利用多维FT-MIR和NIR光谱技术,结合数据融合与机器学习方法,对不同来源的Paris polyphylla var. yunnanensis进行了定性和定量分析

《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》:Qualitative and quantitative analysis of Paris polyphylla var. yunnanensis from different origin using multi-dimensions FT-MIR and NIR spectroscopy, data fusion combined with machine learning

【字体: 大 中 小 】 时间:2026年01月01日 来源:Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy 4.3

编辑推荐:

  云南重楼药材质量地理溯源研究采用多维度FT-MIR/NIR光谱与数据融合结合机器学习,通过1D、2DCOS、3DCOS光谱及PCA、t-SNE、PLS-DA、OPLS-DA和ResNet模型实现定性鉴别与定量分析。结果显示PLSR数据融合模型预测总皂苷R2Y达0.92,同步2DCOS和3DCOS光谱分类准确率超过90%,验证集误差RMSECV<0.14。研究为建立中药质量地理溯源体系提供技术范式。

  
杨元贵|王元忠
中国中医资源产业化陕西协同创新中心,特色秦药资源研发国家重点实验室(栽培),陕西创新药物研究中心,陕西中医药大学药学院,中国咸阳712046

摘要

地理可追溯性对于确保来自不同地区的Paris polyphylla var. yunnanensis(PPY)的质量一致性至关重要。在本研究中,采用了多维FT-MIR和NIR光谱技术,结合数据融合与机器学习方法对PPY进行定性和定量分析。生成了1D、2DCOS、3DCOS(同步、异步和集成)等多种光谱图。FT-MIR、NIR以及数据融合技术与传统机器学习方法(包括主成分分析(PCA)、t分布随机邻域嵌入(t-SNE)、偏最小二乘判别分析(PLS-DA)和正交偏最小二乘判别分析(OPLS-DA)结合使用,用于识别不同地区的PPY。同时,基于多维光谱图像建立了深度学习模型ResNet。FT-MIR、NIR和数据融合技术也被用于测定总皂苷含量。结果表明,PCA和t-SNE能够揭示PPY的一般化学信息。基于数据融合的PLS-DA和OPLS-DA在R2X、R2Y和Q2方面表现最佳,RMSEE、RMSECV和RMSEP较低,训练集和测试集的准确性更高。未经处理的多维光谱在分类中也表现出良好性能。FT-MIR和NIR的同步2DCOS及3DCOS图像均能有效对样本进行分类。基于数据融合并结合预处理光谱多重散射校正和一阶导数的PLSR模型具有更好的预测效果,RPD达到1.98,Rc2和Rp2分别为0.92和0.78。本研究为中药的质量控制提供了一种快速且稳健的策略。

