基于GC-IMS结合机器学习的挭木不同部位挥发性有机化合物表征研究

《Journal of Chromatography A》:Characterization of volatile organic compounds in different parts of Daphne tangutica by GC-IMS combined with machine learning

【字体: 大 中 小 】 时间:2026年09月28日 来源:Journal of Chromatography A 4.0

编辑推荐:

   •GC-IMS结合机器学习表征了不同D. tangutica部位的VOCs。•GC-IMS通过正交分离鉴定了75种VOCs和16个同分异构体组。•化学计量学分析揭示了D. tangutica各部位特异的VOC特征图谱。•建立了用于植物部位鉴别和质量评价的稳健平台。•叶片具有更

  
  • •
    GC-IMS结合机器学习表征了不同D. tangutica部位的VOCs。
  • •
    GC-IMS通过正交分离鉴定了75种VOCs和16个同分异构体组。
  • •
    化学计量学分析揭示了D. tangutica各部位特异的VOC特征图谱。
  • •
    建立了用于植物部位鉴别和质量评价的稳健平台。
  • •
    叶片具有更高的VOC多样性,揭示了尚未充分探索的药用潜力。

引言

Daphne tangutica Maxim.(D. tangutica)是一种常绿灌木,主要分布在中国西部高海拔地区,包括甘肃、陕西和青海省[1]。作为一种重要的传统民族药用植物,D. tangutica的根皮和茎皮因其祛风除湿、活血化瘀及解毒的疗效而备受推崇。临床上,这些药用部位被广泛应用于治疗风湿性关节痛、关节肿胀及创伤损伤[2]。现代药理学研究进一步表明,D. tangutica的生物活性成分具有强效抗炎、镇痛、抗菌、抗氧化和抗肿瘤特性[3]。然而,D. tangutica对环境要求严格且生长速度极慢。无论是历史本草记载还是现行药典标准,均严格限定其药用部位仅为根皮和茎皮,这种传统的采收模式需要连根拔起整株植物,导致资源再生缓慢且生产成本居高不下。相比之下,叶片占地上生物量的很大一部分且具有快速再生能力,但通常被当作农业废弃物丢弃。鉴于市场需求持续稳定增长,D. tangutica资源的合理开发与可持续利用已成为紧迫的生态和经济需求。
目前,对D. tangutica的研究主要集中在非挥发性成分上。例如,Su等人利用LC-MS对主要香豆素类成分进行了定性定量分析[4],而Pan等人分离并鉴定了一系列化合物,包括香苏素类、黄酮类、木脂素类和二萜类[5]。相比之下,关于D. tangutica挥发性有机化合物(VOCs)及其潜在生物活性的研究仍然鲜有报道。仅有少数研究考察了近缘物种的VOCs:Zhang等人利用GC-MS分析了Daphne giraldii Nitsche的叶片挥发物,鉴定出68种化合物[6];Zhu等人使用相同技术表征了该物种种子中的32种挥发化合物[7]。全面准确地表征挥发性成分图谱是评估不同植物部位化学等价性的关键前提,也是释放未充分利用生物质药用潜力的必要条件。然而,常规GC-MS在检测高挥发性或低分子量微量化合物时存在固有的灵敏度局限性[8]。此外,GC-MS分析所需的复杂样品前处理步骤可能导致热不稳定成分的降解或损失,使得该技术难以实现全面的挥发性组学表征。
为克服上述分析局限性,气相色谱-离子迁移谱(GC-IMS)作为一种强大且环保的分析平台应运而生。GC-IMS将色谱分离与离子迁移分离相结合,提供了正交分离机制,使其具有卓越的灵敏度,并能生成直观的二维指纹图谱,且无需大量样品前处理[9]。这些特点使GC-IMS特别适合对微量VOCs进行快速、深入的分析。虽然GC-IMS已被广泛应用于食品风味分析[10,11],但其在传统中药(TCM)质量评价中的系统应用,尤其是在比较不同植物部位挥发组成方面的应用,仍处于起步阶段[12,13]。值得注意的是,近期的对比研究表明,GC-IMS相对于GC-MS能够捕获互补范围的挥发性组学信息,大幅拓宽了挥发成分的检测范围[14]。尽管具有这些优势,据我们所知,GC-IMS尚未被应用于D. tangutica的挥发性组学分析,不同植物部位尤其是叶片的微量挥发图谱在很大程度上仍有待探索。
GC-IMS产生的高维度和结构复杂数据集需要一种稳健且多方面的数据分析框架。传统的化学计量学方法,包括层次聚类分析(HCA)、主成分分析(PCA)和正交偏最小二乘判别分析(OPLS-DA),在降维和提取可解释化学特征方面具有公认的优势[15]。然而,这些线性或准线性方法在捕捉高维挥发性组学数据中复杂非线性关系方面存在固有局限性。因此,先进机器学习算法的引入已成为该领域必不可少且日益普遍的策略[16]。特别是,深度神经网络(DNN)和随机森林(RF)等模型在建模非线性特征交互、处理大规模复杂数据集以及提供准确的多分类预测方面表现出优异性能[15]。鉴于模型性能强烈依赖于数据集,系统比较多种算法对于确定最佳分类器并为复杂植物来源样品的快速认证提供可靠的技术支持至关重要[14]。
如图1所示,本研究利用GC-IMS对采集自甘肃省的D. tangutica三个不同部位(即根皮、茎皮和叶片)的挥发性指纹图谱进行了表征。随后采用传统化学计量学方法(HCA、PCA和OPLS-DA)对样品进行区分并阐明各部位特异的挥发特征图谱。利用PCA导出的综合得分来总结各植物部位间VOC信号图谱的变化。此外,对单个VOC进行了配对统计比较和效应量评估,以补充多元表征。OPLS-DA进一步筛选了24种关键差异性VOC标记物以表征挥发组成并解释部位间差异。最后,构建了五种机器学习分类模型,包括OPLS-DA、支持向量机(SVM)、K-最近邻(KNN)、随机森林(RF)和深度神经网络(DNN),并进行系统比较以实现快速准确的地部位鉴定。总之,本研究旨在为D. tangutica资源的质量评价与综合开发提供坚实的理论基础和技术框架。

