使用图像处理和机器学习来预测Syzygium malaccense叶片提取物中抗氧化活性的建模

科学领域:

• 植物化学 植物化学
• 计算化学计算化学
• 药理学是指药理学,即药理学是指药理学.

背景情况:

• *S. malaccense*,是一种来自米尔塔科的植物,传统上被用于并因其高含量的黄和化合物而得到认可.
• 了解药用植物的抗氧化潜力对于开发新的治疗剂至关重要.

研究的目的:

• 为了评估*S. malaccense*叶子提取物和碎片的抗氧化潜力.
• 应用机器学习模型来根据测试图像预测抗氧化剂特性.

主要方法:

• 抗氧化剂测定包括DPPH,ABTS和铁减少抗氧化功率 (FRAP).
• 测试结果的光谱分析和图像处理.
• 机器学习模型 (SVM,决策树,随机森林,XGBOOST,LightGBM,CatBoost) 应用于图像数据.
• 通用线性模型 (GLM) 对溶剂效应的分析.

主要成果:

• XGBOOST和随机森林模型显示出高性能 (在训练中R2高达99.35%,在测试中95.50%).
• GLM分析表明,乙酸盐溶剂产生的FRAP最高,而素产生的FRAP最低.
• 乙醇提取是ABTS基因清除的最佳方法,而二甲是DPPH基因清除的最佳方法.

结论:

• 机器学习模型,特别是XGBOOST和Random Forest,显示出使用图像分析量化植物抗氧化物质的显著前景.
• 这项研究证实S. malaccense是抗氧化剂的来源,并展示了一种评估抗氧化剂的创新方法.