结合功能代谢物和无机元素谱与机器学习方法对枸杞子进行地理认证

《Journal of Agriculture and Food Research》：Geographical authentication of Lycii Fructus by integrating functional metabolites and inorganic-element profiles with machine learning approaches

　　

枸杞子是一种具有悠久食用和药用历史的干燥成熟果实，因其丰富的营养和多样的功能代谢物而备受重视。其质量与宁夏、甘肃和青海省历史栽培区内的地理来源密切相关。在本研究中，研究人员系统分析了2024年秋季从这三个主要产区收获的90批经认证的枸杞子样本中的12种关键功能代谢物和38种无机元素（包括17种稀土元素）。青海样本的芦丁含量最高，而宁夏浆果的甜菜碱和抗坏血酸2-β-葡萄糖苷（AA-2βG）含量最丰富。来自甘肃省白银的样本通常表现出最高的无机元素浓度，而来自酒泉的样本则相对较低。层次聚类分析（HCA）、主成分分析（PCA）和正交偏最小二乘判别分析（OPLS-DA）对无机元素实现了完美的组间分离，但对功能代谢物仅实现了部分区分，甘肃两个亚区之间存在大量重叠。四种功能代谢物和16种无机元素被识别为潜在的关键判别因子。进一步采用四种机器学习算法验证分类性能。基于功能代谢物的模型在区域分类中准确性有限，而基于无机元素训练的模型则实现了高分类性能。Pearson相关分析表明，无机元素可能影响功能代谢物的积累。本研究表明，在研究的样本集内，将无机元素谱分析与机器学习相结合为枸杞子的地理认证提供了一种有前景的方法，这可能支持产地溯源和质量评估，但有待进一步的外部验证。

论文解读文章

**研究背景**
枸杞子（Lycii Fructus）作为富含多糖、黄酮、酚酸、甜菜碱及抗坏血酸2-β-葡萄糖苷（AA-2βG）等功能代谢物的药食同源果实，其品质与地理来源密切相关。传统上，宁夏、甘肃和青海三省（区）是枸杞的核心栽培区，但不同产区的气候、土壤等环境差异导致品质参差不齐，而现行鉴别手段多依赖颜色、形态或单一活性成分，难以实现精准产地溯源。此外，此前研究对无机元素（尤其是稀土元素）在枸杞品质形成中的作用关注不足，且样本常分散于广域范围，缺乏对核心产区的集中分析。因此，本研究旨在通过整合功能代谢物与无机元素谱，结合化学计量学与机器学习方法，探索枸杞子产地认证的新途径，为质量评价与市场监督提供科学依据。该论文发表在《Journal of Agriculture and Food Research》。

**主要技术方法**
研究人员从宁夏（NX，n=25）、青海（QH，n=25）、甘肃酒泉（GS-JQ，n=20）和甘肃白银（GS-BY，n=20）共采集90批2024年秋季收获的枸杞子样本。采用超高效液相色谱-光电二极管阵列检测器（UHPLC-PDA）测定7种酚类功能代谢物（4-羟基苯甲酸、绿原酸、东莨菪内酯、4-香豆酸、阿魏酸、芦丁、山奈酚），并依据中国药典方法测定甜菜碱、AA-2βG、总酚（TP）、总黄酮（TF）及多糖（PS）。采用电感耦合等离子体质谱（ICP-MS）测定38种无机元素，包括17种稀土元素。化学计量学分析（HCA、PCA、OPLS-DA）及四种机器学习模型（反向传播BP、卷积神经网络CNN、随机森林RF、支持向量机SVM）用于分类与判别。

**研究结果**
**3.1 功能代谢物分析**
定量分析表明，青海样本芦丁含量最高（252.21±101.39 μg/g），山奈酚最低；宁夏样本甜菜碱（9608.00±2576.16 μg/g）和AA-2βG显著高于其他产区；甘肃两亚区多糖含量较低。酚酸类、总酚及总黄酮在区域间差异不显著，仅4-香豆酸存在区分度。

**3.2 功能代谢物的化学计量学分析**
HCA虽将样本分为四簇，但不同产区样本接近，难以区分。PCA未能有效分离四组。OPLS-DA对三省（宁夏、青海、甘肃）区分良好（R²X=0.657，R²Y=0.772，Q²=0.721），但甘肃两亚区（GS-BY与GS-JQ）仍存在重叠。VIP>1的关键指标为PS、4-CA、甜菜碱和AA-2βG。

**3.3 无机元素分析**
38种无机元素按含量分为克级（K、Na、Mg、Ca）、毫克级（Fe、Al、Zn等）和微克级（U及17种稀土元素）。GS-BY和NX样本的K、Na、Mg显著高于其他产区；QH的Ca最高。GS-BY的稀土元素浓度普遍最高，GS-JQ最低。ANOVA显示四产区元素含量差异显著（p<0.001）。

**3.4 无机元素的化学计量学分析**
HCA将90批样本清晰分为四类，与产区对应。PCA前六主成分累积方差88.11%，实现有效分离，仅GS-JQ与GS-BY、NX部分重叠。OPLS-DA模型参数优异（R²X=0.810，R²Y=0.910，Q²=0.888），16种VIP>1的元素（Li、Ni、Pb、Zn、Mg、Cr、Cu、Co、Pr、Nd、Sc、Sr、Al、La、U、Gd）被确定为关键判别因子。

**3.5 基于机器学习的产地预测**
基于功能代谢物的四种模型（BP、CNN、SVM、RF）测试集准确率分别为72.22%、77.78%、88.89%、88.89%，且甘肃两亚区样本被误分类。基于无机元素的模型均达到100%训练集和测试集准确率，AUC=1.0000，混淆矩阵无任何错分。但需注意，该结果仅为内部验证，外部泛化性尚待检验。

**3.6 功能代谢物与无机元素的相关性分析**
Pearson相关分析显示，1225对中842对正相关，383对负相关，642对显著（p<0.05或p<0.01）。稀土元素与PS、AA-2βG、4-HC正相关，与4-CA、山奈酚负相关；Li与稀土元素极显著负相关。Al、Fe、Ca协同影响AA-2βG及酚类糖苷化。多数无机元素对TF、TP影响不显著。

**结论与讨论**
研究结论指出，12种功能代谢物可在省级层面区分青海、宁夏和甘肃样品，但无法区分甘肃内部亚区；38种无机元素（尤其稀土元素）则能实现四产区完全区分，结合机器学习模型可达到高精度产地认证。Pearson相关分析提示无机元素可能通过Ca²⁺-ROS通路、PAL/CHS活性等机制影响甜菜碱、多糖等活性成分积累，但因果性尚需可控实验验证。本研究的创新在于首次将稀土元素纳入枸杞产地判别体系，同时揭示了无机地球化学变异与活性成分积累模式的关联。未来需通过多季节、多年份的外部验证数据集评估模型泛化能力，并深入探究稀土元素与次生代谢的交互机制。该研究为枸杞子产地溯源与质量评价提供了新方法，并为地理标志认证与市场推广提供了科学依据。