引言

Paris polyphylla var. yunnanensis(PPY)是《中国药典》中“重楼”药材的植物来源之一,具有抗肿瘤、抗真菌、止血和抗炎作用[1]。植物化学研究表明,PPY含有多种活性成分,如甾体皂苷、萜类化合物、黄酮类和C-21甾体[2]。作为云南白药、功旭宁胶囊、济生德蛇药等中药制剂的原料,PPY已广泛用于工业生产。由于需求量大,来自不同地区的PPY质量存在差异。先前的研究表明,地理来源是影响其质量的关键因素[3,4]。PPY主要分布在中国西南部,尤其是云南省。云南复杂的地形和地貌促进了物种多样性。研究表明,不同地区的PPY具有不同的活性成分[5,6]。有效的地理可追溯性对于确保不同地区PPY的质量一致性至关重要,为相关产业发展奠定了基础。以往研究多集中在云南西部和中部的大型生产区域,而对小范围产地的研究仍较为有限。
质量评估通常包括色谱分析和光谱分析。色谱分析需要提取、分离和分析过程,耗时较长,溶剂消耗量大,且需要专业操作人员。此外,它无法全面反映复杂成分样品的化学特性[7]。光谱分析包括紫外-可见光谱、红外光谱和拉曼光谱。紫外-可见光谱需要样品预处理,仅能提供含有共轭基团的化合物信息[8]。拉曼光谱反映物质散射光与入射光之间的能量差异,但由于信号较弱,对草药样品的检测效果不佳[9]。红外光谱基于分子振动能级跃迁,能够提供关于化学键和官能团的信息,具有非破坏性、快速和简便的操作特点,广泛应用于药用植物质量评估[10]。红外光谱分为近红外和中红外光谱:近红外光谱基于氢原子(H、N、C等)的振动模式,提供特征信息;中红外光谱能揭示化合物的官能团信息。这两种方法常单独或结合使用来评估PPY[11,12]。然而,中药含有复杂的化学成分,单一光谱无法全面反映样品特性。为此开发了二维和三维相关光谱技术。此外,单一技术仍存在局限性,多技术数据融合已成为分析复杂成分样品的趋势。
一维相关光谱(1DCOS)直接利用原始光谱进行样品识别。二维相关光谱(2DCOS)技术由Nada于1993年首次提出,用于可视化样品的复杂化学信息[13]。它包含同步、异步和集成三种光谱图,能反映不同类型的化学信息,有助于区分不同样品。He等人将2DCOS与机器学习结合,用于快速识别姜黄(Amomum tsao-ko)的干燥温度[14]。三维相关光谱(3DCOS)具有更清晰的化学信息,也被用于中药鉴定。Li等人将3DCOS与化学计量学结合,用于Gastrodia elata的地理可追溯性研究[3]。虽然单台仪器可用于样品分析,但其数据覆盖范围有限,无法全面反映复杂样品的化学信息。近年来,数据融合技术得到广泛应用,如NIR与电子鼻结合可高精度识别味道和香气质量[15]。Zhao等人通过结合VNIR和NIR高光谱成像测定核桃的脂肪含量和酸值,发现数据融合策略优于单独使用这些技术[16]。
一维、二维甚至三维相关光谱可提供更多关于样品的差异信息。但对于大量样品,仅通过可视化难以区分,因此需要运用化学计量方法进行区分。传统机器学习算法(如PCA、t-SNE、PLS-DA、OPLS-DA)可用于中药的定性鉴定[17,18,19,20]。但这些方法存在建模时间长、模型识别效率低、分类准确性不高的问题。近年来,深度学习技术(如人工神经网络、卷积神经网络和残差卷积神经网络ResNet)被应用于中药评价、药物靶点发现和医学诊断[21,22]。ResNet在传统神经网络中引入残差模块,提高了信息完整性和数据分析效率。与传统化学计量模型相比,基于FT-MIR的ResNet在鉴定野生和栽培Gastrodia elata方面表现优异[23]。利用NIR和ResNet的快速鉴定方法被用于区分野生和栽培Wolfiporia cocos的不同部位[24]。偏最小二乘回归(PLSR)是中药定量分析的常用方法,结合数据融合和化学计量学在近期研究中得到广泛应用[25]。
本研究的目的是利用多维FT-MIR和NIR光谱技术及数据融合与化学计量学相结合,对来自不同地区的PPY进行定性和定量分析。首先比较了多维FT-MIR和NIR光谱以及与PCA、PLS-DA、OPLS-DA结合的数据融合效果。随后创建了多维FT-MIR和NIR光谱的同步、异步和集成光谱图,并基于不同地区的光谱图构建了机器学习模型ResNet。最后,利用FT-MIR和NIR光谱及数据融合技术测定了总皂苷含量。

样本收集

本研究共收集了370份来自云南省不同地区的PPY样品用于定量分析。其中,龙陵县15份、楚雄市楚雄县48份、昆明市西山区90份、迪庆市香格里拉县24份、曲靖市宗师县106份、文山市文山县58份。定量分析中,PPY样品分别来自保山(15份)、昆明(90份)、曲靖(70份)等地区。

光谱解析

图1A显示了来自不同地区的PPY平均FT-MIR光谱。相似的光谱峰形和位置表明,不同地区PPY的化学成分相似,但含量存在差异。FT-MIR光谱的不同峰位反映了不同化合物的吸收特性。FT-MIR光谱可分为两个主要吸收区域,波数范围为4000至1500 cm?1

结论

本研究利用FT-MIR、NIR光谱及数据融合与化学计量学技术,对来自不同地区的PPY进行了定性和定量分析。在定性分析中,结合多维FT-MIR、NIR光谱和数据融合,开发了传统机器学习模型(PCA、t-SNE、PLS-DA、OPLS-DA)和深度学习模型(ResNet),快速识别了不同地理来源的PPY。PCA和t-SNE能够揭示PPY的一般化学信息。

利益冲突声明

作者声明没有已知的财务利益冲突或个人关系可能影响本文的研究结果。

致谢

本研究得到了国家自然科学基金(82204615)和秦创原中医药产业创新集群项目(L2024-QCY-ZYYJJQ-X192)的支持。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号