高光譜成像技術(shù)憑借其強(qiáng)大的空間和光譜信息獲取能力，已成為植物產(chǎn)品地理來(lái)源識(shí)別與質(zhì)量控制的前沿工具。根據(jù)研究，高光譜技術(shù)結(jié)合深度學(xué)習(xí)模型，可以實(shí)現(xiàn)枸杞的地理來(lái)源精準(zhǔn)分類(lèi)，準(zhǔn)確率高達(dá)95.63%。通過(guò)特征波長(zhǎng)提取，不僅顯著提高了分析效率，還增強(qiáng)了數(shù)據(jù)的科學(xué)解釋性。此外，高光譜與化學(xué)分析（如NMR）的結(jié)合，能夠進(jìn)一步揭示樣品化學(xué)成分與光譜特征的關(guān)聯(lián)，為復(fù)雜樣品的快速、非破壞性檢測(cè)提供創(chuàng)新解決方案。

背景：

枸杞以其卓*的營(yíng)養(yǎng)價(jià)值和顯著的藥用功效享譽(yù)*球，尤其是在抗氧化、抗炎、免疫調(diào)節(jié)和抗腫瘤等方面表現(xiàn)突出。這些特性與其地理來(lái)源密切相關(guān)，地理來(lái)源不僅決定了其化學(xué)成分和藥用效果，還顯著影響市場(chǎng)價(jià)值。因此，快速、準(zhǔn)確地識(shí)別枸杞的地理來(lái)源對(duì)于質(zhì)量控制和市場(chǎng)調(diào)節(jié)至關(guān)重要。傳統(tǒng)的地理來(lái)源識(shí)別方法主要依賴(lài)于物理化學(xué)特性或感官評(píng)價(jià)，但這些方法通常依賴(lài)專(zhuān)家經(jīng)驗(yàn)，缺乏客觀性和精確性。近年來(lái)，現(xiàn)代分析技術(shù)（如近紅外光譜、超高光譜成像（HSI）、核磁共振（NMR）和液相色譜-飛行時(shí)間質(zhì)譜）在地理來(lái)源鑒定中顯示出強(qiáng)大優(yōu)勢(shì)。其中，HSI提供了豐富的光譜和空間信息，NMR在成分識(shí)別與定量分析中表現(xiàn)突出。然而，這些方法單獨(dú)使用時(shí)存在一定局限性，如數(shù)據(jù)復(fù)雜性高、維度大，導(dǎo)致傳統(tǒng)機(jī)器學(xué)習(xí)模型難以有效處理。

為克服上述挑戰(zhàn)，深度學(xué)習(xí)技術(shù)被引入到分析過(guò)程。這些方法能夠從高維數(shù)據(jù)中自動(dòng)提取特征，能夠有效利用光譜與空間特征，從而顯著提升地理來(lái)源的分類(lèi)精度。同時(shí)，SHAP解釋模型的引入解決了深度學(xué)習(xí)的“黑箱"問(wèn)題，增強(qiáng)了結(jié)果的可解釋性。因此，該研究通過(guò)將HSI和NMR技術(shù)與深度學(xué)習(xí)技術(shù)相結(jié)合，用于識(shí)別枸杞的地理來(lái)源。具體目標(biāo)包括：(i) 通過(guò)將HSI數(shù)據(jù)與SHAP方法相結(jié)合，改進(jìn)ResNet-34模型，實(shí)現(xiàn)枸杞地理來(lái)源的判定；(ii) 利用NMR技術(shù)識(shí)別枸杞的地理來(lái)源及其特定地理標(biāo)記（GI）；(iii) 建立枸杞地理標(biāo)記物與HSI數(shù)據(jù)中提取的特征波長(zhǎng)之間的關(guān)聯(lián)。

實(shí)驗(yàn)設(shè)計(jì)

1.1材料與方法

（1）樣品制備

干燥后的枸杞樣品由中國(guó)寧夏農(nóng)業(yè)產(chǎn)品質(zhì)量標(biāo)準(zhǔn)與檢測(cè)技術(shù)研究所下屬的農(nóng)業(yè)產(chǎn)品質(zhì)量監(jiān)測(cè)中心提供。所有枸杞樣品均采自四個(gè)主要產(chǎn)區(qū)的當(dāng)?shù)剞r(nóng)場(chǎng)，包括寧夏同心縣（TX）和寧夏中寧縣（ZN，品種分別為ZN1和ZN2）、青海諾木洪（NMH）以及青海德令哈（DLH）。

寧夏地區(qū)的枸杞樣品于2022年6月下旬至7月上旬采收，青海地區(qū)的樣品則于2022年9月完成采收。不同產(chǎn)地和品種的枸杞均采用人工手工采摘的方式，從每棵枸杞樹(shù)的東、南、西、北四個(gè)方向分別采摘，以保證采樣的全面性。為確保數(shù)據(jù)分析的一致性并減少潛在偏差，每個(gè)產(chǎn)地的樣品經(jīng)過(guò)嚴(yán)格篩選，盡量保持大小均勻。采摘完成后，枸杞在自然條件下日曬干燥數(shù)日。最終共獲得525份樣品（每個(gè)產(chǎn)地n=105）。樣品的兩面分別標(biāo)記為A面和B面，其RGB圖像如圖1所示。隨后，所有樣品均迅速冷凍保存于-80°C環(huán)境中，以保持其生化和物理特性。

