知財求人 - 知財ポータルサイト「IP Force」
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B2)
(11)【特許番号】
(24)【登録日】2024-07-01
(45)【発行日】2024-07-09
(54)【発明の名称】イネの収量予測方法
(51)【国際特許分類】
G01N 27/62 20210101AFI20240702BHJP
【ＦＩ】
G01N27/62 V
【請求項の数】
16
(21)【出願番号】P 2021168109
(22)【出願日】2021-10-13
(65)【公開番号】P2022064328
(43)【公開日】2022-04-25
【審査請求日】2023-03-29
(31)【優先権主張番号】P 2020172820
(32)【優先日】2020-10-13
(33)【優先権主張国・地域又は機関】JP
(73)【特許権者】
【識別番号】000000918
【氏名又は名称】花王株式会社
(74)【代理人】
【識別番号】110000084
【氏名又は名称】弁理士法人アルガ特許事務所
(72)【発明者】
【氏名】前田 春香
(72)【発明者】
【氏名】藤松 輝久
(72)【発明者】
【氏名】遠藤 圭二
【審査官】吉田 将志
(56)【参考文献】
【文献】特開２０１１－０３３５３３（ＪＰ，Ａ）
【文献】米国特許出願公開第２０１５／０１６８４１９（ＵＳ，Ａ１）
【文献】特開２０１２－２１５４８２（ＪＰ，Ａ）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０１Ｎ ２７／６２
ＪＳＴＰｌｕｓ／ＪＭＥＤＰｌｕｓ／ＪＳＴ７５８０（ＪＤｒｅａｍＩＩＩ）
(57)【特許請求の範囲】
【請求項1】
イネから採取された葉サンプルから、ＬＣ／ＭＳによる質量分析により提供される精密質量（ｍ／ｚ）と保持時間（分）で規定された、下記表１ａ～１ｑに記載の成分から選ばれる１種以上の成分の分析データを取得し、当該データとイネ収量との相関性を利用してイネの収量を予測する、イネの収量予測方法。【表1a】
【表1b】
【表1c】
【表1d】
【表1e】
【表1f】
【表1g】
【表1h】
【表1i】
【表1j】
【表1k】
【表1l】
【表1m】
【表1n】
【表1o】
【表1p】
【表1q】
【請求項2】
前記１種以上の成分の分析データをｐｏｏｌｅｄ ＱＣ法により補正する、請求項１に記載の方法。
【請求項3】
成分が、前記表１ａ～１ｑに記載の成分Ｎｏ．１、４、６、９、１０、１１、１２、１９、２０、２１、２３、２６、２７、２９、３０、３３、３４、３５、３８、３９、４５、４６、４７、４８、４９、５０、５１、５２、５４、５５、５６、６１、６２、６３、６４、６５、６６、６７、６９、７１、７５、７６、７７、７８、８１、８３、８４、８５、８８、８９、９０、９１、９２、９６、１００、１０２、１０５、１０６、１０７、１０８、１０９、１１３、１１６、１１８、１１９、１２０、１２１、１２３、１２４、１２６、１２７、１２９、１３０、１３１、１３３、１３４、１３７、１３９、１４２、１４５、１４７、１４８、１４９、１５１、１５２、１５３、１５４、１５５、１５６、１５９、１６２、１６３、１６４、１６５、１６６、１６７、１６８、１６９、１７０、１７２、１７４、１７５、１７７、１７８、１８１、１８２、１８３、１８４、１８６、１８７、１８８、１９１、１９３、１９４、１９６、１９８、２００、２０２、２０３、２０６、２０８、２０９、２１０、２１２、２１３、２１４、２１５、２１７、２１８、２１９、２２０、２２１、２２２、２２３、２２４、２２５、２２６、２２７、２２８、２２９、２３０、２３１、２３２、２３３、２３５、２３７、２３８、２３９、２４０、２４３、２４５、２４６、２４７、２４８、２４９、２５０、２５１、２５２、２５４、２５５、２５８、２５９、２６０、２６１、２６２、２６３、２６４、２６５、２６６、２６８、２７０、２７１、２７２、２７３、２７４、２７５、２７７、２７８、２８０、２８１、２８３、２８４、２８５、２８６、２８８、２８９、２９０、２９１、２９３、２９４、２９８、３００、３０２、３０３、３０５、３１０、３１２、３１４、３１６、３１７、３１８、３２０、３２１、３２３、３２５、３２７、３２９、３３１、３３２、３３３、３３４、３３５、３３７、３３８、３３９、３４２、３４３、３４４、３４５、３４６、３４７、３４８、３５０、３５１、３５２、３５５、３５８、３５９、３６０、３６１、３６２、３６３、３６５、３６６、３６８、３６９、３７０、３７１、３７３、３７４、３７５、３７８、３７９、３８１、３８２、３８９、３９０、３９１、３９２、３９５、３９７、３９８、３９９、４０１、４０４、４０７、４０８、４０９、４１０、４１１、４１３、４１４、４１５、４１６、４１７、４１８、４１９、４２３、４２４、４２５、４２８、４３１、４３３、４３４、４３５、４３６、４３７、４３８、４３９、４４１、４４４、４４５、４４６、４４７、４４９、４５０、４５１、４５４、４５５、４５７、４５８、４５９、４６０、４６１、４６２、４６４、４６５、４６９、４７１、４７２、４７３、４７４、４７５、４７８、４８０、４８１、４８２、４８３、４８７、４８９、４９０、４９１、４９２、４９４、５０２、５０３、５０４、５０７、５０９、５１０、５１１、５１２、５１３、５１４、５１６、５１７、５２２、５２３、５２５、５２６、５２９、５３２、５３４、５３９、５４０、５４２、５４３、５４７、５４８、５４９、５５１、５５２、５５４、５５５、５５７、５６１、５６５、５６６、５６７、５７３、５８２、５８３、５８５、５８６、５８８、５８９、５９０、５９１、５９３、５９４、５９５、５９６、５９７、５９９、６００、６０２、６０３、６０４、６０６、６０９、６１１、６１２、６１３、６１５、６１６、６１７、６１９、６２０、６２１、６２４、６２８、６３０、６３１、６３２、６３３、６３５、６３９、６４３、６４４、６４７、６４９、６５０、６５１、６５３、６５４、６５５、６５６、６５８、６６０、６６１、６６２、６６５、６６６、６７１、６７２、６７３、６７４、６７５、６８１、６８２、６８３、６８４、６８５、６８８、６８９、６９１、６９２、６９３、６９４、６９５、６９６、６９９、７００、７０１、７０２、７０３、７０４、７０６、７０７、７０８、７１３、７１４、７１５、７１７、７１９、７２１、７２２、７２３、７２４、７２５、７２６、７２７、７２８、７２９、７３１、７３２、７３４、７３５、７３７、７３８、７４０、７４５、７４６、７４８、７４９、７５０、７５４、７５６、７５７、７６２、７６５、７６６、７６７、７６８、７７０、７７４、７７６、７７７、７８０、７８１、７８２、７８５、７８７、７８９、７９２、７９３、７９４、７９５、７９６、７９７、７９８、７９９、８０１、８０２、８０３、８０４、８１０、８１１、８１３、８１５、８１６、８１７、８１８、８２０、８２２、８２３、８２４、８２７、８２８、８２９、８３０、８３２、８３４、８４１、８４２、８４３、８４４、８４５、８４６、８４８、８４９、８５０、８５２、８５４、８５８、８６３、８６４、８６７、８６８、８６９、８７０、８７１、８７２、８７４、８７７、８７８、８７９、８８２、８８３、８８４、８８５、８８６、８８８、８８９、８９３、８９４、８９５、８９６、８９８、８９９、９００、９０１、９０２、９０３、９１０、９１１、９１２、９１４、９１７、９１９、９２２、９２３、９２４、９２５、９２６、９２８、９３０、９３２、９３８、９４１、９４２、９４３、９４４、９４５、９４６、９４７、９４８、９４９、９５０、９５２、９５３、９５５、９５６、９５８、９５９、９６０、９６２、９６５、９６６、９６８、９６９、９７３、９７６、９７９、９８０、９８１、９８３、９８５、９８６、９８９、９９２、９９３、９９４、９９５、９９６、９９７、９９９、１００１、１００２、１００３、１００５、１００６、１００７、１００９、１０１２、１０１３、１０１５、１０１７、１０１９、１０２０、１０２１、１０２２、１０２４、１０２５、１０２６、１０２７、１０３１、１０３２、１０３４、１０３６、１０３９、１０４３、１０４４、１０４５、１０４６、１０４７、１０４８、１０４９、１０５０、１０５１、１０５３、１０５４、１０５７、１０５８、１０５９、１０６０、１０６２、１０６６、１０６７、１０６８、１０６９、１０７０、１０７２、１０７４、１０７５、１０７７、１０７８、１０７９、１０８１、１０８２、１０８７、１０８８、１０８９、１０９２、１０９４、１０９８、１１００、１１０１、１１０２、１１０３、１１０４、１１０５、１１０６、１１０８、１１１０、１１１２、１１１３、１１１４、１１１７、１１１８、１１１９、１１２０、１１２１、１１２３、１１２６、１１２７、１１２８、１１２９、１１３３、１１３４、１１３５、１１３９、１１４０、１１４１、１１４２、１１４３、１１４４、１１４７、１１４８、１１４９、１１５０、１１５１、１１５２、１１５３、１１５４、１１５８、１１６０、１１６３、１１６６、１１６７、１１６８、１１７０、１１７１、１１７２、１１７３、１１７４、１１７７、１１７８、１１７９、１１８０、１１８１、１１８２、１１８４、１１８６、１１８７、１１８８、１１８９、１１９０、１１９１、１１９２、１１９３、１１９４、１１９５、１１９６、１１９７、１１９８、１１９９、１２０２、１２０４、１２０８、１２１１、１２１２、１２１４、１２１７、１２１８、１２２１、１２２２、１２２４、１２２５、１２２６、１２２９、１２３１、１２３３、１２３４、１２３５、１２３７、１２３８、１２３９、１２４０、１２４１、１２４２、１２４３、１２４４、１２４６、１２４７、１２４８、１２４９、１２５０、１２５２、１２５４、１２５５、１２５６、１２５７、１２５８、１２６１、１２６３、１２６５、１２６７、１２６８、１２６９、１２７１、１２７２、１２７６、１２７７、１２７８、１２８０、１２８３、１２９１、１２９２、１２９５、１２９６、１２９７、１２９９、１３００、１３０１、１３０４、１３０５、１３０６、１３０９、１３１１、１３１２、１３１３、１３１４、１３１５、１３１６、１３１７、１３１８、１３１９、１３２１及び１３２２から選ばれる１種以上である請求項１又は２に記載の方法。
【請求項4】
成分が、前記表１ａ～１ｑに記載の成分Ｎｏ．１０、１７７、１７８、２４５、２５４、２７２、２９４、３３７、３６６、４３５、４６２、５２９、５３９、７０８、７２９、８３２、８４２、８６９、９０１、９１２、１０５０、１０６０、１１７３及び１３０６から選ばれる１種以上である請求項１又は２に記載の方法。
【請求項5】
成分が、前記表１ａ～１ｑに記載の成分Ｎｏ．１０、１７８及び１１７３から選ばれる１種以上である請求項１又は２に記載の方法。
【請求項6】
葉サンプルが、出芽期から出穂期のイネから採取される、請求項１～５のいずれか１項に記載の方法。
【請求項7】
葉サンプルが、２葉齢期から幼穂形成期のイネから採取される、請求項１～５のいずれか１項に記載の方法。
【請求項8】
分析データが、質量分析データである請求項１～７のいずれか１項に記載の方法。
【請求項9】
葉サンプルから取得された成分の分析データを、前記表１ａ～１ｑに記載の成分情報を用いて構築された収量予測モデルから算出されたＶＩＰ値の上位８００個の中から少なくとも１個の成分の分析データを用いて構築された収量予測モデルと照合する工程を含む、請求項１～８のいずれか１項に記載の方法。
