《Frontiers in Molecular Biosciences》:Geographic authentication of premium tobacco extracts using machine learning models trained on LC-HRMS fingerprints
编辑推荐:
摘要
引言:优质烟草提取物的地理来源从根本上决定其感官特征和商业价值,但认证这些复杂基质仍然是一项艰巨的分析挑战。传统的非靶向分析工作流通常依赖极少部分已结构注释的代谢物,从而丢弃了大量未注释但高度特异的化学标记。为克服这一局限,本研究提出了一种利用基于特征离
摘要
引言:优质烟草提取物的地理来源从根本上决定其感官特征和商业价值,但认证这些复杂基质仍然是一项艰巨的分析挑战。传统的非靶向分析工作流通常依赖极少部分已结构注释的代谢物,从而丢弃了大量未注释但高度特异的化学标记。为克服这一局限,本研究提出了一种利用基于特征离子特征(CIF)指纹训练的机器学习模型的地理认证框架。
方法:采用液相色谱-高分辨质谱(LC-HRMS)结合数据非依赖采集(DIA)策略分析了包含1,697份烟草样本的大规模数据集。通过严格的统计过滤分离CIF,并去除共有背景代谢组。为评估样本,最初测试了基于模式相似性(点积,DP)和标记物强度比(R score)的单变量阈值方法。为克服单变量方法对批次效应和重叠化学谱图的脆弱性,还部署了优化的多变量机器学习模型。模型在严格的留一批交叉验证(LOBO)框架下进行评估,以确保稳健的跨批次泛化能力。
结果:统计过滤有效去除了超过90%的共有背景代谢组,为津巴布韦烟草分离出47,543个CIF,为云南烟草分离出3,646个CIF。单变量阈值分析达到77.9%的最高平衡准确率,但被证明过于僵化。在交叉验证下,多变量随机森林(RF)分类器表现出强大的预测性能,对津巴布韦烟草实现了74.6%的平衡准确率,并在广泛的稀释范围(0–1,000 ppm)内成功检测出经济动机掺假。相反,单变量和多变量方法均未能对云南提取物实现稳健认证。这种不佳表现源于严重的组内异质性,该异质性来自多样化的供应商和异质的加工处理,这些因素严重稀释了普遍存在的特征。
讨论:最终,这种混合策略为一致优质提取物的工业验证提供了可扩展的工具。此外,云南样本遇到的挑战凸显了在处理经过多种加工处理的高度多样化农产品时,进行队列特异性建模的必要性。
本研究发表于《Frontiers in Molecular Biosciences》,围绕优质烟草提取物的地理认证展开。优质烟草提取物的地理来源从根本上塑造其感官特征与商业价值,但烟叶一旦被加工为提取物,常规形态学检验即失效;感官审评主观、通量低且成本高,难以满足大规模工业筛查。传统非靶向分析(NTA)通常依赖少量已结构注释的代谢物,而复杂天然产物中可注释特征不足2%,大量未注释却高度特异的化学标记被丢弃,限制了分类性能。为此,研究人员提出了一个融合LC-HRMS指纹、特征离子特征(CIF)筛选和机器学习(ML)建模的地理认证框架。
研究人员利用1,697份植物提取物样本(购自中国大陆市场,包含1,454份烟草提取物和243份其他植物提取物,其中163份为津巴布韦烟草提取物、440份为云南烟草提取物)开展研究。关键方法包括:采用液相色谱-高分辨质谱(LC-HRMS)与数据非依赖采集(DIA)结合,覆盖反相(RPLC)和亲水相互作用(HILIC)两种色谱模式及正负离子模式;利用CRB-FCC工作流进行峰提取、保留时间对齐和特征合并;采用Welch t检验和错误发现率(FDR)校正筛选CIF;构建单变量评分(DP、R、Combo)并用概率密度函数(PDF)交点和Youden's J确定阈值;随后训练随机森林(RF)和径向基核支持向量机(RBF-SVM),在留一批交叉验证(LOBO)下用贝叶斯优化调参,并引入代价敏感学习处理类别不平衡。
### 结果
#### 津巴布韦和云南烟草特征离子特征矩阵的构建
经四模式LC-HRMS分析并经过CRB-FCC清洗后,研究人员获得801,645个有效离子特征。以q<0.01、倍数变化>2、平均强度>1,000为阈值,分别提取出47,543个(津巴布韦)和3,646个(云南)CIF,过滤去除了90%以上共有背景代谢物。火山图显示,FDR校正对避免大规模变量中的假阳性至关重要。津巴布韦CIF数量远多于云南,表明前者的样本代谢谱高度稳定、质量一致;而云南样本因供应商多样、加工处理异质,导致普遍性特征被严重稀释,难以形成单一均一的指纹。
#### 基于CIF矩阵相似