王元忠，趙艷麗，張 霽，金 航（云南省農(nóng)業(yè)科學(xué)院藥用植物研究所，云南 昆明 650200）

紅外光譜結(jié)合統(tǒng)計分析對不同產(chǎn)地瑪咖的鑒別分類

王元忠，趙艷麗，張 霽，金 航*
（云南省農(nóng)業(yè)科學(xué)院藥用植物研究所，云南 昆明 650200）

采用傅里葉變換紅外光譜法，對采自云南及秘魯共139 份瑪咖樣品進(jìn)行產(chǎn)地鑒別研究。采用多元散射校正結(jié)合二階導(dǎo)數(shù)和Norris平滑預(yù)處理光譜，通過剔除噪聲明顯的光譜波段，篩選出適宜的主成分?jǐn)?shù)為8?；谧顑?yōu)主成分?jǐn)?shù)，采用間隔偏最小二乘（interval partial least-squares，iPLS）法對3 650.59～651.82 cm－1光譜進(jìn)行優(yōu)化分析。結(jié)果顯示，篩選98 份樣品在1 855.19～651.822、3 054.69～2 756.78 cm－1和3 650.59～3 353.6 cm－1光譜建立的間隔偏最小二乘判別分析（interval partial least-squares discriminant analysis，iPLS-DA）分類模型，其R2、校正均方根誤差和預(yù)測均方根誤差分別為0.958 4、0.785 8和1.164 2。通過41 份樣品驗證，驗證正確率與原光譜建立的分類模型保持一致，均為87.80%。為進(jìn)一步提高分類模型的精度，在iPLS篩選的光譜波段基礎(chǔ)上，分別采用遺傳算法（genetic algorithm，GA）和蛙跳算法（ shuffled frog leaping algorithm，SFLA）對光譜信息進(jìn)行優(yōu)化，結(jié)果顯示，采用GA篩選頻率大于4和5的光譜信息，篩選的光譜數(shù)據(jù)點分別為62 個和29 個；利用SFLA篩選概率大于0.1和0.15的光譜信息，篩選的光譜數(shù)據(jù)點分別為77 個和27 個。驗證結(jié)果顯示，采用GA-PLS-DA（62個數(shù)據(jù)點）和GA-PLS-DA（29個數(shù)據(jù)點）建立的PLS-DA分類模型識別正確率分別為95.12%和97.56%，采用SFLA-PLS-DA（77個數(shù)據(jù)點）和SFLA-PLS-DA（27個數(shù)據(jù)點）建 立的分類模型識別正確率分別為92.68%和97.56%。對比上述方法可知，采用iPLS-DA、GA-PLS-DA和SFLA-PLSDA建立的分類模型均具有較好的預(yù)測性能，其中GA-PLS-DA（29個數(shù)據(jù)點）和SFLA-PLS-DA（27個數(shù)據(jù)點）建立分類模型能更準(zhǔn)確地鑒別不同產(chǎn)地的瑪咖。該方法的建立為瑪咖紅外光譜產(chǎn)地鑒別提供一種新的思路，所篩選的光譜變量可為不同產(chǎn)地瑪咖內(nèi)在化學(xué)成分（組分）差異性分析提供基礎(chǔ)依據(jù)。

瑪咖；紅外光譜；間隔偏最小二乘法；遺傳算法；蛙跳算法

瑪咖（Lepidi um meyenii Walp.）屬十字花科（Cruciferae）獨荇菜屬（Lepidium）一年生草本植物，原產(chǎn)南美安第斯山區(qū)，主要分布于秘魯東南部和中部[1-2]。瑪咖在南美有悠久的食用歷史，地下貯藏根是主要使用部分，直徑2～5 cm，根據(jù)顏色分為黑、黃、紅等類型[3]?，斂е懈缓妓衔?，脂肪和脂肪酸，蛋白質(zhì)，礦物質(zhì)和維生素等營養(yǎng)成分[4-6]，同時還有生物堿[7]、芥子油苷及其異硫氰酸芐酯[8]、甾醇類[9]等次生代謝產(chǎn)物。種類多樣的內(nèi)含物使得藥食兼用瑪咖不僅具有豐富的營養(yǎng)價值[10]，還有獨特的藥用功效，能提高生育力和性能力[11-13]、抗衰老[14]、抗疲勞[15]、抗腫瘤[16]、抗氧化[17]、調(diào)節(jié)內(nèi)分泌[18]等。

作為重要的保健品原料，瑪咖在云南部分地區(qū)（香格里拉、麗江、會澤、昭通魯?shù)椋┮N栽培成功，為云南省高寒山區(qū)農(nóng)民帶來良好的經(jīng)濟(jì)效益。但在大規(guī)模生產(chǎn)和加工過程中，存在瑪咖質(zhì)量參差不齊、優(yōu)良品種缺乏等問題，進(jìn)而制約瑪咖產(chǎn)業(yè)的發(fā)展[19]。因此，對瑪咖的質(zhì)量評價尤為重要。