【請求項10】
収量予測モデルが、前記表１ａ～１ｑに記載の成分情報を用いて構築された収量予測モデルから算出されたＶＩＰ値の上位８００個の中から少なくとも５個を用いる、請求項９に記載の方法。
【請求項11】
収量予測モデルが、前記表１ａ～１ｑに記載の成分情報を用いて構築された収量予測モデルから算出されたＶＩＰ値の上位８００個の中から少なくとも１０個を用いる、請求項９に記載の方法。
【請求項12】
収量予測モデルが、前記表１ａ～１ｑに記載の成分情報を用いて構築された収量予測モデルから算出されたＶＩＰ値の上位１０個の中から少なくとも１個を用いる、請求項９に記載の方法。
【請求項13】
収量予測モデルが、前記表１ａ～１ｑに記載の成分情報を用いて構築された収量予測モデルから算出されたＶＩＰ値の上位１０個の中から少なくとも５個を用いる、請求項９に記載の方法。
【請求項14】
収量予測モデルが、前記表１ａ～１ｑに記載の成分情報を用いて構築された収量予測モデルから算出されたＶＩＰ値の上位１０個の中から少なくとも９個を用いる、請求項９に記載の方法。
【請求項15】
収量予測モデルが、前記表１ａ～１ｑに記載の成分情報を用いて構築された収量予測モデルから算出されたＶＩＰ値の上位８００個を用いる、請求項９に記載の方法。
【請求項16】
収量予測モデルが、ＯＰＬＳ法を用いて構築されたモデルである請求項９～１５のいずれか１項に記載の方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明はイネの収量を早期に予測する方法に関する。
【背景技術】
【0002】
イネは、重要な穀物であり、日本を始め世界中で広く食されている。また他の代表的な穀物であるトウモロコシ、コムギ、ダイズと比較しても日本での生産量は多い。このように重要な穀物の１つとして広く栽培され、また収量を増加させる技術の開発が行われている。
イネの生育期間は、品種や栽培条件によって若干異なるが、通常、播種から収穫まで３～６か月という長期間を要する。よって、イネの収量を増加させる技術の開発において、収量評価を行うには栽培に多くの時間を必要とする。さらに、日本のような季節・気候条件では、収穫まで３～６か月を要するイネの栽培は年に１回が一般的である。屋外栽培での収量評価が年に１度しかできず収量増加技術の開発の障害となっていることから、早期に収量を予測する方法が求められてきた。また、実際の生産場面において、早期に収量を予測することができれば、生産者は安定した収量確保のために費用コストのかかる追加技術を投入すべきかどうかの判断を容易に下すことができる。
イネの生育期間は、品種や栽培条件によって若干異なるが、通常、播種から収穫まで３～６か月という長期間を要する。よって、イネの収量を増加させる技術の開発において、収量評価を行うには栽培に多くの時間を必要とする。さらに、日本のような季節・気候条件では、収穫まで３～６か月を要するイネの栽培は年に１回が一般的である。屋外栽培での収量評価が年に１度しかできず収量増加技術の開発の障害となっていることから、早期に収量を予測する方法が求められてきた。また、実際の生産場面において、早期に収量を予測することができれば、生産者は安定した収量確保のために費用コストのかかる追加技術を投入すべきかどうかの判断を容易に下すことができる。
【0003】
これまでにも気象データ、圃場の画像や生育情報を利用した早期に収量性を評価する方法が種々検討されている。例えば、非特許文献１では、播種前に積算降水量・積算平均気温等の気象データを用いて国レベルでの生産量を予測するモデルの構築が行われている。また、特許文献１及び特許文献２では、葉身窒素量、葉色又はクロロフィル量を測定し、生育や収量性を評価し、施肥量を決定する試みもなされている。さらに、非特許文献２では、イネの種子中又は播種後１５日程度の地上部から抽出される代謝物をＧＣ－ＭＳにより網羅的に測定し、それらのデータを用いてハイブリッドライス収量予測モデルを作成したことが報告されている。
【0004】
しかしながら、非特許文献１のモデルは、播種前から予測された気象データを用いてイネの収量を予測するモデルであるが、予測できる単位が国単位であり、個体毎の予測因子と収量とを対応させたい場合の評価には向いていない。特許文献１及び２の方法は、非破壊で簡易的な測定であるといえるが、予測時期が幼穂形成期以降、すなわち生育期間の半分が経過した後での予測となる。さらに、圃場単位での予測を行うため、個体レベルでの収量を予測する技術ではない。また、非特許文献２では、通常の予測モデル構築の際に行われるクロスバリデーションというモデルの予測性評価が行われていない。具体的には、モデルの予測精度を示すＲ２は０．８２と報告されているものの、Ｒ２とともに重要なモデルの予測性を示すＱ２の記載がない。非特許文献２のモデルは、モデル構築用データに対する誤差は小さいが未知のデータに対する予測誤差が大きいオーバーフィッティングしたモデルであることが懸念された。また、非特許文献２の方法は、侵襲的であり、個体毎の予測因子と収量とを対応させたい場合の評価には向いていない。
【先行技術文献】
【特許文献】
【0005】
【文献】特開２０００－３０００７７号公報
【文献】特開２０１８－８２６４８号公報
【非特許文献】
【0006】
【文献】Iizumi,T. et al., Climate Services, 2018, vol. 11, p.13-23
【文献】Dan,Z. et al., Scientific Reports, 2016, 6, 21732
【発明の概要】
【発明が解決しようとする課題】
【0007】
本発明は、イネの収量を早期に精度よく予測する方法を提供することに関する。
【課題を解決するための手段】
【0008】
本発明者らは、イネの収量性評価について種々検討した結果、葉中に含まれる代謝物にはその存在量が収量と相関する成分があること、そして、播種後早期にイネ展開葉から一部を採取し、葉中に含まれる成分を分析し、解析することで最終的な収量を個体レベルで評価できることを見出した。
【0009】
すなわち、本発明は、イネから採取された葉サンプルから１以上の成分の分析データを取得し、当該データとイネ収量との相関性を利用してイネの収量を予測する、イネの収量予測方法、を提供する。
【発明の効果】
【0010】
本発明の方法によれば、イネの収量を早期に予測できる。これにより、例えば、収量確保のための追加技術投入の判断が容易となるほか、収量増加技術の開発の大幅な効率化を図ることができる。
【図面の簡単な説明】
【0011】
【図1】非特許文献２のデータを用いて構築されたＯＰＬＳモデルによる収量の予測値と実測値との関係を示す図。
【図2】全２６データを用いて構築されたＯＰＬＳモデルによる収量の予測値と実測値との関係を示す図。
【発明を実施するための形態】
【0012】
本発明において、イネとは、イネ科イネ属（学名Oryza）に属する植物全般を意味し、好ましくはイネ科イネ属のアジアイネ（学名Oryza sativa）を意味する。アジアイネには、ジャポニカ種とインディカ種が含まれる。ジャポニカ種に含まれる品種は、ニホンバレ、ミルキークイーン、コシヒカリ、ひとめぼれ、ヒノヒカリ、あきたこまち、ななつぼし、はえぬき、まっしぐら、キヌヒカリ、あさひの夢、ゆめぴりか、きぬむすめ、こしいぶき、つや姫、夢つくし、ふさこがね等が挙げられる。インディカ種に含まれる品種は、Ｍｕｄｇｏ、Ｐｅｔａ、Ｙｏｄａｎｙａ、Ｓｉｇａｄｉｓ、ＩＲ８、ＩＲ３６、ＩＲ７２等が挙げられる。このように品種は多岐にわたるが、本発明においてはそれに限定されるものではない。
【0013】
イネの出芽から出穂期までの生育ステージは、出芽期（播種後５日前後）、２葉齢期（播種後２５日前後）、分げつ期（播種後６０日前後）、幼穂形成期（播種後９０日前後）、止め葉期（播種後１００日前後）、出穂期（播種後１２０日前後）に分けられる。本発明において、イネの葉サンプルの採取は、葉が採取可能な出芽期から出穂期までの間に行われればよく、該採取時期としては、好ましくは２葉齢期～出穂期、より好ましくは２葉齢期～止め葉期、さらに好ましくは２葉齢期～幼穂形成期、さらに好ましくは２葉齢期～分げつ期が挙げられる。尚、上記各生育ステージにおける前後の日数幅は５日間以内が好適である。
或いは、イネの葉の採取時期は、播種後５日以上、好ましくは１６日以上、より好ましくは２５日以上、さらに好ましくは４０日以上で、且つ好ましくは播種後９０日より前、より好ましくは７０日より前、さらに好ましくは６０日より前であり得る。また、播種後５～９０日目、好ましくは１６～７０日目、より好ましくは２５～６０日目、さらに好ましくは４０～６０日目であり得る。
ここで、播種後日数とは、屋外で苗を移植栽培した場合の日数を表す。屋内ハウスでの直播栽培では、各生育ステージの播種後日数は上記日数と相違するが、当業者であれば、屋内ハウスでの直播栽培条件を考慮して各生育ステージの播種後日数を理解でき、例えば、分げつ期は屋外で移植栽培した場合は播種後６０日前後であるが、屋内ハウスで直播栽培した場合は播種後３０日前後である。屋内ハウスでの直播栽培では、上記採取時期に相当する時期に葉サンプルを採取すればよい。
或いは、イネの葉の採取時期は、播種後５日以上、好ましくは１６日以上、より好ましくは２５日以上、さらに好ましくは４０日以上で、且つ好ましくは播種後９０日より前、より好ましくは７０日より前、さらに好ましくは６０日より前であり得る。また、播種後５～９０日目、好ましくは１６～７０日目、より好ましくは２５～６０日目、さらに好ましくは４０～６０日目であり得る。
ここで、播種後日数とは、屋外で苗を移植栽培した場合の日数を表す。屋内ハウスでの直播栽培では、各生育ステージの播種後日数は上記日数と相違するが、当業者であれば、屋内ハウスでの直播栽培条件を考慮して各生育ステージの播種後日数を理解でき、例えば、分げつ期は屋外で移植栽培した場合は播種後６０日前後であるが、屋内ハウスで直播栽培した場合は播種後３０日前後である。屋内ハウスでの直播栽培では、上記採取時期に相当する時期に葉サンプルを採取すればよい。
【0014】
葉サンプルの採取部位は、特に限定されないが、例えば、株の根本から葉を１～５枚程度、好ましくは２～６枚程度、より好ましくは４～７枚程度切断して採取することが挙げられる。
【0015】
本発明において、収量とは、個体あたりのイネの子実質量、または個体あたりの粒数を意味する。質量については、特に限定されないが、乾燥質量が好ましい。これらのうち、個体あたりのイネの乾燥子実質量が特に好ましい。本発明における乾燥子実質量とは、９０℃にて７２時間乾燥させた後の子実に含まれる水分率が７％以下に減少した状態で測定した質量を意味する。乾燥子実質量は、電子天秤などの校正機能つきの天秤ばかりによって測定されることが好ましい。
【0016】
本発明において、取得される成分の分析データとしては、高速液体クロマトグラフィー（ＨＰＬＣ）、ガスクロマトグラフィー（ＧＣ）、イオンクロマトグラフィー、質量分析（ＭＳ）、近赤外分光分析（ＮＩＲ）、フーリエ変換赤外分光分析（ＦＴ－ＩＲ）、核磁気共鳴分析（ＮＭＲ）、フーリエ変換核磁気共鳴分析（ＦＴ－ＮＭＲ）、誘導結合プラズマ質量分析計（ＩＣＰ－ＭＳ）、液体クロマトグラフと質量分析とを組合せたＬＣ／ＭＳ等の機器分析手段を用いて分析・測定されたデータが挙げられるが、好ましくは質量分析データであり、より好ましくはＬＣ／ＭＳによる質量分析データである。
