевиной (PY1) (Рисунок 1B). Все образцы были собраны через 5 месяцев после посева, в один и тот же день, и хранились в черных пластиковых пакетах при температуре 4 °C, чтобы избежать воздействия света и деградации пигментов, до получения изображений (30 октября 2023 г.) и экстракции пигментов (31 октября 2023 г.) (Чинар, 2004).

Рисунок 1 (A) Схема камеры для получения изображений в процессе оптимизации анализа изображений. Черный фотобокс (60 см³, показан серым цветом для наглядности) с камерой, направленной на образцы дисков моркови, и цветовым индикатором (на синем фоне) сверху. Фотосъемка осуществляется с помощью пульта дистанционного управления. Камера оборудована шестью светодиодными панелями (видны только три; справа). (B) Группировка выбранных сортов по цвету корней, иллюстрирующая фенотипическую изменчивость: белый (W1), желтый (Y1, Y2), оранжевый (O1–O9), красный (R1), фиолетовый (P1, P2) и фиолетовый с желтой внутренней сердцевиной (PY1).

2.2 Получение изображения

Получение изображений образцов моркови проводилось в световом боксе среднего размера (HPB-60XD Photo Studio 2021, HAVOX, Гонконг, Китай), представляющем собой кубическую камеру для исключения окружающего света с ребрами 60 см и отверстиями спереди (для доступа) и сверху (для объектива камеры) (Рисунок 1А). Цифровая камера (EOS 90D, Canon, Токио, Япония), оснащенная объективом (EF-S 17–55 mm f/2.8 IS USM, Canon, Токио, Япония), была установлена через верхнее отверстие камеры для получения изображений на расстоянии примерно 55 см от корней. Все настройки улучшения изображения были установлены в положение «выкл» или «нейтрально». Внутренняя поверхность была покрыта отражающим покрытием и содержала шесть светодиодных панелей с цветовой температурой 5500° K (освещение D55, индекс цветопередачи 93+, близкий к белому свету середины утра/середины дня). Камера для получения изображений обеспечивала постоянные условия освещения и равномерное расстояние от объектива и фокуса камеры. Были созданы две световые среды: 1) без фильтра (WF), состоящая из четырех светодиодных панелей (по две с каждой стороны) под углами 30–40° и 60–70° соответственно; и 2) с поляризационным фильтром (PF), состоящая из одной светодиодной панели с каждой стороны, покрытой акриловым стеклом толщиной 3 мм (включая вентиляционный зазор 5 мм) под углом 30–40°, с линейной поляризационной пленкой толщиной 0,3 мм (B+W Filter, Schneider, Бад-Кройцнах, Германия). В этой установке на объектив также был установлен поляризационный фильтр (XS-Pro Digital HTC Polfilter KSM MRC nano, 77 мм, B+W Filter, Бад-Кройцнах, Германия). Поляризационная установка уменьшала отражения, создаваемые влагой на поверхности образцов.

Интенсивность света на поверхности образца не измерялась напрямую; вместо этого относительные параметры экспозиции систематически варьировались в контролируемых условиях для оценки их влияния на соотношение цвета и пигмента. Два световых режима, WF и PF, были объединены с тремя относительными шагами экспозиции (-1, 0, +1 и +2), соответствующими различному времени экспозиции, что создало шесть различных световых условий: WF –1 (1/25 с), WF 0 (1/50 с), WF +1 (1/100 с), PF 0 (1/100 с), PF +1 (1/60 с) и PF +2 (1/30 с). В данном отчете в качестве условия освещения по умолчанию выбран режим WF 0, поскольку он наилучшим образом соответствует базовой начальной настройке цифровой фотографии и доступного искусственного освещения. Таким образом, он используется для распознавания образов данных (до и после статистического анализа), о чем будет рассказано в следующих разделах 3 «Результаты» и 4 «Обсуждение».

Сразу после сбора урожая шесть морковок каждого сорта (всего 96) разрезали пополам поперек, и из центральной части корня вырезали диск (толщиной 4 мм) для стандартизации отбора проб и уменьшения вариабельности, связанной с различиями в положении вдоль корня. Все шесть дисков одного сорта одновременно помещали в камеру для получения изображений. Диски моркови помещали на синий фон и фотографировали при каждом освещении с помощью пульта дистанционного управления. На каждом изображении присутствовал цветовой эталон (ColorChecker Passport Photo 2, X-Rite, Grand Rapids, MI, USA) для калибровки цвета (рис. 1А). Оставшиеся части каждого корня маркировали и хранили в темных пластиковых пакетах при температуре 4 °C, чтобы имитировать подземные условия и предотвратить деградацию пигментов до экстракции пигментов (Чинар, 2004).

2.3 Анализ изображений: цветовые параметры CIELab/Ch

Все изображения были проанализированы с помощью программы FIJI (ImageJ) версии 2.14.0/1.54f (Schindelin et al., 2012). Для калибровки изображений с помощью плагина IJP-Colour Calibrator использовался цветовой калибратор (ColorChecker Passport Photo 2, X-Rite, Grand Rapids, MI, USA). Для обеспечения воспроизводимости результатов были заданы следующие параметры плагина: X-Rite Passport с 20% отступом для чипа и пурпурным цветом наложения чипа (ширина штриха наложения 1 единица), все чипы включены. Комбинация стандартного эталона красного, зеленого и синего цветов (sRGB; стандартизированное цветовое пространство для обеспечения согласованности цвета на разных устройствах) и метода квадратичного междиапазонного отображения дала наиболее информативные результаты и наименьшее среднее отклонение для калибровки (более высокая точность цветопередачи).

Периметр каждого диска моркови был выделен вручную с помощью инструмента выбора многоугольника, после чего та же область интереса была автоматически применена к соответствующим образцам при пяти других условиях освещения (т.е. был создан макрос FIJI для автоматизации анализа каждого образца). Это был наиболее точный способ выделить мякоть как можно ближе к краю корня, избегая при этом нежелательной кожуры и фона (см.: Дополнительный рисунок 1). Для каждого образца была построена цветовая гистограмма, и были записаны средние значения ± стандартное отклонение красного, зеленого и синего (RGB) цветов.