各节摘要

样品

2025年9月在甘肃省采集28批D. tangatica植株,从每株植株中分别取根皮、茎皮和叶片,共获得84个样品。样品来源与采集的详细信息见表1。所有植物材料经甘肃中医药大学药学院金玲教授鉴定为Daphne tangutica Maxim.(瑞香科)。凭证标本已保存于药学

GC-IMS分析条件的优化

顶空温度和孵育时间是GC-IMS分析中的关键实验因素,可显著影响峰面积和可检测特征的数量[22]。
首先通过评估三种孵育温度(70、80和90°C)进行温度优化,使用来自武都区的代表性样品,包括D. tangutica的根皮(DTR20)、茎皮(DTS20)和叶片(DTL20)。利用内置NIST质谱库对化合物进行初步鉴定

结论

本研究证明,GC-IMS结合多元化学计量学分析与机器学习算法,为系统表征D. tangutica各部位特异的VOC图谱提供了一种有效且整合的策略。在根皮、茎皮和叶片中共检测到75种VOCs,其中叶片相较于传统药用部位展现出更高的组成多样性和总挥发物含量。OPLS-DA

未引用参考文献

[30]

CRediT作者贡献声明

甘秋美:撰写—初稿、软件、方法论、调查研究、数据管理。崔芳:调查研究、方法论、撰写—审查与编辑。万广真:撰写—审查与编辑、方法论、调查研究。陈娟:撰写—审查与编辑、监督、项目管理、资金获取、概念构思。

利益冲突声明

作者声明不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。

致谢

本工作由甘肃省重大专项(26ZDLA002)、甘肃省中医药研究项目(GZKZ-2025-51)、甘肃省教育厅产业支撑计划项目(2026CYZC-006)及2024年国家药品监督管理局—中药材及饮片质量控制重点实验室项目(2024GSMPA-KL06)资助。
甘秋美|崔芳|万广真|陈娟
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