質量分析データとしては、精密質量（「ｍ／ｚ値」）、イオン強度、保持時間等が挙げられるが、好ましくは精密質量の情報である。
質量分析データとしては、精密質量（「ｍ／ｚ値」）、イオン強度、保持時間等が挙げられるが、好ましくは精密質量の情報である。
【0017】
葉サンプルを、上記機器分析手段に適用するためには、分析手段に応じて適宜前処理されるが、通常、採取した葉はアルミホイルで包み直ちに液体窒素中で凍結して代謝反応を停止させ、凍結乾燥にかけて乾燥した後、抽出操作に供される。
抽出は、凍結乾燥した葉サンプルを、ビーズ粉砕機等を用いて粉砕した後、抽出溶媒を添加して撹拌することにより行われる。ここで用いられる抽出溶媒としては、メタノール、エタノール、ブタノール、アセトニトリル、クロロホルム、酢酸エチル、ヘキサン、アセトン、イソプロパノール、水等及びそれらを混合したものが挙げられる。分析手段としてＬＣ／ＭＳを用いる場合には、内部標準物質を添加した８０ｖ／ｖ％メタノール水溶液等が好適に使用される。
抽出は、凍結乾燥した葉サンプルを、ビーズ粉砕機等を用いて粉砕した後、抽出溶媒を添加して撹拌することにより行われる。ここで用いられる抽出溶媒としては、メタノール、エタノール、ブタノール、アセトニトリル、クロロホルム、酢酸エチル、ヘキサン、アセトン、イソプロパノール、水等及びそれらを混合したものが挙げられる。分析手段としてＬＣ／ＭＳを用いる場合には、内部標準物質を添加した８０ｖ／ｖ％メタノール水溶液等が好適に使用される。
【0018】
本発明において、分析される葉中の成分としては、ＬＣ／ＭＳによって分離検出されるイネの代謝物質が挙げられる。好ましくは、質量分析により提供される精密質量（ｍ／ｚ）が１０１～１２１５である成分が挙げられる。より好ましくは、質量分析により提供される精密質量（ｍ／ｚ値）で規定された、下記表１ａ～１ｉに記載された１，３２４成分が挙げられる。尚、ＬＣ／ＭＳによる分離検出の過程において、代謝物質から部分分解物及びアダクト（Ｍ＋Ｈ、Ｍ＋Ｎａ等）の異なる分子イオンピークが生じる場合、検出された部分分解物は、元の代謝物質とは別の成分とした。
【0019】
【表1a】
【0020】
【表1b】
【0021】
【表1c】
【0022】
【表1d】
【0023】
【表1e】
【0024】
【表1f】
【0025】
【表1g】
【0026】
【表1h】
【0027】
【表1i】
【0028】
当該１，３２４成分はイネの代謝物質から選択抽出されたものであり、その選択方法は詳細には実施例に示すとおりであるが、概略すると、１）施肥条件を変えてイネを屋内ハウスで直播栽培し、２）それぞれ播種後１ヶ月程度に葉を４～７枚採取して葉サンプルを得、３）８０ｖ／ｖ％メタノールを用いて成分抽出を行った後、４）ＬＣ／ＭＳ分析を行って分子イオン情報（精密質量，ｍ／ｚ）とフラグメントに由来する構造情報を取得し、５）成分由来ピークを抽出し、次いで各ピークを各サンプル間で整列化させるアラインメント処理、同位体ピークの除去、サンプル間のピーク強度補正、ノイズの除去、を行って１，３２４成分の分析データを取得する、というものである。尚、サンプル間のピーク強度補正の方法は特に限定されないが、ｐｏｏｌｅｄ ＱＣ法を用いた補正が挙げられる。ｐｏｏｌｅｄ ＱＣ法は、同一バッチ内の全てのサンプルから一定量を混合したｐｏｏｌｅｄ ＱＣと呼ばれるサンプルを作製し、各サンプルの合間に一定の頻度（５～９回に１回程度）でｐｏｏｌｅｄ ＱＣの分析を実施することにより、「各サンプルを分析していた際にＱＣサンプルを分析していたと仮定するとそれぞれのピーク強度はどうなるか」という推定値を計算し、その値で補正するという処理を行って各サンプル間の感度の補正を行うものである。なお、データの補正方法が収量との相関性および予測モデルの性能に大きく影響することはない。
【0029】
また、取得した１，３２４成分の分析データと対応する収量データ（乾燥子実質量）との相関解析を行った結果（各成分の分析データのピーク面積と収量との単相関係数ｒ及び無相関の検定によりｐ値を算出）、一定の成分は収量と有意に相関することが示された（後記表４ａ～４ｑ参照）。
【0030】
したがって、１，３２４成分のうち、本発明における分析対象成分としては、収量との相関が有意（ｐ＜０．０５）かつ相関係数の絶対値|ｒ|＞０．５１である成分、すなわち成分Ｎｏ．１０、１７７、１７８、２４５、２５４、２７２、２９４、３３７、３６６、４３５、４６２、５２９、５３９、７０８、７２９、８３２、８４２、８６９、９０１、９１２、１０５０、１０６０、１１７３及び１３０６から選ばれる１種以上を含むのが好ましい。なお、上記成分は、後述のＶＩＰ値がすべて１．０８以上であった。
【0031】
さらに１，３２４成分のうち、本発明における分析対象成分としては、収量との相関が有意（ｐ＜０．０５）かつ相関係数の絶対値|ｒ|＞０．６６である成分、すなわち成分Ｎｏ．１０、１７８及び１１７３から選ばれる１種以上を含むのが好ましい。なお、上記成分は、後述のＶＩＰ値がすべて２．１７以上であった。
【0032】
表１ａ～１ｉでは、１，３２４の成分を質量分析により得られる精密質量で規定しているが、これらの精密質量データから化合物の組成式を推定することができる。また、分析時に同時に取得しているＭＳ／ＭＳデータからは、化合物の部分構造情報が得られる。よって、組成式と部分構造情報から、対象の成分を推定することができ、更に試薬との比較が可能なものについては同定することができる。
【0033】
例えば、解析の結果、Ｎｏ.１０は組成式Ｃ６Ｈ９Ｎ３、Ｎｏ.１７８は組成式Ｃ１３Ｈ１８Ｏ３、Ｎｏ.２４５は組成式Ｃ１３Ｈ２０Ｏ４、Ｎｏ.２７２は組成式Ｃ１３Ｈ２８Ｏ４、Ｎｏ.３４７は組成式Ｃ１８Ｈ２６Ｏ２、Ｎｏ.４１６及びＮｏ.４１７は組成式Ｃ１８Ｈ２８Ｏ３、Ｎｏ.５３９は組成式Ｃ１５Ｈ２２Ｏ８、Ｎｏ．７２９は組成式Ｃ１９Ｈ３０Ｏ７、Ｎｏ.１０５０は組成式Ｃ２４Ｈ２８Ｏ１１、Ｎｏ．１１８２は組成式Ｃ３４Ｈ４０Ｏ１０であると推定した。
【0034】
イネの収量の予測手段としては、上記１，３２４の成分、好ましくは収量との相関が有意（ｐ＜０．０５）かつ相関係数の絶対値|ｒ|＞０．５１である成分、より好ましくは有意（ｐ＜０．０５）かつ相関係数の絶対値|ｒ|＞０．６６である成分の存在量（例えば相関係数が－０．８２５である精密質量ｍ／ｚ１２４．０８６９のピーク面積）を、予測したいイネ葉サンプルについても測定し、既知の収量と測定したピーク面積との相関関係から収量を予測することが挙げられる。
【0035】
また、上記１，３２４成分の分析データから複数を使用し、多変量解析手法を用いて構築された収量予測モデルと照合することにより、収量を予測することができる。
すなわち、播種から所定期間経過後のイネの葉サンプルを採取し、分析サンプルを得、該分析サンプルを機器分析に供して機器分析データを得、該機器分析データを、収量予測モデルと照合することにより、当該イネの収量を予測することができる。
すなわち、播種から所定期間経過後のイネの葉サンプルを採取し、分析サンプルを得、該分析サンプルを機器分析に供して機器分析データを得、該機器分析データを、収量予測モデルと照合することにより、当該イネの収量を予測することができる。
【0036】
収量予測モデルは、説明変数に各精密質量をもった補正済みの成分の分析データのピーク面積値を、また目的変数に収量値を用いた回帰分析を行うことにより構築できる。回帰分析法としては、例えば主成分回帰分析、ＰＬＳ（Partial least squares projection to latent structures）回帰分析、ＯＰＬＳ（Orthogonal projections to latent structures）回帰分析、一般化線形回帰分析の他、バギング、サポートベクターマシン、ランダムフォレスト、ニューラルネットワーク回帰分析等の機械学習・回帰分析手法等の多変量回帰分析手法が挙げられる。このうち、ＰＬＳ法、ＰＬＳ法の改良版であるＯＰＬＳ法、或いは機械学習・回帰分析手法を用いるのが好ましい。ＯＰＬＳ法は、ＰＬＳ法に比べ予測性は同じだが、解釈のための視覚化がより容易になる点が今回のような目的においては優れている。ＰＬＳ法及びＯＰＬＳ法は、共に高次元のデータから情報を集約し少数の潜在変数に置き換え、その潜在変数を用いて目的変数を表現する方法である。潜在変数の数を適切に選ぶことが重要であり、潜在変数の数を決めるのによく利用されるのがクロスバリデーション（交差検証）である。すなわち、モデル構築用データをいくつかのグループに分割し、あるグループをモデル検証に、その他のグループをモデル構築に用いて予測誤差を見積り、この作業を、グループを入れ替えながら繰り返して、予測誤差の合計が最小となる潜在変数の数が選ばれる。
【0037】
予測モデルの評価は、主に２つの指標で判断される。１つは予測精度を表すＲ２、もう１つは予測性を表すＱ２である。Ｒ２は予測モデル構築に使用したデータの実測値とモデルで計算した予測値との相関係数の２乗であり、１に近いほど予測精度が高いことを示している。一方、Ｑ２は、上記クロスバリデーションの結果であり、実測値と、繰り返し実施したモデル検証の結果である予測値との相関係数の２乗を表している。本発明のイネ収量予測モデルにおいては、Ｑ２＞０．５０をモデル評価の基準とするのが好ましい。なお、常にＲ２＞Ｑ２となるため、Ｑ２＞０．５０は同時にＲ２＞０．５０を満たすこととなる。
以下に、上記１，３２４成分の分析データのピーク面積値と、子実収量を用いた種々のイネ収量予測モデルを作成しその精度を検証した結果を示す。
以下に、上記１，３２４成分の分析データのピーク面積値と、子実収量を用いた種々のイネ収量予測モデルを作成しその精度を検証した結果を示す。
【0038】
（１）全ての成分情報を用いた収量予測モデルの構築
１データ当り１，３２４個の成分の分析データのピーク面積値と収量値を持つ全２６個のデータマトリックスからＯＰＬＳモデルを構築した。なお、構築の際は、各成分の分析データのピーク面積値及び収量データはオートスケーリングにより平均０、分散１に変換した。
上記モデルではＶＩＰ（Ｖａｒｉａｂｌｅ Ｉｍｐｏｒｔａｎｃｅ ｉｎ ｔｈｅ Ｐｒｏｊｅｃｔｉｏｎ，投影における変数重要性）値とよばれる各成分に与えられるモデル性能への寄与度が算出される。
ＶＩＰ値は、下記式１により求められる。
１データ当り１，３２４個の成分の分析データのピーク面積値と収量値を持つ全２６個のデータマトリックスからＯＰＬＳモデルを構築した。なお、構築の際は、各成分の分析データのピーク面積値及び収量データはオートスケーリングにより平均０、分散１に変換した。
上記モデルではＶＩＰ（Ｖａｒｉａｂｌｅ Ｉｍｐｏｒｔａｎｃｅ ｉｎ ｔｈｅ Ｐｒｏｊｅｃｔｉｏｎ，投影における変数重要性）値とよばれる各成分に与えられるモデル性能への寄与度が算出される。
ＶＩＰ値は、下記式１により求められる。
【0039】
【数1】
【0040】
ＶＩＰ値はその値が大きいほどモデルへの寄与度が大きく、相関係数の絶対値とも相関する。ＶＩＰ値上位８００位までのリストを後記表５ａ～５ｊに示す。
