《Foods》:Near-Infrared Spectroscopy and Machine Learning for Geographic-Origin Screening of Dendrobium crepidatum Lindl. et Paxt.
编辑推荐:
研究人员利用近红外光谱(Near-infrared spectroscopy, NIRS)结合多变量分析与机器学习,对梳唇石斛(Dendrobium crepidatum Lindl. et Paxt.)的产地进行鉴别。该研究分析了来自中国云南、广西和贵州的5
研究人员利用近红外光谱(Near-infrared spectroscopy, NIRS)结合多变量分析与机器学习,对梳唇石斛(Dendrobium crepidatum Lindl. et Paxt.)的产地进行鉴别。该研究分析了来自中国云南、广西和贵州的50批茎样品,样品经过Savitzky-Golay平滑、标准正态变量变换(Standard normal variate transformation)和一阶导数预处理。主成分分析(Principal component analysis, PCA)显示了与产地相关的光谱变异,三分类偏最小二乘判别分析(Partial least squares-discriminant analysis, 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)。随后,研究人员使用重复嵌套交叉验证比较了K近邻(K-Nearest Neighbors, KNN)、分类与回归树(Classification and Regression Tree, CART)、随机森林(Random Forest, RF)、朴素贝叶斯(Naive Bayes, NB)、线性判别分析(Linear Discriminant Analysis, LDA)和人工神经网络(Artificial Neural Network, ANN)六种机器学习算法。其中KNN表现最佳,准确率为0.811 ± 0.029,宏平均F1分数为0.813 ± 0.029,紧随其后的是RF(分别为0.804 ± 0.038和0.805 ± 0.037)。关键光谱变量主要集中在4231–4235 cm?1和5523–5624 cm?1,主要对应于以C-H为主的倍频或合频吸收,以及可能来自碳水化合物、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结合机器学习用于梳唇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鉴别提供了光谱线索。
论文解读:近红外光谱结合机器学习用于梳唇石斛产地筛查
研究背景与意义
梳唇石斛(Dendrobium crepidatum Lindl. et Paxt.)作为一种收录于《中国药典》的药用石斛品种,其品质和市场价值常随地理产地的不同而呈现显著差异。土壤成分、气候、海拔及光照等生态因素会影响植物代谢及次生代谢产物的积累,进而导致不同产地的药材混合后出现质量不一致的问题。因此,建立一种快速可靠的梳唇石斛产地溯源方法,对于批次管理、市场监管和应用推广具有重要意义。传统的常规鉴定、化学分析及色谱指纹图谱等方法虽然能提供直接的化学证据,但通常涉及复杂的提取过程、溶剂消耗及专业的操作技能,限制了其在大量样品快速筛查中的应用。近红外光谱(Near-infrared spectroscopy, NIRS)技术凭借其快速、无试剂且几乎无损的特性,能够捕捉植物材料中与有机官能团相关的整体光谱指纹信息,为解决这一难题提供了新的技术路径。
关键技术与方法
本研究采集了中国云南(n=18)、广西(n=16)和贵州(n=16)三个重要分布区的50批新鲜梳唇石斛茎样本队列。研究人员将样本切段后于60°C烘干至恒重,粉碎并过60目筛。采用Bruker MATRIX-F近红外光谱仪获取12,000–4000 cm?1范围内的漫反射光谱,分辨率设定为8 cm?1,并进行32次扫描累加。针对原始光谱中存在的高频噪声与基线漂移,研究人员依次采用了Savitzky-Golay平滑、标准正态变量(Standard normal variate, SNV)变换和一阶导数进行预处理。在数据建模方面,研究人员首先利用主成分分析(Principal component analysis, PCA)进行无监督可视化,并构建了三分类偏最小二乘判别分析(Partial least squares-discriminant analysis, PLS-DA)模型。随后,引入K近邻(K-Nearest Neighbors, KNN)、分类与回归树(Classification and Regression Tree, CART)、随机森林(Random Forest, RF)、朴素贝叶斯(Naive Bayes, NB)、线性判别分析(Linear Discriminant Analysis, LDA)和人工神经网络(Artificial Neural Network, ANN)六种机器学习算法,采用重复嵌套交叉验证策略评估模型性能,并通过方差分析F值(ANOVA F-score)和随机森林重要性评分筛选关键光谱变量。