圖1. 不同地理和品種產(chǎn)地的代表性枸杞樣品的RGB圖像

（2）HSI和1H核磁共振（NMR）采集和數(shù)據(jù)預(yù)處理

HSI數(shù)據(jù)采集及光譜預(yù)處理：HSI數(shù)據(jù)在可見(jiàn)光-近紅外（VNIR）高光譜成像系統(tǒng)（GaiaField-V10E，江蘇雙利合譜科技有限公司，江蘇無(wú)錫，中國(guó)）上獲取。該系統(tǒng)由高光譜成像儀（GaiaField-V10E）、透鏡（HSIA-OL23）、光源（HSIA-LS-T-200 W）、標(biāo)準(zhǔn)漫射參考板（HSIA-CT-400×400，雙利合譜，中國(guó)）和安裝有SpecView軟件的計(jì)算機(jī)組成。將枸杞樣品放置在離透鏡35 cm的工作臺(tái)上。分別采集枸杞兩側(cè)的HSI數(shù)據(jù)，記為A面和B面。然后對(duì)枸杞的高光譜數(shù)據(jù)進(jìn)行黑白校正。為了減少光譜外圍噪聲波動(dòng)的影響，校正后的高光譜圖像中初始6個(gè)波長(zhǎng)被消除。隨后，對(duì)枸杞高光譜數(shù)據(jù)進(jìn)行了準(zhǔn)確的分割處理。每個(gè)枸杞被*定為一個(gè)*特的興趣區(qū)域，以方便深入分析。

1H NMR采集及光譜預(yù)處理：在完成所有枸杞樣品的HSI數(shù)據(jù)采集后，從每個(gè)地理產(chǎn)地和品種中隨機(jī)挑選30個(gè)枸杞樣品，迅速在液氮中冷凍，并使用研缽和研杵將其研磨成細(xì)粉。每個(gè)樣品中取100 mg的粉末，溶解于甲醇-氯仿-水的混合溶劑中，體積比為4:4:6?；旌弦和ㄟ^(guò)渦旋混合1分鐘以確保充分混勻，然后在冰浴中冷卻15分鐘以促進(jìn)相分離。冷卻后，溶液在4°C條件下離心10分鐘。小心將上清液轉(zhuǎn)移至5 mL的Eppendorf管中，并使用樣品濃縮器蒸發(fā)30分鐘后，進(jìn)行24小時(shí)的冷凍干燥，以去除殘留的甲醇和水。干燥殘?jiān)?00μL的氘化磷酸鹽緩沖液（100 mM，pH = 5.7）重新溶解，該緩沖液中含有0.05%的TSP（鈉鹽3-（三甲基硅基）丙酸-2,2,3,3-d4）?；旌弦涸贉u旋混合5分鐘后，在10,000 g × 4 °C條件下離心10分鐘。最后，將550 μL的上清液轉(zhuǎn)移至5 mm NMR管中，用于采集1H NMR光譜數(shù)據(jù)。

所有枸杞樣品的1H NMR光譜均使用850 MHz的Bruker AVANCE III核磁共振波譜儀（Bruker公司，德國(guó)卡爾斯魯厄）采集，配備CPTCI探頭，工作頻率為850.32 MHz。1H NMR光譜通過(guò)ZGPR脈沖序列采集，參數(shù)設(shè)定如下：溫度為298 K，譜寬為14 KHz，數(shù)據(jù)點(diǎn)數(shù)為32 K，弛豫延遲為4.0秒，采集時(shí)間為1.9秒，共64次掃描。

所有枸杞樣品的1H NMR光譜數(shù)據(jù)均通過(guò)MestReNova軟件（V14.0.0，Mestrelab Research，西班牙）進(jìn)行預(yù)處理。處理步驟包括傅里葉變換、相位和基線校正，以及利用TSP的單峰信號(hào)（δ0）對(duì)光譜進(jìn)行對(duì)齊。在δ0-10范圍內(nèi)，將光譜分割為寬度為0.002 ppm的區(qū)間，并移除殘留甲醇峰（δ3.35-3.37）和水峰（δ4.75-4.90）的干擾信號(hào)。對(duì)TSP峰（δ0）進(jìn)行歸一化處理，使其峰強(qiáng)值為9，便于后續(xù)的定量分析。最終，將積分?jǐn)?shù)據(jù)導(dǎo)入SIMCA 14.1軟件進(jìn)行全面的多變量統(tǒng)計(jì)分析。

（3）枸杞的地理來(lái)源鑒定

傳統(tǒng)機(jī)器學(xué)習(xí)：采用邏輯回歸（LR）和采用基于徑向基函數(shù)核函數(shù)的非線性支持向量機(jī)（SVM）進(jìn)行枸杞產(chǎn)地的識(shí)別。為了優(yōu)化SVM模型的性能，使用網(wǎng)格搜索方法調(diào)整懲罰因子（C）和核參數(shù)（γ）。具體來(lái)說(shuō)，懲罰因子C從20.1變化到250，核參數(shù)γ從2 - 15調(diào)整到2 - 10。

