基于多组学GC-MS/LC-MS/FT-NIR结合化学计量学与机器学习的艾叶代谢物系统分析及产地溯源研究

本研究针对艾叶(Artemisia argyi Folium, AAF)因地理环境差异导致的代谢物异质性问题，整合HS-SPME-GC-MS、UHPLC-Q-TOF-MS和FT-NIR技术平台，结合PCA/PLS-DA化学计量学与XGBoost/Stacking机器学习算法，系统鉴定出98种挥发性(66)与非挥发性(32)化合物，筛选24个关键质量标志物，并建立产地判别模型(准确率94%)，为中药材质量标准化与溯源提供创新方法学范式。

　　

艾叶（Artemisia argyi Folium）作为中国传统药用植物，自古就有"家有三年艾，郎中不用来"的民间谚语。这种菊科植物富含挥发性精油、黄酮类和多糖等活性成分，在抗炎、镇痛和免疫调节等方面展现出显著药理价值。然而，其化学成分易受生长环境（如气候、土壤）影响而产生显著变异，直接关系到临床疗效和商业价值。如何建立科学的质量评价体系，实现不同产地艾叶的精准鉴别，成为制约其产业化发展的关键瓶颈。

为解决这一难题，安徽某研究团队在《Journal of Chromatography A》发表研究，创新性地采用多组学联用策略。通过顶空固相微萃取-气相色谱-质谱联用（HS-SPME-GC-MS）分析挥发性成分，超高效液相色谱-四极杆飞行时间质谱（UHPLC-Q-TOF-MS）检测非挥发性物质，结合傅里叶变换近红外光谱（FT-NIR）快速采集整体代谢指纹。研究团队收集了中国7个省份的艾叶样本，运用主成分分析（PCA）和偏最小二乘判别分析（PLS-DA）等化学计量学方法挖掘差异化合物，最终采用XGBoost和Stacking集成学习算法构建产地判别模型。

【材料与试剂】
研究使用n-C₈
至n-C₂₀
直链烷烃混合标准品进行GC-MS保留指数校准，质谱级甲酸/乙腈确保LC-MS检测灵敏度，0.22 μm尼龙膜过滤样品前处理。

【挥发性化合物特征】
HS-SPME-GC-MS鉴定出66种挥发性物质，包括39种倍半萜和19种单萜。地理特异性分析发现，天津、河北等产地存在独特化合物，而28种成分在所有样本中普遍存在。化学计量学筛选出12个关键挥发性标志物，如桉叶油醇（Eucalyptol）和β-石竹烯（β-Caryophyllene）。

【非挥atile化合物特征】
UHPLC-Q-TOF-MS检测到32种非挥发性成分，包括黄酮苷和酚酸类。PLS-DA模型显示安徽与湖北产区的样本显著聚集，槲皮素-3-O-葡萄糖苷（Quercetin-3-O-glucoside）等12种化合物被确定为产地判别标志物。

【FT-NIR与机器学习建模】
对比130种光谱预处理方法后，发现一阶导数（1st Derivative）结合XGBoost算法效果最优。特征选择确定1700-1800 cm^-1
（羰基振动）和2200-2400 cm^-1
（C-H伸缩）为关键谱区，Stacking集成模型将交叉验证准确率提升至94%。

该研究首次系统构建了艾叶代谢物地理特征图谱，创新性地将FT-NIR光谱与机器学习结合，实现了非破坏性快速产地鉴别。所发现的24个质量标志物为艾叶品种选育提供分子依据，而94%判别准确率的模型可应用于市场监管。这种多组学联用策略为传统中药材质量评估建立了新范式，对推动中医药标准化和国际化具有重要实践意义。研究获得安徽省科技重大专项（2023tpt014）支持，Wennan Nie与Shamukaer Alimujiang为共同第一作者，Wenlong Li负责课题设计与论文修订。