结合H2O自动机器学习（auto-ML）和传统机器学习方法对植物非药用部位的资源进行评估：以三角叶黄连（Coptis deltoidea）为例

《Talanta》：Combining H2O auto-ML and traditional machine learning for the resource evaluation on non-medicinal parts of plants: taking Coptis deltoidea as an example

非药用部位资源评价中，H2O自动机器学习结合FT-NIR光谱分析可有效预测黄连生物碱含量，发现钾、磷元素显著影响生物碱积累，为废弃物资源化提供快速检测方法。

　　本研究聚焦于传统中药材非药用部位的资源评估与开发，探讨了如何通过先进的分析技术和机器学习方法，实现对这些非药用部位的高效、准确评价。随着传统中医药行业的快速发展，中药材在采集和加工过程中会产生大量非药用部位，如叶片、茎秆和根部，这些部分通常被丢弃，造成资源浪费。然而，研究表明，这些非药用部位在化学成分上与药用部位存在相似性，甚至可能含有相同的活性成分，为资源再利用提供了理论基础。

为了应对传统检测方法操作复杂、耗时长的问题，本研究引入了一种基于H2O自动机器学习（AutoML）的分析框架。该方法不仅能够自动构建高精度的模型，还能减少人为干预，提高分析效率。研究团队收集了来自不同产地和年份的580个Coptis deltoidea（三角叶黄连）样本，包括其根、茎和叶。通过对这些样本进行傅里叶变换近红外光谱（FT-NIR）分析，研究者获得了丰富的光谱数据，用于后续的模式识别和建模分析。

在光谱预处理方面，研究团队采用了多重散射校正（MSC）结合二阶导数平滑技术，以及光谱标准差分析。这些方法能够有效去除光谱数据中的噪声和干扰因素，提升数据的可解释性和模型的准确性。随后，通过超高效液相色谱（UHPLC）技术对非药用部位中的生物碱含量进行了定量分析，为模型的构建提供了真实的数据支持。

在模型构建过程中，研究者比较了H2O AutoML与传统的机器学习算法，如支持向量机（SVM）、偏最小二乘判别分析（PLS-DA）和K近邻算法（KNN）。结果表明，H2O AutoML在分类任务中表现出更高的准确率，达到了94%的平均分类精度，而其在回归任务中的表现同样优异，Residual Prediction Deviation（RPD）值在1.514至2.309之间，远超传统模型的性能。这一发现为非药用部位的快速评价提供了新的技术路径。

此外，研究还通过Shapley Additive Explanations（SHAP）分析，揭示了光谱数据中某些波长范围对生物碱预测的负面影响。具体而言，7200-7000 cm?1处的吸收峰，可能与羟基化合物和自由水相关，这些成分的存在可能会干扰生物碱的准确预测。因此，在后续的模型优化过程中，研究者对这些变量进行了重点分析和处理，以提高模型的解释能力和预测精度。

在元素与生物碱含量之间的相关性研究中，研究团队发现钾（K）和磷（P）是影响黄连素（Berberine）积累的关键元素。这表明，植物体内这些元素的含量可能与生物碱的合成和积累过程密切相关。因此，在资源评估和开发过程中，除了关注光谱数据外，还应重视对植物体内关键元素的分析，以全面理解非药用部位的化学特性及其在生物碱合成中的作用。

研究还涉及对不同部位和年份样本的线性回归分析，旨在探讨非药用部位中生物碱含量与元素组成之间的关系。通过Hotelling’s T2分析，研究者识别了数据集中的异常值，进一步提升了模型的稳定性与准确性。这一过程不仅有助于建立可靠的预测模型，也为后续的资源优化和利用提供了数据支持。

综上所述，本研究通过H2O AutoML与传统机器学习算法的结合，实现了对Coptis deltoidea非药用部位的高效分类和准确预测。研究结果不仅展示了自动机器学习在中药材分析中的巨大潜力，也为传统中医药行业的绿色可持续发展提供了新的思路和技术手段。未来，随着技术的不断进步和数据的持续积累，非药用部位的资源评估和开发将更加精准和高效，为中医药资源的综合利用开辟新的前景。