蒸汽与碳酸氢钠辅助水提三七茎叶:黄嘌呤氧化酶抑制潜力评估

《Foods》:Steaming and Sodium Bicarbonate-Assisted Aqueous Extraction of Panax notoginseng Stems and Leaves: Evaluation of Xanthine Oxidase Inhibitory Potential

【字体: 大 中 小 】 时间:2026年07月28日 来源:Foods 6.0

编辑推荐:

  挥发性指纹为表征黄芪(Astragali Radix, AR)这一药食同源植物材料提供了有用信息,但野生、仿野生和栽培样品之间的差异仍不明确。本研究采用顶空固相微萃取-气相色谱-质谱联用(HS-SPME-GC–MS)和顶空气相色谱-离子迁移谱(HS-GC–IM

  
挥发性指纹为表征黄芪(Astragali Radix, AR)这一药食同源植物材料提供了有用信息,但野生、仿野生和栽培样品之间的差异仍不明确。本研究采用顶空固相微萃取-气相色谱-质谱联用(HS-SPME-GC–MS)和顶空气相色谱-离子迁移谱(HS-GC–IMS),结合多变量分析和可解释机器学习,对来自不同栽培模式的117份AR样品的挥发性特征进行表征,并筛选候选鉴别化合物。HS-SPME-GC–MS在野生、仿野生和栽培样品中分别初步鉴定出29、34和45种挥发性化合物。酯类在所有组中均占主导地位,但酯类的相对丰度及整体化学类别组成随栽培模式而变化。HS-GC–IMS分别初步鉴定出57、50和55种化合物,主要为低分子量醛类、醇类和酮类,从而提供了互补的挥发性指纹信息。偏最小二乘判别分析(PLS-DA)显示,挥发性指纹捕捉到了与栽培模式相关的差异,其中HS-GC–IMS模型的组间分离更为清晰。进一步利用HS-SPME-GC–MS分析结果构建了随机森林、支持向量机和CatBoost模型。通过整合变量重要性投影(VIP)和SHapley Additive exPlanations(SHAP)值,筛选出γ-己内酯、甲基丁香酚、亚油酸甲酯(9Z,11E)、丁香酚和亚油酸乙酯作为候选鉴别化合物。基于HS-GC–IMS结果,还筛选出1-辛烯-3-酮、乙酸戊酯、(Z)-2-戊烯-1-醇、2-庚酮和2-乙基-6-甲基吡嗪的单体信号作为候选鉴别化合物。这些化合物可能与脂肪酸衍生代谢、芳香族次生代谢和萜类相关过程有关。两种互补挥发性分析平台与基于VIP和SHAP的解释相结合,提供了更广泛的挥发性特征覆盖,并提高了候选化合物筛选的可解释性。这些发现提供了一种可解释的分析工作流程和候选鉴别化合物,可能有助于未来AR的快速筛查、栽培模式鉴别和基于挥发性特征的区分,但尚需独立的外部验证。
**论文解读:基于互补挥发性指纹与可解释机器学习的黄芪不同栽培模式鉴别研究**

**研究背景与问题**
黄芪(Astragali Radix, AR)为豆科植物蒙古黄芪*Astragalus membranaceus* (Fisch.) Bge. var. *mongholicus* (Bge.) Hsiao或膜荚黄芪*Astragalus membranaceus* (Fisch.) Bge.的干燥根,在中国传统医学中应用历史悠久,且被列为药食同源物质。AR在食品、化妆品及畜牧业中广泛用作功能性食品配料、化妆品成分及饲料添加剂,其质量与栽培模式及生长环境密切相关。目前AR主要来源于三种生产模式:野生、仿野生和栽培。已有研究表明,野生与仿野生AR在化学成分积累和药理活性上具有相似性,而栽培品则存在差异。生长周期上,野生品通常超过10年,仿野生品超过5年,栽培品约2年,这可能导致次生代谢产物积累的不同。然而,关于AR挥发性特征的比较研究相对不足,而气味是中药材传统评价的重要感官指标。不同栽培模式下的AR在生长环境、代谢活动和化学组成上存在差异,可能产生不同的挥发性指纹。因此,阐明与栽培模式相关的挥发性变异对于支持AR的质量区分和栽培模式鉴别具有重要意义。目前,虽已有研究比较了不同栽培模式AR在氨基酸代谢、皂苷生物合成和类黄酮代谢方面的差异,但挥发性特征的系统比较仍有限,且单个挥发性化合物对样品区分的贡献尚未得到充分解释。因此,亟需一种结合互补挥发性分析和可解释机器学习的集成工作流程,以表征与栽培模式相关的差异并识别主要挥发性贡献者。

