شناسایی سریع آلودگی رنگرزی آلامین O در Dendrobium officinale، زعفران و کورکوم از طریق طیف‌سنجی رامان SERS ترکیب‌شده با شبکه‌های عصبی SSA-BP

(1) سابقه و هدف: تعیین سریع و دقیق محتوای رنگ شیمیایی Auramine O(AO) در داروهای سنتی چینی (TCMs) برای کنترل کیفیت TCM ها حیاتی است. (2) روش‌ها: اولاً، مدل‌های مختلفی برای شناسایی محتوای AO در Dendrobium officinale (D. officinale) ایجاد شد. سپس، تشخیص محتوای AO در زعفران و کرکوما با استفاده از مجموعه آموزشی D. officinale به عنوان مدل کالیبراسیون. در نهایت، نمونه‌های زعفران و کورکوما به مجموعه آموزشی D. officinale اضافه شدند تا محتوای AO در زعفران و کورکوما با استفاده از غربالگری طول موج ثانویه پیش‌بینی شود.

(3) نتایج: نتایج نشان می‌دهد که مدل شبکه عصبی الگوریتم جستجوی گنجشک (SSA) – انتشار پس‌پشت (BP) (SSA-BP) می‌تواند محتوای AO را در D. officinale با Rp2 = 0.962 و 𝑅𝑀 میلی لیتر برخی از نمونه‌های کورکوما و نمونه‌های زعفران به مجموعه آموزشی اضافه شدند و پس از غربال‌گری طول موج ویژگی ثانویه: مدل کمی ماشین‌های بردار پشتیبان (SVM) پیش‌بینی کرد که Rp2 در محدوده 0.035 ± 0.780 برای محتوای AO، در 7988 Saff نوسان داشته باشد. ، 1195، 1363، 1440، 1553 و 1657 سانتی‌متر به‌عنوان طول موج‌های مشخصه انتخاب شدند.

مدل رگرسیون حداقل مربعات جزئی (PLSR) زمانی که 579، 811، 1195، 1353، 1440، 15353 سانتی‌متر و 1 درجه سانتی‌متر به‌عنوان نویسه انتخاب شدند، Rp2 در محدوده 0.035 ± 0.500 برای محتوای AO در Curcuma نوسان داشت. استحکام و عملکرد تعمیم مدل بهبود یافته است. (4) نتیجه‌گیری: در این مطالعه، کشف شده است که ترکیبی از طیف‌سنجی رامان پیشرفته (SERS) و الگوریتم‌های یادگیری ماشینی می‌تواند به طور موثر و سریع محتوای AO را در انواع مختلف TCM تشخیص دهد.

(1) Background: Rapid and accurate determination of the content of the chemical dye Auramine O(AO) in traditional Chinese medicines (TCMs) is critical for controlling the quality of TCMs. (2) Methods: Firstly, various models were developed to detect AO content in Dendrobium officinale (D. officinale). Then, the detection of AO content in Saffron and Curcuma using the D. officinale training set as a calibration model. Finally, Saffron and Curcuma samples were added to the training set of D. officinale to predict the AO content in Saffron and Curcuma using secondary wavelength screening. (3) Results: The results show that the sparrow search algorithm (SSA)-backpropagation (BP) neural network (SSA-BP) model can accurately predict AO content in D.

officinale, with Rp2 = 0.962, and 𝑅𝑀𝑆𝐸𝑃RMSEP = 0.080 mg/mL. Some Curcuma samples and Saffron samples were added to the training set and after the secondary feature wavelength screening: The Support Vector Machines (SVM) quantitative model predicted Rp2 fluctuated in the range of 0.780 ± 0.035 for the content of AO in Saffron when 579, 781, 1195, 1363, 1440, 1553 and 1657 cm−1 were selected as characteristic wavelengths; the Partial Least Squares Regression (PLSR) model predicted Rp2 fluctuated in the range of 0.500 ± 0.035 for the content of AO in Curcuma when 579, 811, 1195, 1353, 1440, 1553 and 1635 cm−1 were selected as the characteristic wavelengths.

The robustness and generalization performance of the model were improved. (4) Conclusion: In this study, it has been discovered that the combination of surface-enhanced Raman spectroscopy (SERS) and machine learning algorithms can effectively and promptly detect the content of AO in various types of TCMs.