基于THC含量快速分类大麻油的新分析选方法

科学领域:

• 分析化学 分析化学
• 频谱学是一种光谱学.
• 机器学习 机器学习

背景情况:

• 准确量化大麻油中D9-四化大麻 (THC) 的含量对于监管合规至关重要.
• 传统的THC检测分析方法可能耗时,需要复杂的样本准备.
• 开发快速有效的THC含量选方法是一个持续的挑战.

研究的目的:

• 提出一种新的分析方法,根据THC含量对商业大麻油样品进行分类.
• 开发和验证用于快速THC查的机器学习模型.
• 根据不同的监管门来比较分类性能.

主要方法:

• 使用中红外光谱 (MIR) 分析了204个商用大麻油样本.
• 部分最小平方差异分析 (PLS-DA) 的应用用于分类.
• 基于监管门 (0.2%和0.3%THC w/w) 的两个分类模型的开发.

主要成果:

• 这两种分类模型都实现了高精度 (>88.50%).
• 模型B (值>0.3%THC) 与模型A (值>0.2%THC) 相比显示出更好的灵敏度 (STR),特别是在测试组 (95.00%vs77.27%).
• 该MIR光谱和机器学习方法提供了准确的分类与简化样本处理.

结论:

• 开发的分析方法提供了一个可行的,快速和简单的替代方案,用于传统的实验室方法THC选在麻油.
• 这种方法有助于高效地遵守对大麻产品的不同国际监管标准.
• MIR光谱和PLS-DA的结合为大麻行业的质量控制和监管监测提供了一个强大的工具.