本文介绍了一种基于人工智能技术联合多元多息指纹图谱对中药品种进行鉴定的新方法。这种方法涉及的多元多息指纹图谱是一种集成反相色谱法、亲水色谱法以及分子排阻色谱法的综合数据采集方式,能够全面表征药材中的小极性小分子、大极性小分子及大分子类化合物。研究者通过不同的化学处理手段获取药材的化学成分信息,然后利用卷积神经网络(CNN)对收集到的多元指纹图谱数据进行标准化处理并识别不同品种中药材,建立了识别准确率较高的模型。
具体来说,多元多息指纹图谱的概念涵盖了多个层面的数据采集,这包括:
1. 反相色谱法:通常用于分析极性较低的化合物,通过反相固定相(例如疏水性固定相)和移动相的相互作用来分离样品中的化学成分。
2. 亲水色谱法:该方法适用于分析极性较大的化合物,一般使用亲水性固定相和水性或极性移动相。
3. 分子排阻色谱法:又称为凝胶渗透色谱或凝胶过滤色谱,主要用于分离大分子,依据分子大小不同,在色谱柱中不同的流动速率来达到分离目的。
通过上述三种色谱方法的结合使用,研究者能够获得药材不同层次的化学信息,从而构建更为全面的药材指纹图谱。之后,研究者采用了卷积神经网络(CNN)这一深度学习技术对多元指纹图谱进行处理,以此建立品种鉴定的模型。
卷积神经网络是一种受到生物神经网络启发的深度学习算法,专门设计用于处理具有网格结构的数据,如图像等。其在图像识别和计算机视觉领域获得了广泛应用,并且在处理一维或二维信号数据,例如谱图数据时,也显示了强大的特征提取能力。
在中药品种鉴定的背景下,卷积神经网络能够学习和提取药材多元指纹图谱中的复杂模式和特征,通过这些特征的对比来识别和区分不同品种的药材。这种方法与传统的人工鉴定相比,能够减少主观因素的影响,提供更为客观和精准的鉴定结果。
此外,文章中提到的研究方法还克服了传统中药品种鉴别中的主观色彩,这种主观色彩往往是由于经验丰富的鉴定专家在品种鉴定时所带有的个人经验判断。采用人工智能和多元指纹图谱相结合的新方法,能够在很大程度上实现自动化和客观化,提高中药鉴定的标准化和效率。
文章中还提到了与本研究相关的关键词,例如“一法通识”,它可能指的是该研究提出的这种方法能够普遍适用于多种中药品种的鉴定;“卷积神经网络”已在上文中解释;“中药品种鉴定”为本研究的实际应用领域;而“多元多息指纹图谱”则是研究的核心技术之一。
该研究展示了一种利用人工智能和多元化指纹图谱对中药进行品种鉴定的新方法,此方法具有快速、准确和高效的特点,通过标准化处理和深度学习算法,大幅提高了中药鉴定的准确性并减少了主观性。此方法对于中药鉴定及质量控制具有重要意义,并为未来中药品种识别和应用提供了新的视角和研究思路。