来自不同来源的Fritillariae Cirrhosae Bulbus的多维质量评估和可追溯性研究

科学领域:

• 药物鉴定和代谢学
• 化学测量和机器学习
• 植物科学和质量控制

背景情况:

• Fritillariae Cirrhosae Bulbus (FCB) 的质量受到地理原产地和种植方式的重大影响.
• 确保FCB的质量和真实性对于其药用应用至关重要.
• 需要进行多维分析和准确的可追溯性来区分FCB来源.

研究的目的:

• 系统地分析来自不同来源的FCB的代谢和组成变化.
• 构建基于深度学习的可追溯性模型,用于精确识别FCB的来源.
• 建立FCB多维质量评估和可追溯性的理论基础.

主要方法:

• 集成的非向代谢学,向的化物量化,矿物元素分析和超光谱成像.
• 利用基因和基因组的京都百科全书 (KEGG) 途径分析来解释代谢差异.
• 开发了一个残余网络 (ResNet) 深度学习模型,使用高光谱衍生3D相关谱 (3DCOS) 图像.

主要成果:

• 在不同的FCB来源中观察到显著的代谢物和类化合物 (皮米辛,帝国,皮米宁,皮米宁) 变化.
• 鉴定出了不同的矿物元素配置,与特定类化合物相关.
• 该ResNet模型实现了100%的测试/验证准确性和86.67%的外部验证准确性,用于FCB可追溯性.

结论:

• 地理来源和种植管理对FCB的代谢和化学特征有深远的影响.
• 深度学习模型,特别是带有超频谱数据的ResNet,与传统方法相比,提供了更好的可追溯性.
• 这项研究为FCB的质量控制和资源开发提供了坚实的框架.