使用非目标分析资料图像和二维卷积神经网络,对Angelicae Pubescentis Radix进行快速准确的歧视分析
Yue Huang1, Li Jun Tang1, Zhuo Ling Yang1
1School of Pharmacy and Food Engineering, Wuyi University, Jiangmen, 529020, PR China.
Journal of chromatography. A
|May 8, 2025
概括
这项研究有效地使用先进的成像和二维卷积神经网络 (2D-CNN) 识别了Duhuo样本的地理起源. 这种方法提供了一种强大而准确的方法来分析传统中医药样本.
科学领域:
- 分析化学 分析化学
- 化学信息学 化学信息学
- 药理学是指药理学,即药理学是指药理学.
背景情况:
- 地理来源对传统中医药 (TCM) 的质量和有效性产生重大影响.
- 准确区分TCM起源对于确保治疗的一致性和防止改至关重要.
- 传统的原产地歧视方法可能是劳动密集型的,缺乏精度.
研究的目的:
- 开发和验证一种有效的,非破坏性的方法来区分Duhuo样品的地理来源.
- 将二维卷积神经网络 (2D-CNN) 的性能与传统的机器学习模型进行原始歧视.
- 评估UPLC染色图和UV-Vis光谱图像在TCM起源分析中的有用性.
主要方法:
- 采用非向超高性能液体染色学 (UPLC) 和UV-Vis光谱学来获取样本数据.
- 二维卷积神经网络 (2D-CNN) 用于分析UPLC染色图和UV-Vis光谱图像.
- 传统的机器学习模型,包括极端梯度增强 (XGBoost),随机森林 (RF),部分最小平方差分分析 (PLS-DA) 和支持向量机器 (SVM),用于比较分析.
主要成果:
- 2D-CNN模型实现了高精度:98.28%的UV-Vis图像和100%的UPLC图像,特别是当通过数据增强增强时.
- 传统的机器学习模型在不同的数据集中表现出可变的性能.
- 紫外线-Vis光谱学被证明是快速检测的方便方法,补充了UPLC分析.
结论:
- 2D-CNN与UPLC和UV-Vis成像的集成提供了一个强大的,准确的,非破坏性的方法来区分TCM样本来源.
- 这种方法为精确和可靠的草药分析提供了一个强大的工具.
- 紫外线-Vis光谱作为一种有价值的技术,用于快速选TCM样品.
