農作物籽粒分割研究現狀綜述

彭順正 岳延濱 馮恩英 黃安林

摘要 籽粒分割是籽粒計數的關鍵環節，也是種子精選、育種評價的重要研究內容之一。從機器視覺和深度學習角度分析籽粒和顆粒分割現狀，總結分析了各種分割方法特點。并對視覺方法和深度學習方法在圖像分割等方面進行了比對分析，體現了深度學習在分割方面的優越性。

關鍵詞 籽粒;圖像分割;機器視覺;深度學習

中圖分類號 TP 391.4文獻標識碼 A

文章編號 0517-6611（2022）04-0013-04

doi：10.3969/j.issn.0517-6611.2022.04.004

開放科學（資源服務）標識碼（OSID）：

A Review of the Research Status of Crop Grain Segmentation

PENG Shun-zheng， YUE Yan-bin， FENG En-ying et al （Institute of Science and Technology Information， Guizhou Academy of Agricultural Sciences， Guiyang， Guizhou 550006）

Abstract Grain segmentation is a key part of grain counting， and it is also one of the important research contents of seed selection and breeding evaluation. From the perspective of machine vision and deep learning， the current situation of grain and granule segmentation is analyzed， and the characteristics of various segmentation methods are summarized and analyzed. And compared and analyzed the visual methods and deep learning methods in image segmentation and other aspects， which reflects the superiority of deep learning in segmentation.

Key words Grain;Image segmentation;Machine vision;Deep learning

基金項目 貴州省2020年科技支撐計劃項目（黔科合支撐〔2020〕1Y019）。

作者簡介 彭順正（1989—） ，男，貴州興義人，助理研究員，碩士，從事農產品品質檢測、圖像算法研究。

收稿日期 2021-05-20

農業種子工程戰略的實施是支撐我國農業產業發展的一項基本舉措。育種創新、種子精選等是農業工程的重要內容。種子精選和育種評價需要對籽粒性狀進行評價，千粒重就是一種重要的農藝性狀參數[1-2]。基于圖像方法檢測千粒重等參數，其原理是對籽粒進行分割計數，然后檢測重量。籽粒分割好壞直接關系到籽粒計數是否準確。研究籽粒分割方法對于籽粒農藝性狀參數檢測具有重要意義。因此，筆者基于機器視覺和深度學習的角度，概述籽粒分割研究現狀。由于顆粒分割和籽粒分割具有同質性，也對顆粒的分割研究進行分析總結，并展望農作物籽粒分割的發展方向。

1 基于機器視覺的傳統分割研究現狀

基于機器視覺的方法分割作物種子籽粒應用比較廣泛、涉及的類型比較多，不同作物籽粒性狀、外觀色澤、空間立體姿態不同，導致空間分布排列存在差異。這些客觀性因素導致目前沒有一種通用的作物籽粒分割算法。一般情況下，只討論籽粒在空間分布上是單層的情況，重疊分布的情況不作討論，這種情況下視覺分割方法適應性差，無法對遮擋部分進行準確的分割。籽粒空間分布主要存在2種分布：單籽粒與粘連籽粒。一般來說，單籽粒的分割比較簡單，不同分割方法都可以獲取比較滿意的分割效果。然而對于粘連籽粒的分割方法就相對復雜很多，主要是粘連籽粒經過圖像預處理之后，其邊緣形態、顏色均會發生一定程度的變化。對于籽粒輪廓邊緣識別和黏結位置的定位分割是籽粒分割關鍵技術難點，因此衍生了各種分割算法。從分割原理角度來看，總體上分為：基于顏色的分割、基于形狀的分割，基于顏色+幾何形狀的分割3種類型[3-5]。

適當地增強目標和背景對比度可以提高籽粒分割的準確度。例如，在RGB、Lab、HSV等顏色空間模型中，利用分量圖和灰度圖特征比較或重疊，以及各通道顏色之間的變換或差分等運算以增強目標和背景的對比度為分割打下了基礎[3-5]。

籽粒分割就是將其邊緣輪廓準確的分割成獨立的整體。目前輪廓提取方面常見的方法主要有分水嶺算法（包括改進的分水嶺算法）、Hough變換方法、腐蝕邊緣法、面積法、拋物線分割、主動輪廓模型、遺傳算法（GA）與改進脈沖耦合神經網絡（PCNN）相結合等分割方法[6-24]。

由表1可知，①分水嶺算法依賴于局部像數值的變化，判斷局部極值所在位置，進而實現目標輪廓的方法。然而，根據相關研究經驗，分水嶺算法在部分情況下容易出現過分割現象，因此有學者也對分水嶺算法進行了多種嘗試和改進[6-14]。②Hough變換方法主要是檢測圖像中直線或曲線輪廓，從而達到輪廓識別定位分割的目的[15]。③腐蝕邊緣法原理是通過形態學腐蝕方法剝離掉連通區域的重疊部分，從而實現黏結部分的分割[16-18]。④面積法通常采用標記像素來實現目標區域分割[19-20]，為了減少對目標像數遍歷和計算量，部分學者提出采用“跳躍”掃描方式，而后根據鄰域像數單元檢測填充斷檔區域實現目標區域分割[21]。⑤拋物線分割方法[22]事實上比較傾向于依賴先驗知識。比如谷物籽粒類似橢圓、油菜籽粒類似圓，這些籽粒的形狀都具有比較明顯的空間幾何特征，類似于先驗知識。拋物線分割原理主要是檢測定位3個關鍵點來擬合拋物線作為模擬輪廓。事實上，拋物線分割優缺點也比較明顯，對于弧形籽粒拋物線分割比較好，但無法對殘缺籽粒進行完整識別分割。⑥主動輪廓模型[23]分割通過尋找輪廓最尖銳位置，計算弧線曲率大小和方向判斷籽粒是否粘連，從而定位分割點。但對于輪廓局部尖銳層度變化比較敏感，容易受到輪廓毛刺干擾，通常需要對輪廓平滑處理。⑦遺傳算法（GA）與改進脈沖耦合神經網絡（PCNN）相結合[24]的分割方法原理是：采用PCNN網絡先激活圖像中所有像素，產生迭代閾值，不斷循環，直到存在像數值小于迭代閾值時，產生抑制脈沖，引起鄰近類似像數神經元抑制，獲取一系列脈沖序列。其中第N次離散時間所得序列作為目標圖像，而后通過GA算法優化PCNN模型參數進行圖像分割。

綜上所述，增強圖像的對比度可以提高籽粒分割的準確性;綜合考慮籽粒顏色、空間幾何形狀等特征有助于分割方法的選取。目前還沒有通用的分割方法適合任何籽粒的分割。因此，分割方法選取是籽粒分割的一個關鍵環節。深入了解各種分割方法的特點和優缺點有助于選取合適的分割方式，對于提高籽粒分割效率和準確性具有重要意義。

