基于近红外光谱与多元数据分析的大麻低THC与高THC材料快速鉴别及Δ9-THC定量研究

本文推荐一项利用近红外光谱（NIR）结合多元统计方法快速区分低THC（≤2%）与高THC（＞2%）大麻植物材料的研究。研究通过偏最小二乘判别分析（PLS-DA）实现高达98.9%的交叉验证准确率，并建立Δ9-THC定量模型，展示NIR技术在大麻现场快速筛查与法定分类中的潜力。

　　

Samples（样本）

低THC大麻材料购自多个商业来源，包括精修花材和花与生物质的混合样本。此外，从肯塔基大学大麻能力验证计划中获得四份hemp样本。高THC大麻样本则通过与执法伙伴的材料转移协议获取，用于分类和定量分析。

Spectral data（光谱数据）

包含75个大麻样本（每样本8条光谱）的数据集按低THC与高THC类别划分，并配有总Δ⁹-THC定量值。图2a展示低THC（蓝）与高THC（红）类别的平均原始反射光谱，图2b为经预处理后的平均光谱。

Conclusions（结论）

近红外漫反射光谱结合统计分析展现快速、无损分类和定量大麻植物材料中THC含量的潜力。该方法通过偏最小二乘判别分析（PLS-DA）高效区分低THC（＜2%总Δ⁹-THC）与高THC（＞2%）材料，误分类样本均为组成异常值（如高CBG样本）。PLS回归构建的全范围与低范围（＜1% Δ⁹-THC）定量模型性能优异，后者RMSECV低至0.079%。模型依赖CBD光谱特征，反映了THC与CBD的强相关性。虽需进一步优化，此技术为大麻现场快速筛查与法定分类提供有力工具。