【0041】
（２）ＶＩＰ値を指標としたモデル構築
（２－１）ＶＩＰ値上位８００位までの成分の分析データを用いたモデル
ＶＩＰ値上位８００位までのすべての成分を選択し、１データ当り該８００個の成分の分析データのピーク面積値と収量値を持つ全２６個のデータマトリックスからＯＰＬＳモデル（図２）を構築した。なお、構築の際は、各成分の分析データのピーク面積値及び収量データはオートスケーリングにより平均０、分散１に変換した。Ｒ２＝０．７８、Ｑ２＝０．５１であり、高い予測性を持つモデルといえる。
（２－１）ＶＩＰ値上位８００位までの成分の分析データを用いたモデル
ＶＩＰ値上位８００位までのすべての成分を選択し、１データ当り該８００個の成分の分析データのピーク面積値と収量値を持つ全２６個のデータマトリックスからＯＰＬＳモデル（図２）を構築した。なお、構築の際は、各成分の分析データのピーク面積値及び収量データはオートスケーリングにより平均０、分散１に変換した。Ｒ２＝０．７８、Ｑ２＝０．５１であり、高い予測性を持つモデルといえる。
【0042】
（２－２）ＶＩＰ値上位８００位までの成分のうちＶＩＰ値が下位の成分の分析データを用いたモデル
ＶＩＰ値１１位以下８００位までのすべての成分の分析データ、２１位以下８００位までのすべての成分の分析データ、３１位以下８００位までのすべての成分の分析データ・・・及び１１１位以下８００位までのすべての成分の分析データを用いてＯＰＬＳ法によりモデル（図３）を構築した。
Ｑ２＞０．５を満たすのは１１位以下８００位までのすべての成分の分析データ及び２１位以下８００位までのすべての成分の分析データを用いたモデルである。ＶＩＰ値３１位以下８００位までのすべての成分の分析データを用いてもＱ２＞０．５０とはならない。
ＶＩＰ値１１位以下８００位までのすべての成分の分析データ、２１位以下８００位までのすべての成分の分析データ、３１位以下８００位までのすべての成分の分析データ・・・及び１１１位以下８００位までのすべての成分の分析データを用いてＯＰＬＳ法によりモデル（図３）を構築した。
Ｑ２＞０．５を満たすのは１１位以下８００位までのすべての成分の分析データ及び２１位以下８００位までのすべての成分の分析データを用いたモデルである。ＶＩＰ値３１位以下８００位までのすべての成分の分析データを用いてもＱ２＞０．５０とはならない。
【0043】
（２－３）ＶＩＰ値上位１０位までの成分の分析データを９個用いたモデル
ＶＩＰ値上位１位から１０位までの成分の分析データの内、任意の９個の組み合わせ（１０通り）についてＯＰＬＳ法によりモデル（図４）を構築した。
いずれのモデルにおいてもＱ２＞０．５０を満たす。
ＶＩＰ値上位１位から１０位までの成分の分析データの内、任意の９個の組み合わせ（１０通り）についてＯＰＬＳ法によりモデル（図４）を構築した。
いずれのモデルにおいてもＱ２＞０．５０を満たす。
【0044】
予測に用いる成分数は、簡便に予測を行う場合には、成分数が少ない方が好適であり、例えば、１０個以下であり、好ましくは５個以下、より好ましくは３個以下、最も好ましくは１個である。また、精度を高めたい場合には、成分数が多い方が好適であり、例えば、１１個以上、好ましくは２０個以上、より好ましくは５０個以上、さらに好ましくは９０個以上、最も好ましくは１５０個以上である。少ない成分数にて予測する場合は、ＶＩＰ値上位の成分または相関係数のより高い成分を予測に用いることが好ましい。
【0045】
ＶＩＰ値上位の成分は、例えば、ＶＩＰ値上位８００個から選択される少なくとも１個の成分であり、好ましくはＶＩＰ値上位８００個から選択される少なくとも５個の成分であり、より好ましくはＶＩＰ値上位８００個から選択される少なくとも１０個の成分であり、さらに好ましくはＶＩＰ値上位１０個から選択される少なくとも１個の成分であり、さらに好ましくはＶＩＰ値上位１０個から選択される少なくとも５個の成分であり、さらに好ましくはＶＩＰ値上位１０個から選択される少なくとも９個の成分であり、さらに好ましくはＶＩＰ値上位８００個の成分である。
【0046】
本発明の態様及び好ましい実施態様を以下に示す。
＜１＞イネから採取された葉サンプルから、質量分析により提供される精密質量（ｍ／ｚ）が１０１～１２１５である成分から選ばれる１種以上の成分の分析データを取得し、当該データとイネ収量との相関性を利用してイネの収量を予測する、イネの収量予測方法。
＜２＞前記１以上の成分の分析データをｐｏｏｌｅｄ ＱＣ法により補正する、＜１＞に記載の方法。
＜３＞前記成分が、質量分析により提供される精密質量（ｍ／ｚ）で規定された、前記表１ａ～１ｉに記載の成分から選ばれる１種以上である、＜１＞又は＜２＞に記載の方法。
＜４＞成分が、前記表１ａ～１ｉに記載の成分Ｎｏ．１、４、６、９、１０、１１、１２、１９、２０、２１、２３、２６、２７、２９、３０、３３、３４、３５、３８、３９、４５、４６、４７、４８、４９、５０、５１、５２、５４、５５、５６、６１、６２、６３、６４、６５、６６、６７、６９、７１、７５、７６、７７、７８、８１、８３、８４、８５、８８、８９、９０、９１、９２、９６、１００、１０２、１０５、１０６、１０７、１０８、１０９、１１３、１１６、１１８、１１９、１２０、１２１、１２３、１２４、１２６、１２７、１２９、１３０、１３１、１３３、１３４、１３７、１３９、１４２、１４５、１４７、１４８、１４９、１５１、１５２、１５３、１５４、１５５、１５６、１５９、１６２、１６３、１６４、１６５、１６６、１６７、１６８、１６９、１７０、１７２、１７４、１７５、１７７、１７８、１８１、１８２、１８３、１８４、１８６、１８７、１８８、１９１、１９３、１９４、１９６、１９８、２００、２０２、２０３、２０６、２０８、２０９、２１０、２１２、２１３、２１４、２１５、２１７、２１８、２１９、２２０、２２１、２２２、２２３、２２４、２２５、２２６、２２７、２２８、２２９、２３０、２３１、２３２、２３３、２３５、２３７、２３８、２３９、２４０、２４３、２４５、２４６、２４７、２４８、２４９、２５０、２５１、２５２、２５４、２５５、２５８、２５９、２６０、２６１、２６２、２６３、２６４、２６５、２６６、２６８、２７０、２７１、２７２、２７３、２７４、２７５、２７７、２７８、２８０、２８１、２８３、２８４、２８５、２８６、２８８、２８９、２９０、２９１、２９３、２９４、２９８、３００、３０２、３０３、３０５、３１０、３１２、３１４、３１６、３１７、３１８、３２０、３２１、３２３、３２５、３２７、３２９、３３１、３３２、３３３、３３４、３３５、３３７、３３８、３３９、３４２、３４３、３４４、３４５、３４６、３４７、３４８、３５０、３５１、３５２、３５５、３５８、３５９、３６０、３６１、３６２、３６３、３６５、３６６、３６８、３６９、３７０、３７１、３７３、３７４、３７５、３７８、３７９、３８１、３８２、３８９、３９０、３９１、３９２、３９５、３９７、３９８、３９９、４０１、４０４、４０７、４０８、４０９、４１０、４１１、４１３、４１４、４１５、４１６、４１７、４１８、４１９、４２３、４２４、４２５、４２８、４３１、４３３、４３４、４３５、４３６、４３７、４３８、４３９、４４１、４４４、４４５、４４６、４４７、４４９、４５０、４５１、４５４、４５５、４５７、４５８、４５９、４６０、４６１、４６２、４６４、４６５、４６９、４７１、４７２、４７３、４７４、４７５、４７８、４８０、４８１、４８２、４８３、４８７、４８９、４９０、４９１、４９２、４９４、５０２、５０３、５０４、５０７、５０９、５１０、５１１、５１２、５１３、５１４、５１６、５１７、５２２、５２３、５２５、５２６、５２９、５３２、５３４、５３９、５４０、５４２、５４３、５４７、５４８、５４９、５５１、５５２、５５４、５５５、５５７、５６１、５６５、５６６、５６７、５７３、５８２、５８３、５８５、５８６、５８８、５８９、５９０、５９１、５９３、５９４、５９５、５９６、５９７、５９９、６００、６０２、６０３、６０４、６０６、６０９、６１１、６１２、６１３、６１５、６１６、６１７、６１９、６２０、６２１、６２４、６２８、６３０、６３１、６３２、６３３、６３５、６３９、６４３、６４４、６４７、６４９、６５０、６５１、６５３、６５４、６５５、６５６、６５８、６６０、６６１、６６２、６６５、６６６、６７１、６７２、６７３、６７４、６７５、６８１、６８２、６８３、６８４、６８５、６８８、６８９、６９１、６９２、６９３、６９４、６９５、６９６、６９９、７００、７０１、７０２、７０３、７０４、７０６、７０７、７０８、７１３、７１４、７１５、７１７、７１９、７２１、７２２、７２３、７２４、７２５、７２６、７２７、７２８、７２９、７３１、７３２、７３４、７３５、７３７、７３８、７４０、７４５、７４６、７４８、７４９、７５０、７５４、７５６、７５７、７６２、７６５、７６６、７６７、７６８、７７０、７７４、７７６、７７７、７８０、７８１、７８２、７８５、７８７、７８９、７９２、７９３、７９４、７９５、７９６、７９７、７９８、７９９、８０１、８０２、８０３、８０４、８１０、８１１、８１３、８１５、８１６、８１７、８１８、８２０、８２２、８２３、８２４、８２７、８２８、８２９、８３０、８３２、８３４、８４１、８４２、８４３、８４４、８４５、８４６、８４８、８４９、８５０、８５２、８５４、８５８、８６３、８６４、８６７、８６８、８６９、８７０、８７１、８７２、８７４、８７７、８７８、８７９、８８２、８８３、８８４、８８５、８８６、８８８、８８９、８９３、８９４、８９５、８９６、８９８、８９９、９００、９０１、９０２、９０３、９１０、９１１、９１２、９１４、９１７、９１９、９２２、９２３、９２４、９２５、９２６、９２８、９３０、９３２、９３８、９４１、９４２、９４３、９４４、９４５、９４６、９４７、９４８、９４９、９５０、９５２、９５３、９５５、９５６、９５８、９５９、９６０、９６２、９６５、９６６、９６８、９６９、９７３、９７６、９７９、９８０、９８１、９８３、９８５、９８６、９８９、９９２、９９３、９９４、９９５、９９６、９９７、９９９、１００１、１００２、１００３、１００５、１００６、１００７、１００９、１０１２、１０１３、１０１５、１０１７、１０１９、１０２０、１０２１、１０２２、１０２４、１０２５、１０２６、１０２７、１０３１、１０３２、１０３４、１０３６、１０３９、１０４３、１０４４、１０４５、１０４６、１０４７、１０４８、１０４９、１０５０、１０５１、１０５３、１０５４、１０５７、１０５８、１０５９、１０６０、１０６２、１０６６、１０６７、１０６８、１０６９、１０７０、１０７２、１０７４、１０７５、１０７７、１０７８、１０７９、１０８１、１０８２、１０８７、１０８８、１０８９、１０９２、１０９４、１０９８、１１００、１１０１、１１０２、１１０３、１１０４、１１０５、１１０６、１１０８、１１１０、１１１２、１１１３、１１１４、１１１７、１１１８、１１１９、１１２０、１１２１、１１２３、１１２６、１１２７、１１２８、１１２９、１１３３、１１３４、１１３５、１１３９、１１４０、１１４１、１１４２、１１４３、１１４４、１１４７、１１４８、１１４９、１１５０、１１５１、１１５２、１１５３、１１５４、１１５８、１１６０、１１６３、１１６６、１１６７、１１６８、１１７０、１１７１、１１７２、１１７３、１１７４、１１７７、１１７８、１１７９、１１８０、１１８１、１１８２、１１８４、１１８６、１１８７、１１８８、１１８９、１１９０、１１９１、１１９２、１１９３、１１９４、１１９５、１１９６、１１９７、１１９８、１１９９、１２０２、１２０４、１２０８、１２１１、１２１２、１２１４、１２１７、１２１８、１２２１、１２２２、１２２４、１２２５、１２２６、１２２９、１２３１、１２３３、１２３４、１２３５、１２３７、１２３８、１２３９、１２４０、１２４１、１２４２、１２４３、１２４４、１２４６、１２４７、１２４８、１２４９、１２５０、１２５２、１２５４、１２５５、１２５６、１２５７、１２５８、１２６１、１２６３、１２６５、１２６７、１２６８、１２６９、１２７１、１２７２、１２７６、１２７７、１２７８、１２８０、１２８３、１２９１、１２９２、１２９５、１２９６、１２９７、１２９９、１３００、１３０１、１３０４、１３０５、１３０６、１３０９、１３１１、１３１２、１３１３、１３１４、１３１５、１３１６、１３１７、１３１８、１３１９、１３２１及び１３２２から選ばれる１種以上である＜３＞に記載の方法。