Полученные значения цвета RGB были преобразованы в цветовое пространство CIELab/Ch для обеспечения независимости от устройства и совместимости с существующей литературой (например, Гони и Сальвадори, 2017; Агарвал и др., 2021). Математические преобразования были основаны на функции rgb2lab из библиотеки Python с открытым исходным кодом Skimage (scikit-image) (Ван дер Вальт и др., 2014). Интенсивность красного, зеленого и синего каналов была преобразована в цветовые параметры L*, a* и b* с помощью CIE XYZ (Филлипс, 2023). Несмотря на использование источника света D55 при получении изображения, расчеты проводились для стандартного источника света D65/10° (см.: Фан Ван Сонг, 2018). Параметры C* и h° были рассчитаны с использованием следующих уравнений 1 и 2:

2.4 Извлечение и количественное определение пигментов

2.4.1 Общее содержание каротиноидов

Количественное определение общего содержания каротиноидов (ОСК) проводилось по методу, описанному в работе Морено и Штанге (2022). Оставшиеся части тех же корней, которые использовались для получения изображений (n = 6 на каждый сорт моркови), были индивидуально измельчены, быстро заморожены в жидком азоте и хранились при -80 °C сразу после получения изображений. Затем образцы были подвергнуты лиофилизации при -55 °C с использованием настольной лиофилизаторной сушилки (Alpha 1–4 LSCplus, Martin Christ, Остероде, Германия) до стабилизации веса. Образцы гомогенизировали с помощью устройства для разрушения шариков (OMNI Bead Ruptor 24 Elite, OMNI International, Кеннесо, Джорджия, США) и хранили при -80 °C для предотвращения деградации пигментов. Для экстракции гомогенаты центрифугировали при 2200 xg в течение 5 мин при 4 °C в 1 мл 100% чистого ацетона три раза до тех пор, пока осадок не стал бесцветным. Спектрофотометрическое определение ТЦК в супернатантах проводили с помощью микропланшетного ридера (Synergy HTX, BioTek Instruments, Winooski, VT, USA) при 25 °C в кварцевом 96-луночном микропланшете (Hellma Analytics, Müllheim, Germany) в спектре видимого света (390–710 нм) согласно уравнениям Лихтенхалера (Лихтенталер и Уэллберн, 1983).

Абсорбция раствора на длинах волн 662, 645 и 470 нм использовалась для расчета содержания хлорофилла (C a + C b, уравнения 3, 4), из которого можно получить общее содержание хлорофилла (C x + c, уравнение 5). Последнее указано в мкг/мл.

2.4.2 Отдельные каротиноиды

Лиофилизированные образцы (n = 5 для каждого сорта моркови) измельчали и экстрагировали растворителем гептан:метанол:ацетон (3:1:1, об./об./об.), содержащим 1 г/л бутилированного гидрокситолуола (БГТ). Образцы помещали в ультразвуковую ванну (10 минут), затем встряхивали при 2500 об/мин (20 минут) и центрифугировали при 4600 об/мин (5 минут), после чего удаляли верхний гептановый слой. Экстракцию повторяли. Объединенные гептановые слои смешивали с этанолом. Образцы фильтровали через шприцевой фильтр с размером пор 0,22 мкм.

Хроматографическое разделение проводилось на колонке YMC C30 (250 мм × 4,6 мм, размер частиц 3 мкм) при температуре 20 °C. В качестве подвижной фазы использовались три элюента: (A) метанол (98:2, об./об.), (B) метанол (95:5, об./об.) и (C) трет-метилбутиловый эфир. Использовался градиентный элюент со скоростью потока 1,0–1,4 мл/мин. Первый этап (80% A и 20% C) был остановлен через 2:00 мин; второй этап (уменьшение A до 60% и увеличение C до 40%) длился одну секунду; и третий этап (60% B, 40% C) был остановлен через 12:00 мин. Колонку промывали 100% раствором C в течение 12:00–13:00 минут (шаги четыре и пять), после чего проводили повторную уравновешивание на шагах шесть и семь (80% A и 20% C) в течение 6:59 секунд. Общее время анализа составило 20:00 минут.

Для определения содержания каротиноидов использовался детектор с матрицей фотодиодов, работающий в диапазоне длин волн 300–600 нм с разрешением спектра 2 нм. Диапазон обнаружения каротиноидов составлял 450–470 нм с разрешением 4 нм. Калибровочные кривые для лютеина, ликопина и β-каротина были рассчитаны с использованием аутентичных стандартов каротиноидов. Содержание α-каротина измерялось с помощью относительного коэффициента отклика β-каротина.

2.4.3 Общее содержание мономерного антоциана

Оставшийся растительный материал красных и фиолетовых сортов моркови был разморожен и немедленно использован для количественного определения общего содержания мономерных антоцианов (ОАЦ) (шесть образцов для сортов P1 и PY1, три образца для сорта P2 и один образец для сорта R1). Для определения ОАЦ использовался метод дифференциального pH (Перес и др., 2022; Балдасси и др., 2024). Используемый протокол доступен по ссылке: https://doi.org/10.34894/BTPTSV. Экстракцию проводили в двух повторах, измельчая образцы с 70% этанолом, содержащим 1% HCl (об/об), три раза до тех пор, пока осадок не становился бесцветным. Половину супернатанта разбавляли в 25 мМ растворе KCl (pH: 1), а другую половину — в 400 мМ растворе ацетата натрия (pH: 4,5), оба в соотношении 1:40.

