基于代谢组学与机器学习的赤箭分级标志物筛选及其在品质鉴别中的应用研究

本研究针对赤箭(Gastrodiae Rhizoma, GR)传统分级方法依赖外观特征、缺乏化学成分依据的问题，通过UPLC-HRMS代谢组学技术鉴定101种代谢物，筛选出25个分级标志物（如parishin A/B/F等），并发现parishin类成分与抗氧化活性显著相关。研究人员建立6种机器学习模型，其中SVM线性核、多项式核和径向基核模型准确率超95%，为GR品质控制提供了客观、高效的鉴别工具。该成果发表于《Applied Food Research》，为功能性食品质量标准化提供了新策略。

　　

赤箭（Gastrodiae Rhizoma）作为药食同源的传统中药材，其品质分级长期依赖经验性外观判断，尤其是单体重量的传统标准。这种主观评价方式难以反映药材内在化学成分差异，而现有研究仅关注无机元素、多糖等少数成分，无法全面解释不同等级赤箭的生物活性差异。随着赤箭在功能性食品和神经保护药物中的应用扩展，建立基于化学成分的客观分级体系成为产业迫切需求。

山东中医药大学的研究团队通过整合代谢组学和机器学习技术，系统揭示了赤箭分级的内在化学基础。研究收集48批云南昭通产赤箭样本，按T/CACM 1021.9—2018标准分为四个等级，采用超高效液相色谱-高分辨质谱(UPLC-HRMS)进行非靶向代谢组学分析，结合AntDAS软件鉴定出101种代谢物。通过PLS-DA筛选出25个关键分级标志物，其中parishin A、B等酚苷类成分在高等级样本中含量显著更高，且与DPPH/ABTS自由基清除活性呈正相关。研究进一步建立6种机器学习模型，发现支持向量机(SVM)的三种核函数模型准确率均超过95%，为赤箭品质鉴别提供了高效计算工具。

关键技术方法包括：1) 基于UPLC-HRMS的代谢组学分析，色谱柱为Waters ACQUITY UPLC HSS T3，采用电喷雾离子源(ESI)正负离子模式扫描；2) 自由基清除实验评估抗氧化活性；3) 使用R语言构建SVM、KNN等机器学习模型，通过10折交叉验证评估性能。

3.1 代谢组学分析
通过QC样本验证数据稳定性后，在正负离子模式下分别检测到11359和6371个代谢峰。鉴定出的101种代谢物中，parishin B、A等酚苷类成分在热图中显示高等级样本含量显著更高，提示这些特定成分可能是赤箭分级的内在化学依据。

3.2 特征代谢物筛选
PLS-DA分析筛选出VIP>1.2的25个标志物，包括S-(Gastrodin)-glutathione、parishin B等。其中parishin A含量随等级降低而递减，这与文献报道其抗衰老、神经保护等活性相符，从化学角度解释了高等级赤箭的优质特性。

3.3 抗氧化活性
DPPH/ABTS实验显示抗氧化能力与等级正相关，parishin A/B与自由基清除率的强相关性(r>0.8)证实了这些成分的功能价值。值得注意的是，四级样本因富含L-谷氨酸等成分，在ABTS实验中表现出特殊活性模式。

3.4 机器学习算法
SVM线性核模型在测试集准确率达0.97，其置换重要性分析再次验证parishin类成分的关键作用。虽然存在个别误判，但模型整体性能优异，可通过云端部署实现商业化应用。

该研究首次系统阐明了赤箭传统重量分级法的化学基础，建立parishin类成分与生物活性的量效关系。创新性地将机器学习应用于中药材分级，其中SVM模型的高精度为行业质量监管提供了客观工具。未来可通过扩大样本量优化模型，并将该策略拓展至其他药用植物的标准化研究。研究成果发表于《Applied Food Research》，为中医药现代化提供了"组学技术+人工智能"的示范案例。