基于拉曼光谱与机器学习的黄酮类化合物C-3取代结构分类研究

研究人员通过拉曼光谱结合机器学习技术，对18种黄酮类化合物的C-3取代结构进行快速分类。研究采用便携式拉曼光谱仪采集数据，通过特征降维和神经网络模型实现93.3%的分类准确率，为食品药理和医学领域黄酮类化合物的高效鉴定提供了新方法。

　　

不同C-3位取代的黄酮类化合物（Flavonoids）在食品药理、毒理学和医学领域具有显著差异化的生物活性。这项研究创新性地采用便携式拉曼光谱仪（Raman spectrograph）采集了18种黄酮样品在多种溶剂中的光谱数据，通过预处理后构建包含66组光谱的数据集。

研究团队成功鉴定出黄酮（Flavone）在1002、1245、1590和1609 cm^-1的特征峰，黄酮醇（Flavonol）在1298、1586和1605 cm^-1的指纹峰，以及异黄酮（Isoflavone）在894、1227、1321和1620 cm^-1的专属信号。通过特征降维技术结合二次判别分析（QDA）和K-最近邻（KNN）等算法，所有组合模型均达到85%以上的分类准确率，其中神经网络模型更是取得93.3%的优异表现。

该成果为植物源黄酮类化合物的快速鉴别提供了可行方案，特征降维技术的应用显著提升了拉曼光谱在结构相似化合物中的区分能力，对推动功能性食品开发和药物研发具有重要实践价值。