《Journal of Food Composition and Analysis》：Rapid identification and quality evaluation of
Gastrodia elata variants using chemometrics to integrate GC-MS and NIRS technologies
编辑推荐：
本研究针对不同天麻变种糖代谢组分缺乏系统比较的问题，通过GC-MS靶向代谢组学与NIRS技术结合多元统计分析，揭示WTM变种糖积累优势及D-果糖关键差异代谢物作用，构建的PLS-DA和PLSR模型实现变种精准区分与成分预测，为天麻质控提供快速无损创新策略。
在传统中医药宝库中，天麻（Gastrodia elata Blume）作为药食同源的明星物种，历来被用于平肝熄风、通络止痛。随着健康消费升级，市场对天麻及其制品的营养保健价值关注度持续攀升。然而，天麻在长期人工栽培过程中分化出多个变种，包括乌天麻（G. elata Bl. f. glauca, WTM）、红天麻（G. elata Bl. f. elata, HTM）和绿天麻（G. elata Bl. f. viridis, LTM）。这些变种因遗传背景差异，其活性成分组成和含量存在显著不同，直接影响临床疗效和经济价值。尤其值得注意的是，糖类成分作为天麻的主要活性物质之一，不仅构成其营养基础，天麻多糖更被证实具有免疫调节、神经保护及抗衰老等功能。但长期以来，针对不同天麻变种糖代谢组分的系统比较研究较为缺乏，多数研究集中于多糖结构与活性，而忽视了对单糖、双糖等小分子糖代谢物的精细解析。此外，传统质量评价方法依赖破坏性检测，效率低、成本高，难以满足生产现场快速鉴别的需求。
为破解这一难题，云南农业大学农学与生物技术学院的研究团队在《Journal of Food Composition and Analysis》上发表论文，创新性地整合气相色谱-质谱（GC-MS）与近红外光谱（NIRS）技术，结合化学计量学方法，实现对天麻变种的快速鉴定与糖代谢物品质评价。该研究不仅揭示关键差异代谢物，还建立高精度预测模型，为天麻质控提供新技术路径。
研究团队首先从云南昭通永善县采集WTM、HTM和LTM样本，经干燥粉碎后分别进行GC-MS靶向糖代谢物分析和NIRS光谱采集。通过GC-MS定性定量检测29种糖代谢物，并运用主成分分析（PCA）与正交偏最小二乘判别分析（OPLS-DA）挖掘变种间差异成分；进而利用NIRS数据构建偏最小二乘判别分析（PLS-DA）模型进行变种分类，并建立偏最小二乘回归（PLSR）模型预测关键糖含量。数据分析依托Metware Cloud平台、SPSS、SIMCA等工具，确保结果可靠性。
3.1. 糖代谢物结果
GC-MS共鉴定出29种糖代谢物，其中单糖25种（占比86.27%），双糖4种（13.79%）。三种变种中蔗糖含量均最高，其次为葡萄糖和D-果糖。WTM的蔗糖积累量（64.577 mg/g）显著高于HTM（53.916 mg/g）和LTM（43.140 mg/g），而D-果糖在HTM中含量最高（11.412 mg/g）。结果表明不同变种糖代谢物积累存在显著差异（p < 0.05）。
3.2. 不同天麻变种的PCA与OPLS-DA分析
PCA模型前两个主成分（PC1与PC2）累计方差贡献率达92.03%，清晰呈现三变种的聚类分离趋势。OPLS-DA模型参数（R2Y = 0.870, Q2 = 0.862）表明模型稳定性高，进一步验证变种间糖代谢组成差异显著。
3.3. 关键差异代谢物分析
通过VIP ≥ 1且log?FC ≥ 2筛选出15种显著差异糖代谢物。聚类热图显示WTM中8种代谢物积累量最高，HTM与LTM分别有5种和2种。D-果糖为差异最显著的代谢物，其KEGG通路富集分析揭示25条代谢通路，主要涉及代谢（15条）、机体系统（3条）等类别，提示变种间糖代谢网络调控存在本质区别。
3.4. D-果糖含量预测分析
基于NIRS的PLSR模型对D-果糖含量预测效果优异，其中一阶导数（FD）预处理模型训练集与测试集的R2分别为0.969和0.997，RPD（残差预测偏差）达3.938和3.756，Q2为0.940，表明模型具备高精度预测能力。
3.5. 变种鉴定分析
PLS-DA模型经FD、SD、MSC、SNV预处理后，对WTM、HTM和LTM的分类准确率均达100%，模型R2Y与Q2值均大于0.85，置换测试显示无过拟合风险。原始光谱因噪声干扰识别率较低（训练集55.26%，测试集66.67%），凸显预处理对提升模型性能的关键作用。
本研究通过GC-MS与NIRS技术联动，明确蔗糖为天麻主要糖成分，D-果糖为变种区分关键标志物，并成功构建快速、无损的变种识别与成分预测模型。尽管样本来源单一、模型算法传统等局限仍需完善，但该研究为天麻质控提供了从“化学精准解析”到“现场快速诊断”的系统解决方案，对推动中药材智能育种与标准化生产具有重要实践意义。未来通过扩大样本多样性、引入深度学习算法及跨仪器校准，有望进一步优化模型普适性，为药用植物品质升级注入新动力。
