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。
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），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。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。
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。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。
该项研究得到工学院李善军教授，园艺林学学院徐强教授、王霞研究员的指导和支持。工学院硕士研究生胡鑫（现为信息学院博士研究生）为论文第一作者，工学院陈耀晖副研究员、易伟松副教授为共同通讯作者，园艺林学学院博士后张旺、郑伟康，工学院硕士研究生张吉星、储跃祥参与研究工作。该研究获得教育部基础学科与交叉学科突破计划（JYB2025XDXM701）和湖北省科技计划项目（2024EHA061）的资助。
论文链接：https://doi.org/10.1016/j.agrcom.2026.100160
【英文摘要】
Timely detection of citrus Huanglongbing （HLB） during its prolonged asymptomatic phase remains critical for epidemic management, yet current molecular diagnostics require destructive sampling and extended turnaround. This study presents a non-destructive diagnostic framework integrating handheld Raman spectroscopy, targeted metabolomics, and a large language model-assisted multichannel spectral similarity fusion （LAMSSF） framework benchmarked against supervised deep learning for few-shot early diagnosis. Raman spectra from 1030 Thai pomelo and 480 Wogan mandarin leaves reveal consistent spectral patterns across healthy, early HLB, symptomatic HLB, and nutrient deficiency groups. High-performance liquid chromatography-mass spectrometry validation identifies progressive accumulation of p-coumaric acid, glucose, and L-glutamate as the biochemical basis for these signatures, reflecting phenylpropanoid defense activation, phloem transport impairment, and nitrogen metabolic reprogramming, respectively. While a convolutional neural network （CNN）-Transformer achieves the highest accuracy of 94.8% via cross-cultivar fine-tuning, it requires extensive quantitative PCR-annotated data. In contrast, the proposed LAMSSF framework attains comparable accuracy of 92.2% at equivalent data scales while generating transparent diagnostic reports. Critically, LAMSSF maintains above 90% accuracy with only 24 Thai pomelo and 12 Wogan samples as the training data, a data regime where the CNN-Transformer requires 8.3-fold and 10.0-fold more annotations to match performance. This study demonstrates that while deep learning yields marginal accuracy gains given abundant data, the proposed LAMSSF framework enables scalable, few-shot early HLB diagnosis with minimal annotation requirements and significantly greater field deployment potential.
日期：2026-10-03
