整合生物重力测量分析和机器学习进行植物材料的系统研究:从生物活性成分识别到生产区域预测

科学领域:

• 自然产品化学 自然产品化学
• 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:

• 植物材料具有复杂的化学成分,往往导致多途径的治疗效果.
• 传统的分离方法产生单一的化合物,阻碍了对复杂的植物生物活性的理解.
• 生物活性化合物含量的变化需要准确的植物材料识别和原产地分类.

研究的目的:

• 开发一种新的范式,BAMLOC (生物重力测量分析和机器学习驱动的起源分类),用于分析复杂的植物混合物.
• 在化合物分离之前,确定负责治疗效果的生物活性物质组.
• 根据化学资料准确地分类植物材料的地理来源.

主要方法:

• 生物重力测量分析包括绝对定量核磁共振 (qHNMR) 和斑马鱼模型辅助活动指数计算.
• 机器学习算法 (PCA,LDA,HCA,SVM) 用电子鼻子和GC-MS检测的挥发性有机化合物 (VOC) 来进行原产地分类.
• 应用BAMLOC对Codonopsis Radix用于识别生物活性化合物和确定植物来源.

主要成果:

• 巴姆洛克有效地确定了在复杂混合物中负责生物活性的生物活性物质组.
• 该方法成功地确定了聚乙烯和罗利丁类化物作为Codonopsis Radix.免疫恢复的关键.
• 使用VOC配置文件和机器学习实现了植物生产区域的准确分类和预测.

结论:

• 巴姆洛克代表了从复杂的自然来源发现生物活性化合物的重大进步.
• 这种综合方法为深入利用植物材料提供了更为确定的基础.
• 这项研究提高了将化学复杂性与生物活动和地理来源联系起来的能力.