**研究内容与结论**
研究人员收集了117份AR样品(野生24份、仿野生32份、栽培61份),分别来自山西、甘肃和内蒙古,经自然干燥后粉碎过筛。采用顶空固相微萃取-气相色谱-质谱联用(HS-SPME-GC–MS)和顶空气相色谱-离子迁移谱(HS-GC–IMS)两种互补技术分析挥发性化合物。通过偏最小二乘判别分析(PLS-DA)、随机森林、支持向量机(SVM)和CatBoost等机器学习模型,结合变量重要性投影(VIP)和SHAP(SHapley Additive exPlanations)值,筛选候选鉴别化合物。研究得出以下结论:HS-SPME-GC–MS在野生、仿野生和栽培样品中分别初步鉴定出29、34和45种挥发性化合物,酯类为所有组中的主要类别,但相对丰度差异显著。HS-GC–IMS分别鉴定出57、50和55种化合物,主要为低分子量醛类、醇类和酮类,提供了互补信息。PLS-DA模型显示,HS-GC–IMS数据的组间分离更清晰。机器学习模型中,CatBoost表现最佳(测试准确率0.972,宏F1为0.970,加权F1为0.972,宏AUC为0.980)。通过整合VIP和SHAP分析,从HS-SPME-GC–MS数据中筛选出γ-己内酯、甲基丁香酚、亚油酸甲酯(9Z,11E)、丁香酚和亚油酸乙酯作为候选鉴别化合物;从HS-GC–IMS数据中筛选出1-辛烯-3-酮、乙酸戊酯、(Z)-2-戊烯-1-醇、2-庚酮和2-乙基-6-甲基吡嗪(单体信号)作为候选鉴别化合物。这些化合物可能与脂肪酸衍生代谢、苯丙烷类次生代谢和萜类相关过程有关。该研究提供了一个可解释的分析工作流程,为AR的栽培模式鉴别和挥发性特征区分奠定了候选化合物基础。论文发表在《Foods》。

**关键技术方法**
1. **HS-SPME-GC–MS**:采用80/10 μm二乙烯基苯/碳分子筛/聚二甲基硅氧烷(DVB/CAR/PDMS)纤维在80°C平衡30 min,萃取50 min,HP-5MS UI毛细管柱(30 m × 0.32 mm i.d., 0.25 μm膜厚)分离,全扫描模式(m/z 20–600),NIST 23质谱库初步鉴定,峰面积归一化相对定量。
2. **HS-GC–IMS**:采用FlavourSpec?系统,MXT-WAX毛细管柱(30 m × 0.53 mm i.d., 1.0 μm膜厚),80°C孵育15 min,氚(3H)电离源,正离子模式,基于保留指数和漂移时间匹配NIST 2020保留指数数据库和IMS漂移时间数据库进行鉴定。
3. **多变量分析与机器学习**:PLS-DA(log10(x+1)转换,Pareto标度,留一交叉验证优化潜变量数);随机森林、支持向量机(RBF核)和CatBoost模型(样本级别分层随机拆分60:20:20,类别加权,GridSearchCV超参数优化,五折交叉验证);SHAP(TreeExplainer用于随机森林和CatBoost,KernelExplainer用于SVM)计算特征贡献。
4. **VIP与SHAP整合**:计算各模型归一化平均绝对SHAP值得到集成机器学习得分,再与PLS-DA的VIP值结合得到复合得分,用于排序候选化合物。