改進(jìn)的ResNet-34：與傳統(tǒng)機(jī)器學(xué)習(xí)算法相比，深度學(xué)習(xí)模型在分類(lèi)任務(wù)中表現(xiàn)出更高的準(zhǔn)確性，這主要?dú)w因于其能夠自動(dòng)從高維數(shù)據(jù)中提取更全面的特征。這種優(yōu)勢(shì)在高精度地理來(lái)源識(shí)別中得到了驗(yàn)證。如今，ResNet被廣泛應(yīng)用于各種分類(lèi)任務(wù)?？紤]到HSI數(shù)據(jù)的復(fù)雜性和高維性，以及模型的性能要求，本研究選擇了一種改進(jìn)版的ResNet-34架構(gòu)。

表1展示了改進(jìn)版ResNet-34的架構(gòu)，說(shuō)明其由五個(gè)模塊組成，每個(gè)模塊包含36個(gè)卷積層，最終連接至一個(gè)全連接層。與原始ResNet相比，*顯著的區(qū)別在于初始卷積層Conv1_x的修改。傳統(tǒng)的2D卷積層被替換為3D卷積層，以更好地適應(yīng)枸杞HSI數(shù)據(jù)的復(fù)雜性。Conv1_x層包含三個(gè)3D卷積子層和一個(gè)2D卷積子層，各自配備不同尺寸的卷積核：3 × 3 × 17、3 × 3 × 11、3 × 3 × 7（3D卷積）和3 × 3（2D卷積）。每次卷積操作均應(yīng)用修正線性單元（ReLU）激活函數(shù)。這一架構(gòu)調(diào)整的動(dòng)機(jī)是利用HSI數(shù)據(jù)中固有的多波段圖像特性，這不僅提供了豐富的空間和光譜信息，也顯著增加了數(shù)據(jù)的復(fù)雜性和體量。整個(gè)枸杞HSI數(shù)據(jù)集（包括A面和B面）隨機(jī)分為訓(xùn)練集（占70%）和測(cè)試集（占30%）。訓(xùn)練集用于優(yōu)化改進(jìn)版ResNet-34模型的參數(shù)，測(cè)試集則用于評(píng)估模型的預(yù)測(cè)性能。在本研究中，學(xué)習(xí)率、批量大小、訓(xùn)練周期數(shù)、損失函數(shù)和優(yōu)化器分別設(shè)置為0.001、16、200、交叉熵?fù)p失和Adam。這些參數(shù)的選擇旨在有效處理具有64 × 64像素空間維度和114個(gè)光譜波段的圖像。

特征波長(zhǎng)提?。?/span>雖然HSI提供了豐富的光譜和空間信息，但其高維性和共線性以及冗余性對(duì)計(jì)算效率和模型魯棒性構(gòu)成了重大挑戰(zhàn)。此外，深度學(xué)習(xí)模型的“黑箱"性質(zhì)（其特征是缺乏固有的可解釋性）進(jìn)一步使其應(yīng)用復(fù)雜化。為了解決這些問(wèn)題，有必要對(duì)預(yù)處理后的光譜進(jìn)行特征提取，以盡量減少非相關(guān)變量的影響，消除冗余信息，從而提高模型的計(jì)算效率和性能。

利用SHAP技術(shù)對(duì)模型輸出進(jìn)行解析，提取了400 - 1040 nm光譜范圍內(nèi)的特征波長(zhǎng)。計(jì)算SHAP值，得到各光譜波段各數(shù)據(jù)點(diǎn)的貢獻(xiàn)分?jǐn)?shù)，這些SHAP值代表各光譜波段對(duì)模型的重要程度。該方法不僅揭示了HSI數(shù)據(jù)中每個(gè)光譜波段對(duì)全球范圍內(nèi)預(yù)測(cè)結(jié)果的重要性，而且還描繪了其在每個(gè)HSI區(qū)域內(nèi)的影響。在本研究中，迭代選取貢獻(xiàn)率最高的5%以?xún)?nèi)的光譜波段圖像作為模型的訓(xùn)練數(shù)據(jù)，每一步遞增5%，直到模型的預(yù)測(cè)精度接近于原始模型。

（4）統(tǒng)計(jì)分析

所有NMR積分?jǐn)?shù)據(jù)隨后通過(guò)SIMCA 14.1軟件進(jìn)行多變量統(tǒng)計(jì)分析。在此之前，數(shù)據(jù)進(jìn)行了單位方差縮放，以突出微量成分的差異。使用偏最小二乘判別分析（PLS-DA）來(lái)揭示不同產(chǎn)地之間的組成差異，隨后應(yīng)用正交偏最小二乘判別分析（OPLS-DA）以識(shí)別枸杞的地理或品種標(biāo)志物。PLS-DA和OPLS-DA模型的性能通過(guò)模型參數(shù)R2X、R2Y和Q2進(jìn)行評(píng)估。此外，為了檢測(cè)潛在的過(guò)擬合，模型進(jìn)行了200次置換檢驗(yàn)。

枸杞中各成分的定量通過(guò)比較每種成分特征峰的積分與內(nèi)標(biāo)物（TSP）的積分實(shí)現(xiàn)，濃度以平均值 ± 標(biāo)準(zhǔn)偏差（SD）表示，基于三次重復(fù)實(shí)驗(yàn)獲得。在本研究中，構(gòu)建了一個(gè)四維火山圖以展示倍數(shù)變化、p值、絕對(duì)相關(guān)系數(shù)（r）和投影變量重要性（VIP）。枸杞的地理標(biāo)志（GI）標(biāo)志物基于以下嚴(yán)格標(biāo)準(zhǔn)進(jìn)行識(shí)別：倍數(shù)變化不在0.8–1.2范圍內(nèi)，p < 0.05，|r| > 0.90，且VIP值位于前5%。

