《Industrial Crops and Products》:Analysis of the quality of
Gastrodin elata Blume with different processing methods using a combination of NIR, FTIR and chemometrics
基于蒸制工艺的采后加工会显著影响药食两用天麻(Gastrodia elata Blume,G. elata)的质量。本研究考察了不同加工方法对G. elata生物活性成分的影响,并提出了一种利用红外光谱结合化学计量学对多种制备方法进行鉴别与质量评价的流程。结果表明,不同加工方法使天麻素、天麻素元衍生酯类成分 parishin A、parishin B、parishin C、parishin E 及天麻苷(gastrodin)总体呈上升趋势,而对羟基苄醇(4-HBA)呈下降趋势。炒制组(LP)的特征成分总含量最高,达到11.93 mg/g。进一步地,不同于既往仅聚焦定量组成分析的研究,本研究首次采用二维相关光谱(2DCOS)解析G. elata在不同加工方法下分子动力学的顺序变化。该方法成功可视化了官能团(如O-H和C-H)对热扰动的连续响应,为加工如何改变产品质量提供了新的机制性认识。值得注意的是,近红外光谱(NIR)-竞争性自适应重加权采样(CARS)-二维相关光谱(2DCOS)-残差卷积神经网络(ResNet)模型在6种加工方法上的鉴别准确率达到100 %,且相较于全光谱ResNet模型表现出更高效率。在定量分析方面,以高效液相色谱(HPLC)参考值与光谱数据建立的偏最小二乘回归(PLSR)模型,成功预测了各单一特征成分的含量(parishin E除外)。两种策略下所有最优模型的残差预测偏差(RPD)均大于2.00,表明模型具有稳健的预测性能,其中NIR策略优于傅里叶变换红外光谱(FTIR)策略。本研究为天麻加工方法鉴别及关键活性成分定量预测提供了一种快速、无损且有效的策略,为其采后质量控制提供了有力工具。
该论文发表于《Industrial Crops and Products》,围绕药食两用植物天麻(Gastrodia elata Blume,G. elata)采后加工质量控制这一关键问题展开。天麻兼具药用和食用价值,其临床疗效、营养功能及后续产品开发潜力均高度依赖原料质量稳定性。然而,新鲜天麻含水量高、呼吸作用旺盛且易受微生物影响,极易发生品质劣变,因此采后加工成为决定其质量与生物活性的核心环节。现有研究已表明,蒸制、烘烤、日晒、发酵等处理会显著影响天麻素类、对羟基苄醇及相关酯类特征成分的积累或损失,其中蒸制通常被认为有利于抑制水解酶活性、减少褐变并保留活性物质。然而,当前关于天麻采后加工的研究仍存在两方面不足:一是多数工作主要停留在终点成分测定层面,缺乏对加工过程中化学键和官能团连续响应顺序的动态机制解析;二是传统质量检测方法依赖高效液相色谱等分析技术,过程繁琐、耗时较长、成本较高,不利于快速、无损和高通量质量监测。基于此,开展兼具机制解释、加工方式识别与关键成分快速预测能力的综合评价研究,具有明显的理论价值与应用意义。
研究人员以云南昭通镇雄地区采集的乌天麻为材料,依据《中国药典》相关原则并结合实际加工需求,设置鲜样组(FG)以及蒸制组(SP)、黄酒组(WP)、炒制组(LP)、姜制组(GP)和晒干组(SD)6种处理方式,系统考察不同加工工艺对天麻特征成分和光谱行为的影响。研究首先采用高效液相色谱(HPLC)定量检测天麻苷(gastrodin)、对羟基苄醇(4-HBA)、parishin A、parishin B、parishin C 和 parishin E 等6种特征成分的变化,再结合近红外光谱(NIR)和傅里叶变换红外光谱(FTIR)采集样品分子振动信息,进一步引入二维相关光谱(2DCOS)揭示加工扰动下官能团变化顺序。同时,研究人员将同步二维相关图像和三维相关图像分别输入残差卷积神经网络(ResNet)构建加工方式分类模型,并结合竞争性自适应重加权采样(CARS)进行特征变量筛选;在定量层面,利用偏最小二乘回归(PLSR)将光谱数据与HPLC参考值关联,建立关键成分含量预测模型。研究最终得出结论:不同加工方式会显著改变天麻的化学组成,其中炒制处理在本研究条件下最有利于特征成分积累;同步2DCOS能够有效揭示O-H、C-H及糖苷键相关振动在加工中的先后变化规律;NIR-CARS-2DCOS-ResNet模型可实现6种加工方式的100 %准确识别;NIR与FTIR均可用于主要特征成分的定量预测,但总体上NIR策略优于FTIR策略。该研究的意义在于构建了一个集“成分变化解析—分子机制表征—加工方式鉴别—快速定量预测”于一体的天麻采后质量评价框架,为天麻产业化质量控制提供了新的技术路径,也为其他中药材和功能性农产品加工评价提供了方法学参考。