2 基于深度學習的主流分割研究現狀

深度學習是一種含有多層感知神經網絡結構[25]。目前，基于深度學習的籽粒圖像分割相對較少，國內相關研究主要集中在檢測方向[26-38]，還有關于預測還原殘缺籽粒的相關報道[39]。由于具有分割速度快、精度高、基于像數級定位分類分割的特點，深度學習在圖像分割方面得到廣泛運用。

目前，國內相關學者基于深度學習方法分割作物籽粒。尤其以谷物、小麥、大豆等最為常見。深度卷積結構模型是影響分割性能主要因素之一，網絡結構的選擇和設計非常關鍵。有學者采用Mask R-CNN網絡和FCN網絡對麥穗圖像進行分割，發現Mask R-CNN網絡處理速度比FCN網絡快8.5倍[26];在類似大豆籽粒分類研究中，也證實網絡結構選擇和設計直接影響網絡模型的分割準確率和實時性[27]。深度學習分割本質其實就是對像數級圖像特征進行分類，從而實現目標分割識別。如采用U-Net網絡分割水稻籽粒圖像，就是通過訓練各類別的像數特征實現分割[28]。某些情況下，綜合考慮圖像分辨率、籽粒各部位尺寸懸殊對語義分割網絡設計具有重要的作用。例如，針對稻米堊白識別的G-Chalk網絡改進和分割識別準確度提高就說明了其重要性[29]。

在籽粒檢測分類識別方面，目前涉及玉米、小麥、大米、花生等。對網絡卷積核、各層特征的可視化分析，有助于構建實例的分類識別體系。例如，基于VGG16網絡對玉米品種分類識別[30]。基于Faster R-CNN模型實現玉米品質精選的研究[31]。這些研究說明，可以采用多個檢測模型對同一問題開展研究，這有助于構建最優的檢測模型。向日葵種子識別就采用多個檢測模型進行試驗比對，以確立最優檢測識別模型[32]。目前的檢測模型結構由2個主體部分構成，經典網絡模型（如AlexNet、GoogleNet、VGG等）及特殊功能的塊結構（如殘差塊、Dropout技術、BN算法等）模式。小麥識籽粒完整性檢測識別網絡ResNet模型結構就是典型代表[32-33]。事實上，影響檢測模型檢測識別精度除網絡結構本身外，還存在其他因素。比如，自然圖像數據維度高，常常影響圖像識別的推理速度，針對這個問題，可采用種子圖像降低數據維度，在網絡卷積層加入注意力機制模塊，以提高模型特征描述性能，進而提高目標識別精度[34]。另外，為彌補卷積網絡模型特征利用率低下的不足，有研究結合SVM提高特征復用性，改善檢測模型的識別精度[34-35]。深度學習訓練需要大量數據樣本，有利于模型訓練，為了減少作物籽粒圖像采集量，一般采用數據增廣（如翻轉、旋轉、對比度調整、圖像拉伸、不同尺度的剪切等操作）擴充數據樣本量。模型訓練比較耗時，收斂速度慢是深度學習目前面臨比較多的問題，目前，有學者采取激活函數優化和池化等操作提高有效特征提取效率或數據降維以縮短模型訓練周期[36]。還有學者通過調整學習參數提高模型收斂速度，如花生顆粒分類的CNN+SqueezeNet模型[37]。總之，可以結合數據集構成、過擬合弱化、訓練收斂速度、網絡結構簡化等方面優化檢測模型來提高籽粒識別分類[38]。

當前，有學者還嘗試了采用深度學習對殘缺籽粒或遮擋部分進行復原，并取得比較理想的效果[39]。各卷積網絡的特點見表2。

綜上所述，深度學習在籽粒分割、檢測等方面，其模型選擇設計除了考慮籽粒形狀、圖像分辨率以外，還需要考慮網絡結構本身。無論是分割還是檢測，不同的網絡結構對不同種子籽粒分割和檢測都具有一定的適應性。因此，一般需要試驗多種不同的網絡結構模型，確立最優模型。在模型訓練和性能提升方面，可以結合數據集、卷積層、學習參數、激活函數、優化器、池化等方面優化網絡，縮短模型收斂時間、提高準確度。目前，對花生、大豆等籽粒的研究可以為其他作物籽粒分割檢測方面提供借鑒。

3 非農作物顆粒分割研究現狀

考慮到籽粒分割與其他非作物顆粒分割具有一定的同質性。因此，其他非作物顆粒物分割對于作物籽粒分割具有一定的參考意義。

3.1 機器視覺分割研究方面 目前主要包括巖石、礦石、煤、金剛石、爐渣、雨滴、細胞等顆粒狀物體分割。針對顆粒粘連分割采取的方法包括距離變換+分水嶺+形態學、BP神經網絡+歸一化算法、大津法+形態學+分水嶺、圖像鄰域的密度統計、中值濾波和小波變換+分割算法、凸包分析的圖像二次分割算法、基于直方圖累積矩的動態優化算法、大津法+形態學+連通標記、大津法雙閾值算法、灰度直方圖配準+雙峰直方圖、鏈碼模型等[40-54]。其中分水嶺、BP神經網絡、形態學、大津法在作物籽粒中也有應用，說明籽粒和顆粒分割比較類似，其余算法在籽粒分割中應用較少，說明顆粒和籽粒分割有其各自的特殊性。一般來說，同種籽粒形狀比較類似，規律性較強。而顆粒形狀、大小是隨機變量，沒有多少可行。但空間排布上，二者無非是單粒和粘連兩種常見類型（重疊類型除外）。

3.2 深度學習分割方面 目前涉及礦物微粒、未溶碳化物顆粒、化學混合物粒子、煙霧顆粒、納米顆粒、巖石顆粒、混合顆粒等方面，分割模型主要包括MASK R-CNN、U-Net、RPN、CNN、FCNN。針對顆粒分割，這些分割模型重點學習顆粒輪廓像數特征，提升顆粒定位精度實現顆粒部分像數級分割[55-62]，這些分割模型在作物籽粒中也有運用，說明深度學習網絡模型具有很好的通用性。從分割對象來看，深度學習分割已經涉及微粒子、化合物等更加微小的顆粒，足以說明其分割精度和優越性不言而喻，未來應用的前景會更加廣闊，也將是未來微粒圖像分割發展的風向標。

4 小結

該研究論述了圖像分割對作物籽粒的重要性，系統總結和分析了圖像在顆粒狀分割方面的研究現狀，并對視覺方法和深度學習2個領域中常見且具有代表性的算法進行了分析總結，明確了各算法分割機理及其優缺點，揭示了各算法的優缺點和適用場景。另外還對顆粒和籽粒的分割方法進行了分析比對，研究表明：無論是視覺方法還是深度學習方法，二者互有重疊，說明二者分割機制具有互通性。

機器視覺分割方法較多依賴于籽粒/顆粒的形狀、顏色、紋理等特征。分割方法眾多，但通用性差，且無法達到像素級分割，對于微型顆粒識別分割精細程度較弱，這是導致視覺方法在微粒分割方面應用比較少的主要原因。

深度學習分割和檢測機理是對每個像素特征進行分類識別，從而達到檢測識別分割的目的。基于像素級的分割，分割結果的精準度和精細化程度高，是其在化合物粒子、微粒子等肉眼無法識別的情況下，分割識別應用比較突出主要原因。深度學習通過提取像素特征，將像素特征輸入到分類網絡分類識別，并將每個像素歸類到特定的類別集合中，最終將不同類別的像素歸類到不同的集合，從而達到識別分割效果。

從分割對象角度來看，深度學習應用范圍比視覺方法應用范圍廣闊，從塊狀到微粒子均有涉及，且圖像數據處理量大、檢測速度快、精度高、理論技術新穎，是目前圖像分割技術發展的一座里程碑，應用前景廣闊。

參考文獻

[1]

楊國浪，張曉強，徐長虹，等.灰色關聯度分析在西藏河谷農區甘藍型油菜育種中的應用[J].種子，2020，39（2）：113-117.

