Progressi della ricerca e applicazione della tecnologia delle impronte digitali sulla materia medica cinese Ⅲ
Sep 19, 2024
3 Metodo di valutazione dei dati delle impronte digitali
3.1 Metodo di riconoscimento dei modelli chimici supervisionato
L'analisi supervisionata del modello chimico richiede l'immissione di informazioni sul campione di categoria nota nel computer come modello discriminante per identificare i dati dello spettro del campione sconosciuto, tra cui principalmente l'analisi discriminante della varianza minima parziale (PLS-DA), il metodo K-vicino più vicino (KNN), il modello morbido indipendente dal cluster metodo (SIMCA), analisi discriminante lineare (LDA), ecc.
PRINCIPIO ATTIVO CISTANCHE ERBE TRADIZIONALI CINESI VS VITAMINA
3.1.1 PLS-DA
PLS-DA è un metodo di analisi per la determinazione della categoria basato sul metodo PLS per ottenere un modello di regressione tra le variabili di classificazione del campione e le caratteristiche spettrali [66]. Ma et al. [67] hanno utilizzato PLS-DA e PCA per distinguere accuratamente campioni di Gastrodia di diverse varietà e origini geografiche. Huang Han et al. [68] hanno utilizzato lo spettro delle impronte digitali HPLC combinato con il metodo PLS-DA per valutare e classificare la qualità del crisantemo delle nevi.
3.1.2KM
KNN è un metodo analitico che preleva k campioni del vicino più vicino di un campione sconosciuto e classifica i campioni osservando i k campioni del vicino più vicino in base alla somiglianza "più vicina" dei parametri caratteristici dell'impronta digitale[69]. Zheng Jian et al.[70] ha stabilito un metodo di rilevamento per le castagne marroni basato sulla spettroscopia infrarossa combinata con KNN.
3.1.3 SIMCA
SIMCA è basata su PCA. Innanzitutto, viene eseguita la PCA sui dati spettrali di ciascun tipo di campione, quindi viene stabilito un modello di regressione per ciascun tipo di campione[69]. Zheng Jian et al.[70] fondò anche la SIMCA.
ERBE TRADIZIONALI CINESI CISTANCHE SPECIFICHE DIVERSE PER HPLC
fare clic per maggiori dettagli
3.1.4 LDA
LDA è un metodo che proietta i dati in uno spazio a bassa dimensionalità per ottenere la linea di proiezione che può meglio separare i due tipi di campioni e quindi utilizza la funzione discriminante stabilita per classificare i campioni sconosciuti[71]. Zhang Xinxin et al.[71] hanno studiato l'applicazione del PCA-LDA nell'identificazione delle proprietà della medicina cinese e hanno stabilito che questo metodo può fornire una base per la terapia clinica. Morlock et al. [72] hanno utilizzato l'analisi discriminante lineare per classificare in modo rapido e accurato diversi tipi di propoli.
3.2 Metodo di riconoscimento di pattern chimici non supervisionato
Non è necessario inserire informazioni sul campione di categorie conosciute. Un gruppo di campioni di pattern senza categorie contrassegnate viene classificato in base al grado di somiglianza tra i campioni. I campioni simili sono classificati in una categoria, mentre i campioni dissimili sono classificati in un'altra categoria. L'analisi del sistema può essere eseguita in modo intuitivo, includendo principalmente PCA e analisi dei cluster (HCA).
3.2.1 APC
La PCA è un metodo di analisi statistica multivariata che converte più variabili in più variabili rappresentative attraverso una trasformazione lineare basata sul tasso di contribuzione[73]. De Souza et al. [74] hanno condotto un PCA sui componenti minerali contenuti negli alberi del pane, indicando che il riscaldamento in forno ha maggiori probabilità di perdere oligoelementi rispetto al riscaldamento a microonde. Zhang Yujiong et al. [75] hanno utilizzato PCA e HCA per valutare in modo completo la qualità dei materiali medicinali verdi a tre foglie. Han et al. [76] hanno combinato la tecnologia PCA e quella della rete neurale artificiale per scoprire che 11 composti in 5 varietà di crisantemi hanno potenziali effetti antinfiammatori.
3.2.2 HCA
L'HCA è un metodo analitico che classifica i campioni sconosciuti in diverse categorie. Hong-Bo et al. [77] hanno utilizzato l'HCA per dimostrare che l'origine ha una grande influenza sui tipi e sui contenuti dei componenti chimici nell'Euphorbia chamaejasme. Yi et al. [78] hanno combinato HCA e PCA per classificare in modo rapido ed efficace 74 lotti di tè verde in 4 gruppi.
3.3 Metodi di valutazione della similarità
I metodi di valutazione della somiglianza includono il metodo del coseno vettoriale, il metodo del coefficiente di correlazione, il metodo dell'entropia relativa (KLD), il metodo della sovrapposizione del picco (metodo del coefficiente Nei), il metodo della somiglianza del momento statistico quantistico totale, ecc.