本研究的主要技术方法包括:以云南省昭通市镇雄县样本为来源,建立6种天麻加工处理队列,共126份样品;采用HPLC对6种特征成分进行定量分析并完成方法学验证;应用NIR与FTIR采集全谱信息;基于Noda理论构建同步/异步2DCOS和3DCOS图像用于分子动态解析;使用主成分分析(PCA)开展探索性分析;利用CARS进行特征波段筛选;以ResNet实现加工方式判别;以PLSR构建特征成分定量预测模型,并通过交叉验证、外部验证及置换检验评估模型稳健性。
3.1 HPLC analysis of G. elata
研究人员首先通过HPLC比较6种加工方式下天麻特征成分的含量变化,明确加工处理对质量形成的实质影响。结果显示,不同组色谱峰总体组成一致,主要包括 gastrodin、4-HBA、parishin E、parishin C、parishin B 和 parishin A,但鲜样组在20–30 min区间出现更多峰,提示未加工天麻中可能存在更多 parishins 类相关物质或酯键、醚键未充分转化。含量分析表明,鲜样组4-HBA含量最高,为2.68 mg/g,而其余成分含量相对较低,且未检出parishin C;经加工后,4-HBA整体下降,而 gastrodin 及 parishin A、B、C、E 整体上升,说明蒸制及后续处理可促进特征成分转化与积累。炒制组(LP)总特征成分含量最高,达到11.93 ± 0.67 mg/g,整体排序为 LP > GP > SP > WP > SD > FG。文中据此认为,炒制可能通过快速失活内源性水解酶并促进前体物质向 gastrodin 及高分子 parishins 转化,从而提升质量。方差分析显示,大多数特征成分在不同加工组间差异显著(p < 0.05)。其中 gastrodin 含量范围为0.80–2.62 mg/g,LP组较鲜样显著提高,提示合理加工对于采后品质保持和活性提升具有关键作用。
3.2 NIR spectra analysis of G.elata
研究人员利用NIR考察不同加工样品在含氢官能团层面的光谱响应。结果显示,处理组相较鲜样组具有更高吸收强度,提示加工改变了样品内部化学组成及其分子环境。NIR特征峰主要位于8600–7800 cm
?1、7100–6100 cm
?1、5879 cm
?1、5174 cm
?1、4744 cm
?1及4306 cm
?1附近,分别关联C-H、-CH
2、-CH
3、O-H、N-H、C-O及糖类/糖苷相关振动。这一结果说明,NIR能够较好表征天麻加工过程中氢键、碳氢键及糖苷结构的变化。
3.2.1 Characteristic bands of NIR spectra
在一维NIR光谱中,6876 cm
?1对应O-H伸缩第一倍频,6388 cm
?1与N-H伸缩相关,5879 cm
?1和4306 cm
?1与C-H弯曲及伸缩倍频有关,5174 cm
?1与O-H或C-O相关吸收有关,4744 cm
?1则与酚类化合物中C-H和C-O-O振动相关。研究人员据此指出,不同加工方式引起的峰形、峰宽和峰强差异,反映了样品内部成分转化及分子相互作用变化。
3.2.2 2DCOS analysis of NIR
研究人员进一步以加工方式作为外部扰动,构建9000–5500 cm
?1与5300–4000 cm
?1两个敏感区间的同步和异步2DCOS图谱,以提高重叠谱带分辨率并解析变化顺序。在9000–5500 cm
?1区间,同步谱中8334 cm
?1和6876 cm
?1出现自峰,异步相关规则表明峰强变化顺序为6876 → 8334 → 5879 cm
