近日，华中农业大学工学院联合园艺林学学院，在Agriculture Communications发表题为″LLM-assisted multichannel similarity fusion versus supervised deep learning for Raman-based early detection of citrus huanglongbing with metabolomic validation″的研究论文，为柑橘黄龙病（Huanglongbing, HLB）早期诊断提供了新的思路和方法。
柑橘HLB素有″柑橘癌症″之称，是由亚洲韧皮部杆菌（Candidatus Liberibacter asiaticus, CLas）引发的一种毁灭性植物病害，被公认为全球柑橘产业面临的最严重威胁之一，做好早期诊断是病害防控的关键。HLB现有诊断金标准为实时荧光定量聚合酶链式反应（Quantitative Real-time Polymerase Chain Reaction, qPCR），该方法检测准确性高，但存在破坏性采样、成本高、检测周期长等局限，难以满足大面积筛查对时效与成本的实际要求。因此，开发快速、低成本、无损的早期诊断方法具有重要意义。近年来，光谱无损检测技术在柑橘HLB诊断领域取得显著进展。拉曼光谱（Raman Spectroscopy）作为分子指纹图谱技术，具备早期无损诊断潜力。然而监督式深度学习（Deep Learning）模型往往依赖大量可靠标注样本，每一份样本的类别标签都需要依靠qPCR检测结果确定，样本规模扩大后，样本标注成本会快速上升。
图1 CNN-Transformer模型框架与相似性融合框架流程
图2 HPLC-MS代谢组学分析及葡萄糖、对香豆酸、和L-谷氨酸代谢物定量验证
针对上述问题，研究团队提出大语言模型（Large Language Model，LLM）辅助的多通道光谱相似度融合框架（LLM-assisted multichannel similarity fusion，LAMSSF）（图1），依托少量经 qPCR 验证的参考样本，实现柑橘 HLB 早期无损诊断，降低模型对大规模标注数据的依赖。为构建并验证该框架，团队共采集1030片泰国青柚、480片沃柑叶片，涵盖健康、HLB早期感染、出现典型症状的HLB晚期感染，以及易与HLB表型混淆的营养缺乏四类样本，共获得4530条拉曼光谱。所有叶片均完成 qPCR 检测，确认感染状态，建立可靠的类别标签。研究将叶片光谱与叶黄素、叶绿素 a、对香豆酸、糖类和氨基酸等标准品参考光谱进行比对，完成关键拉曼谱带的分子归属及其对应生化组分解析。HPLC-MS定量结果显示，对香豆酸、葡萄糖和L-谷氨酸在感病早期已发生明显变化，并随病程推进呈规律性积累，其含量变化与对应拉曼特征峰的强度变化一致（图2）。实验表明，拉曼光谱能够捕捉叶片尚未显症时的代谢响应，上述三种代谢物可作为HLB早期诊断的潜在生物标志物；分子归属与定量验证，也为后续四类叶片的光谱分类提供了可解释的生化依据。
图3 泰国青柚至沃柑的跨品种迁移学习结果，以及训练样本数量与分类准确率的关系
LAMSSF框架首先由大语言模型根据拉曼光谱形态推荐预处理方案，通过全局通道和专家通道协同完成健康、早期感染、晚期感染、缺素四分类，提升对光谱特征相似类别的区分能力。模型对比结果显示，CNN-Transformer模型在泰国青柚从头训练、沃柑迁移微调中，分别获得93.2%和94.8%的准确率，但两类场景分别需要每类 112 份、56 份样本参与训练（图 3）。与之相比，LAMSSF 使用泰国青柚每类 6 片、沃柑每类 3 片作为参考样本时，准确率分别可达 90.3%、90.6%；若要达到同等效果，监督式深度学习所需标注样本量分别为该框架的 8.3 倍、10.0 倍。该框架在保障较高诊断准确率的前提下，显著减少了qPCR检测数量及相应的时间与成本，并能够基于少量标注样本快速适配不同柑橘品种，为HLB早期无损诊断及复杂光谱多分类任务提供了新的技术路径。
该研究贯通了拉曼谱峰分子归属、代谢物定量验证、大语言模型辅助预处理和多通道相似度融合，形成了一套可解释、可复现、可迁移的光谱多分类分析范式。
论文链接：https://doi.org/10.1016/j.agrcom.2026.100160
来源: 华中农业大学