[2] 費錦宗，沈金雄，郭彥麗，等.中國油菜區試新品種產量和品質性狀分析[J].湖北農業科學，2019，58（22）：33-40.

[3] 王金星，李玉風，江浩，等.玉米籽粒內部組分低對比度透射圖像精確分割研究[J].農業機械學報，2020，51（6）：238-247.

[4] 燕紅文，崔清亮.基于分水嶺分割算法對燕麥籽粒識別中粘連區域的分割[J].計算機時代，2020（1）：23-25.

[5] 楊濤，肖衡，楊博雄，等.基于圖像的玉米籽粒粘連的分割方法研究[J].科學技術創新，2019（36）：87-89.

[6] 呂少中，杜文亮，陳震，等.基于機器視覺的蕎麥剝殼性能參數在線檢測方法[J].農業機械學報，2019，50（10）：35-43.

[7] 呂少中. 基于機器視覺的蕎麥剝殼性能參數在線檢測方法研究[D].呼和浩特：內蒙古農業大學，2019：65-80.

[8] 柳冠伊，劉平義，魏文軍，等.玉米果穗粘連籽粒圖像分割方法[J].農業機械學報，2014，45（9）：285-290.

[9] 王剛. 基于機器視覺的玉米千粒重快速檢測儀的研制[D].長春：吉林大學，2012：18-39.

[10] 楊蜀秦. 農作物籽粒的圖像處理和識別方法研究[D].楊凌：西北農林科技大學，2012：15-37.

[11] 王傳宇，郭新宇，溫維亮，等.基于計算機視覺的玉米籽粒形態測量[J].農機化研究，2011，33（6）：141-144.

[12] 李永鋒，周德祥，邢超，等.基于形態分水嶺算法的粘連大米籽粒分割研究[J].計算機與信息技術，2010（10）：42-45.

[13] 匡芳君，徐蔚鴻，王艷華.基于改進分水嶺算法的粘連大米圖像分割[J].糧食與飼料工業，2010（8）：5-8.

[14] 時玉強. 基于機器視覺的大豆品質的研究[D].哈爾濱：東北農業大學，2009：21-28.

[15] 楊冬平.基于梯度改進Hough變換的油菜籽圖像分割方法[J].糧油食品科技，2016，24（4）：80-82.

[16] 李永鋒，周德祥，邢超，等.基于數學形態學的粘連大米籽粒分割研究[J].農業網絡信息，2010（10）：18-21.

[17] 周德祥，毋桂萍，楊紅衛，等.基于數學形態學粘連糧食籽粒圖像分割算法的改進[J].農機化研究，2010，32（7）：49-52.

[18] 荀一，鮑官軍，楊慶華，等.粘連玉米籽粒圖像的自動分割方法[J].農業機械學報，2010，41（4）：163-167.

[19] 王康，梁秀英，曾優，等.玉米籽粒大小特征檢測方法研究[J].湖南農業大學學報（自然科學版），2017，43（3）：329-335.

[20] 臧晶，郭倩倩，李成華，等.復雜條件下多玉米籽粒識別與統計方法研究[J].沈陽農業大學學報，2014，45（5）：633-636.

[21] 奚德君.面向定向種植的玉米粒群批量整列與分選系統的研制[D].哈爾濱：東北農業大學，2018：48.

[22] 杜世偉，李毅念，姚敏，等.基于小麥穗部小穗圖像分割的籽粒計數方法[J].南京農業大學學報，2018，41（4）：742-751.

[23] 楊蜀秦，寧紀鋒，何東健.一種基于主動輪廓模型的連接米粒圖像分割算法[J].農業工程學報，2010，26（2）：207-211.

[24] 張新偉，易克傳，劉向東，等.玉米自動化考種過程的粘連籽粒圖像分割[J].中國農業大學學報，2018，23（10）：144-151.

[25] 深度學習[EB/OL].[2021-01-15].https：//baike.so.com/doc/7000002-7222884.html.

[26] 謝元澄，于增源，姜海燕，等.小麥麥穗幾何表型測量的精準分割方法研究[J].南京農業大學學報，2019，42（5）：956-966.

[27] 朱榮勝，閆學慧，陳慶山.基于圖像識別和卷積神經網絡的大豆優良籽粒篩選研究[J].大豆科學，2020，39（2）：189-197.

[28] 陳進，韓夢娜，練毅，等.基于U-Net模型的含雜水稻籽粒圖像分割[J].農業工程學報，2020，36（10）：174-180.

[29] 孫志恒. 基于深度學習的稻米堊白識別算法研究與應用[D].成都：電子科技大學，2019：24-39.

[30] 張芳. 基于深度學習的玉米果穗分類識別[D].南昌：江西農業大學，2019：23-30.

[31] 王建宇. 基于卷積神經網絡的玉米籽粒精選系統研制[D].哈爾濱：東北農業大學，2019：41-64.

[32] 欒爭光. 基于卷積神經網絡的種子智能分選算法研究[D].鄭州：中原工學院，2020：8-46.

[33] 張博. 基于深度學習的小麥外觀品質機器視覺檢測研究[D].楊凌：西北農林科技大學，2019：21-43.

[34] 祝詩平，卓佳鑫，黃華，等.基于CNN的小麥籽粒完整性圖像檢測系統[J].農業機械學報，2020，51（5）：36-42.

[35] 于重重，周蘭，王鑫，等.基于CNN神經網絡的小麥不完善粒高光譜檢測[J].食品科學，2017，38（24）：283-287.

[36] 林萍，張華哲，何堅強，等.可見光譜圖與深度神經網絡的堊白大米檢測方法[J].光譜學與光譜分析，2020，40（1）：233-238.

[37] 朱江波. 基于嵌入式平臺的顆粒狀農作物圖像分類算法研究[D].哈爾濱：哈爾濱工業大學，2019：34-62.

[38] 趙志衡，宋歡，朱江波，等.基于卷積神經網絡的花生籽粒完整性識別算法及應用[J].農業工程學報，2018，34（21）：195-201.

