机器学习建模Codonopsis Radix质量评估 整合效率,化学成分和宏观特征

科学领域:

• 药理学和药理学和药理学.
• 计算化学的计算化学
• 人工智能在质量控制中的作用

背景情况:

• 传统的草药,如Codonopsis Radix需要强大的质量评估方法.
• 草药质量的变化可能会影响治疗疗效.
• 需要客观和数据驱动的方法来补充传统的质量控制.

研究的目的:

• 使用机器学习开发Codonopsis Radix的智能质量评估系统.
• 整合各种数据类型,包括药理疗效,化学成分和气味概况.
• 为草药质量控制建立可解释的机器学习框架.

主要方法:

• 在动物模型中的药理动力学评估 (脏和肺功能).
• 酒精溶解提取物和多糖含量的组合分析.
• 电子鼻子技术用于客观的气味分析.
• 机器学习框架:特征提取,选择和模式识别 (分类和回归).
• 为了模型的可解释性,夏普利添加式解释 (SHAP).

主要成果:

• 集成电子鼻子数据的机器学习模型实现了高分类准确性.
• SHAP分析确定了关键传感器 (S8,S15,S16,S18) 对于分类至关重要.
• 回归模型成功地预测了可溶于酒精的提取物和多糖含量.
• 功能扩展和数据增强增强了模型的稳定性,尽管样本规模有限.

结论:

• 开发的智能系统通过整合多个数据源,有效地评估Codonopsis Radix的质量.
• 可解释机器学习方法为在草药质量控制方面的类似研究提供了可靠的技术途径.
• 这种综合方法提高了药草质量评估的客观性和准确性.