数据融合策略结合化学计量学对滇重楼产地溯源研究

发布时间：2020-05-13 10:31

【摘要】：在大健康理念推动下,中药在预防、治疗、保健、康复等方面显示出特有优势,已引起国内外医学人士的广泛关注。药材质量是影响临床用药安全性和有效性的重要因素,对中药质量进行评价,既是保证临床用药的前提,亦是中药发展与研究的核心。中药质量受众多因素影响,如品种、产地、采收期等均会使药材次生代谢产物积累发生变化,导致药材质量参差不齐。光谱技术分析待测样品时表现出快速、无损的优势,通过指纹图谱分析化学信息,全面反映药材品质,符合中医药传统的整体观。色谱作为常规的定量分析仪器,通过测定指标成分,可直观评价药材质量。将光谱与色谱化学信息融合,辅以化学计量学分析方法,为快速、简便、全面评价中药质量提供了实践基础。本论文以重楼(主要为滇重楼)为研究对象,采用衰减全反射傅里叶变换红外光谱法(Attenuate total reflection Fourier transform infrared spectroscopy,ATR-FTIR)、紫外可见光谱法(Ultraviolet-visible spectrum,UV-Vis)、超高效液相色谱法(Ultra high performance liquid chromatography,UPLC),对不同产地(野生和栽培)和不同种(野生)重楼进行分析,结合主成分分析(Principal component analysis,PCA)、偏最小二乘判别分析(Partial least squares discriminant analysis,PLS-DA)、支持向量机网格式搜索(Support vector machine gird search,SVM-GS)、随机森林(Random forest)等化学计量学方法,深入分析不同种和不同产地重楼样品间差异,建立系统评价重楼质量的模型,为重楼质量评价提供基础。论文包括五章,第一章对云南3个产区14个县的177份野生滇重楼样品进行FTIR和UV-Vis分析,采用低级和中级数据融合策略结合化学计量学分析方法,对产地进行鉴别研究;第二章对161份采自6个产区的野生滇重楼进行ATR-FTIR和UV-Vis分析,采用高级数据融合策略结合化学计量学,鉴别不同产地滇重楼;第三章对6个不同种重楼共87份野生样品进行FTIR和UPLC分析,采用低级和中级数据融合结合化学计量学方法,对不同种重楼进行鉴别;第四章采集了219份栽培滇重楼根茎和叶(5个产地,3个年限)的ATR-FTIR光谱,结合生物量数据,对产地进行鉴别;第五章对光谱和色谱在滇重楼质量评价中的应用进行了文献综述。1.本章节采集了177份野生滇重楼样品的FTIR和UV-Vis光谱,FTIR的光谱范围为4000-400 cm~(-1),UV-Vis光谱范围为200-500 nm。光谱采用标准正态变换(Standard normal variate,SNV),二阶导数(second derivative,SD)和卷积平滑(Savitsky-Golay,SG)预处理,建立单光谱数据矩阵(FTIR和UV-Vis)和融合数据矩阵(低级和中级)的PLS-DA和SVM-GS模型。与单光谱和低级数据融合建立的模型相比,基于中级数据融合策略建立的PLS-DA和SVM-GS模型对滇西北和滇东南样品分类效果更好。对大样本量(三个大产区177份样本)和多分类(滇中样本分为七个小产地)的研究结果显示,中级数据融合结合化学计量学方法能正确鉴别不同产地样品,且潜在变量(Latent variables,LVs)较主成分数(Principal components,PCs)更适用于中级数据融合特征变量的筛选。因此,相比于单光谱建立的PLS-DA和SVM-GS模型,基于数据融合,尤其是中级数据融合策略建立的产地鉴别模型,更适用于鉴别野生滇重楼的产地。该方法全面地反映了不同产地野生滇重楼之间化学组分差异,且模型稳健性更好。2.在建立SVM-GS和随机森林模型基础上,比较了低级、中级、和高级数据融合策略对161份采自6个产区野生滇重楼样品的产地鉴别效果。结果表明,低级数据融合建立的SVM-GS模型不能鉴别不同产地滇重楼样品,中级数据融合方法可有效鉴别,高级数据融合建立的模型性能最优。基于高级数据融合建立的随机森林模型训练集和测试集正确率分别为99%和98%,显著高于单一的ATR-FTIR、UV-Vis、低级和中级数据融合建立的模型分类结果。3.根据错判样本数以及训练集和测试集正确率,比较了3种模式识别方法(PLS-DA,SVM-GS和随机森林)对不同种和产地重楼的鉴别效果。结果显示,不同种重楼的模型鉴别正确率高于产地判别模型,表明不同种间化学组分差异大于不同产地样品,该结论与重楼皂苷的定量结果和单因素方差分析(One-way analysis of variance,ANOVA)结果一致。此外,在鉴别不同种重楼方面,FTIR光谱表现出比UPLC色谱图更优的分类结果。通过对比十个数据矩阵建立判别模型得出:数据融合策略因提供了较重楼皂苷含量、单一FTIR光谱和UPLC色谱图更多的化学信息,故建立的模型正确率更高,模型稳健性更好,尤其是中级数据融合。4.将不同部位栽培滇重楼ATR-FTIR光谱融合,建立PLS-DA和随机森林分类模型,追溯不同栽培产地滇重楼样品。通过对比单一部位(根茎或叶)ATR-FTIR光谱和数据融合结果,表明基于数据融合策略建立的分类模型正确率更高。此外,PLS-DA模型训练集和测试集中均无样本错分,该结果由5年生、6年生和7年生的栽培滇重楼样品相互验证。因此,ATR-FTIR光谱结合数据融合策略,可用于鉴别不同产地栽培滇重楼样品,且该方法具有直接、快速、易操作等优点。红外光谱分析方法因不使用有机试剂,减少废液产生,分析物可回收等,可视为一种绿色的分析方法。
【图文】：

样品预处理,滇东南,平均谱,滇西北

1735 v C=O 酯类 [50]1686, 1554 酰胺 I 和 II 带蛋白质 [5, 49]1619 v C=C 木质素 [49]1446, 1336 δ CH2多糖类 [47, 51]1365 δ C-H 或 C-O-H 多糖类 [52]1235 v C-O 半纤维素 [53]1147 δ C-O 醇类或酯类 [49]1123 v C-O 葡萄糖 [54]1034 v C-C 和 C-O 皂苷类 [52, 55, 56]988 v C-O 碳水化合物类 [57]889 v C-O-C β-D-葡萄糖 [58]

模型图,测试集,训练集,数据集

品 FTIR 0.3726 0.0952 0.3618 0.4239 0.3883 70.43 71.1UV-Vis 0.6220 0.3623 0.2967 0.3727 0.4291 89.83 61.0SVM-GS 数据集 C γ 训练集正确率 (%) 测试集正确率 FTIR 64.0000 0.0007 71.43 91.30UV-Vis 2.8284 45.2525 88.10 100.00南 FTIR 16.0000 0.0007 91.67 94.74UV-Vis 181.0190 0.0007 91.67 89.47北 FTIR 1.4142 0.0156 85.00 100.00UV-Vis 1.0000 0.0313 97.50 88.24品 FTIR 11.3137 0.0028 76.27 83.05UV-Vis 4.0000 0.0884 76.27 66.10
【学位授予单位】：云南中医药大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R284.1

【相似文献】