疫情反复，想买点西洋参提高下免疫力，又怕买到假货？今天这篇发表在Chinese Medicine (IF=5.4)的文章教你如何科学地剁手鉴定西洋参生长年限。这篇文章由中国食品药品检定研究院胡笑文、严华等人于2021年10月发表，通讯是魏锋和马双成研究员。这项研究基于106批西洋参样本和4种机器学习算法，建立了西洋参年限预测模型。为了进一步适应不同来源的西洋参样本，又基于相似性构建了模型的应用域，最终实现了对西洋参生长年限的准确预测。该方法为西洋参年限造假的鉴别提供了技术支持，论文也提供了完整的模型代码。
摘要
疫情反复，想买点西洋参提高下免疫力，又怕买到假货？今天这篇发表在Chinese Medicine (IF=5.4)的文章教你如何科学地剁手鉴定西洋参生长年限。这篇文章由中国食品药品检定研究院胡笑文、严华等人于2021年10月发表，通讯是魏锋和马双成研究员。这项研究基于106批西洋参样本和4种机器学习算法，建立了西洋参年限预测模型。为了进一步适应不同来源的西洋参样本，又基于相似性构建了模型的应用域，最终实现了对西洋参生长年限的准确预测。该方法为西洋参年限造假的鉴别提供了技术支持，论文也提供了完整的模型代码。
1. 介绍
西洋参（American Ginseng，AG）是一种广泛使用的名贵药材，具有抗氧化、抗肿瘤、提高认知等多种功效，具有较高的经济价值。市面上的西洋参价格常常与生长年限相关，而不同年限的西洋参价格差异巨大。这种巨大的价格差也导致了西洋参年限造假的情况时有发生。
传统鉴别西洋参生长年限主要有物理和化学两种方法。物理方法主要依据芦头和枝叶的数量进行判断，但有些样本的芦头可能会被截断或受损，没法应用到所有样本中。化学方法可以使用各种分析仪器，如HPLC、NMR等获取西洋参样本特征，配合数学统计方法，如偏最小二乘分析、主成分分析等进行鉴定。但多数研究样本数量少，方法部署困难，且可信度未知。
为了开发方便快捷的西洋参年限鉴别方法，该项研究收集了来自全国5个地区的西洋参样本，尝试采用机器学习技术对西洋参生长年限进行预测。
2. 材料和方法
2.1 样本收集与特征测定
该研究收集了来自吉林、辽宁、山东、北京、陕西共5个规范种植产区的106批西洋参样本，样本的生长年限都在2~4年。接着通过实验手段，对5种皂苷含量（Rg1、Re、Rb1、Rd、F11），两种浸出物含量（醇溶性、水溶性浸出物含量），和两种物理性质（参根长度、重量）进行了测定，共得到9种西洋参样本特征。
2.2 数据集划分与数据分布分析
作者随后将所有样本划分为了3个数据集。训练集，64条，来自吉林、辽宁、山东。测试集1，25条，来自北京。测试集2，17条，来自陕西。然后采用主成分分析，基于最大方差，将9维特征降至3维，并在空间中展示，查看分布情况。
2.3 机器学习模型建立
建模部分使用了弹性网络 (EN)、最近邻(KNN)、支持向量机(SVM)、多层感知机(MLP) 共4种机器学习算法建模，采用网格搜索策略优化参数，用均方误差（MSE）和决定系数（R2）作为评估指标进行训练。随后使用两个测试集数据进行模型验证，同样以MSE作为指标，验证模型准确性和泛化能力。
2.4 应用域建立
当待预测数据与训练样本差异较大时，往往会导致预测不准的情况发生。因此，文章接着基于欧氏距离为模型建立了应用域(applicability domain)。应用域由两个参数TAD和TS构成：
（详细的参数解释可以查看原文）
简单来说，当一个训练集确定后，可以计算出训练集的阈值TAD，TAD衡量了训练样本的整体相似度。当给定一个待预测样本j后，又可以计算出样本j的阈值TS，TS衡量了待预测样本与训练集的相似度。当TS>TAD时，表明样本j与训练集差异较大，落在应用域外，预测结果不可靠；当TS<tad< span=””>时，表明样本j与训练集比较相似，落在应用域内，预测结果可靠。
该应用域模型由两个经验参数k和Z控制，为了确定最佳参数，调整k和Z，以落在应用域内测试集样本的MSE值为指标，寻找最佳k和Z的取值。
3. 结果与讨论
3.1 样本特征分析
