基于LC-QTOF/MS的非靶向代谢组学技术与机器学习算法结合，用于鉴别永福罗汉果（Siraitia grosvenorii）的地理来源

《Food Analytical Methods》：LC-QTOF/MS-Based Non-targeted Metabolomics Combined with Machine Learning Algorithms for Geographical Origin Discrimination of Yongfu Luohan Guo (Siraitia grosvenorii)

基于代谢组学与机器学习的龙凤罗汉果地理标志认证研究。LC-QTOF/MS分析揭示8种关键代谢物（黄酮、萜类、生物碱）区分产地的CNN模型达100%准确率，并关联地域代谢特征与果实质量，为农产品认证提供可扩展方法。

　　

摘要

农产品的地理来源是决定其质量和经济价值的关键因素。为此，建立了一种基于非靶向代谢组学的机器学习（ML）流程，用于验证“永福罗汉果”的真伪。通过对来自不同产地的样本进行液相色谱-四极杆飞行时间质谱（LC-QTOF/MS）分析，获得了全面的代谢物数据集，并利用监督式机器学习算法对这些数据进行了分析。多变量分析揭示了能够区分“永福罗汉果”与其他品种的独特代谢特征。其中，卷积神经网络（CNN）模型的分类准确率达到了100%，仅需利用8种关键代谢物作为生物标志物。这些生物标志物包括：两种黄酮类化合物（5-羟基-3-(5-羟基-2,4-二甲氧基苯基)-6-甲氧基-7-[3,4,5-三羟基-6-(羟基甲基)氧杂蒽-2-基]氧铬酮-4-酮和格拉布罗尔）；三种萜类化合物（罗多贾帕宁III、拉皮丁和乙酰基西米根醇阿拉伯糖苷）；以及三种生物碱（科里诺克辛、印地鲁宾和氢奎尼丁）。在“永福罗汉果”中观察到了具有地域特异性的代谢物积累趋势，这些趋势与果实品质属性相关。这种将代谢组学与机器学习相结合的方法为多种农产品的地理标志认证提供了一种可扩展的解决方案。

图形摘要

农产品的地理来源是决定其质量和经济价值的关键因素。为此，建立了一种基于非靶向代谢组学的机器学习（ML）流程，用于验证“永福罗汉果”的真伪。通过对来自不同产地的样本进行液相色谱-四极杆飞行时间质谱（LC-QTOF/MS）分析，获得了全面的代谢物数据集，并利用监督式机器学习算法对这些数据进行了分析。多变量分析揭示了能够区分“永福罗汉果”与其他品种的独特代谢特征。其中，卷积神经网络（CNN）模型的分类准确率达到了100%，仅需利用8种关键代谢物作为生物标志物。这些生物标志物包括：两种黄酮类化合物（5-羟基-3-(5-羟基-2,4-二甲氧基苯基)-6-甲氧基-7-[3,4,5-三羟基-6-(羟基甲基)氧杂蒽-2-基]氧铬酮-4-酮和格拉布罗尔）；三种萜类化合物（罗多贾帕宁III、拉皮丁和乙酰基西米根醇阿拉伯糖苷）；以及三种生物碱（科里诺克辛、印地鲁宾和氢奎尼丁）。在“永福罗汉果”中观察到了具有地域特异性的代谢物积累趋势，这些趋势与果实品质属性相关。这种将代谢组学与机器学习相结合的方法为多种农产品的地理标志认证提供了一种可扩展的解决方案。

图形摘要