Оба раствора анализировались с помощью того же спектрофотометрического оборудования и диапазона длин волн (390–710 нм), что и для количественного определения общего содержания антиоксидантов (TCC). В качестве контрольного образца использовалась дистиллированная вода. Абсорбция при 520 и 700 нм для обоих растворов использовалась для расчета общего содержания антиоксидантов (TAC) на образец по уравнениям 6, 7, где A = абсорбция, MW = молярная масса цианидин-3-глюкозида, DF = коэффициент разбавления, EF = коэффициент экстинкции цианидин-3-глюкозида, а 1000 — коэффициент пересчета из г в мг. Затем результаты были переведены в мг/100 г сырой массы с использованием среднего содержания влаги для каждого сорта.

2.5 Статистический анализ

Статистический анализ проводился с использованием программного обеспечения R (R core team, 2021), версия 4.3.2. Были построены одиночные и множественные линейные регрессии с использованием цветовых параметров L*, a*, b*, C* и h° в качестве предикторов TCC, TAC, ликопина, лютеина, α-каротина и β-каротина по отдельности. Множественные линейные регрессии были выполнены со всеми цветовыми параметрами для наблюдения за эффектом пяти цветовых предикторов в совокупности (и для обеспечения воспроизводимости результатов в целом).

В конечном итоге, для прогнозирования содержания TCC, TAC, ликопина, лютеина, α-каротина и β-каротина были построены регрессии методом частичных наименьших квадратов (PLS) на основе цветовых параметров CIELab/Ch. Наблюдения были стандартизированы путем вычитания среднего значения каждой переменной и деления его на стандартное отклонение, в результате чего были созданы переменные со средним значением, равным нулю, и дисперсией, равной единице (нормализация z-оценки). Из предикторов было создано пять компонентов (латентных переменных) для максимизации ковариации между цветовыми параметрами и содержанием пигментов, а также для учета высокой мультиколлинеарности между предикторами. Стандартизация наблюдений гарантирует, что цветовые переменные с большой дисперсией не будут доминировать в первых (наиболее тяжелых) компонентах, тем самым маскируя переменные с меньшей дисперсией. Данные были разделены на десять случайных сегментов, попеременно используя девять для калибровки и один для валидации (прогнозирования). Затем прогнозы содержания пигментов были возвращены к исходным значениям и сопоставлены с фактическими уровнями пигментов для оценки средней прогностической способности моделей с использованием среднеквадратичной ошибки прогнозирования (RMSEP) (см. также: Дополнительный рисунок 3).

3 Результаты

3.1 Колориметрический анализ изображений

Расположение сортов моркови, основанное на средних значениях цвета каждого сорта, описывается в трехмерном пространстве с использованием параметров CIELab/Ch L*, C* и h° (рис. 2A) и a*, b* и h° (рис. 2B). Сорта классифицируются на четыре основные группы по цвету (фиолетовый, оранжево-красный, желтый, белый), несмотря на изменение состава цветового пространства/параметров. Цвет полностью фиолетовых сортов (P1, P2) характеризуется низкими значениями всех параметров; белый (W1) имеет низкие значения a* и b*, но высокие L* и h°; желтые сорта (Y1, Y2) имеют низкие значения a* и высокие значения b*, а группа оранжево-красных сортов, наоборот, имеет высокие значения a* и низкие значения b*. Фиолетовая морковь с желтой сердцевиной (сорт PY1) группируется среди оранжево-красных сортов.

Рисунок 2 Расположение различных сортов моркови в цветовом пространстве CIELab/Ch в соответствии со средним цветом мякоти корня, представленным тремя параметрами цвета: (A) L* (яркость), C* (хроматичность) и h° (угол оттенка) в качестве осей и (B) a* (краснота), b* (желтизна) и h° (угол оттенка) в качестве осей. Сорта, классифицированные в цветовом пространстве CIELab/Ch, соответствуют четырем основным цветовым группам: белый, желтый, фиолетовый и оранжево-красный.

3.2 Количественная оценка общего содержания пигментов

Независимо от цвета и сорта, морковь демонстрировала значительную изменчивость содержания каротиноидов (в сыром виде), варьирующуюся от 0,04 (W1) до 20,48 (R1) мг/100 г (рис. 3А). Красный сорт (R1) имел самое высокое среднее содержание каротиноидов — 14,83 (± 3,65) мг/100 г. Наибольшая изменчивость содержания каротиноидов внутри каждого сорта наблюдалась среди оранжевых корнеплодов (O1-O9), причем у моркови сорта O9 разница составляла 8,97 мг/100 г, за ней следовал сорт O2, у которого разница составляла 5,88 мг/100 г внутри сорта. Наиболее стабильными сортами среди оранжевых корнеплодов были O1, O4 и O8 со средними значениями около 8,5 мг/100 г. В белой, желтой и полностью фиолетовой моркови содержалось минимальное количество ТХЦ (трихлорцеллюлозы), за исключением фиолетово-желтого сорта (PY1), в котором в среднем было 5,20 (± 1,57) мг/100 г — что сопоставимо с уровнями в оранжевых сортах.

Рисунок 3 (A) Общее содержание каротиноидов (мг/100 г) в свежем весе (FW) для каждого сорта моркови; (B) общее содержание антоцианов (мг/100 г, FW) для каждого сорта моркови. Фиолетовые сорта (P1, P2); фиолетово-желтый сорт (PY1); красный сорт (R1); оранжевые сорта (O1–O9); желтые сорта (Y1, Y2); и белый сорт (W1).

Содержание общего антиоксидантного потенциала (ОАС) в фиолетовой и красной моркови варьировалось от 0,77 мг/100 г у красного сорта (R1) до 80,65 мг/100 г у фиолетового сорта (P1) (рис. 3B). Высокая изменчивость ОАС наблюдается среди полностью фиолетовых корнеплодов (P1, P2), а низкое содержание – низкая изменчивость у сорта PY1. Красная морковь была исключена из дальнейшего анализа ОАС из-за низкого содержания и недостаточного количества образцов.

