UPLC-Q-TOF-MS/MS结合机器学习方法用于选Hypericum perforatum L的质量指标

科学领域:

• 植物化学 植物化学
• 化学信息学 化学信息学
• 药理学 药理学是指药理学的学科.

背景情况:

• 胡桃 (Hypericum perforatum L.) 是一个广泛研究的药用植物,具有显著的治疗潜力.
• 建立强有力的质量控制措施对于确保像HPL这样的草药的有效性和安全性至关重要.
• 传统的质量控制方法可能无法完全捕捉药用植物的复杂化学特征.

研究的目的:

• 确定可靠的质量指标,以进行Hypericum perforatum L. (HPL) 的整体质量控制.
• 利用非目标代谢学和机器学习来发现潜在的质量标记.
• 为了有效的质量评估,使用机器学习分类器验证选择的标记.

主要方法:

• 使用高分辨率质谱 (MS) 分析HPL样本并通过MS分子网络可视化化学化合物.
• 坐标部分最小平方差异分析 (OPLS-DA) 用于识别植物部分之间的差异代谢物.
• 进行了蛋白质与蛋白质相互作用 (PPI) 网络分析,以评估已识别的代谢物的药理学活性,随后进行机器学习验证 (SVM,RF,KNN).

主要成果:

• 在HPL中总共发现了122种化合物,在花,叶和树枝样本中选了46种差异代谢物.
• 药理学分析揭示了与473个基因标相关的25种化合物,从而选择了13种潜在的质量标记物.
• 最终选择了五种化合物作为质量控制标记,随机森林模型在验证中显示出最佳性能.

结论:

• 该研究成功地确定了五种关键化合物,作为Hypericum perforatum L.的有效质量控制标记物.
• 代谢学和机器学习的综合方法为HPL的整体质量控制提供了一个强大的战略.
• 这种方法可以作为其他药用草药产品质量控制的宝贵参考.