不同產(chǎn)地瑪咖受溫度、光照、海拔等因素的影響，品質(zhì)不一。為研究不同產(chǎn)地瑪咖樣品的差異性，本實驗采用傅里葉變換紅外光譜法采集不同產(chǎn)地瑪咖樣品的光譜信息，利用MATLAB R2010a分析軟件，分別采用間隔偏最小二乘（interval partial least squares，iPLS）法[20-22]、遺傳算法（genetic algorithm，GA）[23]和蛙跳算法（shuffled frog leaping algorithm，SFLA）[24-25]對光譜信息 進(jìn)行提取，建立間隔偏最小二乘判別分析（interval partial leastsquares discriminant analysis，iPLS-DA）、GA-PLS-DA和SFLA-PLS-DA分類模型，應(yīng)用于瑪咖不同產(chǎn)地的快速鑒別分析，為不同產(chǎn)地瑪咖樣品的鑒別提供一種新的方法。

1 材料與方法

1.1 材料

2014年采集15 個不同產(chǎn)地種植的藥食兼用植物瑪咖139 份，均為黃瑪咖，其中秘魯?shù)貐^(qū)陰干干果樣品購于云南源萃生物科技有限公司。其余樣品均通過傳統(tǒng)種植后采收，經(jīng)云南省農(nóng)業(yè)科學(xué)院藥用植物研究所金航研究員鑒定為瑪咖（Lepidium meyenii Walp.），樣品來源見表1。

表1 實驗材料來源和數(shù)量Table 1 Source and number of experimental materials

1.2 儀器與設(shè)備

傅里葉變換紅外光譜儀 美國PE公司；DFT-100型中藥粉碎機(jī) 浙江溫嶺市林大機(jī)械有限公司；80 目不銹鋼篩盤 北中西泰安公司；SIMCA-P+11.0軟件瑞典Umetrics公司；MATLAB R2010a（The Math Works, Natick, USA）分析軟件。

1.3 方法

1.3.1 樣品制備

供試樣品采集后用自來水洗凈根莖部位，再用蒸餾水沖洗3 次，將其切成薄片，置于干凈的白紙上在常溫條件下陰干。用中藥粉碎機(jī)粉碎，過200 目篩，存放于自封袋中，備用。

1.3.2 紅外光譜采集

采集紅外光譜時，室溫保持在25 ℃。溴化鉀（KBr）在實驗前置入105 ℃烘箱內(nèi)烘烤4 h，烘干后放在干燥器中冷卻。取一定質(zhì)量的瑪咖粉末與溴化鉀按質(zhì)量比1∶49的比例混合，放置在研缽中研磨至混合均勻，將混合均勻的粉末壓片成厚度均勻且透明度較高的薄片，然后將薄片置于樣本槽中測量透射光譜。測試條件：掃描次數(shù)：16 次，分辨率：4 cm－1，掃描范圍：4 000～400 cm－1。樣品平行測定3 次，取平均光譜。光譜數(shù)據(jù)保存為SPC格式并采用SIMCA-P+11.0軟件轉(zhuǎn)換為CSV格式文檔。隨機(jī)選擇98 份樣品作為訓(xùn)練集，其余41 份樣品作為驗證集。采用TQ 8.6軟件對光譜進(jìn)行優(yōu)化處理，消除基線漂移和噪音，結(jié)果見圖1、2。

圖2 瑪咖二階紅外光譜Fig.2 Second derivative IR spectra of maca

2 結(jié)果與分析

2.1 瑪咖粉末中紅外透射光譜特征

因光譜波段650～400 cm－1和4 000～3 650 cm－1存在明顯噪聲，只對3 650.59～651.82 cm－1光譜進(jìn)行分析。采用多元散射校正（multiplicative scatter correction，MSC），二階導(dǎo)數(shù)光譜結(jié)合Norris（波長∶間隔分段數(shù)=11∶3）平滑對光譜數(shù)據(jù)進(jìn)行預(yù)處理（圖2）。由圖1和2可知，3 500～3 000 cm－1間有一個寬峰，這與O—H的伸縮振動有關(guān)；2 800 cm－1附近的峰與飽和C—H的對稱反對稱伸縮振動有關(guān)；1 800～1 500 cm－1與C＝H及C＝C的伸縮振動有關(guān)；1 400～1 200 cm－1的光譜與C—H伸縮振動、O—H變形振動有關(guān)；1 035～970 cm－1的波段與CH2OH的振動有關(guān)，900 cm－1附近的譜峰與C—H的變形振動有關(guān)。不同產(chǎn)地的瑪咖樣品從原始光譜及 二階導(dǎo)數(shù)光譜均難以鑒別，需對光譜數(shù)據(jù)進(jìn)一步分析。

