Классификация географического происхождения лекарственных трав с помощью многопараметрического спектрального анализа

  • Полина Сергеевна Колодочка Институт физики им. Б. И. Степанова НАН Беларуси, пр. Независимости, 68, 220072, г. Минск, Беларусь
  • Михаил Александрович Ходасевич Институт физики им. Б. И. Степанова НАН Беларуси, пр. Независимости, 68, 220072, г. Минск, Беларусь

Аннотация

На примере ромашки аптечной, изготовленной в России и Беларуси, проведена классификация географического происхождения и производителя лекарственных трав методами многопараметрического анализа спектров оптической плотности 70 % спиртовых настоек в диапазоне длин волн 230–2600 нм. Для построения классификационных моделей применялись метод главных компонент, метод построения деревьев классификации и метод выбора спектральных переменных. Метод главных компонент позволяет существенно уменьшить размерность пространства признаков, в котором осуществляется построение деревьев классификации. Максимальное количество рассматриваемых главных компонент ограничено величиной 10, что дает возможность описать более 0,999 общей дисперсии измеренных спектров. Деревья классификации при проведении десятикратной кроссвалидации идентифицируют страну происхождения образцов в четырехмерном пространстве и производителя в трехмерном пространстве главных компонент широкополосных спектров оптической плотности с точностью более 0,93. Ранжирование спектральных переменных в порядке уменьшения модуля среднего отклонения оптической плотности от усредненной величины позволяет повысить точность классификационных моделей. Достоверная классификация географического происхождения ромашки аптечной достигается в пространстве главных компонент 20 из 2623 переменных, имеющихся в широкополосных спектрах. Точность классификации производителя была повышена до 0,94 за счет выбора 14 спектральных переменных.

Биографии авторов

Полина Сергеевна Колодочка, Институт физики им. Б. И. Степанова НАН Беларуси, пр. Независимости, 68, 220072, г. Минск, Беларусь

младший научный сотрудник центра «Диагностические системы»

Михаил Александрович Ходасевич, Институт физики им. Б. И. Степанова НАН Беларуси, пр. Независимости, 68, 220072, г. Минск, Беларусь

доктор физико-математических наук, доцент; главный научный сотрудник центра «Диагностические системы»

Литература

  1. Liang Y-Z, Xie P, Chan K. Quality control of herbal medicines. Journal of Chromatography B. 2004;812(1–2):53–70. DOI: 10.1016/j.jchromb.2004.08.041.
  2. Noviana E, Indrayanto G, Rohman A. Advances in fingerprint analysis for standardization and quality control of herbal medicines. Frontiers in Pharmacology. 2022;13:853023. DOI:10.3389/fphar.2022.853023.
  3. Wang P, Yu Z. Species authentication and geographical origin discrimination of herbal medicines by near infrared spectroscopy: a review. Journal of Pharmaceutical Analysis. 2015;5(5):277–284. DOI:10.1016/j.jpha.2015.04.001.
  4. Klein LC Jr, de Souza MR, Viaene J, Bresolin TMB, de Gasper AL, Henriques AT, et al. Quality control of herbal medicines: from traditional techniques to state-of-the-art approaches. Planta Medica. 2021;87(12–13):964–988. DOI:10.1055/a-1529-8339.
  5. Chen R, Liu F, Zhang C, Wang W, Yang R, Zhao Y, et al. Trends in digital detection for the quality and safety of herbs using infrared and Raman spectroscopy. Frontiers in Plant Science. 2023;14:1128300. DOI: 10.3389/fpls.2023.1128300.
  6. Drivelos SA, Georgiou CA. Multi-element and multi-isotope-ratio analysis to determine the geographical origin of foods in the European Union. Trends in Analytical Chemistry. 2012;40:38–51. DOI: 10.1016/j.trac.2012.08.003.
  7. Resce G, Vaquero-Piñeiro C. Predicting agri-food quality across space: a machine learning model for the acknowledgment of geographical indications. Food Policy. 2022;112:102345. DOI: 10.1016/j.foodpol.2022.102345.
  8. Li S, Yu X, Zhen Z, Huang M, Lu J, Pang Y, et al. Geographical origin traceability and identification of refined sugar using UPLC-QTof-MS analysis. Food Chemistry. 2021;348:128701. DOI:10.1016/j.foodchem.2020.128701.
  9. Bro R, Smilde AK. Principal component analysis. Analytical Methods. 2014;6(9):2812–2831. DOI:10.1039/C3AY41907J.
  10. Loh W-Y. Fifty years of classification and regression trees. International Statistical Review. 2014;82(3):329–348. DOI:10.1111/insr.12016.
  11. Mishra S, Datta-Gupta A. Applied statistical modeling and data analytics: a practical guide for the petroleum geosciences. [S. l.]: Elsevier; 2018. Chapter 5, Multivariate data analysis; p. 97–118. DOI: 10.1016/B978-0-12-803279-4.00005-5.
  12. Kolodochka PS, Khodasevich MA. Classification of sugar types by UV-VIS-NIR spectroscopy and multivariate analysis. In: The 12th International conference on photonics and applications (ICPA-12); 2022 September 28 – October 1; Con Dao, Ba Ria – Vung Tau, Vietnam. [S. l.]: [s. n.]; 2023. p. 244–247.
Опубликован
2024-09-23
Ключевые слова: спектральный анализ, метод главных компонент, дерево классификации, выбор спектральных переменных, лекарственное растительное сырье
Как цитировать
Колодочка, П. С., & Ходасевич, М. А. (2024). Классификация географического происхождения лекарственных трав с помощью многопараметрического спектрального анализа. Журнал Белорусского государственного университета. Физика, 3, 10-16. Доступно по https://journals.bsu.by/index.php/physics/article/view/6464