**研究结果**

**3.1 不同栽培模式AR的挥发性特征**
**3.1.1 HS-SPME-GC–MS分析**:野生和仿野生样品色谱图相似,栽培样品差异明显。野生、仿野生和栽培样品分别初步鉴定出29、34和45种化合物,包括酯类、醇类、醛类、酮类、酸类、内酯、酚类、醚类和烃类。栽培组检测到更多化合物,部分归因于样本量较大(n=61)以及植物年龄、地理来源、栽培管理等因素。酯类在所有组中相对含量最高,野生组酯类比例(45.88%)显著高于仿野生和栽培组(约24%)。野生组主要特征化合物为亚油酸甲酯(9Z,11E)、亚麻酸甲酯、甲基丁香酚、ar-姜黄酮和γ-壬内酯;仿野生组以β-倍半水芹烯、ar-姜黄酮、己醛和(E,E)-3,5-辛二烯-2-酮为主;栽培组以β-倍半水芹烯、5-乙酰基-2-甲氧基苯乙酸酯、亚油酸甲酯(9Z,11E)、己醛和γ-壬内酯为主。
**3.1.2 HS-GC–IMS分析**:野生、仿野生和栽培样品分别鉴定出57、50和55种化合物,主要为低分子量醛类、醇类和酮类。醛类在各组中占比约28.8%–30.0%,醇类约25.3%–26.3%,酮类约18.1%–19.4%。酯类在野生和栽培样品中相对丰度较高(约11%–12%),仿野生样品中较低(6.0%)。野生组特征化合物为萜品烯-4-醇、2-庚酮、2-庚烯醛、3-辛酮和壬醛;仿野生组以2-甲基丁酸、苯甲醛、桉叶油醇和2,6-二甲氧基苯酚为主;栽培组以2-甲基-2-戊烯醛、2-甲基-1-丁醇、2,4-庚二烯醛、3-甲基-1-丁醇、己醛和己酸乙酯为主。HS-GC–IMS有效捕捉了低分子量挥发性物质的差异,与HS-SPME-GC–MS互补。

**3.2 挥发性特征的多变量分析**
**3.2.1 PLS-DA分离**:基于HS-SPME-GC–MS数据建立的PLS-DA模型(R2Y=0.7160,Q2=0.5910,R2X=0.5354)显示野生、仿野生和栽培样品部分重叠,但总体分离趋势。基于HS-GC–IMS数据的模型(R2Y=0.9997,Q2=0.9997,R2X=0.8824)组内聚类更紧密,组间分离更清晰,200次置换检验p<0.005,表明模型有效。HS-GC–IMS在反映样品挥发性差异方面能力更强,而HS-SPME-GC–MS提供了复杂挥发性成分的互补信息。
**3.2.2 基于VIP的差异挥发性化合物筛选**:HS-SPME-GC–MS数据筛选出24个VIP>1的候选化合物,排名前五为丁香酚、5-乙酰基-2-甲氧基苯乙酸酯、十四烷、苯甲醇和乙酸丁香酚酯。HS-GC–IMS数据中,单体和二聚体信号均保留,合并后得到40个候选化合物,其中1-辛烯-3-酮(两种信号形式VIP均>2)、乙酸戊酯、(Z)-2-戊烯-1-醇、2-庚酮和2-乙基-6-甲基吡嗪(单体)为重要候选。

**3.3 HS-SPME-GC–MS数据的可解释机器学习分析**
**3.3.1 机器学习模型性能**:CatBoost、随机森林和SVM在测试集上准确率分别为0.972、0.944和0.930,宏F1分别为0.970、0.932和0.920,加权F1分别为0.972、0.945和0.929,宏AUC分别为0.980、0.985和0.970。所有模型训练准确率均为1.000,但SVM训练-验证差距较大(0.057),随机森林和CatBoost差距较小(0.014)。CatBoost在准确性、F1分数和性能一致性上表现最佳,因此用于后续SHAP解释。
**3.3.2 基于SHAP的挥发性化合物贡献分析**:CatBoost模型中,甲基丁香酚和γ-己内酯贡献最大,其次为丁香酚、亚油酸乙酯和苯甲醇。随机森林的SHAP排名与CatBoost基本一致,SVM排名有所差异,但γ-己内酯和亚油酸甲酯(9Z,11E)在所有模型中均显示高贡献。
**3.3.3 VIP-SHAP整合筛选候选挥发性标记物**:通过计算各模型归一化平均绝对SHAP值得到集成机器学习得分,再与VIP值结合得到复合得分。排名前十的候选化合物为:γ-己内酯(复合得分最高,3.9354)、甲基丁香酚、亚油酸甲酯(9Z,11E)、丁香酚、亚油酸乙酯、2-苯乙醇、苯甲醇、乙酸丁香酚酯、亚麻酸甲酯和5-乙酰基-2-甲氧基苯乙酸酯。