3.3.1 Metodo dell'angolo coseno
Il metodo dell'angolo del coseno è un metodo che riflette la somiglianza dei campioni confrontando i valori del coseno degli angoli tra i vettori[79]. Zhang Qinglian et al.[80] hanno utilizzato il metodo dell'angolo coseno per analizzare i cromatogrammi di 5 lotti di iniezioni Danshen di diversi produttori e hanno scoperto che la somiglianza delle iniezioni Danshen di diversi produttori era scarsa.
3.3.2 Metodo del coefficiente di correlazione
Il metodo del coefficiente di correlazione è un metodo che utilizza il coefficiente di correlazione di due vettori per riflettere la somiglianza tra i campioni[79]. Il metodo del coefficiente di correlazione dello spettro caratteristico del vicino infrarosso stabilito da Huang Bisheng et al.[81] fornisce una base per la rapida identificazione delle ossa di drago.
3.3.3 Metodo dell'entropia relativa
Il metodo dell'entropia relativa è un metodo utilizzato per confrontare le differenze tra due distribuzioni di probabilità P e Q[82]. Wang Kang et al.[83] hanno utilizzato le caratteristiche del valore di dissomiglianza e hanno utilizzato il metodo dell'entropia relativa per calcolare la somiglianza delle impronte digitali della medicina cinese. Questo metodo ha buoni risultati e bassa complessità computazionale.
3.3.4 Metodo di sovrapposizione dei picchi
Il metodo della sovrapposizione dei picchi è un metodo analitico che riflette la somiglianza in base al numero di picchi comuni tra il campione da testare e il riferimento. Gao Jing et al.[84] hanno utilizzato il metodo della sovrapposizione del picco per calcolare la somiglianza delle impronte digitali CE del rosmarino di diverse origini, che ha fornito una base per il controllo di qualità del rosmarino.
3.3.5 Metodo della similarità del momento statistico totale
Il metodo del momento statistico totale è un metodo analitico che utilizza il principio del momento statistico per analizzare la curva della funzione variabile e ottenere il momento della funzione complessivo
parametri[85]. Wang Yuanqing et al.[86] hanno stabilito un metodo per valutare la consistenza e la differenza dei pezzi di decotto di Polygonum cuspidatum combinando l'impronta digitale HPLC con HCA, analisi statistica totale del momento e PCA, che può essere utilizzato come standard di qualità per valutare Polygonum cuspidatum.
API CISTANCHE ERBE TRADIZIONALI CINESI
4 Prospettiva
La medicina tradizionale cinese è un tesoro della nazione cinese. Ha il vantaggio di trattare sia i sintomi che la causa principale, di essere sicuro e di avere pochi effetti collaterali. Pertanto, la medicina tradizionale cinese svolge un ruolo importante nel trattamento delle malattie umane. A causa della sua particolarità, è alquanto impreciso identificare l'autenticità e la qualità delle medicine tradizionali cinesi solo dall'aspetto, dall'odore e dall'osservazione microscopica. L'impronta digitale chimica della medicina tradizionale cinese è equivalente alla mappa chimica del DNA della medicina tradizionale cinese e utilizza varie tecniche di analisi spettrale, cromatografica e spettrale per controllare la qualità del modello. L'impronta digitale della medicina tradizionale cinese ha le caratteristiche di integrità, evidenziando l'aspetto completo della medicina tradizionale cinese. Allo stesso tempo, le impronte digitali di materiali medicinali simili hanno le caratteristiche di somiglianza. Sulla base di questa mappa si realizza la valutazione completa dei componenti chimici interni della medicina tradizionale cinese e il controllo completo della qualità complessiva, in modo che la medicina tradizionale cinese possa essere utilizzata in clinica in modo controllabile. Tuttavia, l’impronta digitale della medicina tradizionale cinese presenta anche alcune limitazioni: l’impronta digitale biologica della medicina tradizionale cinese studia i frammenti genetici della medicina tradizionale cinese; l'impronta chimica della medicina tradizionale cinese generalmente studia i composti di piccole molecole. Poiché la maggior parte dei composti macromolecolari come polisaccaridi e peptidi non hanno assorbimento dei raggi ultravioletti e hanno strutture complesse e diversificate, l'impronta digitale di tali composti è stata meno studiata. Pertanto, l’impronta digitale della medicina tradizionale cinese dovrebbe prestare maggiore attenzione a questo aspetto in modo che i composti macromolecolari possano essere pienamente controllati in termini di qualità. Allo stesso tempo, i polisaccaridi possono essere idrolizzati in una varietà di monosaccaridi. I monosaccaridi e i polisaccaridi sono uno dei componenti biologicamente attivi della medicina tradizionale cinese. Pertanto, dovrebbe essere studiata anche l’impronta digitale dei monosaccaridi nella medicina tradizionale cinese. A causa della particolarità della medicina tradizionale cinese, le diverse origini, le stagioni del raccolto e le diverse parti medicinali dello stesso materiale medicinale avranno un grande impatto sugli ingredienti efficaci in esso contenuti. Inoltre, questi fattori possono influenzare anche la quantità di elementi inorganici nella medicina tradizionale cinese. Pertanto, anche l’impronta digitale della medicina tradizionale cinese dovrebbe prestare attenzione a questo aspetto. Dal punto di vista dell’uso finale, le impronte digitali non dovrebbero solo svolgere un ruolo nel controllo di qualità della medicina tradizionale cinese, ma dovrebbero anche avere un ulteriore sviluppo nello studio della sua efficacia, dei cambiamenti metabolici nel corpo e dell’efficacia clinica.