[39] 馬志宏. 基于深度學習的水稻粒穗復雜性狀圖像分析方法[D].上海：上海交通大學，2018：33-55.

[40] 蔡改貧，劉占，汪龍，等.基于形態學優化處理的標記符分水嶺礦石圖像分割[J].科學技術與工程，2020，20（23）：9497-9502.

[41] 陳然. 基于雙門限閾值的爆堆巖塊圖像分割技術及圖像識別系統開發[D].衡陽：南華大學，2020：19-48.

[42] 劉曉敏，茅健.非均勻光照金剛石切割線顆粒提取方法[J].輕工機械，2019，37（6）：64-70.

[43] 孫國棟，林凱，高媛，等.基于改進親和度圖的礦石顆粒圖像分割研究與實現[J].儀表技術與傳感器，2019（12）：114-118.

[44] 謝雅君，張國英.混配礦石圖像的分割優化及級配檢測算法[J].有色金屬（礦山部分），2019，71（6）：110-115.

[45] 黃友亮，孫廣彤，戰勝，等.基于自適應中值濾波高爐渣顆粒小波去噪[J].礦業研究與開發，2019，39（9）：141-145.

[46] 孫穎. 機器視覺用于燃料粒度在線檢測研究[D].太原：山西大學，2019：5-22.

[47] 郭挺. 基于視頻圖像的降雨識別方法研究[D].南京：南京信息工程大學，2019：12-41.

[48] 張慶杭. 基于圖像處理的重疊類圓顆粒物的計數及APP的研究開發[D].鎮江：江蘇大學，2019：17-72.

[49] 展彥彤. 基于多尺度特征分析的礦石粒度分布方法研究[D].北京：中國礦業大學（北京），2019：21-35.

[50] 劉小燕，吳鑫，孫煒，等.基于形態學重建和GMM的球團顆粒圖像分割[J].儀器儀表學報，2019，40（3）：230-238.

[51] 張文曄. 基于機器視覺的金剛砂線顆粒檢測技術的研究與應用[D].常州：江蘇理工學院，2018：20-27.

[52] 焦慧君. 拍攝深度限定的溶液晶體粒度分布圖像識別方法研究[D].濟南：山東大學，2018：11-34.

[53] 王曉迎. 細胞追蹤的灰度圖像準確分割方法研究[D].徐州：中國礦業大學，2014：25-36.

[54] 張瑞華. 醫學顯微細胞圖像分割研究[D].武漢：武漢科技大學，2014：38-83.

[55] 謝濤. 基于深度學習的微細粒礦物識別研究[D].徐州：中國礦業大學，2020：23-48.

[56] 陳園園. 基于深度學習的GCr15軸承鋼金相組織圖像分割技術研究[D].蘭州：蘭州理工大學，2020：37-46.

[57] HEFFERNAN S T，LY N C，MOWER B J，et al. Identifying surface morphological characteristics to differentiate between mixtures of U3O8 synthesized from ammonium diuranate and uranyl peroxide[J]. Radiochimica acta，2019，108（1）：29-36.

[58] XIANG D，CAI D，HU X N，et al.A deep learning algorithm for particle segmentation of aerosol images[J]. Journal of flow visualization and image processing，2019，26（3）：239-252.

[59] 吳玥. 基于MaskR-CNN分割的TEM納米顆粒參數測量方法研究[D].天津：天津工業大學，2019：34-41.

[60] 蔡楊，蘇明旭，蔡小舒.基于卷積神經網絡的混合顆粒分類法研究[J].光學學報，2019，39（7）：123-132.

[61] 張芳，吳玥，肖志濤，等.基于U-Net卷積神經網絡的納米顆粒分割[J].激光與光電子學進展，2019，56（6）：137-143.

[62] 徐江川. 基于深度卷積神經網絡的熟料顆粒方法研究[D].合肥：中國科學技術大學，2018：18-52.

安徽農業科學，J.Anhui Agric.Sci. 2022，50（4）：17-20

安徽農業科學 2022年

氮代謝相關酶的研究進展

徐洪超1，商 靖1，劉銘薈1，張 飛2*，李玥瑩1*

（1.沈陽師范大學生命科學學院，遼寧沈陽 110034;2.遼寧省農業科學院高粱研究所，遼寧沈陽 110161）

摘要 氮代謝是植物體內的基本生理代謝過程之一，包括氮素同化、積累和蛋白質合成等過程，與植物的生長發育、產量和品質的聯系非常密切。氮代謝的生理過程在酶的催化下完成，與氮代謝的生理過程密切相關的酶有：硝酸還原酶、谷氨酰胺合成酶、轉氨酶（谷氨酸草酰乙酸轉氨酶、谷氨酸丙酮酸轉氨酶）、谷氨酸合酶、谷氨酸脫氫酶等關鍵酶。這5種酶在植物氮代謝過程中具有重要的作用，簡要介紹這幾種酶的基本結構與特性、對作物生長發育的調控等，為進一步探究氮代謝研究機制提供有益的參考。

關鍵詞 硝酸還原酶;谷氨酰胺合成酶;谷氨酸合酶;轉氨酶;谷氨酸脫氫酶

中圖分類號 Q 945.1文獻標識碼 A

文章編號 0517-6611（2022）04-0017-04

doi：10.3969/j.issn.0517-6611.2022.04.005

開放科學（資源服務）標識碼（OSID）：

Research Progress of Enzymes Related to Nitrogen Metabolism

XU Hong-chao，SHANG Jing，LIU Ming-hui et al （College of Life Sciences， Shenyang Normal University，Shenyang，Liaoning 110034）

Abstract Nitrogen metabolism is one of the basic physiological metabolic processes in plants， including processes such as nitrogen assimilation， accumulation and protein synthesis. It is closely related to plant growth， yield and quality. The physiological process of nitrogen metabolism is completed under the catalysis of enzymes. The enzymes closely related to the physiological process of nitrogen metabolism are： nitrate reductase， glutamine synthetase， transaminase （glutamate oxaloacetate transaminase， glutamate pyruvate transaminase ）， glutamate synthase， glutamate dehydrogenase and other key enzymes. These five enzymes play an important role in the process of plant nitrogen metabolism. The basic structure and characteristics of these enzymes and the regulation of crop growth and development are briefly introduced to provide a useful reference for further exploring the research mechanism of nitrogen metabolism.