?1,说明与O-H相关的振动变化最先发生,提示加工过程中分子间和分子内氢键重组显著。在5300–4000 cm
?1区间,自峰主要位于5174、4777和4306 cm
?1,变化顺序为5174 → 4777 → 4306 cm
?1,表明与糖苷键和碳氢键相关的振动响应依次发生。结合HPLC结果,研究人员认为这些动态变化从分子层面支持了加工促进 gastrodin 与 parishins 类成分积累的结论。
3.3 FTIR spectra analysis of G.elata
FTIR用于补充分析4000–400 cm
?1范围内分子基团振动信息。结果显示,不同加工样品在O-H、C-H、水分子弯曲振动及糖苷键相关区域存在明显响应差异,说明FTIR同样能够表征加工所引起的结构变化。
3.3.1 Characteristic bands of FTIR spectra
3600–3000 cm
?1的宽强峰主要归属于O-H伸缩振动,与分子内外氢键相关;2924 cm
?1附近峰与-CH及-CH
2-振动有关;1630 cm
?1可归因于H-O-H弯曲振动;1364 cm
?1与C-H弯曲振动有关;1120–860 cm
?1主要对应C-C和C-O伸缩,995 cm
?1附近则可能反映氢键变化。该结果说明,FTIR能够从中红外区域捕捉糖类、羟基和脂肪族基团的结构重排。
3.3.2 2DCOS analysis of FTIR
基于基线校正后的FTIR,研究人员将谱区划分为3650–2800 cm
?1、1700–1200 cm
?1和1150–900 cm
?1三个区间开展2DCOS分析。在3650–2800 cm
?1区间,3280 cm
?1与2924 cm
?1是主要自峰,异步谱显示2924 cm
?1先于3280 cm
?1变化,提示C-H相关振动先于O-H氢键网络改变。在1700–1200 cm
?1区间,变化顺序为1630 → 1364 → 1232 cm
?1,表明与水分子和羟基氢键相关的弯曲振动先发生调整,并进一步驱动其他结构变化。在1150–900 cm
?1区间,峰强变化顺序为1147 → 927 → 994 cm
?1,提示糖苷键(C-O-C)及C-O伸缩振动对加工最为敏感。研究人员据此指出,炒制等热处理可改变富含糖苷键的多糖与parishins类化合物分子结构,这与HPLC检测到的特征成分增加相互印证。
3.4 PCA exploratory analysis
为初步探索不同加工组的整体分离情况,研究人员分别基于NIR和FTIR数据构建PCA模型。结果显示,NIR前两个主成分累计解释率为96.6 %,FTIR为87.6 %。FTIR数据下各加工组聚类和分离趋势不明显,而NIR数据能够在一定程度上区分各组:FG与LP位于PC1正半轴,WP与SD重叠较多并分布于PC1负半轴,GP与SP则主要由PC2区分。这表明NIR对加工差异的表征能力优于FTIR,但单纯PCA仍难以实现精确分类,因此需要进一步引入监督学习模型。
3.5 Residual Convolutional Neural Network
在加工方式识别方面,研究人员将同步与异步2DCOS、3DCOS图像分别用于ResNet建模,并进一步结合CARS筛选特征变量以提高建模效率。结果显示,基于异步2DCOS的模型识别性能较差,训练集、测试集及外部验证集准确率均不理想;而基于同步2DCOS的模型则表现出优异泛化能力,尤其是NIR-2DCOS优于FTIR-2DCOS。最佳模型为CARS-NIR-2DCOS-ResNet,在epoch为16时训练集和测试集准确率均达到1.00,loss值为0.395,外部验证集24/24全部判别正确。基于同步3DCOS构建的模型也优于异步3DCOS,其中CARS-3DCOS-NIR表现最佳,但总体仍略逊于2DCOS模型。由此可见,同步相关图像较异步图像更适于加工方式识别,2DCOS优于3DCOS,NIR优于FTIR,而CARS能够在保留关键信息的同时显著提升建模效率。
3.6 Quantitative analysis model
在定量预测方面,研究人员采用PLSR建立NIR、FTIR与HPLC参考数据之间的相关模型,并使用14种预处理方式以及CARS特征筛选优化建模效果。总体结果显示,NIR和FTIR均可用于天麻主要特征成分预测,但NIR策略整体优于FTIR;对parishin E的预测性能相对较弱,而parishin C未形成可用预测模型。