3.3 Моделирование общего содержания пигментов с использованием цветовых параметров CIELab/Ch в различных экспериментальных условиях освещения

3.3.1 Предварительные результаты одиночной и множественной линейной регрессии

На рисунках 4A и 4B показаны тенденции взаимосвязи между отдельными параметрами цвета CIELab/Ch и TCC, а также TAC при стандартных условиях освещения WF 0. Результаты множественной линейной регрессии для общего содержания пигментов и всех параметров цвета CIELab/Ch при шести условиях освещения представлены в таблице 1. Коэффициенты детерминации (R²) регрессий варьируются от 0,72 до 0,78 (TCC) и от 0,68 до 0,76 (TAC) (P-значение < 0,01). Можно заметить, как индивидуальный [значимый] вклад каждого параметра цвета в прогнозирование общего содержания пигментов значительно варьировался в зависимости от условий освещения, использованных при получении изображения, особенно для TCC (таблица 1).

Рисунок 4 Выполнены линейные регрессии между каждым отдельным параметром цвета CIELab/Ch (L*, a*, b*, C* и h°) и (A) общим содержанием каротиноидов (мг/100 г) и (B) общим содержанием антоцианов (мг/100 г). Цвет анализировался по изображениям, полученным в условиях освещения по умолчанию, без фильтра (WF 0).

Таблица 1 Матрица корреляций множественных линейных регрессий, выполненных на основе всех цветовых параметров CIELab/Ch (L*, a*, b*, C* и h° вместе) в качестве предикторов общего содержания каротиноидов и общего содержания антоцианов по отдельности, классифицированных по условиям экспериментального освещения (WF = без фильтра, PF = поляризационный фильтр) с шагом экспозиции от -1 до +2.

Объясненная дисперсия (R²); P-значение < 0,001 (***); P-значение < 0,01 (**); P-значение < 0,05 (*). Жирным шрифтом выделены значения коэффициента детерминации (R²) модели.

3.3.2 Регрессии методом частичных наименьших квадратов

Результаты регрессии методом частичных наименьших квадратов (PLS) (таблица 2) демонстрируют устойчиво сильные взаимосвязи всех цветовых параметров CIELab/Ch с TCC и TAC (R² = 0,734–0,793 и R² = 0,781–0,842 соответственно) при всех условиях освещения. Несмотря на высокие значения R², модели с относительными среднеквадратными ошибками прогнозирования (RMSEP) выше 55% считаются неработоспособными. Модель, полученная при условиях освещения PF +2, обладала наибольшей прогностической способностью для TCC с высокой объясненной дисперсией (R² = 0,793) и самой низкой RMSEP 2,214 мг/100 г (31,7%). Однако прогнозирование TAC было неблагоприятно затронуто этими условиями освещения, что привело к чрезвычайно высокой RMSEP 145,2%. Таким образом, условия освещения WF 0 и PF 0 определены как наиболее подходящие для прогнозирования общего содержания пигментов (см. Таблицу 2).

Таблица 2 Матрица корреляций результатов регрессии методом частичных наименьших квадратов для прогнозирования общего содержания каротиноидов и общего содержания антоцианов с использованием цветового пространства CIELab/Ch, классифицированного по условиям экспериментального освещения (WF = без фильтра, PF = поляризационный фильтр) с шагом экспозиции от -1 до +2.

Все значения R² статистически значимы (P < 0,001). Объясненная дисперсия (R²); среднеквадратная ошибка (RMSE), использованная во время обучения модели (калибровки); среднеквадратная ошибка прогнозирования (RMSEP), использованная во время перекрестной проверки.

(WF 0) Уравнения PLS, описывающие взаимосвязь между цветовым пространством CIELab/Ch для TAC (Уравнение 8) и TCC (Уравнение 9):

(PF 0) Уравнения PLS, описывающие взаимосвязь между цветовым пространством CIELab/Ch для TAC (Уравнение 10) и TCC (Уравнение 11):

3.4 Количественное определение содержания отдельных каротиноидов

Содержание отдельных каротиноидов анализировали методом ВЭЖХ для каждого сорта моркови (n = 5) (рисунки 5A–D). Ликопин был обнаружен только в красном сорте (R1) (в среднем 1,66 ± 0,45 мг/100 г). Содержание лютеина было особенно стабильным среди всех сортов. Фиолетово-желтый сорт (PY1) содержал наибольшее количество лютеина (в среднем 0,65 ± 0,21 мг/100 г), в то время как желтый (Y2) и белый (W1) сорта содержали уровни ниже 0,025 мг/100 г. Как и ожидалось, все сорта апельсинов содержали самые высокие значения α-каротина и β-каротина. Некоторые сорта апельсинов (O2, O5, O6, O7 и O9) содержали наиболее высокое содержание β-каротина, а также наибольшую его изменчивость внутри каждого сорта. Содержание β-каротина в фиолетово-желтом сорте (PY1) больше напоминает оранжевые сорта, чем другие фиолетовые. В целом, белые (W1), желтые (Y2, Y1) и полностью фиолетовые (P1, P2) сорта содержали незначительное количество ликопина, α-каротина и β-каротина.

Рисунок 5 Содержание (A) ликопина, (B) лютеина, (C) α-каротина и (D) β-каротина (мг/100 г) на один сорт в свежей массе (СМ). (A) и (B) имеют шкалу 0,0–1,7 (мг/100 г), а (C) и (D) — шкалу 0–15 (мг/100 г). Фиолетовые сорта (P1, P2); фиолетово-желтый сорт (PY1); красный сорт (R1); оранжевые сорта (O1–O9); желтые сорта (Y1, Y2); и белый сорт (W1).