Key words Nitrate reductase;Glutamine synthetase;Glutamate synthase;Transaminase;Glutamate dehydrogenase

氮素是植物代謝過程所需要的重要營養元素之一，植物吸收的氮主要分為有機氮化物和無機態氮兩類。植物不能直接把空氣中的氮氣轉化為自身利用，它們一般吸收利用土壤或者環境中的NO3-或者NH4+，在相關酶的作用下合成谷氨酰胺和谷氨酸，然后經過轉氮作用形成不同的氨基酸，再合成蛋白質。氮代謝與植物的生長發育以及產量等方面有著密切的聯系。在植物體內，與氮代謝密切相關的酶主要有5種，這5種酶對作物的生長發育、氮素同化與積累、應對逆境等情況都起著調控作用，因此，筆者針對植物氮代謝過程中的幾種酶的研究進展進行概述，以期為進一步探究氮代謝研究機制提供有益的參考。

1 硝酸還原酶

1.1 硝酸還原酶的結構與性質

硝酸還原酶（nitrate reductase，NR）是一種氧化還原酶，存在于細胞質內或細胞膜外。該酶的活性最適pH為7.9左右，最適溫度為20～25 ℃。該酶發生作用的平衡常數為1025～1040，反應進行的方向傾向于生成亞硝態氮，所以將硝酸鹽還原為亞硝酸鹽的反應幾乎是單向的[1]。

NR屬于二聚體結構，組成NR的每個亞基含有3個輔助因子，即血紅素、FAD和鉬輔因子，3個區域通過鉸鏈區域連接[2]。不同生物中，NR的分子量是有很大不同的。植物體內與NR的相關基因主要有Nia1和Nia2兩個基因。在衣藻屬中已證實NR可以將電子從NAD（P）H轉移到ARC[3]，除此之外，NAD（P）H-NR還可以將電子轉移到THB1上，THB1通過其雙加氧酶活性催化NO轉化為硝酸鹽[4]。

NR屬于多結構域蛋白中的一種。由于NR蛋白產量低、體積大、結構靈活和復雜等特性，通過X射線衍射分析來了解NR蛋白結構一直沒有實現。經過長時間的研究試驗，玉米NR的NADH/FAD和血紅素結構域以及煙草的血紅素結構域蛋白質結構模型被成功建立[5]。

NR還是一種光合自養生物體內的誘導酶，它的活性與植物體內代謝過程的關系十分密切[6]。NR的活性受到環境因素和生長調節物質等因素的影響，比如光照、硝酸鹽、生物節律等因素都能影響NR的表達效果。其中光和硝酸鹽濃度對NR的影響尤為明顯。目前，NR已相繼從茶樹[7]、菠菜[8]、甜菜[9]、水稻[10]等多種植物中被克隆出來。

1.2 NR對作物生長發育的影響

NR是植物氮素同化過程中的第一個酶，也是整個硝態氮同化過程的關鍵酶、限速酶，在植物代謝調控中具有非常重要的地位[11]。該酶可以通過硝酸鹽來影響氮代謝，并且與碳代謝也會有一定的聯系。

王雷山等[12]研究表明，推遲棉花的播種期，棉花初花期后葉片NR活性與產量呈正相關。楊忠良等[13]對水稻的研究表明，蛋白質含量高的品種幼苗NR活性高于蛋白質含量低的品種，這表明NR活性可以影響作物的質量。張浩瑋等[14]對草地早熟禾的研究中發現，氮積累量與NR活性呈顯著正相關。在施肥條件相同的情況下，蔬菜中的NR活性提高了肥料的利用率，同時蔬菜的產量也有所增加[15]。這些研究均表明，高活性的NR對植物的生長發育及產量等都有著積極的作用。

1.3 NR對植物抗逆性的調控

植物受到脅迫時，NO可以作為第二信使作出響應，減少傷害。NR可以催化亞硝酸鹽還原成NO，從而在植物逆境中發生響應。

俞珊等[16]對苦草進行研究發現，在較低濃度鉛脅迫下，較高的NR的活性植物表現出對重金屬脅迫的耐性。潘玲玲[17]將黃瓜的NR基因轉入到煙草植株內，獲得轉基因的煙草植株，與野生型相比較，轉基因植株可以減少逆境脅迫下產生的生理傷害、提高抗氧化酶活性，緩解NO3-脅迫。謝寅峰等[18]對針葉樹幼苗進行研究發現，在干旱脅迫下，NR活性較強的樹種抗旱能力也比較強。以上研究均表明NR涉及一些生物和非生物脅迫的響應，可以提高作物的抗性。

2 谷氨酰胺合成酶

2.1 谷氨酰胺合成酶的結構與性質

谷氨酰胺合成酶（glutamine synthetase，GS）是“GS-GOGAT循環”的第一酶[19]，廣泛存在于高等植物、動物、微生物中。該酶主要的作用是催化谷氨酰胺的合成，是氮代謝的關鍵酶。谷氨酰胺是植物體內氮的運輸形式，可以起到解除氨毒害的作用。在ATP發揮活性的條件下，谷氨酸在GS的催化下可以合成谷氨酰胺[20]。GS還能夠與谷氨酸合成酶相偶聯，將氨基供給α-氨基酸，所以說GS與植物蛋白質的合成也有著重要的聯系。

根據分子量、基因序列等的不同，GS同工酶分為3類，分別為GS Ⅰ、GS Ⅱ和GS Ⅲ，3類同工酶的分布范圍有所不同[21]。高等植物的器官中分布著多種GS的同工酶（屬GS Ⅱ類），分為GS1、GS2、GSx 3類。其中GS1、GS2發揮的作用比較多，而GSx含量較少，GS1與儲存氮源、氮素的轉移再利用有關，GS2主要參與硝酸還原產生的氨的同化以及光呼吸過程[22]。GS同工酶的亞基組成的數量和結構有所差別，種類和功能也有所不同。

GS基因的表達受氮素水平、植物發育程度、光照、脅迫因子及氮源形式等多種因素的影響，其中氮素形態及水平的影響是比較重要的[23]。GS基因已經從甜瓜[24]、甜菜[25]、小麥[26]等作物中被克隆。

2.2 GS對作物逆境的調控 氮素是作物生長發育所需要的主要營養元素之一，GS是氮素代謝過程中重要的關鍵酶。GS可以對逆境中的作物進行調控，提高抗性。

逆境條件可以刺激植物體內GS的活性和相應基因的表達。孫輝等[27]以水稻為研究對象，將GS1和GS2基因整合到轉基因水稻的基因組中發現，轉基因水稻的抗逆性有所增加。黃其滿等[28]在對轉基因小麥的研究中發現，GS基因在小麥植株中有效表達，可以使其表現出抗草胺膦特性，相比于對照植株葉片逐漸變黃，轉基因小麥植株能正常結實。

2.3 GS對作物氮素同化的調控作用 GS與作物氮的同化吸收和再利用關系密切，該酶可以提高植物對氮素的利用效率，從而影響植株的產量。

旗葉是小麥的主要營養器官，可以進行氮儲存和氮同化，與籽粒的產量與品質密切相關，王小純等[29]對不同專用型小麥進行研究時發現，小麥旗葉GS活性與籽粒蛋白質含量呈顯著正相關。Cai等[30]在水稻中的試驗發現，在溫室中培養超表達GS1的轉基因水稻，轉基因植株體內可溶蛋白和氮含量均提高。Cruz等[31]在以擬南芥為試驗材料進行研究時發現，GS1基因家族中2個基因可以對NH4+刺激作出響應，提高植物根中氮的同化利用效率。