**3.4 候选鉴别挥发性化合物及其可能的代谢来源**
整合VIP和SHAP后,从HS-SPME-GC–MS数据中筛选出γ-己内酯、甲基丁香酚、亚油酸甲酯(9Z,11E)、丁香酚和亚油酸乙酯;从HS-GC–IMS中筛选出1-辛烯-3-酮、乙酸戊酯、(Z)-2-戊烯-1-醇、2-庚酮和2-乙基-6-甲基吡嗪(单体信号)。这些化合物在三种栽培模式中的相对丰度分布不同。候选化合物主要与脂肪酸衍生挥发物和芳香族次生代谢物相关,部分来自萜类化合物。醛类、醇类、酮类、酯类和内酯可能源于脂肪酸氧化、降解及下游转化,特别是脂氧合酶-氢过氧化物裂解酶途径参与绿色叶挥发物的形成。丁香酚和甲基丁香酚为苯丙烷/苯类挥发物,与芳香族次生代谢相关;ar-姜黄酮和β-倍半水芹烯等萜类化合物可能来自甲羟戊酸和甲基赤藓醇磷酸途径。但需注意,野生和仿野生样品仅来自山西省且年龄较大,地理来源和植物年龄与栽培模式高度混杂,因此观察到的差异不能完全归因于栽培模式。

**讨论与结论**
**总结讨论**:本研究通过整合HS-SPME-GC–MS和HS-GC–IMS两种互补挥发性分析平台,结合多变量分析和可解释机器学习,成功表征了野生、仿野生和栽培AR样品的挥发性指纹差异。HS-SPME-GC–MS更适合检测中高沸点、结构较复杂的挥发物,而HS-GC–IMS在捕捉低分子量、易释放化合物方面具有优势。通过VIP和SHAP的整合分析,筛选出两组候选鉴别化合物,它们可能涉及脂肪酸衍生、苯丙烷类和萜类代谢途径。该工作流程为AR的栽培模式鉴别提供了可解释的分析框架和候选标记物,但需进一步标准化和外部验证。局限性包括:野生样品数量相对较少,地理来源和植物年龄与栽培模式高度混杂,限制了因果推断和普适性。未来研究应纳入更大、地理平衡的样本集,并对候选化合物和分析流程进行独立验证。
**研究结论**:在本样本集内,栽培模式与黄芪挥发性指纹的差异相关。HS-SPME-GC–MS和HS-GC–IMS的联合使用为野生、仿野生和栽培样品的挥发性差异表征提供了互补信息。多变量分析和机器学习进一步支持了与栽培模式相关的区分,并有助于优先筛选候选挥发性贡献者。通过整合VIP和SHAP分析,从HS-SPME-GC–MS数据中筛选出γ-己内酯、甲基丁香酚、亚油酸甲酯(9Z,11E)、丁香酚和亚油酸乙酯作为候选鉴别化合物,从HS-GC–IMS数据中筛选出1-辛烯-3-酮、乙酸戊酯、(Z)-2-戊烯-1-醇、2-庚酮和2-乙基-6-甲基吡嗪(单体信号)作为候选鉴别化合物。这些化合物可能与脂肪酸衍生、苯丙烷类和萜类相关的代谢过程有关。总体而言,本研究为区分不同栽培模式的黄芪样品提供了候选鉴别化合物和一种可解释的挥发性指纹分析策略。该集成工作流程可为栽培模式初步鉴别和候选化合物筛选提供实验室级别的分析框架,但在常规应用前需进一步标准化和外部验证。
相关新闻
生物通微信公众号
微信
新浪微博

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