3.5 Моделирование содержания отдельных каротиноидов с использованием цветовых параметров CIELab/Ch

Учитывая высокоточную количественную оценку методом ВЭЖХ, минимального порогового значения содержания пигмента не было, учитывался только предел обнаружения прибора (0,025 мг/100 г) для включения образцов в статистический анализ. Исключены были только полностью фиолетовые сорта (P1, P2), чтобы уменьшить шум, возникающий из-за образцов с выраженными цветовыми значениями, но относительно минимальным содержанием отдельных каротиноидов. Взаимосвязи между цветом и ликопином обнаружено не было, поскольку пигмент был обнаружен только в красном сорте (R1) (рис. 5А). Все параметры цвета CIELab/Ch показали слабые, хотя и значимые (P-значение < 0,01), линейные зависимости с содержанием лютеина, α-каротина и β-каротина (за исключением лютеина-a* и β-каротина-b*, которые были незначимыми) (рис. 6А-С).

Как описано в разделе 2.2, условия освещения WF 0 считаются условиями по умолчанию и использовались при построении PLS-регрессий между содержанием отдельных каротиноидов и цветом (все параметры цвета CIELab/Ch). Различные модели показали значения R² от 0,428 (для β-каротина) до 0,488 (для лютеина) (таблица 3). Самое низкое относительное значение RMSEP (rRMSEP; RMSEP относительно измеренных значений) было получено из модели для лютеина (34,1%), за которой следуют α-каротин (52,4%) и β-каротин (60,1%). Учитывая слабые корреляции, PLS-модели для оценки α-каротина и β-каротина были протестированы с включением только сортов апельсинов. Поскольку в результате были получены модели со схожей степенью соответствия (R² = 0,428, rRMSEP = 49,9% и R² = 0,470, rRMSEP = 60,9% соответственно), нет оснований переходить к меньшей выборке и объяснять их более подробно.

Таблица 3 Модели метода частичных наименьших квадратов (PLS) для прогнозирования различного содержания пигментов с использованием цветового пространства CIELab/Ch для анализа изображений, полученных в условиях освещения по умолчанию, без фильтра (WF 0).

Среднеквадратичная ошибка прогнозирования (RMSEP), используемая для перекрестной проверки модели; свежий вес (FW); объясненная дисперсия (R²).

4. Обсуждение

В литературе, посвященной прогнозированию пигментации с помощью колориметрического анализа, часто принимаются простые корреляции между каротиноидами/антоцианами и отдельными параметрами цвета (Мелендес-Мартинес и др., 2003; Монтес и др., 2005; Мояно и др., 2008; Eoh et al., 2025). Однако отдельные параметры цвета вносят вклад в многомерные цветовые пространства, такие как CIELab/Ch, и, следовательно, являются переменными с высокой степенью мультиколлинеарности. В этом исследовании была проверена воспроизводимость таких подходов и предпринята попытка разработать более надежную оптимизацию анализа изображений (IAO) для оценки содержания пигментов в моркови с корнями высокогенотипного сорта. Насколько нам известно, взаимосвязь между параметрами цвета CIELab/Ch и общим содержанием каротиноидов (TCC) и/или общим содержанием антоцианов (TAC) ранее не исследовалась таким образом, а также на группе сортов моркови от белого до фиолетового цвета. Литература особенно скудна в отношении взаимосвязи между цветом и TAC.

4.1 Важность получения и предварительной обработки изображений

В данном исследовании цвет образцов анализировался по цифровым изображениям путем определения среднего цвета каждого диска моркови, взятого из середины корня, и использовался в качестве показателя для всей моркови. Количественные измерения в лабораторных условиях с использованием спектрофотометрического и ВЭЖХ-анализов также учитывали среднее содержание пигментов в каждой моркови, поскольку они проводились на гомогенатах одних и тех же образцов. Хотя однородность цвета мякоти и распределения пигментов может варьироваться, Ривз (1987) отметил более высокую корреляцию цвета и пигмента в образцах пюре из паприки по сравнению с целыми плодами, что было учтено в данном исследовании как при анализе среднего цвета, так и при анализе гомогената в лабораторных условиях. Кроме того, анализ среднего цвета диска моркови выгоден для сохранения неразрушающего характера метода IAO.

Колориметрические подходы, основанные на анализе изображений, часто предполагают, что достаточно контролировать условия освещения, но не учитывают явно влияние освещения и отклика камеры на измеряемые значения цвета, что может повлиять на воспроизводимость результатов (Агарвал и др., 2021; Ким и Ван Иерсел, 2023). Однако наши результаты показали, что диафрагма и время экспозиции цифровой камеры изменялись, несмотря на поддержание одинаковых условий освещения (см.: Дополнительный рисунок 2), что требует калибровки для каждого условия освещения (т.е., WF 0, WF +1, PF 0 и т. д.). Различия в цвете между сортами моркови, являющиеся результатом генотипического разнообразия в данном исследовании, оказывают значительное влияние на свет, регистрируемый автоматическими цифровыми камерами, даже при заданных специфических настройках. Это происходит потому, что более темные корни требуют более длительного времени экспозиции, тогда как более светлая морковь требует меньше света. Таким образом, калибровка цвета определяет достоверность и воспроизводимость независимо от марки/модели камеры и условий получения изображения (например, автоматическая диафрагма, фотокамеры и другие стандартизированные средства). Мелендес-Мартинес и др. (2003) обнаружили, что уровни различных каротиноидов лучше коррелировали с индивидуальными параметрами CIELab/Ch при измерении (с помощью трехстимульного колориметра) образцов, расположенных на черном фоне, по сравнению с белым. Учитывая сильное влияние окружающего света (цвета и интенсивности), в данном исследовании оценивалось влияние шести различных условий освещения (неполяризованный WF -1, WF 0, WF + 1 и поляризованный PF 0, PF + 1 и PF + 2) на взаимосвязь между цветом и содержанием пигментов. В данном отчете WF 0 рассматривается как условие освещения по умолчанию, поскольку оно наиболее точно соответствует стандартной, доступной установке. Успешные результаты, полученные при этом условии освещения, обсуждаются далее.

