机器学习相关技术在以黄酮为特征的黄芪分类中的应用研究

目的:建立以黄酮类成分为特征的栽培黄芪、半野生黄芪和野生黄芪的三分类模型,并且对自动机器学习技术和数据增强技术在药物分析领域中的应用进行探索和评价。方法:首先,对黄芪的黄酮类成分含量数据进行相关性分析、主成分分析,建立决策树和逻辑回归模型,根据模型分析黄酮类成分的重要性程度;然后,使用TVAE表格数据生成算法,根据真实数据生成600批虚拟数据,使用自动学习框架AutoGluon,num_bag_folds设为5,分别对64批真实数据和600批虚拟数据进行学习,得到2组共30个模型,依据准确率进行评估。结果:对机器学习模型的分析可知,芒柄花素、毛蕊异黄酮葡萄糖苷和刺芒柄花苷这3种黄酮类成分对于黄芪质量,尤其是来源等级的控制具有重要意义;2组共30个模型预测准确率表明,基于NeuralNet的模型和基于树模型的机器学习算法对于黄酮成分数据表征的黄芪而言分类效果最好;数据增强技术生成的虚拟数据与真实数据在所训练得到的模型准确率趋势方面基本一致。结论:机器学习相关技术在以黄酮为特征的黄芪分类中具有较好的应用价值。

黄芪中多种黄酮类成分的测定研究

目的:建立同时测定黄芪中毛蕊异黄酮葡萄糖苷、刺芒柄花苷、毛蕊异黄酮、山柰酚、异鼠李素和芒柄花素含量的超高效液相方法,并对结果数据进行初步分析。方法:使用Phenomenex Luna Omega C_(18)色谱柱(100 mm×2.1 mm, 1.6μm),以0.1%甲酸水溶液-甲醇为流动相,进行梯度洗脱,流速0.4 mL·min^(-1),柱温35℃,检测波长254 nm。结果:毛蕊异黄酮葡萄糖苷、刺芒柄花苷、毛蕊异黄酮、山柰酚、异鼠李素和芒柄花素色谱峰均得到了良好地分离,分别在0.83~8.33、0.21~2.10、0.07~0.72、0.06~0.58、0.04~0.40和0.04~0.41μg·mL^(-1)范围内线性良好,平均回收率结果为97.2%~101.6%,RSD为0.78%~2.4%。这6个黄酮类成分可能存在一定的规律。结论:方法简便、快速、准确,适用于黄芪中黄酮类成分的测定与分析。