将电子传感器技术、非靶向代谢组学、傅里叶变换近红外光谱（FT-NIR）与机器学习相结合，用于快速区分诃子（Chebulae Fructus）的来源并评估其品质

《Food Research International》：Integrating electronic sensory, untargeted metabolomics, and FT-NIR spectroscopy with machine learning for rapid origin discrimination and quality assessment of Chebulae Fructus

鸡爪树果实来源鉴定及综合质量评价体系构建，首次整合DNA条形码、电子眼/鼻感官分析、代谢组学与FT-NIR-机器学习模型。通过ITS2序列比对确认62批次样品中38份为T.chebula Retz.，24份为T.chebula var.tomentella Kurt.，建立基于CARS算法优化特征提取的PLS回归模型，实现两种亚种完美分类及5种活性成分（R2c>0.92）和3项抗氧化指标（R2p>0.92）的同步预测，为快速质检提供高效解决方案。

　　

李宇航|何伟|张汉文|李月娥|李晓萌|葛国侃|黄亚伟|德吉

南京中医药大学药学院，中国南京210023

摘要

准确鉴定诃子（Chebulae Fructus，简称CF）的植物来源对于确保其质量和治疗效果至关重要。为此，本研究首次建立了一种综合性的质量评估策略，整合了多种现代分析技术。首先，使用DNA条形码技术验证了样品的植物来源。随后，利用电子眼（E-eye）和电子鼻（E-nose）客观地量化并区分了果实的颜色特征和风味特征。非靶向代谢组学分析鉴定出了9037种代谢物，全面揭示了两种亚种之间的化学差异。抗氧化活性测试表明，Terminalia chebula Retz.在ABTS和FRAP测试中表现出更优的性能。为了实现快速的质量评估，基于傅里叶变换近红外（FT-NIR）光谱的机器学习模型被开发出来。通过整合线性判别分析（LDA）的分类模型，能够完美区分两种来源的样品。此外，使用竞争性自适应加权采样（CARS）等算法选定的优化光谱变量构建的偏最小二乘（PLS）回归模型，可以准确预测五种关键活性成分的含量和三个抗氧化活性指标（R²c, R²p ≥ 0.92）。这种方法为CF的质量控制提供了一种高效可靠的分析工具，满足了行业对快速、现场分析的需求。

引言

诃子（Chebulae Fructus，简称CF）是一种原产于南亚和东南亚的传统药用和食用植物（Srivastava等人，2012年），广泛用于食品、香料和医药领域。在阿育吠陀和藏医学体系中，它被誉为“药物之王”（Ou等人，2024年），从而确立了其作为天然防腐剂和促进健康的食品成分的潜力（Lee等人，2007年）。CF具有广泛的药理活性，包括抗炎（Ou等人，2024年）、促进消化、止泻（Mahmood等人，2019年）、止咳（Yan等人，2024年）和促进血液循环的作用。这些特性支持了其在治疗慢性胃炎、特应性皮炎（Kim等人，2022年）和糖尿病（Y.-N. Huang等人，2012年）等病症中的传统应用。除了药用价值外，CF还作为一种功能性食品被广泛消费。其在调节血糖和肠道健康方面的显著效果，进一步支持了其作为促进代谢健康的膳食补充剂的开发。随着全球对天然健康产品需求的增长，基于CF的功能性食品、补充剂及相关产品的市场正在迅速扩张。

然而，CF的植物来源存在复杂问题。市面上销售的产品往往来源于多种来源，包括Terminalia chebula Retz.（TC）和Terminalia chebula Retz. var. tomentella Kurt.（TCT），导致质量和治疗效果不稳定（Bhatt等人，2017年）。这两种品种均被收录在中国药典中。CF的化学成分和生物活性因其来源不同而存在显著差异。研究表明，CF的主要活性成分包括单宁、酚酸和黄酮类化合物。准确鉴定植物来源并量化关键活性成分对于保证CF产品的质量、安全性和治疗效果的一致性至关重要。

