黄芪是一种药食同源植物，因其增强免疫力、抗疲劳、抗衰老和抗肿瘤等多种功效而备受推崇。然而，近期黄芪种植行业存在草药质量差异问题，标准化种植被认为可以提高中药材的质量，但其效果的科学评估方法尚未完善。

　　本研究旨在通过比较标准化种植前后黄芪的代谢物水平，快速区分其来源，并评估其质量。相关服务直达：中药检测

　　01研究方法

　　研究者采用了液相色谱-质谱联用技术结合代谢组学，黄芪样品经过粉碎、筛分、冷浸提取和超声处理，最终得到用于分析的样品溶液。多变量分析包括主成分分析，偏最小二乘判别分析，层次聚类分析。

　　极限学习机模型结构采用了三层神经网络模型，将35批次的黄芪样品随机分为训练集和测试集，使用MATLAB软件进行编程和训练，通过最小化实际值和预测值之间的均方误差，优化模型的隐藏层连接权重和阈值。

       选择与黄芪质量正相关的指标（如水溶性提取物和标记化合物含量）和负相关的指标（如总灰分和水分含量），为每个指标分配权重系数，计算综合评分，以全面评估黄芪的质量。

　　02研究结果

　　研究者发现标准化种植后的黄芪在43种差异代谢物的含量上显著不同。这些代谢物主要为黄酮类化合物，表明标准化种植对黄芪的代谢物组成有显著影响。

　　主成分分析显示，标准化种植前后的黄芪样品在代谢物分布上存在明显差异。标准化种植后的样品代谢物组成的一致性更高。偏最小二乘判别分析进一步确认了两组样品之间的显著差异，模型的准确性达到了100%，显示出良好的区分能力。

　　层次聚类分析（HCA）显示了43种差异代谢物在不同样品中的分布情况，其中黄酮类化合物在标准化种植后的黄芪中含量更高。

　　基于LC-MS数据，研究者建立了一个极限学习机（ELM）模型，用于预测未知样本的种植模式。经过多次训练，ELM模型的预测准确率逐步提高，最终达到了100%的准确率。这表明ELM模型能够有效地区分标准化种植和非标准化种植的黄芪。

　　03研究结论

　　本研究建立了一个评估中药材质量的模型，通过机器学习，可以预测中药材样本的种植模式，经过多次训练，模型的预测准确率逐步提高，最终达到了满意的准确率，能够有效地区分标准化种植和非标准化种植的黄芪，为黄芪的标准化种植提供了科学依据，为质量评估提供了新的方法思路。通过代谢组学和机器学习技术，更准确评估预测中药质量，于推动中药材的现代化具有重要意义。

　　04研究结果展开　　

　　图1.详细展示了课题展开流程

　　描述一种基于代谢组学、极限学习机（ELM）和多指标含量测定全面评估黄芪质量的策略。

　　图形分为四个部分，第一部分（左上）为标准化种植样品的收集与准备；第二部分（右上）显示基于代谢组学数据的区分；第三部分（左下）为基于ELM的预测；第四部分（右下）：基于多指标评分的全面评估。

　　注释：极限学习机（Extreme Learning Machine，ELM）是一种高效单隐藏层前馈神经网络（Single Hidden Layer Feedforward Neural Network，SLFN），主要用于解决传统神经网络训练中的一些局限性，特别是在训练速度和泛化能力方面。

　　

　　图2.展示总离子流（Total Ion Current,TIC）叠加图

　　A．展示未经过标准化种植处理的黄芪样品（BP组）的总离子流（TIC）叠加图。

　　B．展示经过标准化种植处理的黄芪样品（AP组）的总离子流（TIC）叠加图。

　　与图2A相比，AP组的TIC叠加图显示出更好的重叠和更清晰的共同峰信息，表明标准化种植可能使得黄芪的化学成分更加集中和一致。

　　C．展示在样品检测过程中间隔插入的质量控制（QC）样品的总离子流（TIC）叠加图。

　　

　　图3.展示黄芪（Astragali Radix,AR）在标准化种植前后，代谢物分布以及主成分分析结果

　　A．展示了所有代谢物的保留时间和分布频率图。

　　B．显示PCA分析的三维散点分布图，黄色点代表未标准化种植的样品（BP样品）；红色点代表标准化种植的样品（AP样品）；蓝色点代表质量控制样品（QC样品）。

　　C．显示PCA分析的二维得分图，图中黄色点代表未标准化种植的样品（BP样品）；红色点代表标准化种植的样品（AP样品）。

　　

　　图4.展示了偏最小二乘判别分析（PLS-DA）分析区分的效果，以区分标准化种植前后的黄芪样品

　　图中黄色点代表未标准化种植的样品（BP样品），红色点代表标准化种植的样品（AP样品）。通过模型的得分图，展示了样品在不同维度上的分布，以及模型区分这两类样品的能力。

　　

　　图5.展示了通过层次聚类分析（Hierarchical Cluster Analysis,HCA）显示代谢物之间的相似性和差异性，以及它们在不同样品中的聚类情况

　　A．热图展示BP组和AP组之间代谢物在不同样品中的分布频率。

　　B．热图进一步展示每个样品中特定代谢物的含量，直观显示不同样品中相对含量差异。

　　图片图6.箱型图展示了黄芪在标准化种植前后代谢物含量的变化，对比了标准化种植（AP组）与未标准化种植（BP组）样品在代谢物含量上的差异和稳定性。

　

　　图7.展示极限学习机（ELM）算法模型对黄芪（Astragali Radix,AR）样品进行分类预测的效果

　　展示了ELM模型在训练和测试数据集上的准确率，评估了模型对标准化种植和未标准化种植黄芪样品的区分能力，突出了ELM模型在实际应用中的可靠性和有效性。

　　

　　图8.展示了基于多指标评分方法对黄芪样品进行质量评估的结果

　　反映了样品在多个质量指标（如水溶性提取物、总灰分、水分和特定标记化合物含量）上的表现，评分越高表示质量越好。以折线图比较了标准化种植（AP组）与未标准化种植（BP组）的黄芪样品在综合评分上的差异，评估了标准化种植对黄芪质量稳定性和一致性的影响。

　　05总结与启发

　　该篇文献发表于Phytochem Anal.（IF>3），这篇文献展示了如何利用代谢组学和极限学习机（ELM）技术来评估和预测中药材黄芪的质量。

　　通过液相色谱-质谱联用技术，研究者能够详细分析黄芪中的化学成分，并发现标准化种植可以显著提高其质量的稳定性。ELM模型的应用不仅提高了预测的准确性，还加快了评估过程，这对于中药材的质量控制和决策支持具有重要意义。

　　此外，多指标评分方法为全面评估中药材提供了一种科学系统手段。这些现代技术的应用不仅推动了中药材行业的现代化，还有助于保护中药材资源，确保药品的安全性和有效性。通过跨学科研究的结合，为传统中药材行业带来创新和改进，提升中药材质量推动行业发展。

　　参考文献

　　Li C,Lv Y,Gao W,et al.A comprehensive strategy for prediction and quality evaluation of standardized planting herbs based on plant metabolomics coupled with extreme learning machine:Astragali Radix as an example.Phytochemical Analysis.2023;34(5):606‐616.doi:10.1002/pca.3241