基于傅里叶变换近红外光谱（FT-NIR）和衰减全反射傅里叶变换近红外光谱（ATR-FTIR）结合深度学习技术，对经过九次蒸煮和九次干燥处理的Polygonatum kingianum进行了快速鉴定

《Talanta》：Rapid identification of Polygonatum kingianum processed by nine steaming and nine drying based on FT-NIR and ATR-FTIR combined with deep learning

九蒸九晒九里香的质量鉴别研究结合FT-NIR与ATR-FTIR光谱及深度学习，构建ResNet模型实现九种处理方式100%准确分类，并通过GC-MS代谢组学分析鉴定出D-Xylulose等关键代谢物，为传统炮制工艺的质量控制提供科学依据。

　　

马慧|杨少冰|王元忠

云南中医药大学中医学院，中国昆明650500

摘要

“九蒸九晒”是制备柴胡参的传统方法，通过反复蒸煮和晾晒九次来优化其药用和食用价值，使其成为首选的加工技术。尽管成本较高，但一些不道德的商家为了降低成本而减少生产步骤，然而这些变化用肉眼几乎无法察觉。因此，迫切需要建立一种快速准确的鉴定方法。本研究结合了傅里叶变换近红外（FT-NIR）光谱和衰减全反射傅里叶变换红外（ATR-FTIR）光谱技术，并运用深度学习来鉴定经过“九蒸九晒”处理的柴胡参样品。结果表明，基于同步二维相关光谱（2DCOS）图像的残差神经网络（ResNet）模型表现出稳定的性能和高精度，测试集和训练集的准确率均为100%。随后，为了探讨不同处理样品中的关键因素，我们采用主成分分析（PCA）解释光谱变量，发现关键变量与碳水化合物有关。因此，我们利用气相色谱-质谱（GC-MS）分析了九种处理方法的糖类代谢物，鉴定出D-木酮糖、D-核糖、D-阿拉伯糖和L-鼠李糖是区分柴胡参第九次蒸煮后的关键代谢物。最终，基于FTIR和深度学习实现了对传统“九蒸九晒”处理过的柴胡参的快速鉴定，并利用代谢组学分析了其鉴定特征。

引言

随着生活水平和营养水平的提高，慢性疾病的发病率正在上升，并且影响了更年轻的人群。加之健康意识的增强，饮食疗法已成为疾病预防的前沿[1]。柴胡参属于天门冬科ノリノイデア亜科，被认为是一种具有药用和食用双重价值的植物[2]。该植物以其显著的药理活性而闻名，包括降血糖、抗氧化、抗疲劳作用以及肾脏保护和抗糖尿病功能，因此被广泛应用于各种菜肴中[3]、[4]。中医认为，经过九次蒸煮和晾晒处理的柴胡参可以滋养肾阴，这与现代药理学研究中发现的肾脏保护和抗糖尿病作用是一致的[5]、[6]。这一现象与高温、高压和潮湿条件下的皂苷原水解、糖基化或结构变化有关[5]、[6]。在此过程中，大分子皂苷被水解为低分子量的皂苷或苷元，降低了极性并增强了亲脂性，从而提高了膜通透性和疗效。例如，它通过下调肾脏损伤标志物、减少炎症细胞浸润和缓解肾间质纤维化表现出显著的肾脏保护作用[7]。其作用机制主要涉及抑制异常激活的Wnt/β-连环蛋白信号通路并增强免疫功能，从而实现“滋养阴”的效果[8]。以“九蒸九晒”方法制成的柴胡参茶因其便捷性和易泡制性而受到公众的广泛欢迎，这满足了人们对便捷有效草药保健解决方案的需求[9]。然而，未经充分蒸煮的柴胡参和一些不符合蒸煮标准的样品在感官评估中表现出刺激性或麻木的味道，这是因为它们含有天然的大分子甾体皂苷，而“九蒸九晒”过程可以调整这些成分的结构变化，消除这种味道[9]。此外，在第四次处理后，麻木的味道会消失，转变为甜酸味，颜色也会加深。随着柴胡参蒸煮次数的增加，仅凭外观很难区分经过4-8次蒸煮的样品和经过第九次蒸煮的样品[10]。现有研究尚未系统地将柴胡参“九蒸九晒”过程中的成分变化规则与其质量鉴定方法结合起来，而这一研究空白为本研究的实施奠定了重要基础。光谱技术凭借其快速性和简便性，在中药的定性和定量分析方面具有巨大潜力[11]。化学计量学的主要目标是从复杂的高维数据中提取有意义的模式，并开发数学模型，将化学测量结果与样品属性（如浓度、分类和质量）相关联。振动光谱技术与化学计量学的结合在食品和药品的鉴定和认证方面已被证明非常有效。例如，可以根据傅里叶变换中红外（FT-MIR）和傅里叶变换近红外（FT-NIR）光谱数据定量分析小麦中的总酚类和总黄酮类化合物含量[12]。这充分展示了光谱在定性和定量分析方面的强大能力。虽然傅里叶变换红外光谱在快速无损筛选柴胡参方面具有优势，但它缺乏气相色谱-质谱（GC-MS）提供的详细代谢物信息。“九蒸九晒”是一个复杂的大分子降解和重组过程，为了捕捉这一过程中微量碳水化合物（如稀有糖醇和部分甲基化单糖）的变化，GC-MS成为探索不同处理过程特征标记的首选技术，因为它在分离寡糖时具有高灵敏度和高分辨率[13]。

