使用代谢学"大数据"和机器学习来确定阿斯特拉加利雷迪克斯的生产区域,生长模式,物种和等级
Jing Wu1, Shaoqian Deng2, Xinyue Yu2
1Key Laboratory of Drug Quality Control and Pharmacovigilance, China Pharmaceutical University, Ministry of Education, Nanjing, 210009, China; Department of Pharmaceutical Analysis, School of Pharmacy, China Pharmaceutical University, Nanjing, 210009, China.
概括
这项研究确定了关键代谢物,并使用机器学习准确分类Astragali Radix (AR) 质量因素,如来源和物种. 一个由四种代谢物组成的小组可以同时识别所有四种质量属性,并具有很高的准确性.
科学领域:
- 药物鉴定和代谢学
- 计算化学和数据科学计算化学和数据科学
背景情况:
- 阿斯特拉加利雷迪克斯 (AR) 质量至关重要,但目前的标记物在大样本大小上缺乏验证.
- 关键的质量因素包括生产面积,生长方式,物种和等级.
- 现有的标记物主要集中在二次代谢物上,限制了全面的质量评估.
研究的目的:
- 发现可靠的代谢物标记物来识别AR的质量属性.
- 为AR生产区域,生长模式,物种和等级开发强大的分类模型.
- 为了验证这些标记物和模型使用大规模样本集.
主要方法:
- 从中国六个省份收集和分析了366批AR原油切片.
- 采用了三种经过验证的UPLC-MS/MS方法来量化32种主要和次要代谢物.
- 应用了7个机器学习算法,包括最近邻居,来选标记并构建分类模型.
主要成果:
- 二次代谢物是确定AR生产区域和物种的关键.
- 脂肪酸和氨基酸对于分别确定生长模式和等级至关重要.
- 最接近邻居模型达到>70%的准确性,四个代谢物小组确定了所有因素的准确性为86.9%.
结论:
- 整合大规模的代谢学和机器学习可以准确识别AR质量因素.
- 这种方法提高了草药的质量评估.
- 需要进一步的研究来探索其他药用草药的类似方法.
更多相关视频
11:02Identification and Quantification of Deranged Metabolites in Critically Ill Patients Using NMR-Based Metabolomics
Published on: November 29, 2024
550
08:20Systematic Approach to Identify Novel Antimicrobial and Antibiofilm Molecules from Plants' Extracts and Fractions to Prevent Dental Caries
Published on: March 31, 2021
6.4K