综述：人工智能和生物信息学在中药质量控制中的机制导向转型

《Frontiers in Pharmacology》：Application and research progress on artificial intelligence in the quality of Traditional Chinese Medicine

本综述系统阐述了人工智能（AI）和生物信息学技术在中药（TCM）质量控制领域的创新应用与前沿进展。文章重点探讨了AI驱动的传感技术（如图像识别、电子鼻、高光谱成像等）在药材鉴定、产地溯源、等级评价等方面的突破，并深入分析了结合多组学数据和网络药理学的机制评价新范式，旨在构建从“感官评价”到“机理关联”的现代化TCM质量控制体系，为TCM的标准化、国际化发展提供了重要的理论支持和技术路径。

　　

人工智能和生物信息学技术正推动中药质量控制领域经历一场深刻的范式转变，从传统依赖经验的感官评价，迈向数据驱动、机制明晰的现代化质量控制新模式。

AI赋能的传感技术在中药材质量评价中的应用

人工智能技术，特别是机器学习（ML）和深度学习（DL）算法，为中药材的多维度质量评价提供了强大工具。

在形态鉴定方面，基于图像的识别技术解决了肉眼鉴别的主观性和低通量问题。改进的卷积神经网络（CNN）模型，如ConvNeXt和注意力金字塔网络（APN），能够动态捕捉药材图像的多尺度特征，实现对Dendrobium officinale Kimura et Migo等药材的高精度识别，甚至可部署于智能手机，实现现场快速鉴定。

气味识别是评价药材品质的重要一环。结合顶空固相微萃取-气相色谱-质谱（HS-SPME-GC-MS）和电子鼻（E-nose）技术，人工智能模型能够解析复杂的挥发性有机物（VOCs）图谱，识别关键风味物质，为Boswellia carterii Birdw.等药材的质量区分提供化学依据。

在真伪鉴别这一关键环节，AI展现出强大优势。面对以次充好、染色、硫磺熏蒸等复杂掺伪手段，傅里叶变换近红外光谱（FT-NIR）结合支持向量机（SVM）、K近邻（KNN）等算法，能有效区分正品Ziziphus jujuba Mill. var. spinosa (Bunge) Hu ex H. F. Chou与其伪品。高光谱成像（HSI）与化学计量学结合，可精准识别经硫磺熏蒸的Crocus sativus L.。更有研究融合电子舌（ET）、电子鼻和计算机视觉的多源信息，构建了Panax notoginseng (Burk.) F.H.Chen粉末的全面质量评估模型，实现了100%的分类准确率。

对于基原鉴定，红外光谱（如ATR-FTIR）结合偏最小二乘判别分析（PLS-DA）能有效区分Ophiocordyceps sinensis (Berk.) G.H. Sung, J.M. Sung, Hywel-Jones and Spatafora的不同物种。深度学习模型则能基于宏观形态特征图像，对Zanthoxylum bungeanum Maxim.等易混淆物种进行高精度分类。

产地溯源对于保证道地药材质量至关重要。HSI结合CNN等深度学习算法，能同时获取药材的空间和光谱信息，实现对Chrysanthemum morifolium Ramat.、Lilium等药材产地的精确区分，性能显著优于传统分类器。

在等级评价方面，融合代谢组学和多种ML算法（如随机森林RF），可以筛选出与药材品质等级相关的差异代谢物，如氨基酸和长链脂肪酸，构建更科学的品质分级框架。X射线成像结合YOLOv5算法则能有效检测药材内部缺陷。

对于贮藏年限的判断，HSI结合ML模型可实现Artemisia argyi H.Lév. & Vaniot（艾绒）和Citrus reticulata Blanco（陈皮）贮藏年限的非破坏性快速鉴别，电子鼻技术也能通过捕捉气味指纹变化进行辅助判断。

在化学成分分析和炮制工艺优化中，AI辅助解析色谱指纹图谱和光谱数据，加速了活性成分的发现。同时，AI还能基于大数据分析优化炮制参数，监控炮制过程，减少有效成分损失，提升产品质量均一性。

AI驱动的基于生物信息学的机制评价

超越传统的指标成分测定，AI与生物信息学的结合正推动TCM质量评价进入一个基于药理和毒理机制的崭新阶段。

在基于药效机制的效价评价中，质量标志物（Q-marker）的发现是关键。通过UPLC-Q-TOF-MS/MS、OPLS-DA以及网络药理学与分子对接相结合的策略，研究者能从复杂体系中发现与药效直接相关的候选Q-markers。深度学习框架（如DeepDGC）可预测新型活性成分，并通过实验验证其作用机制。

药效学机制的阐释是TCM现代化的核心挑战。整合生物信息学、多组学技术和网络药理学，能够系统解析TCM多成分-多靶点-多通路的作用网络。例如，对Scutellaria baicalensis Georgi治疗非小细胞肺癌（NSCLC）的研究，通过构建“活性成分-靶点-疾病”网络，结合ML和影像组学，揭示了其核心作用靶点，阐明了其多靶点药理机制。

在基于毒理机制的安全性评价方面，针对内源性有毒成分，如Tripterygium wilfordii Hook. f.的肝毒性，研究者利用代谢组学、网络毒理学和Western blot等技术，揭示其涉及多条信号通路的毒性机制，并探究了Spatholobus suberectus Dunn的减毒机制。定量构效关系（QSAR）模型结合人工神经网络（ANN）和SVM等算法，能有效预测天然产物的肝肾毒性风险。

对于外源性有害物质（如重金属、农药残留）的风险，AI也展现出潜力。离子组学、代谢组学、转录组学相结合可揭示镉（Cd）等重金属的毒性机制。表面增强拉曼散射（SERS）技术与AI算法（如一维卷积神经网络1D-CNN）结合，有望实现农药残留的高通量、高灵敏度检测和识别。

优势、挑战与展望

AI与生物信息学在TCM质量控制中的集成应用具有显著优势：实现了对TCM全生命周期的质量追溯和机制理解；提升了研究效率，降低了成本，符合可持续发展理念；通过客观的数据分析促进了质量控制的标准化；支持与TCM整体观相适应的多维质量评价。

然而，也面临诸多挑战：数据标准化程度不足影响模型可靠性；“黑箱”模型的可解释性有待提高；数据隐私保护机制需完善；针对TCM复方多成分协同作用的专用算法尚不成熟；在实际生产和监管环节的落地应用仍存在壁垒。

未来，应着力于构建多维标准化TCM数据库，发展可解释AI（XAI）和因果推断方法，加强隐私保护与伦理规范，并开发可视化、低代码工具以降低跨学科应用门槛，最终推动TCM质量控制向智能化、精准化和机制导向的深度转型。