＜５＞成分が、前記表１ａ～１ｉに記載の成分Ｎｏ．１０、１７７、１７８、２４５、２５４、２７２、２９４、３３７、３６６、４３５、４６２、５２９、５３９、７０８、７２９、８３２、８４２、８６９、９０１、９１２、１０５０、１０６０、１１７３及び１３０６から選ばれる１種以上である＜３＞に記載の方法。
＜６＞成分が、前記表１ａ～１ｉに記載の成分Ｎｏ．１０、１７８及び１１７３から選ばれる１種以上である＜３＞に記載の方法。
＜７＞成分が、前記表１ａ～１ｉに記載の成分Ｎｏ．１０、１７８、２４５、２７２、３４７、４１６、４１７、５３９、７２９、１０５０及び１１８２から選ばれる１種以上であり、前記成分Ｎｏ.１０が組成式Ｃ６Ｈ９Ｎ３の成分であり、前記成分Ｎｏ.１７８が組成式Ｃ１３Ｈ１８Ｏ３の成分であり、前記成分Ｎｏ.２４５が組成式Ｃ１３Ｈ２０Ｏ４の成分であり、前記成分Ｎｏ.２７２が組成式Ｃ１３Ｈ２８Ｏ４の成分であり、前記成分Ｎｏ.３４７が組成式Ｃ１８Ｈ２６Ｏ２の成分であり、前記成分Ｎｏ.４１６が組成式Ｃ１８Ｈ２８Ｏ３の成分であり、前記成分Ｎｏ.４１７が組成式Ｃ１８Ｈ２８Ｏ３の成分であり、前記成分Ｎｏ.５３９が組成式Ｃ１５Ｈ２２Ｏ８の成分であり、前記成分Ｎｏ．７２９が組成式Ｃ１９Ｈ３０Ｏ７の成分であり、前記成分Ｎｏ.１０５０が組成式Ｃ２４Ｈ２８Ｏ１１の成分であり、前記成分Ｎｏ．１１８２が組成式Ｃ３４Ｈ４０Ｏ１０の成分である、＜３＞に記載の方法。
＜８＞葉サンプルが、出芽期から出穂期のイネから採取される、＜１＞～＜７＞のいずれかに記載の方法。
＜９＞葉サンプルが、２葉齢期から幼穂形成期のイネから採取される、＜１＞～＜７＞のいずれかに記載の方法。
＜１０＞分析データが、質量分析データである＜１＞～＜９＞のいずれかに記載の方法。
＜１１＞葉サンプルから取得された成分の分析データを、前記表１ａ～１ｉに記載の成分情報を用いて構築された収量予測モデルから算出されたＶＩＰ値の上位８００個の中から少なくとも１個の成分の分析データを用いて構築された収量予測モデルと照合する工程を含む、＜３＞～＜１０＞のいずれかに記載の方法。
＜１２＞収量予測モデルが、前記表１ａ～１ｉに記載の成分情報を用いて構築された収量予測モデルから算出されたＶＩＰ値の上位８００個の中から少なくとも５個を用いる、＜１１＞に記載の方法。
＜１３＞収量予測モデルが、前記表１ａ～１ｉに記載の成分情報を用いて構築された収量予測モデルから算出されたＶＩＰ値の上位８００個の中から少なくとも１０個を用いる、＜１１＞に記載の方法。
＜１４＞収量予測モデルが、前記表１ａ～１ｉに記載の成分情報を用いて構築された収量予測モデルから算出されたＶＩＰ値の上位１０個の中から少なくとも１個を用いる、＜１１＞に記載の方法。
＜１５＞収量予測モデルが、前記表１ａ～１ｉに記載の成分情報を用いて構築された収量予測モデルから算出されたＶＩＰ値の上位１０個の中から少なくとも５個を用いる、＜１１＞に記載の方法。
＜１６＞収量予測モデルが、前記表１ａ～１ｉに記載の成分情報を用いて構築された収量予測モデルから算出されたＶＩＰ値の上位１０個の中から少なくとも９個を用いる、＜１１＞に記載の方法。
＜１７＞収量予測モデルが、前記表１ａ～１ｉに記載の成分情報を用いて構築された収量予測モデルから算出されたＶＩＰ値の上位８００個を用いる、＜１１＞に記載の方法。
＜１８＞収量予測モデルが、ＯＰＬＳ法を用いて構築されたモデルである＜１１＞～＜１７＞のいずれかに記載の方法。
＜１９＞精密質量が小数点以下４桁以上の精度にて測定されたものである＜１＞～＜１８＞のいずれかに記載の方法。
＜１＞イネから採取された葉サンプルから、質量分析により提供される精密質量（ｍ／ｚ）が１０１～１２１５である成分から選ばれる１種以上の成分の分析データを取得し、当該データとイネ収量との相関性を利用してイネの収量を予測する、イネの収量予測方法。
＜２＞前記１以上の成分の分析データをｐｏｏｌｅｄ ＱＣ法により補正する、＜１＞に記載の方法。
＜３＞前記成分が、質量分析により提供される精密質量（ｍ／ｚ）で規定された、前記表１ａ～１ｉに記載の成分から選ばれる１種以上である、＜１＞又は＜２＞に記載の方法。
＜４＞成分が、前記表１ａ～１ｉに記載の成分Ｎｏ．１、４、６、９、１０、１１、１２、１９、２０、２１、２３、２６、２７、２９、３０、３３、３４、３５、３８、３９、４５、４６、４７、４８、４９、５０、５１、５２、５４、５５、５６、６１、６２、６３、６４、６５、６６、６７、６９、７１、７５、７６、７７、７８、８１、８３、８４、８５、８８、８９、９０、９１、９２、９６、１００、１０２、１０５、１０６、１０７、１０８、１０９、１１３、１１６、１１８、１１９、１２０、１２１、１２３、１２４、１２６、１２７、１２９、１３０、１３１、１３３、１３４、１３７、１３９、１４２、１４５、１４７、１４８、１４９、１５１、１５２、１５３、１５４、１５５、１５６、１５９、１６２、１６３、１６４、１６５、１６６、１６７、１６８、１６９、１７０、１７２、１７４、１７５、１７７、１７８、１８１、１８２、１８３、１８４、１８６、１８７、１８８、１９１、１９３、１９４、１９６、１９８、２００、２０２、２０３、２０６、２０８、２０９、２１０、２１２、２１３、２１４、２１５、２１７、２１８、２１９、２２０、２２１、２２２、２２３、２２４、２２５、２２６、２２７、２２８、２２９、２３０、２３１、２３２、２３３、２３５、２３７、２３８、２３９、２４０、２４３、２４５、２４６、２４７、２４８、２４９、２５０、２５１、２５２、２５４、２５５、２５８、２５９、２６０、２６１、２６２、２６３、２６４、２６５、２６６、２６８、２７０、２７１、２７２、２７３、２７４、２７５、２７７、２７８、２８０、２８１、２８３、２８４、２８５、２８６、２８８、２８９、２９０、２９１、２９３、２９４、２９８、３００、３０２、３０３、３０５、３１０、３１２、３１４、３１６、３１７、３１８、３２０、３２１、３２３、３２５、３２７、３２９、３３１、３３２、３３３、３３４、３３５、３３７、３３８、３３９、３４２、３４３、３４４、３４５、３４６、３４７、３４８、３５０、３５１、３５２、３５５、３５８、３５９、３６０、３６１、３６２、３６３、３６５、３６６、３６８、３６９、３７０、３７１、３７３、３７４、３７５、３７８、３７９、３８１、３８２、３８９、３９０、３９１、３９２、３９５、３９７、３９８、３９９、４０１、４０４、４０７、４０８、４０９、４１０、４１１、４１３、４１４、４１５、４１６、４１７、４１８、４１９、４２３、４２４、４２５、４２８、４３１、４３３、４３４、４３５、４３６、４３７、４３８、４３９、４４１、４４４、４４５、４４６、４４７、４４９、４５０、４５１、４５４、４５５、４５７、４５８、４５９、４６０、４６１、４６２、４６４、４６５、４６９、４７１、４７２、４７３、４７４、４７５、４７８、４８０、４８１、４８２、４８３、４８７、４８９、４９０、４９１、４９２、４９４、５０２、５０３、５０４、５０７、５０９、５１０、５１１、５１２、５１３、５１４、５１６、５１７、５２２、５２３、５２５、５２６、５２９、５３２、５３４、５３９、５４０、５４２、５４３、５４７、５４８、５４９、５５１、５５２、５５４、５５５、５５７、５６１、５６５、５６６、５６７、５７３、５８２、５８３、５８５、５８６、５８８、５８９、５９０、５９１、５９３、５９４、５９５、５９６、５９７、５９９、６００、６０２、６０３、６０４、６０６、６０９、６１１、６１２、６１３、６１５、６１６、６１７、６１９、６２０、６２１、６２４、６２８、６３０、６３１、６３２、６３３、６３５、６３９、６４３、６４４、６４７、６４９、６５０、６５１、６５３、６５４、６５５、６５６、６５８、６６０、６６１、６６２、６６５、６６６、６７１、６７２、６７３、６７４、６７５、６８１、６８２、６８３、６８４、６８５、６８８、６８９、６９１、６９２、６９３、６９４、６９５、６９６、６９９、７００、７０１、７０２、７０３、７０４、７０６、７０７、７０８、７１３、７１４、７１５、７１７、７１９、７２１、７２２、７２３、７２４、７２５、７２６、７２７、７２８、７２９、７３１、７３２、７３４、７３５、７３７、７３８、７４０、７４５、７４６、７４８、７４９、７５０、７５４、７５６、７５７、７６２、７６５、７６６、７６７、７６８、７７０、７７４、７７６、７７７、７８０、７８１、７８２、７８５、７８７、７８９、７９２、７９３、７９４、７９５、７９６、７９７、７９８、７９９、８０１、８０２、８０３、８０４、８１０、８１１、８１３、８１５、８１６、８１７、８１８、８２０、８２２、８２３、８２４、８２７、８２８、８２９、８３０、８３２、８３４、８４１、８４２、８４３、８４４、８４５、８４６、８４８、８４９、８５０、８５２、８５４、８５８、８６３、８６４、８６７、８６８、８６９、８７０、８７１、８７２、８７４、８７７、８７８、８７９、８８２、８８３、８８４、８８５、８８６、８８８、８８９、８９３、８９４、８９５、８９６、８９８、８９９、９００、９０１、９０２、９０３、９１０、９１１、９１２、９１４、９１７、９１９、９２２、９２３、９２４、９２５、９２６、９２８、９３０、９３２、９３８、９４１、９４２、９４３、９４４、９４５、９４６、９４７、９４８、９４９、９５０、９５２、９５３、９５５、９５６、９５８、９５９、９６０、９６２、９６５、９６６、９６８、９６９、９７３、９７６、９７９、９８０、９８１、９８３、９８５、９８６、９８９、９９２、９９３、９９４、９９５、９９６、９９７、９９９、１００１、１００２、１００３、１００５、１００６、１００７、１００９、１０１２、１０１３、１０１５、１０１７、１０１９、１０２０、１０２１、１０２２、１０２４、１０２５、１０２６、１０２７、１０３１、１０３２、１０３４、１０３６、１０３９、１０４３、１０４４、１０４５、１０４６、１０４７、１０４８、１０４９、１０５０、１０５１、１０５３、１０５４、１０５７、１０５８、１０５９、１０６０、１０６２、１０６６、１０６７、１０６８、１０６９、１０７０、１０７２、１０７４、１０