基于电感耦合等离子体质谱多元素指纹图谱与可解释性机器学习的陈皮道地性鉴别与产地溯源

《Journal of Food Composition and Analysis》:Authentication and geographical origin discrimination of Citri Reticulatae Pericarpium via ICP-MS-based multielement profiling and interpretable machine learning

【字体: 大 中 小 】 时间:2026年06月17日 来源:Journal of Food Composition and Analysis 4.6

编辑推荐:

  研究人员建立了一种基于电感耦合等离子体质谱(ICP-MS)多元素指纹图谱结合可解释性机器学习(ML)的鉴别策略,用于准确区分广陈皮(GCP)与普通陈皮(CP)。研究人员通过ICP-MS对来自中国4个产区的96批次陈皮(Citri Reticulatae Per

  
研究人员建立了一种基于电感耦合等离子体质谱(ICP-MS)多元素指纹图谱结合可解释性机器学习(ML)的鉴别策略,用于准确区分广陈皮(GCP)与普通陈皮(CP)。研究人员通过ICP-MS对来自中国4个产区的96批次陈皮(Citri Reticulatae Pericarpium, CRP)样品中的24种矿物元素进行定量分析。主成分分析(PCA)与正交偏最小二乘判别分析(OPLS-DA)揭示了区域趋势,但无法完全将GCP与CP分开。随后,研究人员构建了9种有监督ML模型,其中5种模型展现出优异的分类性能。综合模型性能与特征重要性排序,V、Zn、Na、K和Cu被确定为产地鉴别的元素质量标志物。基于这些标志物构建的模型在内部和外部验证集中均保持出色的预测能力,准确率均大于0.963。这些结果表明,基于ICP-MS的元素指纹图谱结合可解释性ML为CRP真伪评价、地理溯源和质量控制提供了有效且实用的方法。
陈皮(Citri Reticulatae Pericarpium, CRP)是柑橘属果实的干燥成熟果皮,在中国及东南亚地区广泛消费和贸易,既是传统中药材也是食品原料,具有抗氧化、抗炎、抗疲劳和降血脂等多种生物活性。CRP的市场价值、感官品质和消费者信心与其地理产地密切相关,产地溯源已成为确保产品质量安全、保护消费者权益和支持公平贸易的重要策略。中国药典(2025年版)收载了两种CRP类别:陈皮(CP)和广陈皮(GCP)。CP来源于大红袍、温州蜜柑、椪柑等多个栽培品种,而GCP则特指中国岭南地区栽培的茶枝柑(Citrus reticulata cv. Chachi)干燥果皮。由于GCP被认为品质更优且市场价格高昂,常被其他产地的廉价栽培材料仿冒,这给市场监督、产品鉴别和真实性控制带来挑战。

现有研究表明,色谱指纹图谱、挥发性成分分析和化学计量学方法可用于区分GCP与CP,但这些方法主要关注分类性能而非可解释性,且依赖于在加工和储存过程中易变化的有机成分,可能降低其用于常规鉴别的稳健性。矿物质元素反映生长环境的根本地球化学背景,在加工和储存过程中通常比次生代谢产物更为稳定,不同产区的土壤、水和气候条件差异可导致特征性的元素指纹。因此,多元素指纹图谱结合化学计量学已成为产地溯源和真实性鉴别的有效策略。ICP-MS已被用于检测CRP中的矿物组成,但将元素标志物与可解释性ML相结合的系统性认证框架尚未建立。

为解决上述问题,研究人员开展了这项研究,旨在建立一种整合ICP-MS多元素分析与化学计量学和ML的鉴别策略,基于地理产地区分GCP与CP。该研究采集了中国4个省份(广东、广西、江西、四川)的116批次CRP样品,其中96批次(S1-S96)用于训练和测试,20批次(A1-A20)用于外部验证。所有样品经不同果园和收获年份独立采集,经自然晒干、粉碎并通过10目筛后于4 °C密封保存。样品采用微波消解法处理后,通过ICP-MS(NexION 1000 G型)对24种矿物元素(Li、Be、B、Na、Mg、Al、K、Ca、Ti、V、Cr、Mn、Fe、Co、Ni、Cu、Zn、As、Se、Sr、Cd、Ba、Hg、Tl、Pb)进行定量分析。方法学验证显示,仪器精密度相对标准偏差(RSD)小于3.5%,重复性RSD小于4.6%,加标回收率在86%-104%之间,表明方法准确、精密且可靠。

研究结果表明,CRP样品中矿物元素含量存在明显的产地差异。K、Ca、Mg、Na等常量元素含量最高,其中K的平均浓度在所有分析元素中最高。微量和痕量元素如Fe、Al、B的平均浓度在10 mg·kg?1至120 mg·kg?1之间,而Zn、Mn、Ti、Cu浓度在1-10 mg·kg?1范围内。值得注意的是,JX和SC样品Cr平均含量大于1 mg·kg?1,而GCP样品(GD和GX)Cr平均含量小于1 mg·kg?1。所有产地的Pb、Cd、Cu、As最大浓度均低于中国药典(2025年版)规定的限量标准,Cd、As、Cr平均浓度低于欧盟委员会对食品规定的最大限量,表明所分析的CRP样品符合当前重金属安全要求。