4.2 Изменчивость цвета и содержания пигментов в моркови

Было установлено, что значения CIELab/Ch образцов соответствуют их визуальному цвету. Это позволяет разделить различные сорта на четыре отдельные группы: белые, желтые, фиолетовые и оранжево-красные (рис. 2). Последняя группа включает сорт PY1 (т.е. фиолетовый с желтой сердцевиной), уровень TCC которого ближе к уровню оранжево-красных сортов, чем к другим фиолетовым. Таким образом, можно предположить, что этот метод IAO в некоторой степени смог отразить тонкости цвето-пигментного состава мякоти корней сорта PY1.

Уровни содержания общего и отдельных каротиноидов, количественно определенные в данном исследовании (рисунки 3А, 5), соответствуют данным литературы (Сурлес и др., 2004; Jourdan et al., 2015). Сумма содержания ликопина, лютеина, α-каротина и β-каротина равна общему содержанию антиоксидантов (TCC) в каждом образце, что подтверждает достоверность спектрофотометрического количественного определения последнего. Общее содержание антиоксидантов (TAC) всех фиолетовых сортов (рис. 3B) также находится в пределах стандартного диапазона для темной моркови (Каммерер и др., 2004; Cuevas Montilla et al., 2011). Образцы, содержащие менее 0,25 мг/100 г общего содержания каротиноидов и антоцианов, были исключены из дальнейшего анализа для каждой группы пигментов. Это связано с тем, что возможны ложноположительные результаты от сильно окрашенных сортов, которые в действительности содержат минимальное количество данного пигмента (например, сильно окрашенные фиолетовые сорта с минимальным содержанием общего количества каротиноидов). Однако, что касается содержания отдельных каротиноидов, нефиолетовые сорта моркови, содержащие менее 0,25 мг/100 г, были включены, поскольку их содержание было определено с высокой точностью с помощью ВЭЖХ и существенно не изменило результаты. Ликопин был исключен из дальнейшего анализа после выявления его минимального присутствия среди образцов моркови (рис. 5А), как это было сделано ранее Журдан и др. (2015) в своем исследовании моркови желтого и оранжевого цвета.

4.3 Традиционные методы прогнозирования цветовых пигментов: ограничения одиночной/множественной линейной регрессии

На рисунках 4A и 4B наблюдается достаточно сильная отрицательная корреляция между параметром цвета L* по классификации CIELab/Ch и показателями TCC (R² = 0,72) и TAC (R² = 0,74), как это обычно отмечается в исследованиях различных фруктов/овощей (Сингха и др., 1991; Мелендес-Мартинес и др., 2003; Хан и др., 2008; Итле и Кабелька, 2009; Дока и др., 2013).

Очевидно, что образцы темного цвета (с более низким значением L*) содержат больше пигмента, чем образцы с очень слабым или полным отсутствием цвета (например, белые корни). Однако L* является единственным независимым от цвета (самостоятельным) параметром цвета и, следовательно, не предоставляет достаточно информации для надежной оценки содержания пигмента в популяции с высокой генотипической изменчивостью. Например, два образца моркови, один из фиолетово-желтого сорта (PY1) и один из красного (R1), имеют схожие значения L* (42,07 и 44,01 соответственно), однако PY1 содержит только 22,2% TCC, обнаруженного в R1 (рис. 4A). Кроме того, результаты линейной регрессии в литературе, несомненно, противоречивы, несмотря на то, что демонстрируют очень благоприятные результаты (R² = 0,903–0,999) (Мелендес-Мартинес и др., 2003; Хайман и др., 2004; Серочинска и др., 2006; Дока и др., 2014; Виейра и др., 2019; Эо и др., 2025).

Другие параметры цвета CIELab/Ch (a*, b*, C* и h) демонстрируют высокую степень мультиколлинеарности, учитывая, что a* и b* являются ортогональными координатами (представляющими оси зеленый-красный и синий-желтый), а C* и h° математически выводятся из них. С 1983 года Мунш, Симар и Жирар предложили учитывать все параметры многомерных цветовых пространств для точного определения цвета образца и, следовательно, для правильной оценки содержания пигментов. Однако исследования с 2004 года по настоящее время по-прежнему игнорируют это многомерное свойство (т.е. используют одиночные линейные регрессии) или учитывают его лишь частично (т.е. используют множественные линейные регрессии).

Множественная линейная регрессия не полностью совместима с цветовыми параметрами CIELab/Ch из-за возникающей «зоны неопределенности», предложенной Игерман и др. (1973). Это область в пределах каждой шкалы цветовых параметров, где после достижения определенного порога накопления пигмента изменение цвета становится менее резким, что указывает на нелинейную зависимость (Игерман и др., 1973). Оба Руис и др. (2008) и Серочинска и др. (2006) объединили несколько цветовых параметров CIELab/Ch и сообщили о более сильной корреляции с TCC в образцах с более низкой концентрацией пигмента, чем в образцах с высокой пигментацией. Возможное объяснение, описанное Шталь и Зис (2003) утверждают, что химическая структура каротиноидов (например, количество ковалентных двойных связей) влияет на интенсивность излучаемого ими цвета, которая варьируется в зависимости от типа каротиноида (например, β-каротин имеет больше ковалентных двойных связей и оказывает большее влияние на окрашивание, чем большинство других каротиноидов). Аналогично, некоторые антоцианы излучают более заметный цвет, чем другие, например, цианидин-3-глюкозид, вызывая значительные изменения цветовых значений при небольших колебаниях концентрации (Han et al., 2008). Поэтому после достижения определенного порогового значения содержания пигмента становится трудно различить влияние пигмента на цвет данного образца (Игерман и др., 1973).