７５、１０７７、１０７８、１０７９、１０８１、１０８２、１０８７、１０８８、１０８９、１０９２、１０９４、１０９８、１１００、１１０１、１１０２、１１０３、１１０４、１１０５、１１０６、１１０８、１１１０、１１１２、１１１３、１１１４、１１１７、１１１８、１１１９、１１２０、１１２１、１１２３、１１２６、１１２７、１１２８、１１２９、１１３３、１１３４、１１３５、１１３９、１１４０、１１４１、１１４２、１１４３、１１４４、１１４７、１１４８、１１４９、１１５０、１１５１、１１５２、１１５３、１１５４、１１５８、１１６０、１１６３、１１６６、１１６７、１１６８、１１７０、１１７１、１１７２、１１７３、１１７４、１１７７、１１７８、１１７９、１１８０、１１８１、１１８２、１１８４、１１８６、１１８７、１１８８、１１８９、１１９０、１１９１、１１９２、１１９３、１１９４、１１９５、１１９６、１１９７、１１９８、１１９９、１２０２、１２０４、１２０８、１２１１、１２１２、１２１４、１２１７、１２１８、１２２１、１２２２、１２２４、１２２５、１２２６、１２２９、１２３１、１２３３、１２３４、１２３５、１２３７、１２３８、１２３９、１２４０、１２４１、１２４２、１２４３、１２４４、１２４６、１２４７、１２４８、１２４９、１２５０、１２５２、１２５４、１２５５、１２５６、１２５７、１２５８、１２６１、１２６３、１２６５、１２６７、１２６８、１２６９、１２７１、１２７２、１２７６、１２７７、１２７８、１２８０、１２８３、１２９１、１２９２、１２９５、１２９６、１２９７、１２９９、１３００、１３０１、１３０４、１３０５、１３０６、１３０９、１３１１、１３１２、１３１３、１３１４、１３１５、１３１６、１３１７、１３１８、１３１９、１３２１及び１３２２から選ばれる１種以上である＜３＞に記載の方法。
＜５＞成分が、前記表１ａ～１ｉに記載の成分Ｎｏ．１０、１７７、１７８、２４５、２５４、２７２、２９４、３３７、３６６、４３５、４６２、５２９、５３９、７０８、７２９、８３２、８４２、８６９、９０１、９１２、１０５０、１０６０、１１７３及び１３０６から選ばれる１種以上である＜３＞に記載の方法。
＜６＞成分が、前記表１ａ～１ｉに記載の成分Ｎｏ．１０、１７８及び１１７３から選ばれる１種以上である＜３＞に記載の方法。
＜７＞成分が、前記表１ａ～１ｉに記載の成分Ｎｏ．１０、１７８、２４５、２７２、３４７、４１６、４１７、５３９、７２９、１０５０及び１１８２から選ばれる１種以上であり、前記成分Ｎｏ.１０が組成式Ｃ６Ｈ９Ｎ３の成分であり、前記成分Ｎｏ.１７８が組成式Ｃ１３Ｈ１８Ｏ３の成分であり、前記成分Ｎｏ.２４５が組成式Ｃ１３Ｈ２０Ｏ４の成分であり、前記成分Ｎｏ.２７２が組成式Ｃ１３Ｈ２８Ｏ４の成分であり、前記成分Ｎｏ.３４７が組成式Ｃ１８Ｈ２６Ｏ２の成分であり、前記成分Ｎｏ.４１６が組成式Ｃ１８Ｈ２８Ｏ３の成分であり、前記成分Ｎｏ.４１７が組成式Ｃ１８Ｈ２８Ｏ３の成分であり、前記成分Ｎｏ.５３９が組成式Ｃ１５Ｈ２２Ｏ８の成分であり、前記成分Ｎｏ．７２９が組成式Ｃ１９Ｈ３０Ｏ７の成分であり、前記成分Ｎｏ.１０５０が組成式Ｃ２４Ｈ２８Ｏ１１の成分であり、前記成分Ｎｏ．１１８２が組成式Ｃ３４Ｈ４０Ｏ１０の成分である、＜３＞に記載の方法。
＜８＞葉サンプルが、出芽期から出穂期のイネから採取される、＜１＞～＜７＞のいずれかに記載の方法。
＜９＞葉サンプルが、２葉齢期から幼穂形成期のイネから採取される、＜１＞～＜７＞のいずれかに記載の方法。
＜１０＞分析データが、質量分析データである＜１＞～＜９＞のいずれかに記載の方法。
＜１１＞葉サンプルから取得された成分の分析データを、前記表１ａ～１ｉに記載の成分情報を用いて構築された収量予測モデルから算出されたＶＩＰ値の上位８００個の中から少なくとも１個の成分の分析データを用いて構築された収量予測モデルと照合する工程を含む、＜３＞～＜１０＞のいずれかに記載の方法。
＜１２＞収量予測モデルが、前記表１ａ～１ｉに記載の成分情報を用いて構築された収量予測モデルから算出されたＶＩＰ値の上位８００個の中から少なくとも５個を用いる、＜１１＞に記載の方法。
＜１３＞収量予測モデルが、前記表１ａ～１ｉに記載の成分情報を用いて構築された収量予測モデルから算出されたＶＩＰ値の上位８００個の中から少なくとも１０個を用いる、＜１１＞に記載の方法。
＜１４＞収量予測モデルが、前記表１ａ～１ｉに記載の成分情報を用いて構築された収量予測モデルから算出されたＶＩＰ値の上位１０個の中から少なくとも１個を用いる、＜１１＞に記載の方法。
＜１５＞収量予測モデルが、前記表１ａ～１ｉに記載の成分情報を用いて構築された収量予測モデルから算出されたＶＩＰ値の上位１０個の中から少なくとも５個を用いる、＜１１＞に記載の方法。
＜１６＞収量予測モデルが、前記表１ａ～１ｉに記載の成分情報を用いて構築された収量予測モデルから算出されたＶＩＰ値の上位１０個の中から少なくとも９個を用いる、＜１１＞に記載の方法。
＜１７＞収量予測モデルが、前記表１ａ～１ｉに記載の成分情報を用いて構築された収量予測モデルから算出されたＶＩＰ値の上位８００個を用いる、＜１１＞に記載の方法。
＜１８＞収量予測モデルが、ＯＰＬＳ法を用いて構築されたモデルである＜１１＞～＜１７＞のいずれかに記載の方法。
＜１９＞精密質量が小数点以下４桁以上の精度にて測定されたものである＜１＞～＜１８＞のいずれかに記載の方法。
【実施例】
【0047】
比較例
１．解析用データの取得
前記非特許文献２のDanらの文献と一緒に公開されているデータ（https://www.nature.com/articles/srep21732#Sec8）を入手した。収量データとして個体あたりの乾燥子実質量を使用した。葉抽出物のデータは公開されているすべてのデータを解析に使用した。
１．解析用データの取得
前記非特許文献２のDanらの文献と一緒に公開されているデータ（https://www.nature.com/articles/srep21732#Sec8）を入手した。収量データとして個体あたりの乾燥子実質量を使用した。葉抽出物のデータは公開されているすべてのデータを解析に使用した。
【0048】
２．モデル構築・評価
２つ以上の複数の成分の分析データを用いた収量予測モデルの構築には多変量解析手法を用い、解析ツールとしてＳＩＭＣＡ ｖｅｒ．１４（Ｕｍｅｔｒｉｃｓ）を用いた。予測モデルは、説明変数に各精密質量をもった補正済みの成分の分析データのピーク面積値を、また目的変数に収量値を用いた回帰分析をおこなった。回帰分析はＰＬＳ法の改良版であるＯＰＬＳ法でおこなった。
２つ以上の複数の成分の分析データを用いた収量予測モデルの構築には多変量解析手法を用い、解析ツールとしてＳＩＭＣＡ ｖｅｒ．１４（Ｕｍｅｔｒｉｃｓ）を用いた。予測モデルは、説明変数に各精密質量をもった補正済みの成分の分析データのピーク面積値を、また目的変数に収量値を用いた回帰分析をおこなった。回帰分析はＰＬＳ法の改良版であるＯＰＬＳ法でおこなった。
【0049】
予測モデルの評価方法は、主に２つの指標で判断される。１つは予測精度を表すＲ２、もう１つは予測性を表すＱ２である。Ｒ２は予測モデル構築に使用したデータの実測値とモデルで計算した予測値との相関係数の２乗であり、１に近いほど予測精度が高いことを示している。一方、Ｑ２は、上記クロスバリデーションの結果であり、実測値と繰り返し実施したモデル検証の結果である予測値との相関係数の２乗を表している。実施例と同様に、Ｑ２＞０．５０をモデル評価の基準とした。なお、常にＲ２＞Ｑ２となるため、Ｑ２＞０．５０は同時にＲ２＞０．５０を満たすこととなる。
【0050】
３．全データを用いたモデルの構築・評価
１データ当り５２５個の成分の分析データのピーク面積値と収量値を持ち、全２９５個のデータマトリックスから、収量を予測するＯＰＬＳモデルを構築した。構築の際、各成分の分析データのピーク面積値及び収量データはオートスケーリングにより平均０、分散１に変換した。モデル構築の結果、予測精度を示すＲ２＝０．０７、予測性を示すＱ２＝０．００８であり、Ｑ２＞０．５０の基準を満たさなかった。結果を図１に示す。よって、非特許文献２の収量予測モデルは、予測精度が非常に低いことが判明した。
１データ当り５２５個の成分の分析データのピーク面積値と収量値を持ち、全２９５個のデータマトリックスから、収量を予測するＯＰＬＳモデルを構築した。構築の際、各成分の分析データのピーク面積値及び収量データはオートスケーリングにより平均０、分散１に変換した。モデル構築の結果、予測精度を示すＲ２＝０．０７、予測性を示すＱ２＝０．００８であり、Ｑ２＞０．５０の基準を満たさなかった。結果を図１に示す。よって、非特許文献２の収量予測モデルは、予測精度が非常に低いことが判明した。
【0051】
実施例
１．栽培試験
２０１９年に実施した温室内ポット栽培試験データについて詳述する。
神奈川県平塚市内の温室内にてポット栽培を実施した。土壌は花王株式会社栃木事業場内の圃場土を用いた。ポットあたり０．８ｇを基本施肥量と設定し、窒素、リンおよびカリウムを肥料成分として含む化成肥料（商品名「百勝一基」関菱化学株式会社）を４Ｌの土壌に混和した。上記基本施肥量の１／４倍量、１／２倍量、２倍量及び４倍量の条件も設定することで、計５種類の施肥条件での栽培を行った。ポットには１／５０００ａワグネルポットを用い、上記土壌を１ポットあたり約４Ｌ詰め、３０ポットを準備した。２０１９年７月２９日に３粒播きで各ポット内２カ所に播種した（１ポットあたり６粒使用）。３粒の種子由来の植物体をまとめて１個体として扱った。なお、品種は、ジャポニカ種の「ニホンバレ」を用いた。本葉が２枚展開時に１ポットにつき１株となるように間引きした。８月２２日から１０月２８日の間は湛水条件で栽培を行い、播種から湛水開始までは週に１回の頻度で土壌が湿る程度に水やりを行った。１０月２８日以降は水やりは行わなかった。サンプリングは８月２８日に行った。サンプリング後、窒素・リン酸・カリウムをそれぞれ１４％ずつ含む化成肥料（商品名「化成肥料１４号」株式会社サンアンドホープ）をポットあたり１ｇ追肥した。収穫は１１月１４日に実施した（播種後８０日）。なお、４個体が欠株したため、収量予測には計２６個体を用いた。温室内の温度は、気温に応じて扉の開閉により適宜調整した。
１．栽培試験
２０１９年に実施した温室内ポット栽培試験データについて詳述する。
神奈川県平塚市内の温室内にてポット栽培を実施した。土壌は花王株式会社栃木事業場内の圃場土を用いた。ポットあたり０．８ｇを基本施肥量と設定し、窒素、リンおよびカリウムを肥料成分として含む化成肥料（商品名「百勝一基」関菱化学株式会社）を４Ｌの土壌に混和した。上記基本施肥量の１／４倍量、１／２倍量、２倍量及び４倍量の条件も設定することで、計５種類の施肥条件での栽培を行った。ポットには１／５０００ａワグネルポットを用い、上記土壌を１ポットあたり約４Ｌ詰め、３０ポットを準備した。２０１９年７月２９日に３粒播きで各ポット内２カ所に播種した（１ポットあたり６粒使用）。３粒の種子由来の植物体をまとめて１個体として扱った。なお、品種は、ジャポニカ種の「ニホンバレ」を用いた。本葉が２枚展開時に１ポットにつき１株となるように間引きした。８月２２日から１０月２８日の間は湛水条件で栽培を行い、播種から湛水開始までは週に１回の頻度で土壌が湿る程度に水やりを行った。１０月２８日以降は水やりは行わなかった。サンプリングは８月２８日に行った。サンプリング後、窒素・リン酸・カリウムをそれぞれ１４％ずつ含む化成肥料（商品名「化成肥料１４号」株式会社サンアンドホープ）をポットあたり１ｇ追肥した。収穫は１１月１４日に実施した（播種後８０日）。なお、４個体が欠株したため、収量予測には計２６個体を用いた。温室内の温度は、気温に応じて扉の開閉により適宜調整した。
