一种基于植物代谢组学与人工智能的黄芪种植模式分析方法技术

本发明专利技术公开了一种基于植物代谢组学与人工智能的黄芪种植模式分析方法，属于中药技术领域，包括以下步骤：(1)黄芪样品的制备，(2)构建极限学习机模型，(3)未知种植模式黄芪的分析及鉴定；本发明专利技术方法首先通过植物代谢组学分析确定种植模式对黄芪代谢物的组成的影响，确定能够利用样品的整体代谢物信息，通过模式识别对其进行客观分类，再进一步利用极限学习机模型，高效区分和预测未知黄芪的种植模式是否为标准化种植，填补了当前技术在黄芪的种植模式预测和品质分析方面的空白，预测准确率可达92.31％；进一步的，该方法可以用于黄芪样品质量的评价。量的评价。量的评价。

【技术实现步骤摘要】
一种基于植物代谢组学与人工智能的黄芪种植模式分析方法


[0001]本专利技术属于中药
，具体涉及一种基于植物代谢组学与人工智能的黄芪种植模式分析方法。

技术介绍

[0002]中药的起源可以追溯到4000年前，在寻找食物的过程中，人们逐渐发现了某些植物的治疗效果，并从中医中推出了“药食两用”的概念。截至2022年公布的名单，有102种物质被认定为既是药物也是食物。黄芪(Astragali Radix，AR)是常用药材之一，2018年国家卫健委正式将其列入药食两用物质清单。AR作为具有2000多年药用历史的经典补药，既可以单独使用，也可以作复方制剂的君药，如补中益气汤。当用作食物时，它可以煮水以代茶饮，也可以和其他中药一起炖煮，这两种方法都可以发挥补气强身的作用。现代药理学研究发现，AR可提高机体免疫功能，具有抗疲劳、抗衰老、抗肿瘤等药理活性。如今，像AR这种疗效温和的中药在日常生活中被广泛用于健康预防和辅助治疗，这也伴随着中药需求量的增加。然而，随着大量种植人员的涌入，AR种植业出现了品种盲目引进、种质混合、分散或小规模种植等一系列问题。同时，这些因素导致的药材种植不稳定和质量参差不齐是药材商品化的主要障碍之一。
[0003]标准化种植的概念最初出现在农业领域，是为了实现更加精细化、规范化、科学化的种植，如公开号为CN107409763A的中国专利文献公开了一种六妹羊肚菌的标准化大田生产方法，标准化种植方法现已被推广应用于中药种植业。就AR而言，其标准化种植是基于发达的根系、对环境较强的适应性，在选地选种、播种方式、田间管理等方面采取一系列科学规范的管理措施，标准化种植是保证质量的关键，有助于生产出质量更稳定、疗效更好的药材。
[0004]但是现有技术中还缺乏一种综合的方法来评价标准化种植的效果与快速识别未知样本。AR质量评价主要有两种参考模式，一种是感官评价，另一种是化学评价。通常，根更长、更粗的AR被认为质量更好，但这种评价方法容易受到个人主观影响，缺乏统一的度量标准。当以化学成分为指标时，例如药典中的含量测定项包含黄芪甲苷和毛蕊异黄酮
‑7‑
O
‑
β
‑
D
‑
葡萄糖苷在内，但不同商品规格的划分与这两种成分的含量并没有直接关系。因此，如何科学、全面地评价标准化种植对中药品质的影响，快速判断其是否为标准化药材，一直是分析人员面临的挑战。
[0005]植物代谢组学研究是从整体出发，系统地分析植物中的所有小分子物质及其随时间、环境的变化，有利于药用植物物质基础及其功能的阐明、物种的判断及预测等。植物体中代谢产物的组成和丰度受环境条件的影响，其组成可以作为判别质量的良好标准，因此植物代谢组学可以作为系统区分AR的评价方法。现有技术中，植物代谢组学已被应用于探究高盐、高温、缺氧等条件对于药用植物内源性代谢组分的影响，但是还尚未被应用于标准化种植的研究。