对实验测得的9种理化性质进行初步分析。以年限为横坐标，9种特征作为纵坐标，绘制折线图，结果如图1所示。可以看到部分特征还是与年限呈一定的正相关性，尤其是主成分Rb1，在不同年限间具有显著性差异。
图1. 9种理化特征随年限的变化趋势图。
3.2 数据分布分析
对三个数据集进行主成分分析，从图2中可以看出，三个数据集的数据分布具有一定差异。其中，测试集1（绿色）的数据分布与训练集（红色）比较接近，而测试集2（蓝色）几乎在空间中独立成簇。表明训练集并没有很好地覆盖到测试集2，对测试集2中样本的预测可能会不准确。
图2. 三个数据集的主成分分析结果。红色为训练集，绿色为测试集1，蓝色为测试集2。A.样本在3维空间中的分布。B.样本在三个坐标平面上的投影。
根据产地划分数据集导致训练集失去了代表性，相比之下，随机抽样通常能够得到数据分布一致的训练和测试数据，似乎是一种更优的选择。但人为划分得到的差异较大的测试集却能够为模型的应用域构建、可信度评估提供更有效的数据，关于这部分内容将会在下面两节中讨论。
3.3 模型训练与验证
采用4种机器学习算法在训练集上建立年限预测模型，并在两个测试集上进行验证，模型表现如图3所示。模型在训练集和测试集1上都表现出了较高的准确性。所有模型在训练集上的MSE都在0.05以内，在测试集1上的MSE在0.3以内。
但对于测试集2，所有模型表现都很差，MSE约为1，考虑到之前PCA结果也显示出测试集2与训练集存在较大差异，出现该结果也不算意外。
图3. 4种模型在3个数据集上的表现。灰色为回归曲线。
3. 4 应用域的确定
为了解决预测不准的情况，接下来基于欧氏距离和样本相似性对模型的应用域进行探索。调整k和Z的取值，将42条测试样本作为研究数据，考察落在应用域内测试样本MSE的变化，得到图4所示结果。从图A中可以看到，随着k和Z的不断增加，应用域内样本（ID）数量不断增加，表明应用域逐渐增大。但与此同时，在图B-E中，所有模型对ID的MSE先保持平稳，随后逐渐降低，表明随着应用域增大，预测不准确的结果也被包含进来。最终，选择k=6，Z=1.6作为最佳参数。
图4. 随着k和Z的增加，ID数量的变化（图A），以及4种模型在对ID的MSE值的变化趋势图（图B-E）。黑色点为应用域的最佳取值点
在配备了应用域后，MLP依然保持了较高的预测准确度，对ID的预测MSE为0.030，能够应用在市场上西洋参年限鉴别任务中。
4. 结论
在这项研究中，作者为了鉴别市场上西洋参的生长年限，收集了5个种植产区的西洋参样本，通过PCA分析、机器学习建模、应用域构建，实现了一套准确预测年限的方法，展现出了机器学习技术在年限造假中的应用前景，同时也为解决其他中药相关的回归任务提供了思路和参考。
参考文献
- Hu, Xiaowen, Yan, Hua, Wang, Xiaodong, Wang, et al. Machine learning methods to predict the cultivation age of Panacis Quinquefolii Radix[J]. Chinese Medicine, 2021, 16: 1-10
文章链接：https://github.com/dreadlesss/Panax_age_predictor
长按关注我们
微信号｜FoodAI
合作/投稿｜biomed@csu.edu.cn
原创文章，作者：ifyoung，如若转载，请注明出处：https://www.drugfoodai.com/sang-ml.html
注意：本站原创指的是原创编译，并不主张对所介绍的工作的版权，如有侵权，请联系删除！
微信扫一扫 
支付宝扫一扫 相关推荐
-
基于输入修正卷积神经网络的电子鼻和高光谱图像融合羊肉新鲜度检测
今天介绍一篇来自安徽大学翁士状副教授课题组于2022年3月发表在Food Chemistry上的文章。该研究采用电子鼻和高光谱图像相结合的方法对羊肉总挥发性盐基氮(TVB-N)进行综合评价。为准确分析羊肉新鲜度提供了一种途径，并为其他肉类品质的研究提供了技术依据。
-
当今的机器学习策略可以减少人们对食物中纳米粒子的担忧
