利用高光谱成像和变量选择对药用植物粉末中酚类和黄酮类含量进行无损分析

《Analytical Science Advances》：Non-Destructive Analysis of Phenolic and Flavonoid Contents in Medicinal Plant Powders Using Hyperspectral Imaging and Variable Selection

　　

药用植物中的酚类和黄酮类化合物对其生长发育至关重要，并具有诸多健康益处，然而使用传统湿化学方法对其进行定量分析耗时费力。本研究联合使用两种台式高光谱成像（HSI）系统，即短波红外（SWIR）和可见近红外（Vis/NIR），对12种药用植物粉末样品中的酚类和黄酮类含量进行无损定量估计。在定量分析中，采用偏最小二乘回归（PLSR）预测模型，并结合多种光谱预处理技术。为进一步提升性能，使用变量重要性投影（VIP）筛选最具信息量的光谱变量，并将其与PLSR结合以改进预测。优化后的VIP-PLSR模型进一步提高了预测性能，分别获得了0.985和0.996的决定系数（R²），以及更低的预测标准均方根误差（RMSEP）值，分别为0.165和1.150 mg/g。此外，化学成像清晰展示了样品中两种化合物的空间分布。这些结果凸显了SWIR-HSI结合化学计量学作为药用植物粉末筛查和质量控制有效工具的潜力。

药用植物在人类文明中沿用数千年，是天然植物化学物质的重要来源。其中酚类化合物和黄酮类化合物作为次生代谢物，不仅参与植物自身防御，还表现出抗肿瘤、抗菌、抗炎等多种药理活性。然而，传统定量方法如Folin-Ciocalteu比色法和氯化铝比色法需大量预处理，耗时且具破坏性；色谱法如高效液相色谱（HPLC）虽准确，但成本高、需专业人员操作。常规光谱技术如傅里叶变换红外光谱和近红外光谱属于点扫描方式，无法提供空间分布信息，且在大批量样品检测时效率低下。高光谱成像（HSI）可同时获取光谱与空间信息，为无损、快速检测提供了新途径，但其数据量大、变量冗余，给建模带来挑战。因此，研究人员开展本研究，旨在利用Vis/NIR和SWIR两个波段的HSI系统，结合化学计量学方法，实现药用植物粉末中酚类和黄酮类含量的无损定量预测，并通过变量选择优化模型性能。该研究发表于《Analytical Science Advances》。

研究人员从印度北阿坎德邦采集了11种药用植物的12个粉末样品（样品代码A1–A12），涵盖叶、花、根、根茎、树皮和茎等部位。样品经清洗、阴干、70°C烘干后粉碎。使用Vis/NIR（400–1000 nm，128波段）和SWIR（1000–2500 nm，275波段）两台台式HSI系统采集高光谱图像，经黑白校正后手动选取感兴趣区域（ROI）提取平均光谱。参考值方面，总黄酮含量（TFC）采用紫外-可见分光光度法（氯化铝比色法）测定，酚类含量采用HPLC定量单个酚类化合物之和（非总酚）。建模采用偏最小二乘回归（PLSR），测试了归一化、标准正态变量变换（SNV）、多元散射校正（MSC）和Savitzky-Golay导数等预处理方法；随后采用变量重要性投影（VIP）进行波长选择，阈值设为0.85，建立VIP-PLSR模型。模型性能以决定系数（R²）、均方根误差（RMSEC/RMSEP）和偏差评估。

### 3.1 TFC的分光光度分析与酚类的HPLC分析
采用分光光度法测得TFC范围在0.06–61.58 mg QE/g DW之间，其中A8（61.58 mg QE/g DW）最高，A5（0.06 mg QE/g DW）最低。HPLC结果表明，酚类化合物总和最高为A11（3.9441 mg/g），最低为A6（0.0186 mg/g）。方差分析（ANOVA）和Duncan多重检验显示样品间存在显著差异（p < 0.05）。

### 3.2 SWIR和Vis/NIR原始光谱
原始光谱因样品表面异质性而出现噪声、基线漂移和重叠峰，不能直接用于建模，需进行预处理。

### 3.3 SWIR和Vis/NIR HSI的光谱解释
SWIR光谱中，酚类敏感区域位于1000–1200 nm、1410–1520 nm和1950–2000 nm，黄酮类特征峰出现在1120、1320、1215和1490 nm附近。Vis/NIR光谱中，敏感波带集中在440–480 nm、520–570 nm和760–970 nm。仅靠肉眼观察无法准确量化，需借助化学计量学。

### 3.4 基于SWIR和Vis/NIR HSI的PLSR模型
使用SWIR数据时，酚类含量采用MSC预处理，获得R²_cal=0.989、R²_pred=0.982，RMSEP=0.171 mg/g；黄酮类采用最大归一化预处理，R²_pred=0.994，RMSEP=1.567 mg/g。使用Vis/NIR数据时，酚类（范围归一化）R²_pred=0.967，RMSEP=0.236 mg/g；黄酮类（S-G一阶导数）R²_pred=0.965，RMSEP=3.863 mg/g。结果表明，SWIR模型的预测精度和稳定性均优于Vis/NIR。

### 3.5 SWIR HSI数据的Beta系数结果
Beta系数图识别出的重要波长与光谱解释中的敏感区域一致，进一步确认了PLSR模型对酚类和黄酮类含量预测的有效性。

### 3.6 VIP变量选择
VIP方法将SWIR全谱的201个波长分别减少至酚类的135个和黄酮类的143个。基于VIP-PLSR模型，酚类含量在原始预处理下获得R²_pred=0.985，RMSEP=0.165 mg/g；黄酮类在最大归一化下获得R²_pred=0.996，RMSEP=1.150 mg/g。相比全谱PLSR，VIP-PLSR在降低数据维度的同时进一步提升了预测精度。

### 3.7 药用植物粉末中酚类和黄酮含量的可视化
利用PLSR模型的Beta系数乘以其像素光谱，生成了化学图像。酚类浓度范围0.019–3.94 mg/g，黄酮类0.06–61.58 mg/g，图像颜色从蓝色到红色表示浓度升高，清晰展示了两种化合物在粉末样品中的空间分布。

讨论部分，研究人员将本研究与已有文献比较，发现本研究的R²明显高于Hssaini等（0.86和0.84）以及Kusumiyati和Asikin（0.78和0.72）的结果。以往点扫描光谱技术受限于通量，且未进行波长选择，模型复杂。本研究通过引入VIP变量选择和HSI化学成像，在提高精度的同时降低了计算负担，并实现了化合物分布的可视化。样品来自11个物种，多样性增强了模型的真实适用性，对制药和营养保健品行业具有直接应用价值。未来可结合深度学习进一步提升性能。

研究结论如下：随着全球对药用植物及其植物化学物质需求的日益增长，开发高效、非侵入性的分析方法十分必要。本研究将化学计量学与HSI结合，成功定量了药用植物粉末中的酚类和黄酮类含量。结果表明，SWIR-PLSR模型始终优于Vis/NIR-PLSR，其R²分别为0.982和0.994，RMSEP为0.171和1.567 mg/g，偏差为0.018和0.077。进一步采用VIP进行变量选择后，VIP-PLSR模型的R²提升至0.985和0.996，RMSEP降至0.165和1.150 mg/g，偏差减小至0.055和0.023。此外，化学成像清晰展示了两种化合物在粉末中的空间分布。总之，HSI结合化学计量学建模和定向波长选择是一种有效、快速且无损的方法，可用于药用植物粉末中酚类和黄酮类含量的可靠定量。