Riferimenti
[1] Sumathy H, Sangeetha J, Vijayalakshmi K. Analisi cromatografica dell'impronta digitale dell'estratto metanolico del fiore di Ixora coccinea [J]. Int J Pharm Sci Drug Res, 2011, 3(4): 327-330.
[2] Li Qiang, Du Simiao, Zhang Zhongliang et al. Progressi nella tecnologia delle impronte digitali della medicina tradizionale cinese e prospettive di sviluppo futuro [J]. Medicina erboristica cinese, 2013, 44(22): 3095-3104.
[3] Sun Suqin. Tecnologia di rilevamento rapido di alimenti e medicina tradizionale cinese mediante spettroscopia a infrarosso (medio) [J]. Strumenti scientifici moderni, 2013(4): 11-20.
[4] Wang Y, Wang P, Xu C, et al. Analisi delle macro-impronte digitali attraverso la separazione della liquirizia basata su FT-IR e 2DCOS-IR [J]. J Mol Struct, 2014, 1070: 1-9.
[5] Ma F, Chen J, Wu X, et al. Rapida discriminazione del Panax notogeinseng di diversi gradi mediante FT-IR e 2DCOS-IR [J]. J Mol Struct, 2016, 1124: 131-137.
[6] Chen Long, Yuan Mingyang, Yu Chi, et al. Analisi delle caratteristiche spettrali del vicino infrarosso di 8 medicinali tradizionali cinesi minerali contenenti carbonato [J]. Giornale di analisi farmaceutica, 2015, 35(4): 654-658.
[7] Xu B, Zhang G, Xu C, et al. Analisi delle caratteristiche delle impronte digitali degli spettri infrarossi di vari prodotti lavorati di Coptidis Rhizoma e dei loro diversi estratti [J]. J Mol Struct, 2015, 1096: 147-156.
[8] Yang Wenzhe, Gong Huili, Qin Yuhua, et al. Studio sull'identificazione di pezzi di medicina cinese di molluschi marini comuni mediante spettroscopia nel vicino infrarosso [J]. Giornale cinese di medicina tradizionale cinese, 2014, 39(17): 3291-3294.
[9] Yan R, Chen J, Sun S, et al. Identificazione rapida di Lnicerae japonica Flos e Lonicerae Flos mediante spettroscopia infrarossa in trasformata di Fourier (FT-IR) e analisi di correlazione bidimensionale [J]. J Mol Struct, 2016, 1124: 110-116.
[10] Ning Zeqiong, Lu Yang, Zhao Liben. Applicazione della spettroscopia ultravioletta nell'identificazione della medicina tradizionale cinese [J]. Scienza e tecnologia private, 2014(9): 56.
[11] Huang Tao, Fu Zhijin, Chen Houjiang et al. Analisi della sequenza a doppio indice del tasso di picco comune e del tasso di picco di variazione dello spettro dell'impronta digitale ultravioletta di Pinellia ternata [J]. Giornale dell'Università di Dali: edizione completa, 2014, 13(2): 20-25.
[12] Zhong Gui, Zhang Ji, Zhang Jinyu, et al. Identificazione di Panax notoginseng di diversa origine mediante impronta digitale UV combinata con PLS-DA [J]. Scienze agrarie dell'Henan, 2015, 44(9): 91-94.
[13] Zuo Xu, Huang Yanfei, Yang Zhengming et al. Applicazione dell'impronta digitale UV nell'identificazione della farina di grano saraceno adulterata [J]. Industria alimentare, 2014, 35(2): 92-94.
[14] Huang Lilan, Cheng Wensheng, Chen Yaodi et al. Progressi della ricerca sull'impronta digitale del ginseng [J]. Medicina erboristica cinese, 2013, 44(2): 241-246.
[15] Farag MA, Porzel A, Wessjohann L A. Svelare l'agente ipoglicemizzante attivo trigonellina nel frutto della data di Balanites a Egyptiaca utilizzando l'impronta digitale dei metaboliti mediante NMR [J]. J Pharm Biomed Anal, 2015, 115: 383-387.
