《Industrial Crops and Products》：Intelligent identification of processing endpoints and quality evaluation of Typhae Pollen using multimodal sensing and machine learning
编辑推荐：
色度分析（Colorimetry）和可见-近红外光谱（Vis–NIR）单独即可准确区分蒲黄（Typhae Pollen, TP）的三种炮制程度。在炒制过程中，颜色和光谱特征呈现出明显的炮制依赖性变化。标准炮制（SP）的蒲黄在斑马鱼（zebrafish）模型中表
色度分析（Colorimetry）和可见-近红外光谱（Vis–NIR）单独即可准确区分蒲黄（Typhae Pollen, TP）的三种炮制程度。在炒制过程中，颜色和光谱特征呈现出明显的炮制依赖性变化。标准炮制（SP）的蒲黄在斑马鱼（zebrafish）模型中表现出最强的止血活性。多模态感知（multimodal sensing）为炮制质量控制提供了一种快速且无损的策略。蒲黄富含黄酮类、氨基酸、维生素等生物活性成分，经炒制后其药性由活血转为止血，炮制程度直接影响临床疗效与用药安全。当前炮制终点判定主要依赖传统经验，主观性强且重现性差；现有质量标准以色、嗅等感官指标为主，而色谱指纹图谱等方法耗时且成本高，难以实现过程快速终点识别。为此，研究人员整合电子鼻（E-nose）、色度分析及可见-近红外光谱（Vis–NIR）等智能感知技术，结合机器学习算法，系统考察了炮制过程中气味、颜色和光谱特征的动态变化，构建并比较了单源模型与特征级融合模型，并以辛伐他汀诱导的斑马鱼肠道出血模型验证了所选指标与模型反映炮制蒲黄止血功效的可靠性。结果表明，色度与Vis–NIR单源模型分类准确率均达96%以上，特征级融合未带来统计学显著提升；标准炮制（SP）样品表现出最强的剂量依赖性止血活性，而过度炮制（HP）几乎丧失止血功效。研究证实，结合多源感知与机器学习可有效区分蒲黄炮制程度，色度与Vis–NIR特征可作为快速、无损的炮制质量控制指标。
一、研究背景与问题
蒲黄（Typhae Pollen, TP）为香蒲属植物水烛香蒲（Typha angustifolia L.）的干燥花粉，富含黄酮类、氨基酸、维生素等多种生物活性成分。蒲黄经炒制炮制后，其药性由活血转为止血，炮制程度直接决定临床疗效与用药安全。然而，当前蒲黄炮制终点的判定仍主要依赖传统经验，尤其是外观颜色的变化，主观性强、重现性差。现有质量标准以色、嗅等感官指标为主，色谱指纹图谱等方法虽被广泛用于质量评价，但需化学试剂、样品制备与预处理，成本高且耗时，且主要用于终端产品质量检验，无法实现炮制过程的快速终点识别。因此，亟需建立一种快速、无损、高效且全面的蒲黄炮制质量评价平台。
二、研究内容与结论
研究人员整合电子鼻（E-nose）、色度分析（Colorimetry）和可见-近红外光谱（Vis–NIR）三种智能感知技术，结合机器学习算法，系统研究了蒲黄炮制过程中气味、颜色和光谱特征的动态变化，构建并比较了单源模型与特征级融合模型，并以斑马鱼肠道出血模型验证了所选指标与模型反映炮制蒲黄止血功效的可靠性。主要结论如下：
（1）气味特征分析：电子鼻传感器阵列中W1W响应最强，其次为W2W、W1S和W5S，表明样品整体挥发物以含硫、芳香及含甲基化合物为主。随着炮制程度加深，W1W和W2W响应显著下降，提示硫化物和芳香化合物在持续高温下可能热分解或挥发。因子分析显示前两个主成分PC1和PC2解释了87.33%的总方差，关键传感器为W5S、W6S、W1S、W1W、W2S、W2W和W3S，提示氮氧化物、醇类、醛类和酮类可能是炮制过程中发生显著变化的主要化合物类别。
（2）颜色特征分析：随着炮制程度增加，L、a、b和Eab值均显著下降（p < 0.001），样品由黄色（LP）经棕褐色（SP）最终变为深黑色（HP），这一颜色变化与美拉德反应（Maillard reaction）特征高度吻合。
（3）光谱特征分析：原始光谱中HP样品吸收峰最高，LP最低，SP居中。经多元散射校正（MSC）和一阶导数（1D）组合预处理后，光谱特征差异显著增强。竞争性自适应重加权采样（CARS）将波长降至20个，主要集中于可见/短波近红外区（400、574、668–674、766–778 nm）和2020–2032 nm区域，分别对应颜色相关变化和N–H及C=O组合振动。
（4）单源建模结果：电子鼻数据集分类准确率最低（55.2%–72.0%），MLP表现最佳（72.0% ± 10.19），SVM最差（55.2% ± 10.35）；色度数据集准确率达96.8%–98.4%，MLP最佳（98.4% ± 2.19）；Vis–NIR数据集准确率达97.6%–98.4%，SVM最佳（98.4% ± 2.19）。PLS-DA得分图显示色度与Vis–NIR数据组间分离清晰，而气味数据高度混杂。
（5）多源特征级融合建模：融合后SVM和XGBoost均达98.4%平均准确率，但与最佳单源模型无统计学显著差异（p > 0.05）。Spearman相关分析显示可见区Vis–NIR特征波长与色度参数呈极强负相关（r < –0.96），而电子鼻响应与光学特征相关性较弱（|r| < 0.6），表明各模态间既有冗余也存在互补。
（6）斑马鱼药效验证：标准炮制（SP）样品在10、33和100 μg/mL浓度下表现出最强的剂量依赖性止血活性；轻炮制（LP）和生品也有一定止血效果但无明确剂量-反应关系；重炮制（HP）几乎无止血活性，出血率和出血面积与模型组相近，提示过度炮制可能降低或消除蒲黄止血功效。
三、讨论与结论
研究结果表明，色度与Vis–NIR单源感知即可高准确率区分蒲黄炮制程度，特征级融合虽提升模型鲁棒性但无统计学显著增益。药效学验证确认标准炮制（SP）样品止血活性最强，与其中间颜色特征相对应。研究推荐Vis–NIR和色度分析作为蒲黄炮制终点快速、无损监测的主要感知技术，推动传统炮制从经验判断走向数据驱动的智能化控制。研究结论为：单源色度与Vis–NIR光谱对蒲黄炮制程度判别准确率超过96%，特征级融合无显著性能提升；标准炮制样品止血活性最强；色度与Vis–NIR特征可作为蒲黄炮制智能化质量控制的快速无损指标。研究局限性在于模型仅覆盖受控实验室加热条件下的三种离散炮制类别，对连续炮制状态和工业设备的泛化能力尚未验证，未来需结合传统与工业设备的跨设备外部验证、非接触在线监测及LC-MS/GC-MS化学轮廓分析，以确立生物活性炮制窗口并推进智能化炮制控制。