3.6.1. NIR spectra PLSR model in characteristic bands
NIR-PLSR结果表明,部分全波段模型与部分CARS特征模型均取得良好性能。总特征成分预测中,SG-FD-PLSR与MSC-CARS-PLSR表现较优;4-HBA预测中,SNV-PLSR与SNV-CARS-PLSR具有较高R
2P与RPD;gastrodin和parishin A分别由SG-CARS-PLSR和SNV+FD-CARS-PLSR获得较优结果;parishin B的最佳预测来自SNV-PLSR,R
2P达到0.9285,RPD为3.7502,显示出很强的预测能力。相较之下,parishin E仅达到中等预测水平,最佳FD-PLSR模型的RPD为1.4713。研究人员指出,CARS可有效减少冗余变量、提升效率和泛化能力,但并非所有CARS模型都优于全波段模型,说明特征筛选同时可能丢失部分有效信息。
3.6.2. FTIR spectra PLSR model in characteristic bands
FTIR-PLSR分析显示,经CARS筛选后变量数显著减少,建模效率提高,但最优特征模型性能通常略低于对应全波段模型。对于总特征成分、4-HBA、gastrodin、parishin A和parishin B,优化后的FTIR模型总体达到可接受或较好预测水平,其中部分模型RPD超过2,具备实用潜力;然而parishin E的预测依然较弱,最佳模型R
2P仅为0.5645,RPD为1.3242。总体而言,FTIR能够实现对多数成分的定量表征,但稳定性和精度不及NIR。
讨论部分表明,本研究从成分检测、分子振动解析和智能识别三个层面,系统揭示了不同加工方式对天麻质量的影响。其核心发现是:蒸制及衍生加工显著改变天麻特征成分组成,尤其促进 gastrodin 与 parishins 类成分上升,并使4-HBA下降;炒制在本研究设定条件下最有利于总特征成分积累。二维相关光谱结果进一步证明,O-H、C-H以及糖苷键相关振动在加工过程中发生有序变化,这些分子层级信号与HPLC所见化学成分转化相吻合,从而为“加工影响质量”的经验性认识提供了动态机制证据。在方法学上,研究表明同步2DCOS图像优于异步图像,NIR优于FTIR,2DCOS优于3DCOS,且CARS有助于提升计算效率;在定量层面,NIR-PLSR对多数成分表现出较好预测能力,显示出快速、无损质量监测的实际应用价值。论文也指出,当前模型仍需通过扩大样本量和改进数据处理策略进一步提升泛化能力,尤其需改善对部分难预测成分的建模效果。
研究结论部分可译为:
本研究采用近红外光谱(NIR)和傅里叶变换红外光谱(FTIR)结合化学计量学,建立了一种用于评价不同加工天麻(G. elata)特征成分含量的快速、可靠分析工具。基于高效液相色谱(HPLC)的特征成分分析表明,采后加工显著改变了天麻活性成分,其中炒制组(LP)的特征成分总含量最高。二维相关光谱(2DCOS)分析为加工过程中化学键变化顺序(如O-H、C-H)提供了新的动态认识。此外,研究比较了基于NIR和FTIR光谱的主成分分析(PCA)及由全波数和特征波数同步/异步2DCOS构建的残差卷积神经网络(ResNet)在天麻质量分类中的有效性。基于同步2DCOS构建的ResNet可准确分类天麻加工方式,其中基于CARS-NIR-2DCOS构建的ResNet模型性能最佳、效率最高,训练集和测试集准确率均为1.00,loss值为0.395。同时,研究采用14种预处理技术和CARS特征选择方法对NIR和FTIR光谱进行优化,并构建偏最小二乘回归(PLSR)模型,对天麻特征成分开展综合研究。PLSR结果表明,由NIR和FTIR光谱数据构建的最优模型对天麻特征成分预测具有良好性能(parishin E除外)。因此,NIR和FTIR结合化学计量学对于天麻采后加工的质量评价与鉴别具有重要意义,且NIR评价策略优于FTIR。为进一步提高模型的准确性和泛化能力,并构建更加完善的天麻采后加工质量评价预测体系,未来仍需纳入更多样本并采用更高效的数据处理方法。