3 谷氨酸合酶

3.1 谷氨酸合酶的結構與性質

谷氨酸合酶（glutamate synthase，GOGAT）是氨同化途徑中關鍵酶，能夠與GS偶聯，共同完成氨同化的過程。此酶可催化谷氨酰胺的氨基還原轉移于α-酮戊二酸，生成谷氨酸。根據電子供體的不同，GOGAT主要分為3種類型：NADH-GOGAT型、Fd-GOGAT型和NADPH-GOGAT型[32]。在高等植物中，前兩種形式是比較普遍的。NADH-GOGAT主要與氮類物質的轉移運輸相關聯。

GOGAT基因的表達受氮素、光照、作用部位等的影響[33]。陳陽等[34]對草地早熟禾的研究發現，氮濃度較低時，NADH-GOGAT基因的表達量更多。NADH-GOGAT還受水分、環境等因素的影響。Fd-GOGAT在葉綠體中的活性比較高。Fd-GOGAT基因已經從水稻[35]、馬鈴薯[36]、大豆[37]等作物中克隆出來。

3.2 GOGAT對氮素積累起調控作用

GOGAT是GS/GOGAT循環同化途徑的關鍵酶之一，GOGAT活性還與氮素積累密切相關。張瑋琦[38]在對水稻的研究中發現，在分蘗期，氮素積累量與GOGAT活性呈顯著正相關。朱靜等[39]對靈芝進行試驗研究，推測靈芝GOGAT的缺失是通過影響胞內ROS的穩態來影響靈芝三萜的生物合成，從而影響氮源調控靈芝次級代謝的分子機制。

3.3 GOGAT對作物產量與品質的作用

GOGAT對作物的產量和品質起著積極作用。陳展宇等[40]在對大豆根系的研究試驗中發現，大豆苗期、鼓粒期、成熟期，GOGAT活性與產量呈正相關，盛花期和結莢期呈顯著正相關。趙全志等[41]在對水稻葉色的研究中發現，GOGAT酶與葉色變化的關系相對密切，影響作物碳氮代謝的強度和產量的形成。劉業麗等[42]對不同基因型的大豆進行研究表明，在R4期的葉片與莖稈中，GOGAT的活性與籽粒蛋白質含量呈正相關。滕祥勇[43]在以甜菜作為研究材料時發現，甜菜葉片中隨著Fd-GOGAT活性的提高，產量呈極顯著的增加，并且GOGAT的活性與作物中的含糖率關系也十分緊密。

4 谷氨酸脫氫酶

4.1 谷氨酸脫氫酶的結構與性質

谷氨酸脫氫酶（glutamate dehydrogenase，GDH）是一種多聚酶，廣泛存在于生物界中[44]。根據輔酶的特異性，可以將GDH分為NADP依賴型、NAD依賴型和非依賴型NAD（P）3類。GDH的相對分子量為255～270 kD，一般由6個亞基組成，分為α和β兩種類型，并且含有多種形式的同工酶[45]。在GDH的催化下可以生成谷氨酸，GDH易受外部因素如溫度、光照、pH、NO3-、NH4+等影響[46]。到目前為止，GDH基因已經在小麥[47]、玉米[48]、花生[49]等作物中被克隆出來。

4.2 GDH在作物抗逆條件下的響應 GDH是研究植物氮代謝的重要指標之一，可以在植物的衰老過程及逆境等狀況下發揮作用。

張彩生[50]在研究水稻抗旱品種過程中，將稻瘟病菌GDH基因在水稻中進行表達時發現，該基因可以改變氣孔的開放和增加脯氨酸等小分子的量，使水稻具有較高的抗旱能力。Kumar等[51]在對水稻進行鹽脅迫試驗時發現，耐鹽水稻GDH的氨同化活性比較高。Valliyodan等[52]發現，GDH可以催化谷氨酸合成，使脯氨酸的含量增加，增強了植物的耐逆性。由此可見，GDH可以在逆境條件下發生響應。

4.3 GDH對作物氮素利用率的調控作用 GDH還與作物的氮素利用率關系非常緊密。周香城[53]將真菌埃倫柱孢GDH基因表達到水稻中發現，轉基因水稻苗期的氮素利用率有所提高。Egami等[54]將構巢曲霉的NADP（H）-GDH基因在馬鈴薯中進行過量表達，發現馬鈴薯的塊莖干物質增加，并且在低氮條件下，轉基因馬鈴薯塊莖的氮素利用率也有所提高。以上研究均表明，GDH對作物氮素利用率有積極的調控作用。

5 轉氨酶

5.1 轉氨酶的結構與性質

轉氨基作用是植物進行氮代謝的重要過程之一，可以促進氨基酸的合成和分解。植物體內最普遍的轉氨酶主要包括2種：谷氨酸草酰乙酸轉氨酶（GOT）和谷氨酸丙酮酸轉氨酶（GPT）。

GOT又稱天門冬氨酸轉氨酶，是天門冬氨酸合成的關鍵酶，在該酶的催化下，L-谷氨酸和草酰乙酸可以反應生成L-門冬氨酸和α-酮戊二酸。GOT是存在于所有真核細胞的胞內酶，該酶最適生長溫度為37 ℃，徐凡等[55]對煙草的試驗表明，Mn2+、Fe2+、Zn2+對GOT激活作用的程度不同，Ca2+對GOT有抑制作用。

GPT的輔酶為磷酸吡哆醛，是丙氨酸合成的關鍵酶。根據物種的不同，GPT可分為2～6個亞型，細胞質、線粒體和過氧化酶體中均可以發現其亞型的存在[56]。GPT可以催化L-谷氨酸和丙酮酸生成L-丙氨酸和α-酮戊二酸。郭旭舜等[57]對大豆下胚軸進行試驗發現，GPT最適溫度為35 ℃，最適pH 7.0，Co2+、Mg2+和Ca2+對其有激活效應，EDTA2-、尿素、Mn2+和Fe2+對其有抑制效應。

5.2 轉氨酶在氮素固定方面的作用

轉氨基作用可以促進丙酮酸、α-酮戊二酸與氨基酸的互變，對糖和蛋白質代謝產物的相互轉變具有重要意義。轉氨酶是一種轉移酶，該酶可以催化轉氨基反應，還能反映葉片氮同化、氨轉運和貯藏狀態，從而協調氮代謝與碳代謝。

江立庚等[58]對水稻研究發現，GPT活性的變化對氮素吸收利用的影響比較大。提高劍葉GPT活性可以顯著增加氮素積累總量，并且硅肥可通過提高葉片中GPT酶活性，促進水稻對氮素的吸收作用。王顯等[59]在對水稻的研究中發現，施用氮肥或者硅肥能提高葉片中轉氨酶的活性，促進水稻氮代謝水平，提高蛋白質含量。稻米的種類不同，GPT、GOT活性的變化規律也不完全一致。另外，Farnham等[60]在以苜蓿根瘤菌作為試驗材料時也發現，GOT在作物氮素固定和吸收方面起著重要的作用。

