对Pleuropterus multiflorus thunb.进行地理验证. 通过功能性化合物,稳定的同位素比率和多元元素与机器学习方法相结合
Feng Xiong1, Siman Wang1, Chuanzhi Kang1
1State Key Laboratory for Quality Ensurance and Sustainable Use of Dao-di Herbs, National Resource Center for Chinese Materia Medica, China Academy of Chinese Medical Sciences, Beijing 100700, PR China; Key Laboratory of Biology and Cultivation of Herb Medicine, Ministry of Agriculture and Rural Affairs, Beijing 100700, PR China.
这项研究使用稳定同位素,元素分析和功能化合物来验证Pleuropterus multiflorus Thunb.的地理来源. (PM) 根源使用机器学习,实现高精度.
科学领域:
- 植物化学 植物化学
- 分析化学 分析化学
- 化学测量 化学测量 化学测量
背景情况:
- 斑点 (Pleuropterus multiflorus) Thunb. 这种植物的生长方式是不同的. (PM) 根是亚洲传统的功能性食品和药物.
- 中国的PM种植在质量和价格上表现出显著的差异.
- 地理来源对PM的特征产生重大影响.
研究的目的:
- 通过多元元素和化合物分析来研究PM的区域特征.
- 开发机器学习模型来验证PM的地理来源.
- 确定影响PM区域特征的关键变量和环境因素.
主要方法:
- 对4种稳定同位素比率,40种多元素含量和16种功能性化合物的分析.
- 利用来自8个不同的地理来源的357个颗粒样本.
- 应用机器学习算法用于原产地认证.
主要成果:
- 机器学习模型在原产地认证中实现了94.44%至100%的准确性.
- 作为一个受保护的原产地名称,Deqing PM被识别了100%的准确性.
- 确定了30个重要的预测变量,包括功能性化合物,稳定同位素 (δ2H),稀土元素和Cu.
结论:
- 地理来源显著影响了PM的化学特征.
- 机器学习提供了一种可靠的方法来验证PM的地理来源.
- 高度,温度和湿度指数是影响颗粒物特征的关键环境因素.
更多相关视频
09:38Single-throughput Complementary High-resolution Analytical Techniques for Characterizing Complex Natural Organic Matter Mixtures
Published on: January 7, 2019
09:04Identifying Per- and Polyfluorinated Chemical Species with a Combined Targeted and Non-Targeted-Screening High-Resolution Mass Spectrometry Workflow
Published on: April 18, 2019
