高强度超声加工芦荟(Aloe vera,即Aloe barbadensis Miller):对流变学、酚类化合物及抗氧化活性的影响

《Foods》:High-Intensity Ultrasound Processing of Aloe vera (Aloe barbadensis Miller): Effect on Rheology, Phenolic Compounds, and Antioxidant Activity

【字体: 大 中 小 】 时间:2026年07月10日 来源:Foods 6.0

编辑推荐:

  齿瓣石斛(Dendrobium crepidatum)Lindl. et Paxt.是一种药用石斛属物种,其品质和市场价值可能随地理来源而变化,因此快速溯源对于批次管理、市场监管和应用推广至关重要。本研究采用近红外光谱(NIRS)结合多变量分析和机器学习对齿瓣

  
齿瓣石斛(Dendrobium crepidatum)Lindl. et Paxt.是一种药用石斛属物种,其品质和市场价值可能随地理来源而变化,因此快速溯源对于批次管理、市场监管和应用推广至关重要。本研究采用近红外光谱(NIRS)结合多变量分析和机器学习对齿瓣石斛的来源进行判别。研究人员分析了来自中国云南、广西和贵州的50批茎样品,这些样品经过Savitzky-Golay平滑、标准正态变量变换和一阶导数预处理。主成分分析(PCA)显示了与来源相关的光谱变异,三类偏最小二乘判别分析(PLS-DA)模型的平均交叉验证准确率为70.2%,置换检验结果显著(p = 0.0020)。研究人员进一步使用重复嵌套交叉验证比较了包括K最近邻(KNN)、分类与回归树(CART)、随机森林(RF)、朴素贝叶斯(NB)、线性判别分析(LDA)和人工神经网络(ANN)在内的六种机器学习算法。KNN表现最佳,准确率为0.811 ± 0.029,宏F1得分为0.813 ± 0.029,紧随其后的是RF(分别为0.804 ± 0.038和0.805 ± 0.037)。关键光谱变量主要位于4231–4235 和 5523–5624 cm?1,主要对应于C-H主导的泛频或合频吸收,可能伴有来自碳水化合物、多糖、酚类、黄酮类化合物和其他有机成分的C-O/O-H相关贡献。这些结果证明了NIRS结合机器学习用于齿瓣石斛初步产地溯源的可行性,并为未来研究产地相关化学变异和质量判别提供了光谱线索。
论文解读:近红外光谱结合机器学习实现齿瓣石斛产地溯源的可行性研究
研究背景与意义
齿瓣石斛(Dendrobium crepidatum)Lindl. et Paxt. 是收录于《中国药典》的重要药用石斛属物种,传统上被用于滋阴益胃、生津止渴及润肺止咳等。然而,药用植物的品质深受土壤成分、气候、海拔、湿度和光照等生态因素的影响,导致不同地理来源的材料在次生代谢产物积累上存在显著差异。这种差异不仅影响市场价格,还可能导致实际应用中质量的不稳定。因此,建立一种快速可靠的齿瓣石斛产地溯源方法,对于批次管理、市场监管和质量筛选具有重要意义。传统的色谱指纹图谱和化学分析方法虽然能提供直接的化学证据,但通常涉及复杂的样品前处理、溶剂消耗和熟练操作,限制了其在大量样品快速筛查中的应用。相比之下,近红外光谱(NIRS)作为一种快速、无需试剂的分析技术,能够捕获植物材料中与有机官能团相关的整体光谱指纹信息,结合化学计量学或机器学习方法,可有效提取复杂重叠光谱中的判别信息,为解决上述问题提供了可行途径。本文发表在《Foods》。
主要关键技术方法
研究人员从中国云南(n=18)、广西(n=16)和贵州(n=16)三个重要分布区收集了50批新鲜的齿瓣石斛茎样本。样本经干燥、粉碎并过60目筛后,使用 Bruker MATRIX-F 近红外光谱仪在12000–4000 cm?1范围内采集漫反射光谱。光谱数据依次经过 Savitzky-Golay 平滑、标准正态变量(SNV)变换和一阶导数预处理以消除噪声和基线漂移。随后,研究人员采用主成分分析(PCA)和偏最小二乘判别分析(PLS-DA)探索产地相关的光谱变异并进行监督分类。为进一步优化分类性能,研究人员在重复嵌套交叉验证框架下,比较了K最近邻(KNN)、分类与回归树(CART)、随机森林(RF)、朴素贝叶斯(NB)、线性判别分析(LDA)和人工神经网络(ANN)六种机器学习算法的表现,并利用ANOVA F值和RF重要性评估关键光谱变量的贡献。
研究结果
3.1. 不同来源齿瓣石斛的NIR光谱特征