【0052】
２．葉のサンプリング
葉のサンプリングは、播種後３０日後となる日の日中に実施した（おおむね１３時―１５時）。この際のイネの生育ステージは、個体により若干異なるが概ね個体あたりの葉の数が１５－２０枚程度であり、分げつ期に相当する生育ステージであった。葉のサンプリングは、株の根元から葉を４－７枚切断することによって採取した。採取時には株全体から偏りなく採取するようにした。採取した葉はアルミホイルで包み直ちに液体窒素中で凍結し、代謝反応を停止させた。凍結サンプルは凍結状態を維持したまま実験室へ持ち帰り、凍結乾燥にかけて乾燥させた。この乾燥したサンプルを後述の抽出操作に供試した。
葉のサンプリングは、播種後３０日後となる日の日中に実施した（おおむね１３時―１５時）。この際のイネの生育ステージは、個体により若干異なるが概ね個体あたりの葉の数が１５－２０枚程度であり、分げつ期に相当する生育ステージであった。葉のサンプリングは、株の根元から葉を４－７枚切断することによって採取した。採取時には株全体から偏りなく採取するようにした。採取した葉はアルミホイルで包み直ちに液体窒素中で凍結し、代謝反応を停止させた。凍結サンプルは凍結状態を維持したまま実験室へ持ち帰り、凍結乾燥にかけて乾燥させた。この乾燥したサンプルを後述の抽出操作に供試した。
【0053】
３．最終的な子実収量の測定
播種後８０日である１１月１４日に収穫を行った。栽培試験後の各個体から全子実を回収し、９０℃に設定した乾燥機（送風定温恒温器ＤＫＮ６０２，ヤマト科学株式会社）にて３日間乾燥させた。収量データとして乾燥子実質量（ｍｇＤＷ／個体）、及び粒数（個／個体）を測定した。後述する各成分の分析データと収量との単相関解析及び予測モデルの構築には乾燥子実質量（ｍｇＤＷ／個体）を用いた。乾燥子実質量のデータは、表２に示すように最小で５５０７．９７ｍｇＤＷ／個体、最大で１０５０７．１７ｍｇＤＷ／個体であった。
播種後８０日である１１月１４日に収穫を行った。栽培試験後の各個体から全子実を回収し、９０℃に設定した乾燥機（送風定温恒温器ＤＫＮ６０２，ヤマト科学株式会社）にて３日間乾燥させた。収量データとして乾燥子実質量（ｍｇＤＷ／個体）、及び粒数（個／個体）を測定した。後述する各成分の分析データと収量との単相関解析及び予測モデルの構築には乾燥子実質量（ｍｇＤＷ／個体）を用いた。乾燥子実質量のデータは、表２に示すように最小で５５０７．９７ｍｇＤＷ／個体、最大で１０５０７．１７ｍｇＤＷ／個体であった。
【0054】
【表2】
【0055】
４．採取した葉の成分の抽出
凍結乾燥した葉サンプルは、スパーテルを用いて手作業にて可能な限り粉砕をおこなった。粉砕後、２ｍＬのチューブ（セーフロックチューブ，エッペンドルフ）に１０ｍｇを秤量し、直径５ｍｍのジルコニア製ボール１つをチューブに加えて、ビーズ粉砕機（ＭＭ４００，Ｒｅｔｓｃｈ）にて２５Ｈｚで１分間粉砕した。抽出溶媒は、内部標準としてリドカイン（和光純薬工業，♯１２０－０２６７１）を５００ｎｇ／ｍＬとなるように加えた８０ｖ／ｖ％メタノール水溶液を用いた。粉砕後のチューブに調製した抽出溶媒を１ｍＬ添加し、同ビーズ粉砕機にて、２０Ｈｚで５分間ホモジナイズ抽出をおこなった。抽出終了後、２，０００×ｇ程度の卓上遠心機（チビタン）にて、３０秒程度遠心し、０．４５μｍの親水性ＰＴＦＥフィルター（ＤＩＳＭＩＣ－１３ＨＰ ０．４５μｍ ｓｙｒｉｎｇｅ ｆｉｌｔｅｒ，ＡＤＶＡＮＴＥＣ）でろ過し、分析サンプルを得た。
凍結乾燥した葉サンプルは、スパーテルを用いて手作業にて可能な限り粉砕をおこなった。粉砕後、２ｍＬのチューブ（セーフロックチューブ，エッペンドルフ）に１０ｍｇを秤量し、直径５ｍｍのジルコニア製ボール１つをチューブに加えて、ビーズ粉砕機（ＭＭ４００，Ｒｅｔｓｃｈ）にて２５Ｈｚで１分間粉砕した。抽出溶媒は、内部標準としてリドカイン（和光純薬工業，♯１２０－０２６７１）を５００ｎｇ／ｍＬとなるように加えた８０ｖ／ｖ％メタノール水溶液を用いた。粉砕後のチューブに調製した抽出溶媒を１ｍＬ添加し、同ビーズ粉砕機にて、２０Ｈｚで５分間ホモジナイズ抽出をおこなった。抽出終了後、２，０００×ｇ程度の卓上遠心機（チビタン）にて、３０秒程度遠心し、０．４５μｍの親水性ＰＴＦＥフィルター（ＤＩＳＭＩＣ－１３ＨＰ ０．４５μｍ ｓｙｒｉｎｇｅ ｆｉｌｔｅｒ，ＡＤＶＡＮＴＥＣ）でろ過し、分析サンプルを得た。
【0056】
５．ＬＣ／ＭＳによる葉サンプルの分析
葉抽出サンプルの分析は、Ａｇｉｌｅｎｔ社製ＨＰＬＣシステム（Ｉｎｆｉｎｉｔｙ１２６０シリーズ）をフロントとし、ＡＢ ＳＣＩＥＸ社製Ｑ－ＴＯＦＭＳ装置（ＴｒｉｐｌｅＴＯＦ４６００）を検出器として用いてＬＣ／ＭＳ分析をおこなった。ＨＰＬＣにおける分離カラムには、株式会社資生堂社製のコアシェルカラムＣａｐｃｅｌｌ ｃｏｒｅ
Ｃ１８（２．１ｍｍ Ｉ．Ｄ．×１００ｍｍ，粒子計２．７μｍ）及びガードカラム（２．１ｍｍ Ｉ．Ｄ．×５ｍｍ, 粒子計２．７μｍ）を使用し、カラム温度は４０℃に設定した。オートサンプラーは分析中５℃を保持した。分析サンプルは５μＬを注入した。溶離液にはＡ：０．１ｖ／ｖ％ギ酸水溶液及びＢ：０．１ｖ／ｖ％ギ酸アセトニトリル溶液を用いた。グラジエント溶出条件は、０分～０．１分は１ｖ／ｖ％Ｂ（９９ｖ／ｖ％Ａ）で保持し、０．１分～１３分の間に１ｖ／ｖ％Ｂから９９．５ｖ／ｖ％Ｂまで溶離液Ｂの比率を上昇させ、１３．０１分～１６分まで９９．５ｖ／ｖ％Ｂで保持した。流速は０．５ｍＬ／ｍｉｎとした。
葉抽出サンプルの分析は、Ａｇｉｌｅｎｔ社製ＨＰＬＣシステム（Ｉｎｆｉｎｉｔｙ１２６０シリーズ）をフロントとし、ＡＢ ＳＣＩＥＸ社製Ｑ－ＴＯＦＭＳ装置（ＴｒｉｐｌｅＴＯＦ４６００）を検出器として用いてＬＣ／ＭＳ分析をおこなった。ＨＰＬＣにおける分離カラムには、株式会社資生堂社製のコアシェルカラムＣａｐｃｅｌｌ ｃｏｒｅ
Ｃ１８（２．１ｍｍ Ｉ．Ｄ．×１００ｍｍ，粒子計２．７μｍ）及びガードカラム（２．１ｍｍ Ｉ．Ｄ．×５ｍｍ, 粒子計２．７μｍ）を使用し、カラム温度は４０℃に設定した。オートサンプラーは分析中５℃を保持した。分析サンプルは５μＬを注入した。溶離液にはＡ：０．１ｖ／ｖ％ギ酸水溶液及びＢ：０．１ｖ／ｖ％ギ酸アセトニトリル溶液を用いた。グラジエント溶出条件は、０分～０．１分は１ｖ／ｖ％Ｂ（９９ｖ／ｖ％Ａ）で保持し、０．１分～１３分の間に１ｖ／ｖ％Ｂから９９．５ｖ／ｖ％Ｂまで溶離液Ｂの比率を上昇させ、１３．０１分～１６分まで９９．５ｖ／ｖ％Ｂで保持した。流速は０．５ｍＬ／ｍｉｎとした。
【0057】
質量分析装置条件は、イオン化モードをポジティブモードとし、イオン化法はＥＳＩを用いた。本分析系では、溶出してくるイオンをＴＯＦＭＳにより０．１秒間スキャンし、その中の強度の大きいイオンを１０個選択し、それぞれを０．０５秒間ＭＳ／ＭＳにかけるというサイクルを繰り返しながら、ＴＯＦＭＳスキャンによる分子イオン情報（精密質量, ｍ／ｚ）とＭＳ／ＭＳスキャンにより生じるフラグメントに由来する構造情報を取得した。質量測定範囲はＴＯＦＭＳがｍ／ｚ １００－１，２５０、ＭＳ／ＭＳがｍ／ｚ ５０－１，２５０に設定した。各スキャンのパラメータはＴＯＦＭＳスキャンについては、ＧＳ１＝５０、ＧＳ２＝５０、ＣＵＲ＝２５、ＴＥＭ＝４５０、ＩＳＶＦ＝５５００、ＤＰ＝８０及びＣＥ＝１０に設定し、ＭＳ／ＭＳスキャンについては、ＧＳ１＝５０、ＧＳ２＝５０、ＣＵＲ＝２５、ＴＥＭ＝４５０、ＩＳＶＦ＝５５００、ＤＰ＝８０、ＣＥ＝３０、ＣＥＳ＝１５、ＩＲＤ＝３０及びＩＲＷ＝１５に設定した。
【0058】
６．データ行列の作成
データ処理は下記の通りおこなった。まず、ＭａｒｋｅｒＶｉｅｗＴＭ Ｓｏｆｔｗａｒｅ（ＡＢ ＳＣＩＥＸ）を用いてピークの抽出をおこなった。ピーク抽出条件（「ｐｅａｋ ｆｉｎｄｉｎｇ ｏｐｔｉｏｎ」）は、保持時間０．５分～１６分に該当するピークとし、「Ｅｎｈａｎｃｅ Ｐｅａｋ Ｆｉｎｄｉｎｇ」の項目におけるＳｕｂｔｒａｃｔｉｏｎ ｏｆｆｓｅｔを２０スキャン、Ｍｉｎｉｍｕｍ ｓｐｅｃｔｒａｌ ｐｅａｋ ｗｉｄｔｈを５ｐｐｍ、Ｓｕｂｔｒａｃｔｉｏｎ ｍｕｌｔｉ． Ｆａｃｔｏｒを１．２、Ｍｉｎｉｍｕｍ ＲＴ ｐｅａｋ ｗｉｄｔｈを１０スキャン、Ｎｏｉｓｅ ｔｈｒｅｓｈｏｌｄを５に設定し、「Ｍｏｒｅ」の項目におけるＡｓｓｉｇｎ ｃｈａｒｇｅ ｓｔａｔｅにチェックを入れた。その結果、３１，６４９のピーク情報を得た。
データ処理は下記の通りおこなった。まず、ＭａｒｋｅｒＶｉｅｗＴＭ Ｓｏｆｔｗａｒｅ（ＡＢ ＳＣＩＥＸ）を用いてピークの抽出をおこなった。ピーク抽出条件（「ｐｅａｋ ｆｉｎｄｉｎｇ ｏｐｔｉｏｎ」）は、保持時間０．５分～１６分に該当するピークとし、「Ｅｎｈａｎｃｅ Ｐｅａｋ Ｆｉｎｄｉｎｇ」の項目におけるＳｕｂｔｒａｃｔｉｏｎ ｏｆｆｓｅｔを２０スキャン、Ｍｉｎｉｍｕｍ ｓｐｅｃｔｒａｌ ｐｅａｋ ｗｉｄｔｈを５ｐｐｍ、Ｓｕｂｔｒａｃｔｉｏｎ ｍｕｌｔｉ． Ｆａｃｔｏｒを１．２、Ｍｉｎｉｍｕｍ ＲＴ ｐｅａｋ ｗｉｄｔｈを１０スキャン、Ｎｏｉｓｅ ｔｈｒｅｓｈｏｌｄを５に設定し、「Ｍｏｒｅ」の項目におけるＡｓｓｉｇｎ ｃｈａｒｇｅ ｓｔａｔｅにチェックを入れた。その結果、３１，６４９のピーク情報を得た。
【0059】
次に、検出したピークを分析した各サンプル間で整列化させるアラインメント処理をおこなった。アラインメントの処理条件（「Ａｌｉｇｈｍｍｅｎｔ ＆ Ｆｉｌｔｅｒｉｎｇ」）は、「Ａｌｉｇｎｍｅｎｔ」の項目におけるＲｅｔｅｎｔｉｏｎ ｔｉｍｅ ｔｏｌｅｒａｎｃｅを０．２０分及びＭａｓｓ ｔｏｌｅｒａｎｃｅを１０．０ｐｐｍに設定した。また「Ｆｉｌｔｅｒｉｎｇ」の項目におけるＩｎｔｅｎｓｉｔｙ ｔｈｒｅｓｈｏｌｄを１０、Ｒｅｔｅｎｔｉｏｎ ｔｉｍｅ ｆｉｌｔｅｒｉｎｇにチェックを入れ、Ｒｅｍｏｖｅ ｐｅａｋｓ ｉｎ＜３サンプルとし、Ｍａｘｉｍｕｍ ｎｕｍｂｅｒ ｏｆ ｐｅａｋｓを５０，０００に設定した。「Ｉｎｔｅｒｎａｌ ｓｔａｎｄａｒｄｓ」の項目においてリドカインのピークを用いて保持時間の補正をおこなった。
【0060】
次に同位体ピークの除去をおこなった。同位体ピークはピーク抽出の時点でソフトウェアが自動で認識し、ピークリスト上で「ｉｓｏｔｏｐｉｃ」のラベルが付けられているため、「ｉｓｏｔｏｐｉｃ」でソートして該当ピークを削除した。その結果、ピークは２５，８９５ピークに減少した。
【0061】