5.3 轉氨酶在抵御非生物脅迫方面發揮的作用

轉氨酶不僅在植物的碳氮代謝過程中有著不可或缺的作用，還可以在抵抗非生物脅迫方面發揮重要的調控作用。

Miyashita等[61]在擬南芥研究中發現，缺氧情況下會誘導植物中GPT基因的表達量增加。說明GPT可以在缺氧的情況下發揮調控作用。崔新等[62]在對茶樹的試驗中發現，高溫脅迫下茶樹中的GPT可以累積較多的丙氨酸。GOT還有多種同工酶，分布的位置不同使得其功能與活性也不相同。瞿炤珺[63]在以寒地粳稻為試驗材料時發現，在冷水脅迫下，該植株根系的酶活性上升，且增幅逐漸增加。

6 結語

植物的氮代謝過程對植物的抗逆作用以及生長發育等方面有著非常重要的意義。植物體內的氮代謝過程是一個需要多種酶相互配合、協調的復雜過程。對氮代謝過程進行詳細的探究可以了解植物體內的生理機制，從而培養出符合期望的理想品種。目前對氮代謝相關酶的研究是比較廣泛的，并且在很多作物的研究中取得了很大進展。在許多作物中已經克隆出了相關的酶的基因，揭示其影響氮代謝的本質，有助于指導作物改良的過程。

但是仍有一些問題有待解決，例如轉氨酶在作物中的研究報道相對較少，在氮代謝和抗逆過程的作用機理也有待深入研究。對于GDH而言，GDH多用于低等植物的研究，高等生物優質GDH的發掘和鑒定還有待研究，這也為下一步的研究提供了方向。

參考文獻

[1]

洪華生，王玉玨，王大志.海洋浮游植物硝酸還原酶研究進展[J].海洋科學，2007，31（10）：4-10.

[2] 田華，段美洋，王蘭.植物硝酸還原酶功能的研究進展[J].中國農學通報，2009，25（10）：96-99.

[3] CHAMIZO-AMPUDIA A，SANZ-LUQUE E，LLAMAS ，et al.A dual system formed by the ARC and NR molybdoenzymes mediates nitrite-dependent NO production in Chlamydomonas[J].Plant，cell & environment，2016，39（10）：2097-2107.

[4] SANZ-LUQUE E，OCA A-CALAHORRO F，DE MONTAIGU A，et al.THB1，a truncated hemoglobin， modulates nitric oxide levels and nitrate reductase activity[J].The plant journal，2015，81（3）：467-479.

[5] CAMPBELL W H.Nitrate reductase biochemistry comes of age[J].Plant physiology，1996，111（2）：355-361.

[6] 湯玉瑋，林振武，陳敬祥.硝酸還原酶活力與作物耐肥性的相關性及其在生化育種上應用的探討[J].中國農業科學，1985，18（6）：39-45.

[7] 周月琴，龐磊，李葉云，等.茶樹硝酸還原酶基因克隆及表達分析[J].西北植物學報，2013，33（7）：1292-1297.

[8] 程祖鋅，何海華，黃志偉，等.菠菜硝酸還原酶基因的克隆與原核表達[J].江蘇農業科學，2012，40（12）：19-22.

[9] 曾彥達.甜菜亞硝酸還原酶基因克隆及生物信息學分析[D].哈爾濱：東北農業大學，2011.

[10] 胡靜，吳文華.水稻硝酸還原酶基因5′上游序列的克隆與序列分析[J].華中師范大學學報（自然科學版），2009，43（2）：284-288.

[11] 張華珍，徐恒玉.植物氮素同化過程中相關酶的研究進展[J].北方園藝，2011（20）：180-183.

[12] 王雷山，KHAN AZIZ，宋興虎，等.棉花主莖葉與根系硝酸還原酶活性分布對播期和密度的響應[J].棉花學報，2017，29（1）：88-98.

[13] 楊忠良，劉海英，劉會，等.氮素對水稻幼苗氮代謝相關酶活性及相關基因表達的影響[J].黑龍江農業科學，2017（10）：26-31.

[14] 張浩瑋，白小明，陳輝，等.草地早熟禾（Poa pratensis）N積累、分配和硝酸還原酶活性對氮、磷肥的響應[J].中國沙漠，2019，39（5）：222-231.

[15] MOROZKINA E V，ZVYAGILSKAYA R A.Nitrate reductases：Structure，functions，and effect of stress factors[J].Biochemistry （Moscow），2007，72（10）：1151-1160.

[16] 俞珊，張光生，成小英.鉛脅迫對苦草生理生化及氮、磷代謝關鍵酶的影響[J].安全與環境學報，2016，16（1）：372-376.

[17] 潘玲玲.黃瓜CsNR基因的克隆、遺傳轉化及在硝酸鹽脅迫下的功能分析[D].泰安：山東農業大學，2017.

[18] 謝寅峰，沈惠娟.水分脅迫下3種針葉樹幼苗抗旱性與硝酸還原酶和超氧化物歧化酶活性的關系[J].浙江林學院學報，2000，17（1）：24-27.

[19] FORDE B G，LEA P J.Glutamate in plants：Metabolism，regulation，and signalling[J]. Journal of experimental botany，2007，58（9）：2339-2358.

[20] 劉蕓菲，薛棟升，宮春杰.谷氨酰胺合成酶研究進展[J].山東化工，2021，50（5）：97-99，101.

[21] 趙凱琴，羅延青，俎峰，等.谷氨酰胺合成酶及其在植物基因工程中應用研究進展[J].南方農業學報，2012，43（4）：435-438.

[22] 王小純，張同勛，李高飛，等.小麥谷氨酰胺合成酶基因克隆與其表達特性分析[J].河南農業大學學報，2012，46（5）：487-492.

[23] 孫敏紅，吳煉，謝深喜.銨硝營養對枳橙幼苗谷氨酰胺合成酶活性及相關基因表達的影響[J].植物生理學報，2018，54（11）：1703-1710.

[24] 管閃青.甜瓜谷氨酰胺合成酶基因的克隆及其表達分析研究[D].上海：上海交通大學，2007.

[25] 王淑春.甜菜谷氨酰胺合成酶基因的克隆[D].哈爾濱：黑龍江大學，2007.

[26] 李高飛.小麥谷氨酰胺合成酶基因克隆及其苗期表達調控[D].鄭州：河南農業大學，2011.

[27] 孫輝，黃其滿，蘇金.谷氨酰胺合成酶基因GS1和GS2的高效表達增強轉基因水稻對氮素缺乏的耐性（英文）[J].植物生理與分子生物學學報，2005，31（5）：492-498.

[28] 黃其滿，劉偉華，孫輝，等.農桿菌介導的轉谷氨酰胺合成酶基因小麥的抗除草劑特性研究（英文）[J].植物生態學報，2005，29（2）：338-344.