传统化学计量学分析方面,PCA结果显示前两个主成分占总方差的44.6%(PC1为32.1%,PC2为12.5%),R2X和Q2分别为0.525和0.329,模型可靠。PCA得分图中不同年份的GCP样品高度重叠,但GCP与CP样品部分重叠,表明PCA alone无法完全区分两组样品。OPLS-DA进一步增强了分离效果,R2X、R2Y和Q2分别为0.444、0.816和0.795,200次置换检验表明无明显过拟合。变量投影重要性(Variable Importance in Projection, VIP)得分识别出V、Cr、K、Na、Cu、Tl、Al、Be和Se(VIP>1)为主要区分变量。尽管OPLS-DA较PCA显示出更清晰的分离趋势,但仍存在一定程度重叠,表明仅依靠传统化学计量学方法难以实现GCP与CP的完全鉴别。

机器学习模型方面,研究人员评估了9种有监督ML算法(线性判别分析Linear Discriminant Analysis(LDA)、支持向量机Support Vector Machine(SVM)、人工神经网络Artificial Neural Network(ANN)、逻辑回归Logistic Regression(LR)、二次判别分析Quadratic Discriminant Analysis(QDA)、随机森林Random Forest(RF)、自适应提升AdaBoost、K近邻K-Nearest Neighbors(KNN)和朴素贝叶斯Na?ve Bayes(NB))的分类性能。所有模型在训练集中的准确率均大于0.96,SVM、ANN、LR、QDA、RF和AdaBoost达到100%准确率。基于测试集的ROC曲线显示所有模型的AUC值接近或等于1。测试集准确率略低于训练集但降幅较小,KNN(99.00%-100%)、RF(96.28%-100%)、ANN(92.14%-100%)、LR(92.28%-99.88%)和SVM(93.14%-99.44%)表现优于其他模型。KNN、RF、ANN正确分类所有GCP样品,仅分别误判7、26、55个CP样品为GCP;LR和SVM分别误判56和57个样品。KNN表现最佳,测试集准确率为0.997,精确率为0.999,召回率为1.000,F1分为0.997,AUC为1.000。外部验证中,所有5个选定模型(KNN、RF、ANN、LR、SVM)均达到100%准确率,进一步证实了模型的稳健性、可靠性和可迁移性。

元素质量标志物的筛选与验证方面,研究人员从5个最优模型(KNN、RF、ANN、LR、SVM)的特征重要性排序中筛选候选标志物。由于各模型重要性排序存在差异,采用基于频率的投票机制:V、Zn、Na、K、Cu在合并的top-5列表中出现频率最高,被选为可靠的元素质量标志物。其中V、Na、K、Cu与OPLS-DA的VIP筛选结果重叠,而Zn虽与VIP筛选结果不重叠,但在4/5的ML模型中均排名靠前,反映了其对产地鉴别的独特贡献。这些元素质量标志物在GCP与CP样品中的含量分布存在显著差异。仅使用这5种元素质量标志物构建的分类模型,训练集准确率均大于0.963,均值AUC接近1,外部验证中所有5个模型均达到100%准确率,表明这些标志物能够保留大部分产地鉴别信息,显著减少检测指标数量,简化鉴别流程,且不会显著牺牲模型性能。

讨论部分深入分析了V、Zn、Na、K、Cu在GCP与CP之间显著差异的可能机制。Na是岭南地区的指纹元素,该地区每年12月至次年4月经历来自南海的咸潮(Xianchao现象),海水(pH 7.9-8.4)进入潭江系统,中和土壤有机酸的同时向土壤中引入大量Na+。植物在盐胁迫条件下积累Na+作为渗透调节剂,同时维持K+吸收以保持K+/Na+比,保障基本代谢功能。GCP中显著较高的Na和K水平与岭南地区的高盐度土壤一致。Cu方面,已有研究表明GCP相较于其他柑橘品种具有最强的Cu富集能力,能更有效地从土壤中吸收Cu并在果皮中富集。V含量方面,新会地区土壤样品中的V含量显著低于其他地区,GCP中较低的V含量表明土壤母质和成土环境对元素背景值起决定性作用。Zn含量的差异可能是区域土壤背景Zn含量差异与本地GCP在长期种植适应下的独特吸收利用特性共同作用的结果。

该研究的局限性在于未能将品种差异与地理差异完全分离。由于GCP和CP样品采集自不同地区且代表不同的品种背景,观察到的鉴别效应应解释为产地和品种组成的综合效应。

研究结论指出,研究人员开发了一种整合ICP-MS多元素指纹图谱与ML的鉴别策略,用于区分GCP与CP。传统化学计量学方法(PCA和OPLS-DA)提供了有用的探索性信息,但无法完全分离GCP与CP,凸显了对更强大分类工具的需求。9种评估的有监督ML模型均表现出较强的鉴别性能,其中KNN、RF、ANN、LR和SVM表现更优。综合这些模型的特征重要性排序,筛选并验证了V、Zn、Na、K、Cu五种元素质量标志物。仅使用这些标志物构建的模型保持了优异的预测能力,训练准确率大于0.963,外部验证集达到100%准确率。在5种分类模型中,KNN结合5种元素标志物(V、Zn、Na、K、Cu)展现出最佳鉴别性能,交叉验证准确率为0.991,AUC为0.994。因此,研究人员提出KNN +(V、Zn、Na、K、Cu)模型可作为日常质量控制中鉴别CRP地理产地的可靠、经济且易于实施的工具。

该研究发表在《Journal of Food Composition and Analysis》。研究的重要意义在于为CRP的真实性评价、地理溯源和质量控制提供了有效、实用且透明的技术框架,且该框架有望推广应用于其他需要常规产地验证的地理标志食品和草药产品。研究人员也指出,当前样品集限于华南和西南4个省份,模型对其他次要产区或市售掺假产品的适用性有待进一步验证,未来研究应纳入更广泛的地理来源和潜在掺假物。
相关新闻
生物通微信公众号
微信
新浪微博

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