為了分析同一枸杞樣品中NMR數(shù)據(jù)與HSI數(shù)據(jù)之間的相關(guān)性，計(jì)算了它們的Pearson相關(guān)系數(shù)。此外，使用精度評(píng)估了LR、SVM和改進(jìn)的ResNet-34模型在識(shí)別枸杞地理起源方面的性能。

1.2.結(jié)果與討論

（1）基于HSI數(shù)據(jù)的枸杞產(chǎn)地識(shí)別

圖2顯示了不同地理產(chǎn)地的枸杞樣品A面和B面的平均反射率。不同產(chǎn)地的枸杞樣品中相似的光譜趨勢(shì)表明相似的化學(xué)成分，而光譜強(qiáng)度的差異表明不同成分的濃度不同。同時(shí)，圖2a和b顯示了枸杞樣品的A面和B面光譜差異很小，這一發(fā)現(xiàn)意味著從單側(cè)采集HSI數(shù)據(jù)是一種可行的方法，因?yàn)楸M管樣本兩側(cè)的外部和內(nèi)部特征存在潛在變化，但它不會(huì)引入重大誤差。在400 - 560nm的可見(jiàn)光光譜中，枸杞樣品的光譜反射率明顯較低，曲線重疊，這可能是由于枸杞的紅色表面在該波長(zhǎng)范圍內(nèi)反射的光較少。相反，在560 - 850nm波長(zhǎng)范圍內(nèi)，枸杞表面的反射率逐漸增加，光譜曲線呈現(xiàn)出微小的差異。雖然不同產(chǎn)地的枸杞樣品的反射率曲線開(kāi)始出現(xiàn)差異，但差異仍然很小。枸杞在922 nm和985 nm處有小谷，在963 nm處有小峰，這些特征表明了O-H拉伸的第二和第一泛音。

圖2.來(lái)自不同地理和品種產(chǎn)地的枸杞樣品的（a）A面和（b）B面平均反射光譜 

盡管不同地理來(lái)源或品種的枸杞在光譜上存在差異，但不能通過(guò)視覺(jué)比較來(lái)有效區(qū)分。此外，相似的顏色和形狀增加了視覺(jué)區(qū)分的難度。因此，選擇合適的分類(lèi)策略對(duì)其進(jìn)行準(zhǔn)確分類(lèi)就變得至關(guān)重要。為了獲得更好的分類(lèi)結(jié)果，本研究采用了機(jī)器學(xué)習(xí)技術(shù)。表2顯示了線性（LR）和非線性（SVM）模型對(duì)枸杞地理來(lái)源識(shí)別的分類(lèi)結(jié)果。在A側(cè)和B側(cè)的測(cè)試數(shù)據(jù)集上，LR和SVM模型對(duì)枸杞產(chǎn)地的分類(lèi)準(zhǔn)確率均未超過(guò)90%，但當(dāng)使用一側(cè)數(shù)據(jù)訓(xùn)練的模型對(duì)枸杞產(chǎn)地進(jìn)行識(shí)別時(shí)，LR模型和SVM模型的預(yù)測(cè)準(zhǔn)確率分別達(dá)到95.24%和99.43%?？傮w結(jié)果表明，機(jī)器學(xué)習(xí)結(jié)合HSI技術(shù)有效地識(shí)別了枸杞的起源。此外，通過(guò)從枸杞的任何一側(cè)收集HSI數(shù)據(jù)，可以實(shí)現(xiàn)可靠的地理來(lái)源追溯。

考慮到LR和SVM模型的分類(lèi)準(zhǔn)確率不足90%，引入深度學(xué)習(xí)對(duì)高維HSI數(shù)據(jù)進(jìn)行進(jìn)一步分析。正如之前的研究所指出的那樣，深度學(xué)習(xí)模型需要大量的訓(xùn)練數(shù)據(jù)集。因此，我們將來(lái)自枸杞兩側(cè)的HSI數(shù)據(jù)納入了包含730個(gè)樣本的訓(xùn)練數(shù)據(jù)集和包含320個(gè)樣本的測(cè)試數(shù)據(jù)集。為了避免同一枸杞樣品的A面或B面被分配至不同的數(shù)據(jù)集（從而影響驗(yàn)證結(jié)果的完整性），同一樣品的兩面被策略性地分配至相同數(shù)據(jù)集?；赗GB圖像和全光譜HSI數(shù)據(jù)構(gòu)建的ResNet-34與改進(jìn)版ResNet-34模型的混淆矩陣分別展示于圖3a和b及圖3c和d中。矩陣對(duì)角線上的值表示正確分類(lèi)的樣本數(shù)和真實(shí)陽(yáng)性率，而非對(duì)角線上的值則對(duì)應(yīng)誤分類(lèi)樣本數(shù)和假陰性率。值得注意的是，當(dāng)以HSI數(shù)據(jù)為輸入時(shí)，改進(jìn)版ResNet-34模型在所有產(chǎn)地（TX、NMH、DLH、ZN1和ZN2）中實(shí)現(xiàn)了95.63%的最高分類(lèi)準(zhǔn)確率。這一結(jié)果較傳統(tǒng)機(jī)器學(xué)習(xí)方法（LR和SVM）提高了6.26%。這一性能提升歸因于HSI數(shù)據(jù)提供的豐富空間和光譜信息。改進(jìn)版ResNet-34模型中3D和2D卷積層的結(jié)合，能夠有效利用光譜和空間特征圖，從而*大化模型的預(yù)測(cè)準(zhǔn)確性。