目前，CF的质量评估方法存在局限性。传统的感官评估往往主观且不可靠。虽然基于色谱（如UPLC-MS、GC–MS）或光谱（如¹H NMR）的化学分析技术精确度高，但通常需要复杂的样品制备过程、耗时的检测时间以及高昂的仪器成本（K. Li等人，2019年；Thanigaivel等人，2017年；Yao等人，2023年）。这些缺点使得这些方法不适合大规模市场监管或生产环境中的快速质量控制。

近年来，一系列客观且快速的现代分析技术为这些挑战提供了新的解决方案。例如，基于CIE L^?a^?b^?颜色系统的电子眼（E-eye）能够稳定、定量地分析样品的颜色属性（Zhang等人，2023年）。闪蒸气相色谱（GC）电子鼻（E-nose）可以快速捕捉并数字化样品的整体风味特征，提供比传统感官评估更客观的风味数据（Y. Li等人，2022年；Song等人，2020年；Yu等人，2022年）。特别重要的是傅里叶变换近红外（FT-NIR）光谱技术，这是一种快速且几乎无需样品制备的绿色分析方法。它已成功应用于食品、农产品和药材的来源鉴别和质量评估（He等人，2024年；Locatelli等人，2025年）。其在多种基质中的有效性得到了验证，包括生姜（Chen等人，2024年）、灵芝（Zhang等人，2024年）和酸枣籽（M.-X. Li等人，2023年）。

本研究旨在开发并整合一种创新的快速分析策略。首先，为了确保样品来源的准确性，我们使用DNA条形码技术对收集的样品进行植物鉴定，为后续所有分析奠定了可靠的基础。在此基础上，我们利用E-eye和E-nose技术快速捕捉样品的数字化颜色和风味特征。随后，通过将FT-NIR光谱与机器学习相结合，成功开发出了一个准确的来源鉴定模型。为了进一步阐明CF亚种之间的化学差异并识别潜在的标记化合物，我们应用了非靶向代谢组学（如UPLC-QTOF-MS）对样品进行了全面的化学分析。最后，通过将FT-NIR光谱数据与体外抗氧化活性数据以及通过高效液相色谱（HPLC）准确测定的五种关键活性成分的含量相关联，构建了近红外定量模型，能够同时快速预测样品的抗氧化能力和关键成分含量。我们提出了一种全面的、高效的质量评估系统，涵盖分子鉴定、感官评估、化学成分和生物活性。

样本和化学品

从印度、缅甸、越南以及中国的广东、广西和云南等地区采购了62批CF样品。所有样品均被确认为TC或TCT的干燥成熟果实，由南京中医药大学药学院的邹丽思教授进行了鉴定。采购后，所有样品立即被密封在防潮包装中，并在常温条件下运输到实验室。

基于DNA条形码的CF分子鉴定

通过BLAST比对分析，所有62批样品均成功鉴定到物种水平。通过将每个样品的ITS2序列与数据库进行比较，并应用≥99%的相似性阈值进行判定，38个样品被确认为TC，24个样品被确认为TCT。所有样品的ITS2区域长度一致为215 bp。两组样品的代表性序列已存入GenBank（登录号MF096798.1和MF096801.1）。

结论

本研究通过整合电子感官、非靶向代谢组学、FT-NIR光谱和机器学习技术，建立了一个全面的、多维度的CF质量评估系统。

最初，DNA条形码技术提供了植物来源的分子级鉴定，奠定了可靠的基础。系统地应用E-eye和E-nose技术实现了颜色和气味特征的客观和数字化量化。

CRediT作者贡献声明

李宇航：撰写——初稿，正式分析，数据管理，概念构思。何伟：撰写——初稿，正式分析，数据管理，概念构思。张汉文：可视化，正式分析，数据管理。李月娥：调查，正式分析，数据管理。李晓萌：方法学。葛国侃：撰写——审稿与编辑。黄亚伟：撰写——审稿与编辑。德吉：撰写——审稿与编辑。

利益冲突声明

作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。

致谢

本研究得到了中国国家重点研发计划（2024YFC3507003）、江苏省中医药技术发展计划项目（MS2022004）、南京中医药大学中药一级学科开放项目（ZYXYL2024-006）、江苏省研究生实践创新计划（SJCX25-0936）和江苏省研究生研究创新计划（KYCX25_2374）的支持。