10.3964/j.issn.1000-0593(2021)05-1410-07
ATR-FTIR和UV-Vis结合数据融合策略鉴别滇黄精产地
黄精药材品质优劣与基原植物产地环境因子密切相关,建立简单、快速且能够准确鉴别药材产地的方法对保证其质量可控及用药安全具有重要的理论意义和应用前景.研究中以云南、四川和广西9个产地的133份滇黄精Polygonatum kingianum coll.et Hemsl根茎为试验材料,采集衰减全反射-傅里叶变换红外光谱(ATR-FTIR)和紫外-可见光光谱(UV-Vis)数据预处理后分别建立单一光谱随机森林(Random forest,RF)模型;将ATR-FTIR与UV-Vis数据直接串联完成低级融合,提取两种光谱的主成分数(PCs)和潜在变量(LVs)以实现中级(中级融合PCs和中级融合LVs)和高级数据融合(高级融合PCs和高级融合LVs),基于不同数据融合策略分别建立RF模型;比较不同模型的正确率(ACC)、灵敏度(SEN)和特异性(SPE),筛选产地鉴别最佳模型.结果显示,不同产地滇黄精ATR-FTIR和UV-Vis峰型相似,吸光度略有差异,ATR-FT IR显示14个共有峰,与糖类、甾体皂苷、黄酮类和生物碱类物质有关,其U V-Vis共有峰主要位于272及327 nm处,与黄酮类物质有关;A T R-FT IR、U V-Vis和低级融合的RF模型,训练集和预测集ACC分别为(76.34%,95.00%),(80.65%,95.00%)和(83.87%,100.00%),但SEN和SPE值较低,故不宜采用;中级融合PCs和中级融合LVs的RF模型的SEN和SPE分别为大于0.91和0.98,训练集ACC分别为91.40%和97.85%,预测集ACC均为97.50%;高级融合PCs和高级融合LVs的RF训练集ACC分别为77.42% 和97.85%,预测集ACC均为95.00%,高级融合PCs的RF模型鉴别效果较差,高级融合LVs的RF模型存在过拟合现象;模型鉴别能力为中级融合LVs>中级融合PCs>低级融合>UV-Vis>ATR-FTIR>高级融合PCs;提取LVs对产地鉴别的方法优于PCs;中级融合LVs建立的RF模型鉴别ACC最高,SEN和SPE大于0.98,模型性能最佳.该方法可为黄精药用资源的科学评价提供理论依据和技术支撑.
滇黄精、产地鉴别、数据融合、数据衰减全反射-傅里叶变换红外光谱、紫外-可见吸收光谱(UV-Vis)
41
O657.3(分析化学)
国家科技重大专项;云南省科技计划;国家重大项目
2021-05-31(万方平台首次上网日期,不代表论文的发表时间)
共7页
1410-1416