コラム

Column

2026/07/03

PhenoVation クロロフィル蛍光測定法への招待：基本原理とメカニズム

投稿者: ディーデ・デ・ヤーガー（Diede de Jager）、プリシラ・マルコム（Priscilla Malcolm）

クロロフィル蛍光測定法への招待：基本原理とメカニズム

はじめに

植物がどのようにして太陽光を生命のエネルギーへと変換しているのか、不思議に思ったことはありませんか？そのプロセスの核心にあるのが「光合成」です。そして、植物の健康状態や光合成の効率を非破壊でリアルタイムに調査するための最も強力なツールのひとつが、「クロロフィル蛍光測定（Chlorophyll Fluorescence）」です。本ブログでは、クロロフィル蛍光の基礎となる生物物理学的な原理と、光エネルギーが植物内でどのように分配されているのか、そのメカニズムについて分かりやすく解説します。

図1：クロロフィル蛍光技術を用いた科学論文の成長トレンド

光合成の基本と光化学系II（PSII）

植物が光を吸収すると、葉の中にある「クロロフィル（葉緑素）」分子がエネルギーを受け取って励起状態になります。この光エネルギーを効率よく集めて化学エネルギーへと変換するために、植物の細胞内には特殊なタンパク質複合体が形成されています。これが「光化学系（Photosystem）」です。光合成には光化学系I（PSI）と光化学系II（PSII）の2つがありますが、クロロフィル蛍光測定において中心的な役割を果たすのが光化学系II（PSII）です。

光化学系IIは、太陽光のエネルギーを利用して水を酸素と水素イオン、および電子に分解する役割を持っています。ここで取り出された電子が電子伝達鎖を流れることで、植物が成長するためのエネルギー（ATPやNADPH）が作り出されます。

図2：光化学系II（PSII）複合体の構造と電子伝達ルートのモデル

光エネルギーの3つの運命（競合関係）

クロロフィル分子が吸収した光エネルギーは、すべてが光合成に使われるわけではありません。吸収されたエネルギーは、物理学的な法則に従って必ず次の3つのルート（運命）のいずれかに分配されます。これらは互いにエネルギーを奪い合う「競合関係」にあります。

図3：励起されたクロロフィル分子がエネルギーを失う3つの経路のモデル図

光化学反応（Photochemistry / PQ）： 植物が本来行いたいルートです。吸収したエネルギーを電子伝達へと回し、二酸化炭素を固定して糖などの有機物を合成（光合成）するために消費します。
熱放散（Heat Dissipation / NPQ）： 強すぎる太陽光など、光合成の処理能力を超える過剰なエネルギーを吸収してしまった場合、植物は自身を保護（白化や組織破壊を防止）するために、エネルギーを安全に「熱」として大気中に逃がします。これを非光化学的消光（NPQ）と呼びます。
クロロフィル蛍光（Chlorophyll Fluorescence）： 上記2つのルート（光合成と熱放散）のどちらでも消費しきれなかった余剰エネルギーの一部が、わずかに波長の長い「赤色〜近赤外線の光」として再放出されます。これがクロロフィル蛍光です。

重要なのは、これらの合計が常に「1（100%）」になるという点です。つまり、光合成の効率が落ちれば、エネルギーが売れ残って蛍光や熱としての放出量が増えるという逆相関のシグナルが得られます。この特性を利用することで、蛍光の光をカメラで捉えるだけで、植物の内部で光合成がどのくらい順調に行われているかを間接的に、かつ正確に計算することができるのです。

図4：「光合成」「熱放散」「蛍光」の競合関係（トレードオフ）を示すエネルギー収支モデル

なぜクロロフィル蛍光を測定するのか？

クロロフィル蛍光測定の最大のメリットは、植物に傷をつけたりストレスを与えたりすることなく、「植物の目に見えないストレスや健康状態を、肉眼で症状が現れる数日〜数週間前の段階で検知できる」点にあります。

例えば、干ばつ、高温・低温、病害虫、あるいは化学物質によるストレスを受けると、植物は真っ先に光化学系II（PSII）の機能を低下させます。葉の色が変わったり枯れたりする前であっても、クロロフィル蛍光測定を行えば、光合成効率の低下や熱放散（NPQ）の過剰な上昇といった変化を、数値や画像（イメージング）として明確に捉えることが可能です。

図5：健全な植物とストレスを受けた植物におけるクロロフィル蛍光シグナルの波形比較

図6：クロロフィル蛍光イメージングカメラによる葉のストレス分布の可視化例

今後の応用と実用例

現代の植物フェノタイピング（表現型解析）においては、個体レベルから大規模な圃場レベルまで、この蛍光シグナルを画像処理でマッピングする技術が導入されています。これにより、これまでベテランの経験則に頼っていた「水ストレスの検知」や「最適な施肥タイミングの決定」が、客観的なデータに基づいて自動化できるようになりつつあります。