一种大叶滇黄精的近红外光谱鉴别方法

本发明涉及中医药研究，尤其是涉及一种大叶滇黄精的近红外光谱鉴别方法。

背景技术：

1、黄精作为传统食药同源植物，具有润肺、健脾、益肾等功效，被2025年版《中国药典》收录。目前市场上流通的黄精药材来源复杂，基原植物包括鸡头黄精（ polygonatum  sibiricum）、多花黄精（ p. cyrtonema）和滇黄精（ p. kingianum）等物种及其变种。大叶滇黄精（ p. kingianumvar. grandifolium）是滇黄精的变种，具有生物量大、适应性强、口感佳等优势，是四川、重庆、湖北等地的主栽品种，栽培面积和产量逐年上升，已成为黄精属食药物质规模化栽培的重要基原植物。然而，大叶滇黄精在外观形态上易与其他黄精物种混淆，传统鉴别方法依赖形态学特征尤其是地上部分形态，存在主观性强、周期长、易受环境影响等问题，根茎作为主要的繁殖部位（种苗种茎）和药用部位，其鉴定更是困难，现有技术难以满足大规模、快速、准确的品种鉴别需求。因此，开发一种高效、准确、无损的鉴别方法，对促进品种优选、保障黄精药材质量与支撑产业升级具有重要意义。

2、近年来，近红外光谱（nirs）结合多变量统计分析已被广泛用于追踪食物和草药的来源，并确定大米和大豆等作物中的淀粉、脂肪、蛋白质和皂苷含量，以用于质量控制。nirs应用于食药领域鉴别及定量检测的发展十分迅速。利用nirs技术可以无损鉴别百合属植物、野生蘑菇的物种，丹参及云南丹参、欧洲油菜的品种。由于其快速且无损的采样、简单的操作、良好的稳定性和高效率，nirs在食品和医药领域的定性鉴定和定量分析方面取得了进展，因此显示了nirs的广泛应用前景。如何利用nirs准确鉴别黄精的种类，也是一个研究热点。

技术实现思路

1、针对现有技术存在的上述问题，本发明提供了一种大叶滇黄精的近红外光谱鉴别方法。本发明利用opls-da模型正确区分了黄精不同物种（变种），该模型较为稳定可靠。nir光谱结合opls-da可较好识别出大叶滇黄精药材粉末。

2、本发明的技术方案如下：

3、本发明的第一个目的是提供一种大叶滇黄精的近红外光谱鉴别方法，包括如下步骤：

4、（1）将不同种类的黄精，经过干燥后，取等量的样品粉末采用积分球漫反射采样系统，使用antaris ii 傅立叶变换近红外光谱仪（thermo scientific inc.，madison，wi，usa）和tq analyst光谱分析软件采集光谱，获得不同种类黄精的近红外光谱；黄精包括大叶滇黄精、滇黄精、多花黄精和鸡头黄精；

5、（2）对不同种类黄精的近红外光谱进行多元散射校正（msc）和二阶导的预处理，得到预处理的opls-da评分图；

6、（3）根据opls-da评分图，不同种类的黄精集中在不同象限；位于第二象限的为大叶滇黄精。

7、在本发明的一种实施方式中，步骤（1）中，为了获得可重复性的结果，以背景空气为空白标准，记录所有nirs光谱64次，光谱范围从10000 cm-1到4000 cm-1，光谱分辨率为8cm-1，每个样品在室温下分析3次，以平均光谱进行后续操作。

8、在本发明的一种实施方式中，步骤（2）中，预处理采用unscrambler x 10.4化学计量学软件（camo process，oslo，norway），并利用origin 2021b对数据进行绘图分析。

9、在本发明的一种实施方式中，所述的近红外光谱鉴别方法还可以鉴别滇黄精、多花黄精和鸡头黄精；滇黄精位于第一象限，多花黄精位于第三象限，鸡头黄精位于第四象限。

10、本发明建立的opls-da模型采用r2y和q2来评价模型的拟合效果。

11、在本发明一种实施方式中，经过msc+sd预处理后所建opls-da模型的r2y值可达0.997，q2值可达0.472，表明该模型不仅对训练数据拟合度极高，且具备良好的预测性能，能够稳定可靠地用于大叶滇黄精的鉴别。

12、r2y表示所建立的模型对y矩阵信息的解释率，q2为交互验证的相关系数，表示模型的预测能力。

13、r2y用于量化opls-da模型对类别变量矩阵（y矩阵）的解释能力，即模型拟合已知数据的好坏程度。其计算基于平方和分解的原理。

14、总平方和（sst）：首先计算y矩阵中所有响应变量（即类别标签的数值化表示）的总变异。

15、

16、其中，yi是第i个样本的实际观测值，是所有样本观测值的平均值。

17、残差平方和（ssr）：计算模型预测值与实际观测值之间的差异。

18、

19、其中，是模型对第i个样本的预测值。

20、r2y的计算：

21、r2y = 1-(ssr / sst)

22、r2y的取值范围在0到1之间。r2y越接近于1，表明模型对已知数据的拟合程度越好，即模型能够解释y矩阵中绝大部分的变异。

23、q2用于评估opls-da模型的预测稳健性，即模型预测未知样本的能力。其计算通过交叉验证进行，本发明优选留一法交叉验证。

24、交叉验证过程：

25、1、从总共n个样本中，依次剔除一个样本。

26、2、使用剩余的n-1个样本重新构建opls-da模型。

27、3、用新构建的模型去预测那个被剔除的样本，得到其预测值。

28、4、重复以上步骤，直至每个样本都被剔除并预测一次。

29、预测残差平方和（press）：计算所有样本在交叉验证中的预测值与实际值的差异平方和。

30、

31、q2的计算：

32、q2 =1 - (press / sst)

33、q2的取值范围通常小于1，可以是负值。q2值越大（越接近1），表明模型的预测能力越强、稳健性越高。通常认为，q2>0.5表明模型具有良好的预测能力。

34、本发明有益的技术效果在于：

35、本发明利用opls-da模型正确区分了黄精不同物种，该模型较为稳定可靠。nir光谱结合opls-da可较好识别出大叶滇黄精药材粉末。

36、本发明创建立了一种能够快速、准确、无损鉴别大叶滇黄精的方法，解决了该高价值变种在传统鉴定中的技术瓶颈。

37、本发明将多元散射校正（msc）与二阶导数（sd）相结合的预处理方法应用于黄精属植物的近红外光谱分析，有效消除了颗粒大小、表面散射等物理干扰，并放大了与官能团相关的细微光谱特征。在此基础上，引入正交偏最小二乘判别分析（opls-da）模型，该模型能够将与分类无关的系统性变异（正交信号）从与分类相关的变异中分离出来，从而构建出判别能力更强、更具专属性的分类模型。

38、本发明通过优化后的opls-da模型，明确发现并定义了大叶滇黄精在模型得分图中的特异性分布区域（第二象限），从而实现了大叶滇黄精与滇黄精、多花黄精、鸡头黄精的快速、准确区分。这为该特定变种提供了独一无二的“光谱指纹”标识。