技术实现思路

[0006]本专利技术提供了一种基于植物代谢组学与人工智能的黄芪种植模式分析方法，本专利技术方法利用植物代谢组学结合极限学习机算法模型，能够高效区分和预测未知黄芪的种植模式是否为标准化种植，进而对大批量黄芪的质量进行评价。
[0007]具体采用的技术方案如下：
[0008]一种基于植物代谢组学与人工智能的黄芪种植模式分析方法，包括以下步骤：
[0009](1)黄芪样品的制备：采集未经标准化种植的黄芪粉末样品与经标准化种植的黄芪粉末样品，利用有机溶剂提取后过滤，取上清液浓缩，真空干燥后得粗提物，粗提物复溶后得到粗提物溶液，将粗提物溶液进行超高效液相色谱
‑
串联飞行时间质谱分析，得到LC
‑
MS图；
[0010](2)构建极限学习机模型：以LC
‑
MS图中全部代谢物对应的保留时间和响应值归一化处理后作为样本数据，为样本数据标注是否为标准化种植的标签，利用样本数据对极限学习机模型在标签的监督下进行训练，以优化预测模型参数；
[0011](3)未知种植模式黄芪的分析及鉴定：取待鉴定黄芪样本，按照步骤(1)的方法得到待鉴定黄芪的LC
‑
MS图，将LC
‑
MS图中全部代谢物对应的保留时间和响应值归一化处理后作为待测数据输入至参数优化的极限学习机模型中，预测待鉴定黄芪的种植模式是否为标准化种植。
[0012]本专利技术方法将液相
‑
质谱(LC
‑
MS)技术应用于植物代谢组学的化学成分分析，LC
‑
MS方法能够同时检测出多种代谢物，图谱中信号峰的强度与其浓度成正比，并通过植物代谢组学分析确定种植模式对黄芪代谢物的组成的影响，确定能够利用样品的整体代谢物信息，通过模式识别对其进行客观分类；进一步的，极限学习机(ELM)作为人工智能的一种数据处理形式，具有强大自我学习与突出处理非线性数据的能力，基于植物代谢组学的研究基础，能够用于非线性区分黄芪样品是否为标准化种植，更准确地反映数据的信息特征，同时完成数据的分类和预测，速度比传统机器学习算法更快。
[0013]优选的，步骤(1)中，黄芪粉末样品与有机溶剂的料液比为1g：20
‑
40mL；有机溶剂为含0.03
‑
1％甲酸的甲醇溶液。
[0014]优选的，粗提物利用甲醇复溶后得到浓度为500μg/mL的粗提物溶液。
[0015]具体的，超高效液相色谱的条件为：色谱柱，SB
‑
C18；流动相A为0.1％甲酸水，流动相B为乙腈；进样量，1
‑
3μL；流速，0.3
‑
0.5mL/min；柱温，20
‑
30℃；梯度洗脱；质谱条件为：在正离子模式下扫描；毛细管电压，3.5kV；干燥气N2温度，350℃；干燥气流速，5.0L/min；雾化气压，35psi；裂解电压，1kV；自动采集模式，采集范围，m/z 100
–
1100。
[0016]步骤(3)中，将样本数据划分为训练集和测试集，利用训练集训练所述的预测模型，利用测试集评价预测模型优度，优化预测模型参数。
[0017]所述的极限学习机模型的训练过程包括：以LC
‑
MS图中全部代谢物对应的保留时间和响应值归一化处理后作为输入值，以是否为标准化种植作为标签，比较极限学习机模型基于输入值输出的预测值与标签之间的均方误差大小来优化模型参数。
[0018]具体的，极限学习机模型的训练过程中，使用了标准的三层神经网络模型(输入层、隐藏层和输出层)，随机选取全部批次黄芪样品中的2/3作为训练样本，1/3作为测试样本，利用MATLAB软件进行编程。将2/3训练样本的数据点信息(保留时间和响应值)归一化为
训练集并输入极限学习机模型进行训练和学习，同时设置隐藏层中的节点数，并在每次训练过程中随机选择不同的训练样本和测试样本。比较极限学习机模型基于输入值输出的预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于植物代谢组学与人工智能的黄芪种植模式分析方法，其特征在于，包括以下步骤：(1)黄芪样品的制备：采集未经标准化种植的黄芪粉末样品与经标准化种植的黄芪粉末样品，利用有机溶剂提取后过滤，取上清液浓缩，真空干燥后得粗提物，粗提物复溶后得到粗提物溶液，将粗提物溶液进行超高效液相色谱
‑
串联飞行时间质谱分析，得到LC
‑
MS图；(2)构建极限学习机模型：以LC
‑
MS图中全部代谢物对应的保留时间和响应值归一化处理后作为样本数据，为样本数据标注是否为标准化种植的标签，利用样本数据对极限学习机模型在标签的监督下进行训练，以优化预测模型参数；(3)未知种植模式黄芪的分析及鉴定：取待鉴定黄芪样本，按照步骤(1)的方法得到待鉴定黄芪的LC
‑
MS图，将LC
‑
MS图中全部代谢物对应的保留时间和响应值归一化处理后作为待测数据输入至参数优化的极限学习机模型中，预测待鉴定黄芪的种植模式是否为标准化种植。2.根据权利要求1所述的基于植物代谢组学与人工智能的黄芪种植模式分析方法，其特征在于，步骤(1)中，黄芪粉末样品与有机溶剂的料液比为1g：20
‑
40mL；有机溶剂为含0.03
‑
1％甲酸的甲醇溶液。3.根据权利要求1所述的基于植物代谢组学与人工智能的黄芪种植模式分析方法，其特征在于，粗提物利用甲醇复溶后得到浓度为500μg/mL的粗提物溶液。4.根据权利要求1所述的基于植物...

【专利技术属性】
技术研发人员：楚楚，李陈玥，邢潇琳，裘飞君，单伟光，
申请(专利权)人：浙江新光药业股份有限公司，
类型：发明
国别省市：