DeepHSI: Un marco transferible y ampliable de hiperespectro para la identificación de origen de plantas industriales:...

Área de la Ciencia:

• Botánica
• Química Analítica
• Biología Computacional

Sus antecedentes:

• Pogostemon cablin (P.cablin) es vital en cosméticos, alimentos y medicinas debido a su perfil aromático y químico.
• La identificación precisa del origen de P.cablin es esencial para el control de calidad y la prevención de la adulteración.
• Los métodos de identificación convencionales suelen ser lentos, requieren mucha mano de obra y análisis químicos complejos.

Objetivo del estudio:

• Desarrollar un método rápido, universal y no destructivo para identificar P.cablin de diferentes orígenes.
• Validar la eficacia de la imagen hiperespectral (HSI) para la autenticación del origen de P.cablin utilizando metabolómica y transcriptómica.

Principales métodos:

• Se propuso un modelo de aprendizaje profundo, DeepHSI, que utiliza imágenes hiperespectrales para la identificación del origen de P.cablin.
• Se entrenó y probó el modelo DeepHSI utilizando datos HSI de tres orígenes diferentes de P.cablin en múltiples lotes experimentales.
• Se empleó el aprendizaje por transferencia para demostrar la generalidad del modelo y se utilizó un mecanismo de fusión de modelos de identificación de múltiples orígenes.

Principales resultados:

• El método DeepHSI logró una identificación rápida y precisa de los orígenes de P.cablin.
• Los análisis de metabolómica y transcriptómica respaldaron la viabilidad de HSI para la discriminación de orígenes.
• El modelo demostró generalidad en diferentes condiciones experimentales, mostrando capacidades de aprendizaje por transferencia.

Conclusiones:

• DeepHSI ofrece una solución prometedora y escalable para la identificación no destructiva del origen de P.cablin.
• Este método mejora el control de calidad y la verificación de autenticidad en las industrias que utilizan P.cablin.
• El estudio proporciona un paradigma para la investigación de clasificación múltiple utilizando HSI y aprendizaje profundo.