使用时间序列生成模型有效生成HPLC和FTIR数据以进行质量评估:西藏医学Shilajitjit的案例研究

科学领域:

• 药学认知是指药学上的认知.
• 化学测量 化学测量 化学测量
• 人工智能的人工智能

背景情况:

• 来自高海拔地区的药用植物,如西藏西拉吉特,很少,这限制了质量评估和模式识别.
• 获得足够的实验样本来评估Shilajit的质量是具有挑战性的,因为它的高海拔起源和复杂的地理因素.
• 较低的样本统一性和样本大小可以导致模两可的质量评估和在Shilajit分析中低于最佳的模式识别.

研究的目的:

• 为了应对稀缺药物材料质量评估中的有限样本大小的挑战.
• 通过数据增强策略提高模式识别模型的性能.
• 通过生成数据,提高Shilajit等级分类的准确性和稳定性.

主要方法:

• 采用深度学习模型,时间向量的量化变量自动编码器 (TimeVQVAE),用于数据生成.
• 利用色谱 (HPLC) 和光谱 (FTIR) 数据进行Shilajit分析.
• 应用部分最小平方差异分析 (PLS-DA) 用于使用原始,生成和组合数据对Shilajit等级进行分类.

主要成果:

• 与原始HPLC和FTIR数据相比,TimeVQVAE生成的数据有效地保留了Shilajit的化学特征.
• 数据增量导致数据矩阵的显著增加:HPLC的32.2%,FTIR的15.9%,组合数据的23.0%.
• 在纳入TimeVQVAE生成的数据后,PLS-DA模型的分类精度在测试组上从0.7905提高到0.9442,稳定性得到提高.

结论:

• 该研究提出了一种新且有效的方法,用于研究有限样本大小的药物材料.
• 使用TimeVQVAE的数据增强成功克服了与质量评估中小样本大小相关的限制.
• 这些发现表明,基于深度学习的数据生成有潜力改善化学测量分析和自然产品的分类准确性.