原始近红外光谱在不同产地间表现出高度相似性,难以直接区分。经过 Savitzky-Golay 平滑、标准正态变量(SNV)变换和一阶导数预处理后,基线漂移和散射效应得到有效抑制,细微的光谱特征变得更为清晰。根据一般近红外波段归属,7100–4000 cm?1区域的光谱响应主要与O-H、N-H、C-H和C=O的泛频或合频吸收有关,反映了样品中糖类、多糖、蛋白质、氨基酸、黄酮类和酚类等成分的整体化学背景,为后续产地判别提供了化学基础。
3.2. 地理来源的PCA和PLS-DA分析
无监督的PCA分析显示,前两个主成分(PC1和PC2)分别解释了总方差的31.5%和27.6%。虽然云南、广西和贵州的样本呈现出一定的聚集趋势,但组间存在显著重叠,表明仅靠PCA不足以实现可靠鉴别。为此,研究人员建立了有监督的三类PLS-DA模型。得分图显示产地分离较PCA更为清晰,其中广西样本主要分布在t[1]负侧,贵州样本在正侧,而云南样本介于两者之间。重复五折交叉验证的平均准确率为70.2%(云南、广西、贵州的召回率分别为63.6%、79.1%和68.8%),且500次置换检验具有显著性(p = 0.0020),证明模型捕捉到了有意义的产地相关光谱信息,但产地间的光谱差异属于中等程度而非完全分离。
3.3. 基于机器学习的地理来源分类
3.3.1. 优化机器学习模型的比较
在统一的验证策略下,六种算法的表现各异。KNN表现最佳,准确率和宏F1得分分别达到0.811 ± 0.029和0.813 ± 0.029;RF紧随其后,准确率为0.804 ± 0.038,宏F1得分为0.805 ± 0.037。NB和ANN表现出中等性能,准确率接近0.79;而CART和LDA的性能相对较低(准确率低于0.75)。这表明KNN和RF更能有效地从高维、共线且重叠严重的近红外光谱中提取产地相关的细微差异。
3.3.2. 地理来源分类的混淆矩阵分析
聚合交叉验证混淆矩阵进一步证实了上述模型排名。KNN和RF展现出更强的对角线模式,表明跨产地的正确分类比例较高。具体而言,KNN对云南、广西和贵州的召回率分别为80.0%、85.6%和77.8%,其中广西样本的分类最为准确。主要的误判发生在云南和贵州之间,暗示这两个地区样本的近红外光谱轮廓比涉及广西的样本更为相似。
3.3.3. 产地判别的模型相关光谱变量
为了解释分类的光谱基础,研究人员结合了归一化的ANOVA F值、RF重要性及其综合得分。关键变量主要集中在4200–6500 cm?1区域,特别是4231–4235 cm?1和5523–5624 cm?1附近。ANOVA F值在5600–5624 cm?1附近显示出强烈的组间变异响应,而RF重要性则在4231 cm?1附近表现出显著贡献。根据一般近红外波段归属,4231–4235 cm?1可能与C-H伸缩/弯曲合频及C-O/O-H相关吸收有关,5523–5624 cm?1主要与C-H一级倍频及O-H/C-H相关特征有关,这些官能团广泛存在于碳水化合物、多糖、黄酮类和酚类化合物中,暗示产地差异可能源于这些化学成分的整体变化。
讨论与结论总结
讨论
研究人员指出,同一物种不同产地样本共享主要化学成分,因此光谱存在重叠是合理的,但环境因子诱导的化学谱图变异仍可被检测到。KNN和RF在处理高维、共线性近红外数据时表现出色,而CART和LDA受限于单树敏感性和线性假设,表现稍逊。尽管本研究未直接量化特定代谢物,但基于NIRS的溯源策略在实际生产和市场监管中具有快速筛查的实用价值。然而,受限于50批样本量、部分元数据缺失以及缺乏完全独立的外部验证集,当前结果主要反映本采样框架内的判别能力。此外,判别性光谱变量的化学解释仍需通过色谱或质谱等靶向分析进行实验验证。
结论
近红外光谱(NIRS)结合多变量分析和机器学习实现了对云南、广西和贵州齿瓣石斛样本的初步地理产地溯源。PCA和三类PLS-DA揭示了产地相关的光谱变异,而在重复嵌套交叉验证框架下比较六种机器学习算法表明,KNN实现了最佳整体性能,紧随其后的是RF。基于模型分析选定的关键光谱变量主要位于4231–4235 cm?1和5523–5624 cm?1附近,表明以C-H为主导的倍频或合频吸收,连同可能来自碳水化合物、多糖、酚类化合物、黄酮类化合物和其他有机成分的C-O/O-H相关贡献,可能与区域分化有关。这些发现表明,NIRS结合机器学习可作为齿瓣石斛产地溯源的快速筛查工具,并为未来研究产地相关化学变异和质量判别提供光谱线索。由于这些光谱线索尚未通过独立的化学参考方法确认,扩大样本覆盖范围并结合参考化学分析对于完善已识别光谱变量的解释及提高该方法的适用性将是必要的。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号