В данном исследовании для демонстрации того, что одних цветовых параметров недостаточно для точной оценки общего содержания пигментов, использовались традиционные однофакторные и многофакторные линейные регрессии (рисунки 4, 6). Проведение многофакторных линейных регрессий со всеми цветовыми параметрами CIELab/Ch показало, что вес каждого параметра в модели варьируется в зависимости от условий освещения, использованных при получении изображения (таблица 1). Это говорит о том, что результаты, полученные в предыдущих исследованиях, могут быть в значительной степени обусловлены неучтенными условиями освещения/окружающей средой.

Рисунок 6 Линейная регрессия между отдельными параметрами цвета CIELab/Ch (L*, a*, b*, C* и h°) и содержанием (A) лютеина; (B) α-каротина; и (C) β-каротина (мг/100 г) для каждого сорта. Анализ цвета проводился на изображениях, полученных в условиях освещения по умолчанию, без фильтра (WF 0).

4.4 Решение проблемы мультиколлинеарности во взаимосвязи цвета и пигмента: регрессия методом частичных наименьших квадратов (PLS).

Преимущества PLS-регрессии заключаются в стандартизации и создании скрытых переменных для коррекции мультиколлинеарности между предикторами, как это предлагают некоторые исследователи в этой области (Мелендес-Мартинес и др., 2003; Руис и др., 2008; Moresco et al., 2017). Использование PLS позволило получить очень удовлетворительные корреляции между цветом корней моркови и TCC (R² = 0,73–0,79), а также TAC (R² = 0,73–0,84) независимо от условий освещения (таблица 2). Модели PLS были откалиброваны и перекрестно проверены с использованием всех данных путем разделения их на десять случайных сегментов, при этом девять сегментов использовались попеременно для калибровки, а один — для проверки. Это позволяет оценить точность модели с использованием «новых» данных. Хотя результаты PLS в этом отчете демонстрируют более низкие значения объясненной дисперсии, чем в других исследованиях, использующих одиночную и множественную линейную регрессию, результаты показывают, что проведение надежной статистической обработки цветовых анализов может привести к стабильной оценке содержания пигментов в условиях переменного освещения. Следовательно, этот подход к прогнозированию содержания пигментов может быть исследован вне стандартизированных лабораторных условий (например, в полевых условиях) и будет более экстраполируемым и практичным.

4.4.1 Влияние условий освещения на модель

Наилучшие модели для TCC и TAC — это модели, построенные в условиях освещения WF 0 и PF 0, поскольку они имеют удовлетворительные значения R² и наименьшую среднеквадратичную ошибку прогнозирования (таблица 2). Четыре модели несколько занижают фактическое содержание пигментов (дополнительный рисунок 3). Хотя значения rRMSEP 30,2–30,4% (TCC) и 40,2–40,7% (TAC) указывают на, казалось бы, высокую ошибку в новых данных, эти значения являются результатом генетической изменчивости, обнаруженной в разных сортах моркови, как это видно на рисунках 3 и 4. Аналогичные значения относительной ошибки прогнозирования также были отмечены другими исследователями (Мерзляк и др., 2003; Руис и др., 2008; Moresco et al., 2017). Действительно, риск/последствия таких исследований не особенно высоки, а содержание пигмента измеряется в мг/100 г, что позволяет предположить, что диапазон возможного прогноза (ошибки) на самом деле узок (таблица 3). Кроме того, анализ изображений не обязательно должен быть самостоятельной оценкой содержания пигмента или качества пищевых продуктов, но может помогать или облегчать другие процедуры. Таким образом, его разработка поощряется. Например, Родригес-Пулидо и др. (2017) объединили цифровые изображения образцов винограда с их спектральными эквивалентами, чтобы успешно оценить качество образцов лучше, чем при использовании двух методов по отдельности. Хотя наша методология не способна предсказывать содержание отдельных каротиноидов (подробнее об этом ниже), она очень хорошо идентифицирует TCC и TAC таким образом, что в сочетании с другими методологиями это может упростить и снизить затраты на традиционные лабораторные анализы.

4.4.2 Многомерная модель анализа изображений

С целью определения наилучшей модели для оценки TCC и TAC, полученной в данном исследовании, было выбрано условие освещения WF 0 (вместо аналогичного PF 0), поскольку оно наиболее точно соответствует стандартной конфигурации камеры и освещения: более доступная и воспроизводимая модель. Различные комбинации параметров цвета CIELab/Ch (например, соотношения (a* / b*) и (a* / b*)² и т. д.) были протестированы в заданных условиях освещения, как это предлагается в литературе, однако полный профиль параметров цвета показал наилучшее соответствие для всех групп пигментов в данном исследовании (Хайман и др., 2004; Серочинска и др., 2006; Мояно и др., 2008; Кляк и др., 2014). Это наглядно демонстрирует многомерность взаимосвязи пигментов и цвета.

В таблице 3 представлены модели PLS для различных пигментов при выбранных условиях освещения WF 0. Хотя модели PLS для прогнозирования отдельных каротиноидов (ликопина, лютеина, α-каротина и β-каротина) не дали удовлетворительных результатов (R² = 0,428–0,488), рисунки 5 и 6 показывают, что существует высокая изменчивость фенотипического проявления пигментов внутри самих сортов моркови. В данном исследовании это не является следствием изменчивости окружающей среды, поскольку 96 образцов были выращены и посеяны в одинаковых условиях и в одинаковые даты. Следовательно, предполагается, что генетическая изменчивость обуславливает указанные различия в концентрации пигментов между морковью одного сорта.

4.5 Перспективы на будущее

Необходимо стандартизировать протоколы систематического получения изображений в научном сообществе. Это демонстрирует, что вместе с предварительной обработкой изображений это существенно влияет на конечные возможности модели прогнозирования содержания пигментов, позволяя избежать ложных срабатываний или артефактов. Это включает использование цветовой шкалы и позволяет оценить влияние различных условий освещения.

