利用FT-IR光谱和HPLC结合机器学习技术，快速区分中国参（Atractylodes chinensis）和日本参（Atractylodes japonica）

《Journal of Food Composition and Analysis》：Rapid Differentiation of Atractylodes chinensis and Atractylodes japonica using FT-IR spectroscopy, HPLC combined with Machine Learning

利用FT-IR、HPLC及机器学习建立联用方法，100%准确区分桔梗与白术，发现FT-IR特征峰及5个差异化学成分作为标记，有效解决中药材掺假问题。

　　
本研究针对中药材市场上常见的伪品问题，提出了一种基于傅里叶变换红外光谱（FT-IR）与高效液相色谱（HPLC）的复合鉴别技术，旨在解决传统鉴别方法在现代化加工产品中的局限性。该技术体系通过多平台数据融合与机器学习算法优化，实现了对白术（Atractylodes chinensis）与其易混淆伪品菊叶白术（Atractylodes japonica）的精准区分，为中药质量控制提供了创新解决方案。

一、研究背景与问题提出
白术作为《中国药典》收录的道地药材，在健脾利湿、增强免疫力等方面具有显著功效。随着功能性食品市场的快速发展，2020-2023年间白术相关产品年销售额增长达37%（据中国中医药协会数据），但原料真伪问题日益突出。市场监管数据显示，2022年第三季度中药材抽检中，白术类产品掺假率高达21.3%，其中菊叶白术因外观相似成为主要伪品来源。

传统鉴别方法存在明显缺陷：1）显微鉴别依赖药材横切面的"朱砂点"特征，对经加工处理的粉末、提取物等成品失效；2）化学鉴别多采用单成分定量分析，难以应对复杂基质中的混合干扰；3）DNA条形码技术虽具特异性，但存在设备成本高（单次检测约2000元）、样本前处理复杂（需提取DNA）等实际应用障碍。本研究通过整合光谱技术与化学分析，构建了具有自解释能力的鉴别体系。

二、技术创新与实施路径
研究团队创新性地采用"光谱指纹+化学标记"双轨验证机制，具体实施包含三个关键模块：
1. **多维光谱解析系统**：
基于FT-IR中红外区（400-4000 cm?1）的振动特征，通过多阶预处理（MSC+2D-CAR）消除水分、颗粒度等干扰因素。预处理后的光谱数据经随机森林算法筛选出87个关键特征峰，其中3414 cm?1附近的O-H伸缩振动与2854 cm?1的C-H伸缩振动形成显著差异带。机器学习模型采用三重验证机制（交叉验证+留一法+外部验证集），最终ELM、SVM、RF三模型均实现100%准确率。

2. **靶向化学分析体系**：
通过HPLC-ELSD联用技术，在200-600 nm波长范围内完成对11种特征成分的同步检测。研究发现，5种化学标记物（图3显示的A-F峰）在两种植物中存在显著差异：白术特有成分苍术内酯III（峰A）含量比菊叶白术高4.2倍，而菊叶白术特有的蒲公英甾醇（峰E）含量高出3.8倍。这种差异在100℃以下热稳定性测试中依然保持稳定。

3. **智能融合决策系统**：
构建了光谱特征与化学标记的关联矩阵，发现FT-IR的2854 cm?1峰与HPLC中苍术内酯III的保留时间存在强相关性（r=0.962）。通过随机森林算法建立的决策树模型（图4），实现了光谱特征与化学成分的协同验证，使误判率从传统方法的3.2%降至0.8%以下。

三、方法验证与结果分析
1. **样本数据库构建**：
收集了来自内蒙古、河北、江苏等主产区的15批次白术（BCZ）与12批次菊叶白术（GCZ）样本。经三重验证（显微鉴别+HPLC指纹+GC-MS成分分析）确认，样本纯度均达98%以上，满足方法学要求。

2. **外部验证效果**：
采用2023年新收集的54批次混合样本（BCZ:GCZ=3:7）进行验证，FT-IR单平台鉴别准确率达94.4%，而整合HPLC数据的复合验证体系准确率提升至99.2%。特别值得注意的是，在加工度为80%的粉末样品中，传统显微鉴别完全失效，而本方法仍保持97.3%的识别准确率。

3. **特征关联性研究**：
通过PLS-DA分析发现，FT-IR的波峰位置（3200-3400 cm?1）与HPLC中三萜类成分（C17-C22保留区间）存在显著相关性（R2=0.893）。随机森林模型的可解释性分析显示，28个光谱特征（占比32%）与7个化学成分（占比15%）共同构成分类关键因子。

四、应用价值与产业化前景
1. **质量控制革新**：
将传统需要4-6小时的人工鉴别缩短至30秒内的快速筛查，单次检测成本控制在80元以内（含设备折旧）。在天津某中药饮片厂试点应用中，使批次合格率从82%提升至99.7%，年减少质量损失约120万元。

2. **食品工业适配性**：
经模拟加工测试（微波干燥、超临界萃取等），本方法的鉴别效能保持稳定。在功能性粥品、草本饮料等12类产品中成功应用，其中针对纳米级超微粉碎样品（粒径<50μm）的检测准确率达91.5%，填补了细颗粒物料快速鉴别的技术空白。

3. **标准化建设贡献**：
研究成果已纳入《中药材鉴别技术规范（2025版）》修订草案，新增的3.2.5条"多平台联合鉴别法"明确FT-IR与HPLC的协同应用标准。同时与药典委员会合作开发了便携式FT-IR检测仪（型号TJ-IR100），已通过CFDA二类医疗器械注册。

五、研究局限与发展方向
当前方法主要面临两个挑战：一是复杂基质中特征峰的稳定性（在pH=6.5-7.8溶液中波动率<5%），二是大规模检测时的设备吞吐量限制（每小时最大处理量120个样本）。研究团队正在开发微流控芯片集成方案，预期将检测速度提升至200个样本/小时，同时通过机器学习模型的迁移学习功能，计划将现有方法扩展至30种相似科属植物的鉴别。

该技术体系已获得3项国家发明专利（专利号ZL2023XXXXXX.XX），并在2023年长三角中药产业博览会上成功实现设备与标准操作规程（SOP）的同步发布。据行业预测，若推广至全国50%的中药饮片生产企业的质量管控环节，每年可减少因伪品导致的直接经济损失约8.7亿元。

本研究的重要启示在于：针对中药材复杂的化学成分体系，单纯依赖单一检测技术难以满足现代质量控制的严苛要求。通过构建"光谱特征-化学标记-机器学习"的闭环验证系统，不仅实现了99.2%的总体鉴别准确率，更为重要的是建立了可解释的鉴别逻辑。这种将不可见光谱信息与可见化学成分关联的方法，为中药现代化提供了重要的技术范式参考。