ag真人平台官方

文献解读 | 代谢组学结合机器学习应用于中药材黄芪成分检测和质量评估

2024-07-29 02:22:30 69

  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

免费获取更多专业咨询
我已阅读并同意 《CTI华测检测隐私政策》 《会员注册协议》

*新号码将自动注册

立即咨询
相关资讯
热门服务 更多 >
  • 热线电话
  • 业务咨询
  • 快速询价
  • 在线客服
  • 报告验证