[29] 王小純，熊淑萍，馬新明，等.不同形態氮素對專用型小麥花后氮代謝關鍵酶活性及籽粒蛋白質含量的影響[J].生態學報，2005，25（4）：802-807.

[30] CAI H M，ZHOU Y，XIAO J H，et al.Overexpressed glutamine synthetase gene modifies nitrogen metabolism and abiotic stress responses in rice[J].Plant cell reports，2009，28（3）： 527-537.

[31] CRUZ C，BIO A F M，DOMNGUEZ-VALDIVIA M D，et al.How does glutamine synthetase activity determine plant tolerance to ammonium？[J].Planta，2006，223（5）：1068-1080.

[32] OLIVER G，GOSSET G，SANCHEZ-PESCADOR R，et al.Determination of the nucleotide sequence for the glutamate synthase structural genes of Escherichia coli K-12[J].Gene，1987，60（1）：1-11.

[33] 牛超，劉關君，曲春浦，等.谷氨酸合成酶基因及其在植物氮代謝中的調節作用綜述[J].江蘇農業科學，2018，46（9）：10-16.

[34] 陳陽，孫華山，王玉書，等.草地早熟禾NADH-GOGAT基因的克隆及表達分析[J].草地學報，2019，27（2）：459-465.

[35] 孫立亭.水稻類病斑基因Fd-GOGAT的功能分析和白條紋突變體K170的基因定位[D].南京：南京農業大學，2015.

[36] 趙艷菲，張嘉越，韓玉珠.馬鈴薯氮代謝途徑中Fd-GOGAT基因的克隆及生物信息學分析[C]//金黎平，呂文河.馬鈴薯產業與美麗鄉村（2020）.哈爾濱：黑龍江科學技術出版社，2020：309-313.

[37] 陳麗華，劉麗君，劉頁麗，等.不同基因型大豆Fd-GOGAT基因cDNA序列的克隆與分析[J].大豆科學，2011，30（3）：374-378.

[38] 張瑋琦.氮肥對水稻氮代謝酶活性和氮素利用的影響[D].沈陽：沈陽農業大學，2019.

[39] 朱靜，岳思寧，陳琛，等.谷氨酸合酶在靈芝中生物學功能的研究[J].南京農業大學學報，2019，42（6）：1073-1079.

[40] 陳展宇，房曉琨，孫帆，等.不同年代大豆品種根系氮代謝關鍵酶活性變化的研究[J/OL].吉林農業大學學報，2020-12-25[2021-05-25].https：//kns.cnki.net/kcms/detail/22.1100.s.20201225.0934.002.html.

[41] 趙全志，陳靜蕊，劉輝，等.水稻氮素同化關鍵酶活性與葉色變化的關系[J].中國農業科學，2008，41（9）：2607-2616.

[42] 劉業麗，欒懷海，何琳，等.不同基因型大豆NADH-GOGAT活性動態規律研究[J].大豆科學，2014，33（2）：199-202.

[43] 滕祥勇.甜菜谷氨酸合成酶（GOGAT）酶學特性及氮素對其酶活性的調控[D].哈爾濱：東北農業大學，2012.

[44] 龔茵茵，燕璐，林建中，等.低等生物谷氨酸脫氫酶基因用于作物遺傳改良的研究進展[J].生命科學研究，2021，25（1）：31-38.

[45] 黃國存，田波.高等植物中的谷氨酸脫氫酶及其生理作用[J].植物學通報，2001，36（4）：396-401.

[46] 邱旭華.水稻氮代謝基礎研究：谷氨酸脫氫酶作用的分子機理[D].武漢：華中農業大學，2009.

[47] 李冰.小麥氮利用效率相關基因TaGDH的克隆與功能分析[D].泰安：山東農業大學，2014.

[48] 曹爽.玉米抗冷基因ZmGDH2的功能分析及遺傳轉化的研究[D].長春：吉林大學，2017.

[49] 陳湘瑜，徐日榮，林栩松，等.花生谷氨酸脫氫酶基因AhGDH1的克隆與生物信息學分析[J].福建農業學報，2016，31（3）：217-224.

[50] 張彩生.異源表達稻瘟病菌MgGDH基因對水稻干旱脅迫影響的研究[D].長沙：湖南大學，2015.

[51] KUMAR R G，SHAH K，DUBEY R S.Salinity induced behavioural changes in malate dehydrogenase and glutamate dehydrogenase activities in rice seedlings of differing salt tolerance[J].Plant science，2000，156（1）：23-34.

[52] VALLIYODAN B，NGUYEN H T.Understanding regulatory networks and engineering for enhanced drought tolerance in plants[J].Current opinion in plant biology，2006，9（2）：189-195.

[53] 周香城.異源表達埃倫柱孢谷氨酸脫氫酶基因CeGDH對水稻氮素利用的影響[D].長沙：湖南大學，2014.

[54] EGAMI T，WAKAYAMA M，AOKI N，et al.The effects of introduction of a fungal glutamate dehydrogenase gene （gdhA） on the photosynthetic rates，biomass，carbon and nitrogen contents in transgenic potato[J].Plant biotechnology，2012，29（1）：57-64.

[55] 徐凡，吳媚.煙草谷草轉氨酶純化及部分酶學性質分析[J].廣東農業科學，2013，40（10）：146-148，175.

[56] LIEPMAN A H，OLSEN L J.Genomic analysis of aminotransferases in Arabidopsis thaliana[J].Critical reviews in plant sciences，2004，23（1）：73-89.

[57] 郭旭舜，林裕添，賀敬東，等.大豆下胚軸谷丙轉氨酶酶學性質分析[J].大豆科學，2021，40（1）：82-88.

[58] 江立庚，曹衛星，甘秀芹，等.水稻氮素吸收、利用與硅素營養的關系[J].中國農業科學，2004，37（5）：648-655.

[59] 王顯，張國良，霍中洋，等.氮硅配施對水稻葉片光合作用和氮代謝酶活性的影響[J].揚州大學學報（農業與生命科學版），2010，31（3）：44-49.

[60] FARNHAM M W，DEGENHART N R，VANCE C P，et al.Molecular and whole-plant responses to selection for enzyme activity in alfalfa root nodules：Evidence for molecular compensation of aspartate aminotransferase expression[J].Theoretical and applied genetics，1992，84（3/7）：355-361.

[61] MIYASHITA Y，DOLFERUS R，ISMOND K P，et al.Alanine aminotransferase catalyses the breakdown of alanine after hypoxia in Arabidopsis thaliana[J].The plant journal，2007，49（6）：1108-1121.

[62] 崔新，劉志薇，吳致君，等.茶樹谷丙轉氨酶基因的克隆及其表達分析[J].西北植物學報，2016，36（12）：2361-2369.

[63] 瞿炤珺.孕穗期冷水脅迫對寒地粳稻根系生長及氮代謝的影響[D].哈爾濱：東北農業大學，2019.