图像分类是深度学习领域的核心任务。随着深度学习的进步，残差神经网络（ResNet）已成为光谱分类任务中图像识别的主要手段，它通过自动提取空间和光谱特征来实现这一目标。ResNet架构的核心是一个由残差块和快速连接组成的卷积神经网络。ResNet通过引入残差块解决了深度卷积神经网络中的梯度消失和爆炸问题，残差块通过快速连接传递残差信息，使网络训练更加稳定和高效[14]。例如，利用二维相关红外光谱和高光谱成像技术可以检测柴胡参干燥过程中的多糖变化[15]。本研究结合FT-NIR和ATR-FTIR光谱以及化学计量学和深度学习，探索了一种快速准确的柴胡参“九蒸九晒”鉴定方法，随后使用GC-MS技术分析了其鉴定特征，旨在为柴胡参的加工和质量控制提供依据。

样本采集与制备

从云南省普洱市龙潭乡采集了新鲜的柴胡参样本。去除地上部分和纤维根，彻底清洗剩余的根茎，准备后续实验。将样本切片并分成10组，每组9个，每种处理方法分别编号。实验组P1-P9分别用黄酒处理，在100°C的水蒸气下蒸煮4小时，然后进行55°C的电恒温干燥

光谱特征分析

为了确定ATR-FTIR和FT-NIR的光谱带特征，需要将测量波长与文献中的现有红外区域数据进行比较。图1A和1B显示了经过10种不同处理程序的柴胡参样本的平均ATR-FTIR和FT-NIR光谱。可以看出，随着处理次数的增加，吸光度也在增加。然而，峰形和位置基本保持一致，表明

结论

首先，基于ATR-FTIR和FT-NIR数据，我们进行了无监督的PCA分析和有监督的PLS-DA分析，并进一步比较了有监督学习方法PLS-DA和OPLS-DA。结果表明，PCA方法无法区分柴胡参的九种处理方式，而基于SD预处理的FT-NIR的PLS-DA和OPLS-DA模型实现了最佳的鉴定性能。PLS-DA的RMSECV为0.0593，Q²为0.681；RMSECV

CRediT作者贡献声明

王元忠：撰写 – 审稿与编辑、方法学、概念构思。杨少冰：撰写 – 审稿与编辑、方法学、实验研究。马慧：撰写 – 原初稿、实验研究、概念构思

未引用参考文献

[22], [23], [24], [25], [26], [27], [28], [29], [30], [31], [32]。

利益冲突声明

作者声明没有已知的财务利益或个人关系可能影响本文的研究结果。

致谢

本研究得到了云南省重大科技专项计划（项目编号：202502AS10009）、云南省农业基础研究联合专项（项目编号：202401BD070001-018）以及云南省院士专家工作站（项目编号：202305AF150183）的支持。