研究结果
3.1. 不同产地梳唇石斛的NIR光谱特征
原始NIR光谱在不同产地间表现出高度相似的轮廓,难以直接区分。经过Savitzky-Golay平滑、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。根据常规NIR波段归属,7100–4000 cm?1区域主要反映了O-H、N-H、C-H及C=O的倍频与合频吸收,这些信号与样品中多糖、黄酮、酚类及碳水化合物等羟基或含氢官能团密切相关,为后续的产地判别提供了化学基础。
3.2. 地理来源的PCA与PLS-DA分析
PCA得分图显示,前两个主成分(PC1和PC2)分别解释了总方差的31.5%和27.6%。尽管云南、广西和贵州的样本呈现出一定的聚类趋势,但三组之间存在显著的重叠,表明仅凭PCA不足以实现可靠的产地判别。研究人员进一步建立了监督式的三分类PLS-DA模型,该模型的交叉验证准确率达到70.2%,且置换检验结果显示模型具有统计学显著性(p = 0.0020)。这表明PLS-DA成功捕获了与产地相关的光谱信息,但产地间的光谱差异属于中等程度,尚未达到完全分离的状态。
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,KNN模型取得了最优的综合性能,准确率和宏平均F1分数分别达到0.811 ± 0.029和0.813 ± 0.029。RF模型紧随其后,准确率为0.804 ± 0.038,宏平均F1分数为0.805 ± 0.037。NB和ANN表现出中等性能,而CART和LDA的分类准确率均低于0.75,表明这两种模型在当前建模策略下对该数据集的适用性较低。
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KNN和RF具有较强的对角线模式,即跨产地的正确分类比例较高。具体而言,KNN模型对云南、广西和贵州样本的召回率分别为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与贵州之间,这暗示了这两个产地的NIR光谱特征比涉及广西的光谱特征更为相似。
3.3.3. 产地判别的模型相关光谱变量
通过结合归一化的ANOVA F值和RF重要性评分,研究人员发现对产地判别贡献最大的光谱变量集中在4200–6500 cm?1区域,特别是4231–4235 cm?1和5523–5624 cm?1附近。根据常规NIR波段归属,4231–4235 cm?1可能与C-H伸缩/弯曲合频及C-O/O-H相关合频吸收有关,而5523–5624 cm?1主要与C-H一级倍频吸收相关。这些官能团广泛存在于碳水化合物、多糖、黄酮类化合物和酚类等有机成分中。
讨论与结论总结
研究人员在讨论中指出,尽管不同产地的梳唇石斛属于同一物种且共享相似的主要化学成分,导致光谱存在重叠,但仍能检测到显著的产地相关光谱差异。这些差异可能由土壤、气候等环境因素引起的整体化学特征变异所驱动,尤其是多糖、黄酮类和酚类化合物含量的变化。在算法选择上,KNN因能有效捕捉特征选择后的局部相似性而表现最佳,RF则因能处理非线性关系而位居第二;相比之下,假设线性可分的LDA和单一决策树CART在处理高度共线且重叠的NIRS数据时表现受限。该NIRS结合机器学习的流程为梳唇石斛的初步产地筛查提供了实用工具,但在实际应用中仍需注意样本量有限及缺乏独立外部验证集等局限性。
结论
近红外光谱结合多变量分析和机器学习实现了对云南、广西和贵州梳唇石斛样品的初步地理来源溯源。PCA和三分类PLS-DA揭示了与产地相关的光谱变异,而在重复嵌套交叉验证框架下对六种机器学习算法的比较表明,KNN实现了最佳的整体性能,紧随其后的是RF。基于模型分析筛选出的关键光谱变量主要集中在4231–4235 cm?1和5523–5624 cm?1附近,这表明以C-H为主的倍频或合频吸收,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梳唇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鉴别提供光谱线索。由于这些光谱线索尚未通过独立的化学参考方法得到证实,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并提高该方法的适用性将是必要的。