圖3.在測(cè)試數(shù)據(jù)集上使用ResNet-34模型（a和b）和改進(jìn)的ResNet-34模型（c和d）對(duì)五種枸杞樣品進(jìn)行地理來(lái)源識(shí)別的混淆矩陣

總的來(lái)說(shuō)，改進(jìn)的ResNet-34模型在基于起源的五種不同類(lèi)型的枸杞分類(lèi)中顯示出較高的準(zhǔn)確性。然而，通過(guò)3D卷積運(yùn)算利用全譜HSI數(shù)據(jù)增加了計(jì)算需求和復(fù)雜性。此外，深度學(xué)習(xí)模型固有的“黑箱"特征在可解釋性方面提出了挑戰(zhàn)。為了減少信息冗余并提高模型的可解釋性，我們使用SHAP來(lái)識(shí)別HSI數(shù)據(jù)中對(duì)地理起源識(shí)別貢獻(xiàn)最大的光譜帶區(qū)域。SHAP值代表了每個(gè)光譜波段對(duì)模型預(yù)測(cè)能力的貢獻(xiàn)。對(duì)枸杞地理來(lái)源分類(lèi)有重要貢獻(xiàn)的光譜波段主要從633 nm延伸到1040 nm。隨著光譜波段的增加，該模型對(duì)枸杞地理來(lái)源的識(shí)別精度逐漸提高（圖4）。實(shí)際上，在保留35%的光譜波段（n = 39）的情況下，該模型的分類(lèi)精度仍然保持在95.63%的高水平，與全光譜HSI數(shù)據(jù)的分類(lèi)精度相當(dāng)。光譜波段的減少也導(dǎo)致運(yùn)行時(shí)間減少29.9%。該方法不僅有效地提高了處理速度，而且提高了產(chǎn)地識(shí)別的效率，在準(zhǔn)確性和計(jì)算效率之間取得了平衡。

圖4.利用改進(jìn)的ResNet-34對(duì)不同波段子集的枸杞產(chǎn)地識(shí)別數(shù)據(jù)集精度進(jìn)行測(cè)試

（2）枸杞的地理來(lái)源及標(biāo)記物的NMR鑒定

枸杞樣品的一維1H NMR提供了詳細(xì)的光譜分布，通過(guò)分析峰強(qiáng)度和化學(xué)位移來(lái)辨別成分組成和濃度的差異，有助于識(shí)別地理來(lái)源。在δ0.8 ~ δ3.5的高場(chǎng)區(qū)，主要與氨基酸和有機(jī)酸有關(guān)，但差異不大。但在丙氨酸（δ1.48）和一種未知成分（δ1.51）濃度上存在顯著差異，其中寧夏枸杞（TX、ZN1和ZN2）含量顯著高于青海枸杞（NMH和DLH）。δ3.5 ~ δ5.5的中低場(chǎng)區(qū)以各種糖類(lèi)為主，δ6.0 ~ δ10.0的低場(chǎng)區(qū)以芳香族化合物為主。通過(guò)比較化學(xué)位移和耦合常數(shù)與數(shù)據(jù)庫(kù)中的條目，包括FooDB和HMDB，以及與先前報(bào)告的相關(guān)性，從枸杞的核磁共振光譜中確定了62個(gè)組分。

對(duì)枸杞的化學(xué)成分分析顯示其含有豐富的氨基酸、有機(jī)酸、糖類(lèi)、核苷和其他生物活性化合物。枸杞的氨基酸和有機(jī)酸含量特別豐富，十幾種氨基酸和五種有機(jī)酸的濃度在0.1至1mg /g之間。這些成分可能提供各種健康益處，例如產(chǎn)生免疫刺激作用，增強(qiáng)抗氧化能力，并保持健康的代謝率。具體而言，異亮氨酸是一種支鏈氨基酸，已被證明可以通過(guò)影響器官、細(xì)胞和反應(yīng)性物質(zhì)來(lái)增強(qiáng)免疫系統(tǒng)，并可能上調(diào)宿主防御肽（如β-防御素）的表達(dá)，這對(duì)先天免疫和適應(yīng)性免疫至關(guān)重要。甜菜堿是枸杞的一種*特標(biāo)記物，已被證明可以通過(guò)增強(qiáng)抗氧化活性和減少炎癥介質(zhì)來(lái)減輕四氯化碳（CCl4）誘導(dǎo)的肝損傷。有機(jī)酸，包括羥基丁酸、乙酸、蘋(píng)果酸和檸檬酸，對(duì)枸杞的感官特性（如味道、風(fēng)味和顏色）有重要影響。枸杞是一種久負(fù)盛名的中草藥和滋補(bǔ)食品，其主要成分是枸杞多糖，尤其是枸杞多糖是枸杞中最有價(jià)值的功能成分之一。最近的研究表明，LBP具有一系列的生物活性，包括眼神經(jīng)保護(hù)、抗衰老特性、抗氧化作用和免疫調(diào)節(jié)作用。在本研究中，LBP由半乳糖、鼠李糖、α-木糖、β-木糖、α-葡萄糖和β-葡萄糖組成，其濃度差異很大，在不同地理產(chǎn)地的濃度范圍為0.19 ~ 103.95 mg/g。此外，盡管咖啡酸、肉桂酸和維生素B6等芳香化合物的濃度很低（含量超過(guò)0.1 mg/g），但它們對(duì)人體健康起著至關(guān)重要的作用，包括抗氧化和抗菌特性，以及減少焦慮和增強(qiáng)視覺(jué)功能。雖然不同產(chǎn)地的枸杞在成分上存在顯著差異，但不能僅僅通過(guò)目測(cè)比較來(lái)確定其地理來(lái)源。因此，采用多元統(tǒng)計(jì)分析來(lái)確定每個(gè)起源的*特GI標(biāo)記。