Однако для повышения точности анализа изображений рекомендуется непосредственно измерять результирующую интенсивность света, достигающего поверхности образца. Для повышения надежности модели предлагается увеличить размер выборки и генотипическое разнообразие. Аналогичным образом предлагается изучить влияние получения большего количества колориметрических измерений на образец. Взаимосвязи между такими переменными могут усилить эффект отдельных каротиноидов и позволить лучше понять различное генетическое проявление пигментов и влияние окружающей среды — тема, которую можно исследовать с помощью механистических моделей. Эта информация может помочь селекционным программам в поиске более высоких концентраций пигментов.

Новизна данного исследования заключается в том, что впервые исключена из анализа изменчивость условий окружающей среды в моркови и ее комбинациях каротиноидов и антоцианов. В этом смысле можно было бы изучить более широкий подход, основанный на изучении множества видов и их взаимодействия с окружающей средой. Расширение таких статистических моделей (например, на другие пищевые продукты) и последующая разработка баз данных о взаимосвязи цвета и содержания пигментов может обучить методы искусственного интеллекта созданию надежных автоматических систем обнаружения – очевидной основы для будущих сельскохозяйственных и пищевых технологий. Этот метод может быть полезен при применении в мобильных приложениях (вместе с ИИ) для простого определения содержания пигментов, а следовательно, и антиоксидантной способности свежих продуктов. Например, на основе этого метода можно было бы устанавливать провитаминную/антиоксидантную способность каротиноидов и антоцианов. Таким образом, розничные продавцы и больницы могли бы сократить количество отходов, выбирая продукты питания доступным и информированным способом.

5. Заключение

Целью настоящего исследования было надежное изучение взаимосвязи цвета и пигментации каротиноидов и антоцианов в свежей моркови разных цветов с помощью цифрового анализа цвета изображений при шести различных условиях освещения. В литературе взаимосвязь цвета и пигментации традиционно оценивается с помощью элементарных линейных регрессий, что некорректно игнорирует мультиколлинеарность параметров цвета в многомерных цветовых пространствах (например, CIELab/Ch). Кроме того, было обнаружено, что условия освещения во время получения изображения влияют на вес каждого параметра цвета на более поздних этапах статистического анализа. Использование регрессии методом частичных наименьших квадратов позволило учесть мультиколлинеарность параметров цвета и успешно предсказать общее содержание каротиноидов и антоцианов стабильным образом, особенно при использовании условий освещения WF 0 и PF 0. Итоговая модель (WF 0) была выбрана за наилучшее соответствие и близкое сходство со стандартной цифровой камерой и настройкой освещения (легкодоступная), что предлагает экономически эффективную альтернативу традиционным лабораторным методам.

В данном исследовании предлагается подробный протокол для быстрой, неразрушающей оценки общего содержания каротиноидов и антоцианов с целью стандартизации методов фенотипирования изображений и дальнейшего расширения общедоступных данных о генетически разнообразных сортах моркови (что приводит к различной окраске корнеплодов). Эта информация может быть использована для помощи селекционным программам в поиске более высоких концентраций этих мощных антиоксидантов, определяющих цвет и качество продукции.

Нестандартные сокращения.

Ниже приведён список сокращений, используемых в рукописи, которые не считаются стандартными или широко признанными в данной области. Оптимизация анализа изображений (IAO), сорта оранжевой моркови (O1–O9), сорта фиолетовой моркови (P1–P2), поляризационный фильтр (PF), сорт фиолетово-жёлтой моркови (PY1), сорт красной моркови (R1), общее содержание антоцианов (TAC), общее содержание каротиноидов (TCC), сорт белой моркови (W1), без фильтра (WF), сорта жёлтой моркови (Y1–Y2).

Дополнительные материалы

Дополнительные материалы к этой статье можно найти в интернете по адресу: https://www.frontiersin.org/articles/10.3389/fpls.2026.1713048/full#supplementary-material

Дополнительный рисунок 1

(A) Без выделения; (B) автоматическое выделение лассо; и (C) выделение вручную на основе анализа изображений двух дисков моркови (морковь 1 и морковь 2) для оценки точности каждого метода выделения. Автоматическое выделение лассо включало участки кожуры (нежелательные) и пропускало части мякоти лицевой стороны (желательные), в то время как выделение вручную позволяло с высокой точностью включать в анализ изображения только желательную мякоть.

Дополнительный рисунок 2

(A) Диски моркови фиолетового сорта (P1); (B) оранжевого сорта (O5); и (C) белого сорта (W1), сфотографированные при поляризационном фильтре (PF 0) и в стандартных условиях освещения без фильтра (WF 0), демонстрирующие различия как в диафрагме (выраженной в f-числе; f/#), так и во времени экспозиции (выраженном в секундах, например, 1/80 с). Автоматическая реакция цифровой камеры на образцы дисков с различным генотипом непостоянна как в двух условиях освещения, так и внутри каждого сорта.

Дополнительный рисунок 3

Диаграммы рассеяния, визуализирующие фактические значения содержания пигментов в сравнении со значениями, предсказанными четырьмя моделями частичных наименьших квадратов (PLS) при следующих условиях: (A) оценка общего содержания каротиноидов (TCC) при стандартных условиях освещения WF 0; (B) оценка TCC при поляризованном освещении PF 0; (C) оценка общего содержания антоцианов (TAC) при стандартных условиях освещения WF 0; и (C) оценка TAC при поляризованном освещении PF 0.

Verme AC, Melchior M, van den Berg JH and Padilla-Díaz CM (2026) Image analysis optimisation for carotenoid and anthocyanin content prediction in carrots: addressing colour parameter multicollinearity and genotypic diversity. Front. Plant Sci. 17:1713048. doi: 10.3389/fpls.2026.1713048

Перевод статьи «Image analysis optimisation for carotenoid and anthocyanin content prediction in carrots: addressing colour parameter multicollinearity and genotypic diversity» авторов Verme AC, Melchior M, van den Berg JH and Padilla-Díaz CM, оригинал доступен по ссылке. Лицензия: CC BY. Изменения: переведено на русский язык


Комментарии (0)