品质至上，客户至上，您的满意就是我们的目标
技术文章
当前位置: 首页 > 技术文章
Plant Phenomics | 上海理工大学庄松林院士团队开发了一种基于西洋参标志物F11的无损快速分析方法
发表时间：2021-02-23 09:30:46点击：1268
来源：植物表型组学
分享：
西洋参是一种名贵的药用草本植物，具有诸多的药理学价值。传统的西洋参鉴定方法存在费时、费力、消耗大等问题，而太赫兹光谱技术在定性和定量鉴定药草的关键物质方面具有巨大潜力。而今，特异性标志物标记分析法已变成物质分析的最重要手段。
近日，Plant Phenomics在线发表了上海理工大学庄松林院士团队题为Terahertz Spectroscopy for Accurate Identification of Panax quinquefolium Basing on Nonconjugated 24(R)-Pseudoginsenoside F11的研究论文。
本研究开发了一种基于西洋参的特异性物质拟人参皂苷F11为标志物的分析方法，详细研究了太赫兹光谱技术在药草西洋参定性和定量上的相关工作，分析对比了太赫兹和多种方法对西洋参的测试结果以及不同产地西洋参的光谱差异。本研究证明了以拟人参皂苷F11为出发点检测西洋参的高效性，也为后续太赫兹技术在药草鉴定领域的应用做出总结和展望。
首先，相较于其他光谱法展示物质分子的跃迁方式、官能团信息，太赫兹光谱法可以表征分子整体的信息，更快速精准的展示西洋参特异性标志物F11的信息。
第二，与《中国药典》的权威方法高效液相色谱法分析对比，两种方法的归一化误差小于5%，线性拟合度高达0.975。但太赫兹光谱法速度更快，经济实惠，提高了西洋参的检测效率，降低了检测成本。
第三，基于主成分分析法，通过分析不同样本的主成分得分的差异，不但实现了西洋参与同属于五加科人参属的其它药草、其它非草药物质的鉴别，而且可以鉴别西洋参的产地。这种通过光谱信息与算法程序的结合手段，使得西洋参检测更加智能化。
在本研究中，我们开发了一种拟人参皂苷F11准确、快速和经济有效的鉴别和定量分析新方法。研究中的理论模拟和实验数据证明了F11可以作为西洋参的生物标志物，其吸收峰面积可以准确地定量西洋参样品中F11的含量。
结合PCA算法证明西洋参和其他草药或药用植物可以被清晰地区分，而且适用于区分不同产地的西洋参。在未来，该方法结合太赫兹能量增强或系统信噪比改善，结合软件分析，将为多种植物的识别铺平道路，具有潜在的商业应用。
Figure 1: Different testing methods. Comparison for 24(R)-pseudoginsenoside F11.
Figure 3: Quantitative analysis of Panax quinquefolim.
Figure 4: Principal component analysis based on terahertz spectra.
作者简介
庄松林，中国工程院院士，现任上海理工大学光学与电子信息工程学院院长、博士生导师，上海光学仪器研究所所长，国际光学工程学会和美国光学学会fellow、中国仪器仪表学会名誉理事长、中国光学工程学会副理事长、探月计划专家组成员、教育部仪器科学和技术教指委副主任。庄松林院士长期从事应用光学、光学工程和光电子学的研究。
彭滟，上海理工大学博士生导师，教授，科研方面主要围绕太赫兹波在生物医学方面的应用研究展开。个人荣获“国家优秀青年自然科学基金”，上海市“东方学者”，“曙光学者”、“青年拔尖人才计划”和“启明星”人才称号，以及上海市“五四青年奖章”和上海市“巾帼建功标兵”荣誉称号等。
朱亦鸣，上海理工大学博士生导师，教授，国家万人计划“中青年科技创新领军人才”，国家百千万人才，青年长江学者，国家基金委优秀青年科学基金、国务院特殊津贴获得者。
李慧梁，海军军医大学药学系副教授，长期从事中药药效物质基础及新药研发研究。上海市科技启明星，曙光学者。
寇天一，上海理工大学硕士研究生，专业为光学工程，导师彭滟教授。研究方向为太赫兹生物检测和太赫兹光谱分析。
叶霁，海军军医大学药学系高级实验师，主要从事中药药效物质基础的发现和质量评价方面的研究工作，精通各类大型质谱仪器在中药的应用，如超高效液相色谱-串联质谱、气相色谱-串联质谱等。
论文链接
https://spj.sciencemag.org/journals/plantphenomics/2021/6793457/
——推荐阅读——
Machine Learning-Based Presymptomatic Detection of Rice Sheath Blight Using Spectral Profiles
https://spj.sciencemag.org/journals/plantphenomics/2020/8954085/
Plant Phenomics | 使用光谱特征和机器学习检测水稻纹枯病的发病先兆
Global Wheat Head Detection (GWHD) Dataset: A Large and Diverse Dataset of High-Resolution RGB-Labelled Images to Develop and Benchmark Wheat Head Detection Methods
https://spj.sciencemag.org/journals/plantphenomics/2020/3521852/
Plant Phenomics | 小麦麦穗自动检测大规模图像数据库：为可用于农业生产和研究现场的AI算法测试奠基
AboutPlant Phenomics
《植物表型组学》（Plant Phenomics）是由南京农业大学和美国科学促进会（AAAS）合作创办的英文学术期刊，于2019年1月正式上线发行，是Science合作出版的第二本期刊。采用开放获取形式，刊载植物表型组学交叉学科热点领域具有突破性科研进展的原创性研究论文、综述、数据集和观点。具体范围涵盖高通量表型分析的最新技术，基于图像分析和机器学习的表型分析研究，提取表型信息的新算法，作物栽培、植物育种和农业实践中的表型组学新应用，与植物表型相结合的分子生物学、植物生理学、统计学、作物模型和其他组学研究，表型组学相关的植物生物学等。期刊已被CABI、CNKI、DOAJ和PMC数据库收录。
说明：本文由《植物表型组学》编辑部负责组稿。
中文内容仅供参考，一切内容以英文原版为准。
编辑：周灿彧（实习）、鞠笑、孔敏
审核：尹欢