在《环境科学与技术》杂志在线发表的一项新研究中，德克萨斯 A&M 大学的研究人员使用机器学习来评估金属纳米粒子的显着特性，这些特性使它们更容易被植物吸收。研究人员表示，他们的算法可以表明植物在根和芽中积累了多少纳米颗粒。
-
Bioresource Technology：智能化的方法来可持续管理和利用食物废弃物
撰文：王雪洁 编辑：肖冉 介绍 今天介绍一篇由Zafar Said等人于2023年3月在线发表在Bioresource Technology（IF=11.89）上的文章。这篇文章主…
-
Food Control|基于改良内聚稳定同位素比值的燕窝真实性鉴别与定量
该文针对食用燕窝（EBN）中稳定同位素比值(δ13C、δ15N、δ18O、δ2H)的高离散性，建立了一种既能定性和又能定量的方法来检测掺入唾液酸、蛋清和食用胶的掺假EBN。通过建立数据处理公式来提高样品同位素比值的内聚性，利用该公式建立欧式距离方程。通过计算欧氏距离建立判别式，预测准确率在95.80% ~ 99.97%之间。此外，建立了3个方程对EBN中掺假物质的含量进行定量分析，相对标准偏差在1.34% ~ 6.31%(n = 6)之间。应用所建立的方法，测得12个实样中有2个样品分别掺入了3.9%的唾液酸和2.9%的蛋清。
-
重磅干货：食品科学数据库资源汇总（国外篇第一部分）
近期国外也有一些食品专业数据库发表。这些数据库主要对食品添加剂的安全、食品成分、食品营养和食品酶等方面进行了数据分析与平台搭建。下面介绍几篇相关的食品数据库文章。
-
中国农业科学院农业信息研究所樊景超研究员课题组：ITF-WPI 基于图像和文本的枸杞害虫识别跨模态特征融合模型
导读 2023年8月，中国农业科学院农业信息研究所樊景超研究员课题组在农业科学领域Top期刊Computers and Electronics in Agriculture（Q1，…
-
食品命名实体识别的BERT模型:算法开发与验证
今天介绍一篇最近由斯科普里大学计算机科学与工程学院Riste Stojanov等人发表在医学互联网研究杂志上的文章。文章研究了最近发布的基于Transformer的双向编码表示(BERT)模型，该模型在信息提取方面提供了最先进的结果，可以对食品信息提取进行微调。
-
浙江农科院袁玉伟产地溯源团队:基于稳定同位素和营养元素的中国稻米产地溯源研究
大米是我国重要的主食，其真实性与营养安全密切相关。今天介绍一篇来自浙江省农业科学院农产品质量安全与营养研究所和农产品质量安全危害因子与风险防控国家重点实验室李春霖和袁玉伟等人于2022年4月发表在Food Control上的一篇论文。本研究对我国粳稻和籼稻的稳定同位素和营养元素进行了比较和分析，并建立人工神经网络模型进行地理判别。建立了中国首个水稻稳定同位素和元素地理综合数据库，为中国水稻重点产区的判别提供了一种有前景的方法。
-
机器学习技术协助矿物元素分析对中国不同地区的猪肉进行产地判别
今天介绍一篇由中国肉类食品综合研究中心的Jing Qi等人发表于Food Chemistry的一篇研究型文章。作者对中国七个地区的猪肉样品进行矿物元素分析，并引入机器学习方法，得到了一个高性能的产地可追溯性模型（前馈神经网络，95.71％的整体准确率和曲线下面积接近1），证明了通过矿物元素指纹分析可追溯一个国家内不同猪肉产地的可行性。
-
食品质量和真伪分析评估的数据挖掘/机器学习方法
近年来，为了更好地鉴定食品，通过现代分析仪器所获得的数据种类和数量急剧增加。一些模式识别工具已经被开发来处理大量复杂的有效试验数据。应用最广泛的方法有主成分分析(PCA)、部分最小二乘判别分析(PLS-DA)、类模型方法(SIMCA)、k-最近邻分类算法(kNN)、平行因子分析(PARAFAC)和多元曲线分辨率-交替最小二乘分析(MCR-ALS)。然而，也有一些替代的数据处理方法，如支持向量机(SVM)、分类回归树(CART)和随机森林(RF)等，与传统的数据处理方法相比，显示出巨大的潜力和优势。在这篇文章中，作者解释了这些方法的背景，并回顾和讨论了这三种方法在食品质量和真实性领域的应用研究的报道。此外，作者声明清楚了在这一特定研究领域中使用的专业术语。