次に、サンプル間のピーク強度補正をおこなった。今回の分析では、サンプルの他に、すべてのサンプルから一定量を混合したｐｏｏｌｅｄ ＱＣと呼ばれるサンプルを作製し、６回に１回の頻度でｐｏｏｌｅｄ ＱＣの分析を実施した。これらの全ＱＣ分析結果から、「各サンプルを分析していた際にＱＣサンプルを分析していたと仮定するとそれぞれのピーク強度はどうなるか」という推定値を計算し、その値で補正するという処理を実施し、同一バッチ内における各サンプル間の感度の補正をおこなった。なお、本処理は、理研が提供しているフリーソフト（ＬＯＷＥＳＳ－Ｎｏｒｍａｌｉｚａｔｉｏｎ－Ｔｏｏｌ）を用いた。最後に、測定した９個のＱＣ分析データを用いて１１，４０８ピークの相対標準偏差（ＲＳＤ）を計算し、ＲＳＤ＞３０％となるばらつきの大きいピークを除去し、最終的に１，３２４のピークデータ、すなわち１，３２４成分の分析データを得た。得られた分析データを表３ａ～３ｑに示す。これらのデータを用いて、以降の解析をおこなった。
【0062】
【表3a】
【0063】
【表3b】
【0064】
【表3c】
【0065】
【表3d】
【0066】
【表3e】
【0067】
【表3f】
【0068】
【表3g】
【0069】
【表3h】
【0070】
【表3i】
【0071】
【表3j】
【0072】
【表3k】
【0073】
【表3l】
【0074】
【表3m】
【0075】
【表3n】
【0076】
【表3o】
【0077】
【表3p】
【0078】
【表3q】
【0079】
７．相関解析
取得した２６個体分の葉中１，３２４成分の分析データと対応する収量データ（乾燥子実質量）、すなわち２６×１，３２４のマトリックスデータを用いて相関解析をおこなった。各成分の分析データと収量データとの単相関係数ｒ及び無相関の検定によりｐ値を算出した。結果を表４ａ～４ｑに示す。なお、表中の「成分Ｎｏ．」は１，３２４個の成分を質量順に並べた際に質量数が小さい方から番号を付けた便宜的なものである。また、分析結果には質量情報とともに保持時間の情報も含まれるが、特開２０１６－５７２１９号公報によれば、少数点以下４桁以上の精密質量数を用いれば、保持時間によらず複数の質量分析用試料間で質量分析データの比較及び解析が可能であることが示されている。よって、保持時間の情報は除去し、精密質量情報のみを記載した。
取得した２６個体分の葉中１，３２４成分の分析データと対応する収量データ（乾燥子実質量）、すなわち２６×１，３２４のマトリックスデータを用いて相関解析をおこなった。各成分の分析データと収量データとの単相関係数ｒ及び無相関の検定によりｐ値を算出した。結果を表４ａ～４ｑに示す。なお、表中の「成分Ｎｏ．」は１，３２４個の成分を質量順に並べた際に質量数が小さい方から番号を付けた便宜的なものである。また、分析結果には質量情報とともに保持時間の情報も含まれるが、特開２０１６－５７２１９号公報によれば、少数点以下４桁以上の精密質量数を用いれば、保持時間によらず複数の質量分析用試料間で質量分析データの比較及び解析が可能であることが示されている。よって、保持時間の情報は除去し、精密質量情報のみを記載した。
【0080】
【表4a】
【0081】
【表4b】
【0082】
【表4c】
【0083】
【表4d】
【0084】
【表4e】
【0085】
【表4f】
【0086】
【表4g】
【0087】
【表4h】
【0088】
【表4i】
【0089】
【表4j】
【0090】
【表4k】
【0091】
【表4l】
【0092】
【表4m】
【0093】
【表4n】
【0094】
【表4o】
【0095】
【表4p】
【0096】
【表4q】
【0097】
相関解析で得られた結果により、一定の相関係数を持つ成分は収量と有意に相関することが示された。相関係数の絶対値|ｒ|＞０．５１となる成分は２４個、|ｒ|＞０．６６となる成分は３個であることがわかった。
【0098】
８．モデル構築・評価
２つ以上の複数の成分の分析データを用いた収量予測モデルの構築には多変量解析手法を用い、解析ツールとしてＳＩＭＣＡ ｖｅｒ．１４（Ｕｍｅｔｒｉｃｓ）を用いた。予測モデルは、説明変数に各精密質量をもった補正済みの成分の分析データのピーク面積値を、また目的変数に収量値を用いた回帰分析をおこなった。回帰分析はＰＬＳ法の改良版であるＯＰＬＳ法でおこなった。
２つ以上の複数の成分の分析データを用いた収量予測モデルの構築には多変量解析手法を用い、解析ツールとしてＳＩＭＣＡ ｖｅｒ．１４（Ｕｍｅｔｒｉｃｓ）を用いた。予測モデルは、説明変数に各精密質量をもった補正済みの成分の分析データのピーク面積値を、また目的変数に収量値を用いた回帰分析をおこなった。回帰分析はＰＬＳ法の改良版であるＯＰＬＳ法でおこなった。
【0099】
予測モデルの評価方法は、主に２つの指標で判断される。１つは予測精度を表すＲ２、もう１つは予測性を表すＱ２である。Ｒ２は予測モデル構築に使用したデータの実測値とモデルで計算した予測値との相関係数の２乗であり、１に近いほど予測精度が高いことを示している。一方、Ｑ２は、上記クロスバリデーションの結果であり、実測値と繰り返し実施したモデル検証の結果である予測値との相関係数の２乗を表している。予測の観点から、少なくともＱ２＞０．５０であれば、そのモデルは良好な予測性を持つとされていることから（Triba, M. N. et al., Mol. BioSyst. 2015, 11, 13-19.）、Ｑ２＞０．５０をモデル評価の基準とした。なお、常にＲ２＞Ｑ２となるため、Ｑ２＞０．５０は同時にＲ２＞０．５０を満たすこととなる。
【0100】
８－１．全データを用いたモデルの構築・評価
１データ当り１，３２４個の成分の分析データのピーク面積値と収量値を持ち、全２６個のデータマトリックスから、収量を予測するＯＰＬＳモデルを構築した。構築の際、各成分の分析データのピーク面積値及び収量データはオートスケーリングにより平均０、分散１に変換した。モデル構築の結果、予測精度を示すＲ２＝０．９３１、予測性を示すＱ２＝０．３４４であり、Ｑ２＞０．５０の基準を満たさなかった。
１データ当り１，３２４個の成分の分析データのピーク面積値と収量値を持ち、全２６個のデータマトリックスから、収量を予測するＯＰＬＳモデルを構築した。構築の際、各成分の分析データのピーク面積値及び収量データはオートスケーリングにより平均０、分散１に変換した。モデル構築の結果、予測精度を示すＲ２＝０．９３１、予測性を示すＱ２＝０．３４４であり、Ｑ２＞０．５０の基準を満たさなかった。
【0101】
８－２．ＶＩＰ値の算出
８－１で構築したモデルではＶＩＰ（Ｖａｒｉａｂｌｅ Ｉｍｐｏｒｔａｎｃｅ ｉｎ
ｔｈｅ Ｐｒｏｊｅｃｔｉｏｎ，投影における変数重要性）値とよばれる各成分に与えられるモデル性能への寄与度が算出される。ＶＩＰ値はその値が大きいほどモデルへの寄与度が大きく、相関係数の絶対値とも相関する。ＶＩＰ値上位８００位までのリストを表５ａ～５ｊに示す。
８－１で構築したモデルではＶＩＰ（Ｖａｒｉａｂｌｅ Ｉｍｐｏｒｔａｎｃｅ ｉｎ
ｔｈｅ Ｐｒｏｊｅｃｔｉｏｎ，投影における変数重要性）値とよばれる各成分に与えられるモデル性能への寄与度が算出される。ＶＩＰ値はその値が大きいほどモデルへの寄与度が大きく、相関係数の絶対値とも相関する。ＶＩＰ値上位８００位までのリストを表５ａ～５ｊに示す。
【0102】
【表5a】
【0103】
【表5b】
【0104】
【表5c】
【0105】
【表5d】
【0106】
【表5e】
【0107】
【表5f】
【0108】
【表5g】
【0109】
【表5h】
【0110】
【表5i】
【0111】
【表5j】
【0112】
８－３．ＶＩＰ値を指標としたモデル構築
８－１で構築したモデルへの各成分の寄与度であるＶＩＰ値のランキング（表５ａ～５ｊ）を基に複数の成分でモデルを構築した。特に限定されるわけではないが、モデル性能の基準を便宜上Ｑ２＞０．５０とした。
８－１で構築したモデルへの各成分の寄与度であるＶＩＰ値のランキング（表５ａ～５ｊ）を基に複数の成分でモデルを構築した。特に限定されるわけではないが、モデル性能の基準を便宜上Ｑ２＞０．５０とした。
【0113】
８－３－１．ＶＩＰ値上位８００位までの成分の分析データを用いたモデル
ＶＩＰ値上位８００位までのすべての成分を選択し、１データ当り該８００個の成分の分析データのピーク面積値と収量値を持ち、全２６個のデータマトリックスから、収量を予測するＯＰＬＳモデルを構築した。構築の際、各成分の分析データのピーク面積値及び収量データはオートスケーリングにより平均０、分散１に変換した。モデル構築の結果、予測精度を示すＲ２＝０．７８、予測性を示すＱ２＝０．５１であった。結果を図２に示す。この予測モデルにより、栽培１カ月程度の葉に含まれる成分組成を用いることで、高い予測性を持つモデルが構築でき、早期収量予測が可能であることが示された。
ＶＩＰ値上位８００位までのすべての成分を選択し、１データ当り該８００個の成分の分析データのピーク面積値と収量値を持ち、全２６個のデータマトリックスから、収量を予測するＯＰＬＳモデルを構築した。構築の際、各成分の分析データのピーク面積値及び収量データはオートスケーリングにより平均０、分散１に変換した。モデル構築の結果、予測精度を示すＲ２＝０．７８、予測性を示すＱ２＝０．５１であった。結果を図２に示す。この予測モデルにより、栽培１カ月程度の葉に含まれる成分組成を用いることで、高い予測性を持つモデルが構築でき、早期収量予測が可能であることが示された。
【0114】
８－３－２．ＶＩＰ値上位８００位までの成分のうちＶＩＰ値が下位の成分の分析データを用いたモデル
ＶＩＰ値１１位以下８００位までのすべての成分の分析データ、２１位以下８００位までのすべての成分の分析データ、３１位以下８００位までのすべての成分の分析データ・・・及び１１１位以下８００位までのすべての成分の分析データを用いてそれぞれＯＰＬＳモデルの構築をおこなった。その結果、Ｑ２＞０．５を満たすのは１１位以下８００位までのすべての成分の分析データ及び２１位以下８００位までのすべての成分の分析データを用いたモデルであり、ＶＩＰ値３１位以下８００位までのすべての成分の分析データを用いてもＱ２＞０．５０とはならないことがわかった（図３）。
ＶＩＰ値１１位以下８００位までのすべての成分の分析データ、２１位以下８００位までのすべての成分の分析データ、３１位以下８００位までのすべての成分の分析データ・・・及び１１１位以下８００位までのすべての成分の分析データを用いてそれぞれＯＰＬＳモデルの構築をおこなった。その結果、Ｑ２＞０．５を満たすのは１１位以下８００位までのすべての成分の分析データ及び２１位以下８００位までのすべての成分の分析データを用いたモデルであり、ＶＩＰ値３１位以下８００位までのすべての成分の分析データを用いてもＱ２＞０．５０とはならないことがわかった（図３）。
【0115】
８－３－３．ＶＩＰ値上位１０位までの成分の分析データを９個用いたモデル
ＶＩＰ値上位１位から１０位までの成分の分析データの内、任意の９個の組み合わせ（１０通り）についてＯＰＬＳモデルの構築をおこなった。その結果、いずれのモデルにおいてもＱ２＞０．５０を満たすことがわかった。このことからＶＩＰ値上位１０位までの代謝物を９個含んでいれば、一定の予測性を持つモデルが構築できることが示された（図４）。
ＶＩＰ値上位１位から１０位までの成分の分析データの内、任意の９個の組み合わせ（１０通り）についてＯＰＬＳモデルの構築をおこなった。その結果、いずれのモデルにおいてもＱ２＞０．５０を満たすことがわかった。このことからＶＩＰ値上位１０位までの代謝物を９個含んでいれば、一定の予測性を持つモデルが構築できることが示された（図４）。
【図1】
【図2】
【図3】
【図4】