圖5展示了基于枸杞NMR數(shù)據(jù)的OPLS-DA得分圖和對(duì)應(yīng)的火山圖，分別針對(duì)不同產(chǎn)地的枸杞樣品進(jìn)行成對(duì)比較，并附上模型參數(shù)，包括R2X、R2Y和Q2值。圖5a展示了不同中國(guó)省份枸杞樣品的比較分析。其中，OPLS-DA得分圖（圖5a左圖）顯示寧夏和青海樣品沿預(yù)測(cè)成分（橫軸）呈現(xiàn)顯著分離。模型的高擬合度（R2Y = 0.871）和預(yù)測(cè)能力（Q2 = 0.833）表明該模型在區(qū)分地理來(lái)源方面的有效性?；鹕綀D（圖5a右圖）用于探索寧夏和青海枸杞的地理標(biāo)記物（GI標(biāo)記）。根據(jù)“材料與方法"部分中詳細(xì)描述的篩選標(biāo)準(zhǔn)，地理標(biāo)記物被篩選出來(lái)（見(jiàn)圖5a右圖）。結(jié)果表明，青海枸杞的谷氨酸（Glu）、蘋(píng)果酸（MA）和脯氨酸（Pro）含量分別是寧夏樣品的1.96倍、1.91倍和1.68倍。而寧夏枸杞則以二羥基丙酮（DHA）含量顯著較高，其水平是青海枸杞的2.7倍。

其中，谷氨酸（Glu）以其多方面的生理作用而被廣泛認(rèn)可，包括抗氧化、應(yīng)對(duì)脅迫以及作為內(nèi)源性抗癌劑的作用，其衍生物在癌癥治療中的潛力也備受關(guān)注。脯氨酸（Pro）不僅是蛋白質(zhì)的重要組成部分，還顯著參與細(xì)胞對(duì)滲透壓和脫水脅迫的響應(yīng)。此外，脯氨酸是枸杞中*豐富的游離氨基酸，既作為滲透調(diào)節(jié)劑，也作為抗氧化劑發(fā)揮作用。青海枸杞中顯著較高的谷氨酸和脯氨酸濃度將增強(qiáng)其抗氧化和滲透調(diào)節(jié)功能

圖5. 基于枸杞NMR數(shù)據(jù)的OPLS-DA評(píng)分圖（左圖）和相應(yīng)的火山圖（右圖）

圖5b和圖5c分別展示了寧夏和青海省內(nèi)不同縣域枸杞樣品的比較分析。OPLS-DA得分圖（圖5b和圖5c左圖）顯示TX和ZN以及NMH和DLH樣品在預(yù)測(cè)成分（橫軸）上呈現(xiàn)出顯著分離。模型參數(shù)表明區(qū)分地理來(lái)源的有效性：TX與ZN的R2Y = 0.967，Q2= 0.936，NMH與DLH的R2Y = 0.966，Q2= 0.936，進(jìn)一步驗(yàn)證了模型的預(yù)測(cè)能力和可靠性。火山圖（圖5b右圖）及統(tǒng)計(jì)數(shù)據(jù)揭示，ZN枸杞中包括1-甲基尿酸、膽堿、甜菜堿、咖啡酸、谷氨酸（Glu）、鳥(niǎo)苷、核糖內(nèi)酯、蘇糖醇和絲氨酸在內(nèi)的多種營(yíng)養(yǎng)成分濃度顯著高于TX樣品，而蔗糖、甲酸和3-甲基黃嘌呤在ZN樣品中的濃度顯著低于TX。豐富的營(yíng)養(yǎng)成分及*特的香氣賦予ZN枸杞更強(qiáng)的抗氧化活性、減少炎癥介質(zhì)及神經(jīng)保護(hù)作用，這在以往研究中也得到了驗(yàn)證。NMH與DLH樣品的火山圖（圖5c右圖）分析發(fā)現(xiàn)了17種顯著差異的成分，包括乙醛酸、蘋(píng)果酸、α/β-半乳糖醛酸、異亮氨酸、1-磷酸半乳糖、異丁酸、蔗糖、α/β-木糖、鼠李糖、肉桂酸、麥芽糖、古羅糖酸內(nèi)酯、麥芽三糖、精氨酸和氨基葡萄糖6-硫酸酯。其中，有13種成分在NMH枸杞中的濃度顯著高于DLH樣品。尤其是乙醛酸、異亮氨酸和異丁酸在NMH樣品中的濃度分別是DLH樣品的4.0倍、2.09倍和2.64倍。研究表明，異亮氨酸在調(diào)節(jié)先天免疫和適應(yīng)性免疫中起重要作用。異丁酸作為一種短鏈脂肪酸，由異亮氨酸等支鏈氨基酸發(fā)酵產(chǎn)生，已被證明可緩解DSS誘導(dǎo)的慢性結(jié)腸炎。這種作用主要?dú)w因于其增強(qiáng)腸道屏障功能的能力，從而突顯NMH枸杞在胃腸健康領(lǐng)域的潛在治療優(yōu)勢(shì)。

寧夏中寧縣因其*特的地理和氣候條件，為枸杞的高品質(zhì)種植提供了得天獨(dú)厚的自然環(huán)境。然而，不同品種的枸杞在化學(xué)和營(yíng)養(yǎng)成分上存在差異。OPLS-DA模型清晰地將ZN1與ZN2沿橫軸分離（圖5d左圖），并表現(xiàn)出穩(wěn)健的模型參數(shù)（R2Y = 0.898，Q2= 0.846）。通過(guò)四項(xiàng)篩選標(biāo)準(zhǔn)，火山圖（圖5d右圖）中鑒定出5種顯著差異成分。葡萄糖胺6-磷酸和古羅糖酸內(nèi)酯在ZN1中的濃度高于ZN2，而賴(lài)氨酸、綠原酸和肉桂酸則表現(xiàn)出相反趨勢(shì)。其中，葡萄糖胺6-磷酸作為葡萄糖胺的衍生物，在針對(duì)中度至重度膝骨關(guān)節(jié)炎患者的臨床試驗(yàn)中，被證明能夠顯著緩解疼痛并改善功能活動(dòng)。賴(lài)氨酸是人體必需氨基酸，無(wú)法由人體自身合成，具有廣泛的健康益處，包括促進(jìn)正常生長(zhǎng)、幫助肉堿生成以及減輕焦慮。此外，賴(lài)氨酸在癌癥治療中的潛力也備受關(guān)注。研究表明，賴(lài)氨酸的代謝影響組蛋白短鏈化，這是一種表觀遺傳修飾，從而調(diào)控癌癥免疫。

（3）地理標(biāo)志與HSI特征波長(zhǎng)相關(guān)性分析

HSI和NMR都證明了在確定枸杞的地理起源方面的有效性。NMR，特別是與多元統(tǒng)計(jì)分析相結(jié)合，成為識(shí)別GI標(biāo)記物的有力工具。它提供了可以用來(lái)區(qū)分不同來(lái)源的化學(xué)信息的深度。然而，盡管在HSI中通常采用特征波段選擇的做法，但這些特征波長(zhǎng)與樣品中特定成分之間的相關(guān)性通常仍未被探索。這一差距可能會(huì)限制HSI數(shù)據(jù)在潛在化學(xué)變化方面的可解釋性。此外，雖然NMR提供了豐富的生化見(jiàn)解，但它面臨著挑戰(zhàn)，例如食品基質(zhì)樣品制備的復(fù)雜性，以及相關(guān)成本可能令人望而卻步。這些因素可能會(huì)阻礙快速、無(wú)損、高通量分析的實(shí)施，而這對(duì)于高效、可擴(kuò)展的枸杞原產(chǎn)地溯源過(guò)程至關(guān)重要。為了解決這些限制，開(kāi)發(fā)結(jié)合這兩種技術(shù)的優(yōu)點(diǎn)，同時(shí)盡量減少各自缺點(diǎn)的策略是至關(guān)重要的。該綜合方法為枸杞產(chǎn)地鑒定提供了一種更全面、更有效的方法。

通過(guò)HSI-NMR Pearson相關(guān)分析，成功地揭示了枸杞特征波長(zhǎng)與GI標(biāo)記之間的相關(guān)性（圖6）。不同產(chǎn)地枸杞的GI標(biāo)記在單個(gè)光譜波段上表現(xiàn)出顯著的相關(guān)性，p值<0.001，Pearson相關(guān)系數(shù)（R）在自由度為150時(shí)超過(guò)0.264。在633 ~ 768 nm范圍內(nèi)，大部分物質(zhì)與枸杞的紅色光譜具有明顯的相關(guān)性，這與枸杞的天然紅色相一致。對(duì)于不同省份的枸杞，以633.6 nm、665.6 nm和980 nm為中心的HSI波段與GI標(biāo)記物呈極顯著相關(guān)（p < 0.001）。其中，633.6 nm的HSI波段與脯氨酸（δ1.98）、蘋(píng)果酸（δ2.37）和咖啡酸（δ7.33）密切相關(guān)。665.6 nm處與谷氨酸（δ2.08）密切相關(guān)，980 nm處與二羥丙酮（δ4.44）和葫蘆巴堿（δ9.13）相關(guān)。研究表明，以643 nm為中心的波段與氨基酸的第三和第四泛音區(qū)域有關(guān)，包括脯氨酸和谷氨酸。此外，976 nm至987 nm的波長(zhǎng)范圍對(duì)應(yīng)于油營(yíng)養(yǎng)物中C-H（CH/CH2/CH3）鍵的第三泛音區(qū)域和O-H鍵的第三泛音區(qū)域。隨后，利用663.6 nm、665.6 nm和980 nm三個(gè)*顯*相關(guān)波段的圖像，利用改進(jìn)的ResNet-34建立了枸杞起源分類(lèi)模型。僅使用三個(gè)波長(zhǎng)的光譜圖像來(lái)區(qū)分寧夏和青海枸杞樣品的準(zhǔn)確率達(dá)到95%。在不同縣域的枸杞 GI標(biāo)記物（TX-ZN和NMH-DLH）中，特定生物標(biāo)記物與HSI波段之間存在顯著正相關(guān)（p值<0.001）。異亮氨酸（δ0.96）、精氨酸（δ1.68）、蘋(píng)果酸、膽堿（δ3.21）、1-甲基尿酸（δ3.33）、絲氨酸（δ3.96）、果糖（δ4.12）、綠原酸（δ7.19）和咖啡酸作為GI標(biāo)記與以633.6 nm為中心的HSI波段相連。谷氨酸（665.6 nm）、蘇糖醇（δ3.64）、硫酸氨基葡萄糖（δ4.91）和α-木糖（δ5.19）均與980 nm處的譜帶相對(duì)應(yīng)。對(duì)于不同品種的枸杞（ZN1 ~ ZN2），賴(lài)氨酸和綠原酸在633.6 nm處與HSI波段呈顯著相關(guān)（p值<0.001）。古洛內(nèi)酯（δ4.73）和葡萄糖胺6磷酸（δ5.45）在801 nm和719.3 nm處與HSI波段的相關(guān)性較弱（p < 0.05）。ZN1和ZN2品種的鑒定準(zhǔn)確率較低，為93.75%，主要是由于其種植地點(diǎn)較近。當(dāng)比較全光譜HSI數(shù)據(jù)和SHAP提取的特征波長(zhǎng)時(shí)，使用與GI標(biāo)記物高度相關(guān)的光譜圖像，運(yùn)行時(shí)執(zhí)行時(shí)間分別顯著降低46.26%和33.99%。這表明有針對(duì)性的光譜圖像分析方法可以在不影響精度的情況下提高效率。

圖6.枸杞地理標(biāo)志標(biāo)記的HSI-NMR Pearson系數(shù)相關(guān)圖

本研究結(jié)果表明，GI標(biāo)記物與HSI特征波長(zhǎng)的相關(guān)性有效地闡明了光譜波段與枸杞化學(xué)成分之間的聯(lián)系。這種相關(guān)性不僅增強(qiáng)了我們對(duì)枸杞光譜特征的理解，而且強(qiáng)調(diào)了開(kāi)發(fā)便攜式多光譜設(shè)備的潛力。該裝置可提供一種無(wú)創(chuàng)、低成本、高通量的地理來(lái)源鑒定方法。

結(jié)論

本研究提出了一種將HSI和NMR技術(shù)與深度學(xué)習(xí)相結(jié)合，用于準(zhǔn)確識(shí)別枸杞的地理來(lái)源及其GI的新方法。改進(jìn)的ResNet-34模型通過(guò)整合3D和2D卷積層，在利用HSI數(shù)據(jù)進(jìn)行產(chǎn)地識(shí)別中實(shí)現(xiàn)了95.63%的分類(lèi)準(zhǔn)確率。此外，采用SHAP方法選擇特征波長(zhǎng)，與使用全光譜HSI數(shù)據(jù)的分類(lèi)準(zhǔn)確率相當(dāng)，但運(yùn)行時(shí)間縮短了29.9%。研究還表明，基于枸杞不同側(cè)面數(shù)據(jù)訓(xùn)練的模型具有魯棒性，且模型性能未受到顯著影響。通過(guò)NMR分析，研究識(shí)別并定量分析了62種成分，并通過(guò)多變量統(tǒng)計(jì)分析確定了各地理來(lái)源的GI標(biāo)記。通過(guò)皮爾遜相關(guān)系數(shù)評(píng)估GI標(biāo)記與HSI特征波長(zhǎng)的相關(guān)性，增強(qiáng)了HSI數(shù)據(jù)的可解釋性，從而獲得了更準(zhǔn)確且有意義的科學(xué)洞察。相比SHAP模型，本研究的方法進(jìn)一步將運(yùn)行時(shí)間縮短了33.99%。這些研究結(jié)果對(duì)于開(kāi)發(fā)便攜式多光譜設(shè)備具有重要意義，可提供一種快速、準(zhǔn)確且經(jīng)濟(jì)高效的解決方案，用于枸杞產(chǎn)地的識(shí)別，從而促進(jìn)植物產(chǎn)業(yè)中的質(zhì)量控制和溯源管理。

推薦產(chǎn)品

GaiaField-V10E

作者簡(jiǎn)介（人名+單位+博導(dǎo)/碩導(dǎo)）

通訊作者：馮江華，廈門(mén)大學(xué)電子科學(xué)與技術(shù)學(xué)院，博導(dǎo)

參考文獻(xiàn)

論文引用自一區(qū)文章：Chengcheng He , Xin Shi , Haifeng Lin , Quanquan Li , Feng Xia, Guiping Shen,Jianghua Feng , The combination of HSI and NMR techniques with deep learning for identification of geographical origin and GI markers of Lycium barbarum L. (2024) Food Chemistry 461.140903