2.2 紅外光譜信息初步篩選

將不同產(chǎn)地樣品類型分別賦值：香格里拉1#“1”，香格里拉2#“2”，香格里拉3#“3”至轎子雪山13#“13”，大山包14#“14”，秘魯15#“15”。利用TQ 8.6軟件主成分-馬氏距離（principal component analysismahalanobis distance，PCA-MD）初步建立分類模型，并對主成分?jǐn)?shù)進(jìn)行選擇，結(jié)果見表2。結(jié)果表明，主成分?jǐn)?shù)為8時，提取的光譜信息較為充分，提取的總光譜貢獻(xiàn)率為95.525 0%，選擇3 650.59～651.82 cm－1光譜波段提取貢獻(xiàn)率為95.697 9%，且隨主成分?jǐn)?shù)的增加，光譜信息數(shù)據(jù)量無明顯變化。因此，選擇主成分?jǐn)?shù)為8較為適宜。

表2 主成分?jǐn)?shù)選擇Table 2 Selection of the number of principal components

2.3 iPLS優(yōu)化光譜建模分析

采用iPLS法對3 650.59～651.82 cm－1光譜進(jìn)行波段篩選，選擇主成分?jǐn)?shù)為8，間隔10 個波數(shù)將3 650.59～651.82 cm－1波數(shù)范圍等分成10 個小波段，波長段分別為157、156、156、156、177、135、155、155、156、153 個波長點，對光譜數(shù)據(jù)與產(chǎn)地分類指標(biāo)進(jìn)行判別分析，結(jié)果見圖3。

圖3 iPLS法優(yōu)化波段Fig.3 Optimization of spectral bands by iPLS

由圖3可知，選擇光譜信息較為豐富的1 855.1～651.822、3 054.69～2 756.78 cm－1和3 650.59～3 353.6 cm－1三段光譜建立iPLS-DA分類模型，計算模型的R2、預(yù)測均方根誤差（root mean square error of prediction，RMSEP）和校正均方根誤差（root mean square of calibration，RMSEC）[26]，結(jié)果分別為0.958 4、0.785 8和1.164 2，建立的判別模型和驗證效果分別見圖4和表3。

圖4 iPLS-DA法建立分類模型Fig.4 3D plot of classification model built by iPLS-DA

由圖4可知，昭通6#、麗江10#、麗江11#、轎子雪山13#、大包山14#和秘魯15#等產(chǎn)地能清晰鑒別，但仍有部分地區(qū)難以鑒別。由表3可知，采用iPLS篩選光譜波段后，建模樣本集由原光譜1 556 個數(shù)據(jù)點降低至936 個數(shù)據(jù)點，建立分類模型的R2由原始光譜建模的0.904 8提升至0.958 4，RMSEC和RMSEP分別于原始光譜建模的1.577 6、3.462 9降至0.785 8、1.164 2。驗證結(jié)果顯示，41 個驗證樣本分類正確率與原始光譜建模的分類準(zhǔn)確率相同，均為87.80%。表明所篩選的光譜波段具有一定的代表性，且采用iPLS篩選光譜后，建模效果有所提高。

2.4 GA優(yōu)化光譜建模分析

基于iPLS優(yōu)化的光譜波段1 855.19～651.822、3 054.69～2 756.78 cm－1和3 650.59～3 353.6 cm－1，采用GA進(jìn)一步優(yōu)化光譜波段建立分類模型，選擇936 個光譜變量，以每個變量作為1 個子區(qū)間。GA的參數(shù)設(shè)置為：種群大小30，最大繁殖代數(shù)50，交叉概率為0.5，變異概率為0.01，通過100次循環(huán)優(yōu)化，在GA進(jìn)化過程中，當(dāng)最佳個數(shù)適應(yīng)度函數(shù)R/（1＋RMSEP）不再增加時，就可以得出最優(yōu)化染色體組合。

圖5 GA選擇的波段Fig.5 Selection of spectral band by GA

圖6 GA選擇的光譜變量數(shù)Fig.6 Selection of the number of spectral band by GA

經(jīng)GA運算后的光譜變量選擇結(jié)果如圖5、6所示，其中圖5表示光譜變量選擇的頻率及其對應(yīng)的光譜變量數(shù)，圖6顯示利用變異系數(shù)值篩選出頻率大于5 次（5對應(yīng)的直線）和4 次（4對應(yīng)的直線）以上的光譜變量的個數(shù)，分別為62 個和29 個變量。由圖7和表3可知，采用GA優(yōu)化光譜變量，建模效果有一定提升。當(dāng)主因子數(shù)為8時，采用篩選的62 個和29 個變量建立的分類模型R2、RMSEC和RMSCP分別為0.961 3、0.971 2，0.597 3、0.491 8，0.885 0、0.728 7。由表3可知，基于iPLS篩選的光譜波段，采用GA進(jìn)一步篩選光譜信息，分別篩選選擇的頻率大于4和5的光譜變量建立分類模型，篩選的光譜波段分別減少至62 個和29 個變量。建立的分類模型的R2分別提升至0.961 3和0.971 2，RMSEC和RMSEP分別降低至0.597 3、0.491 8和0.885 0、0.728 7；驗證結(jié)果顯示，41 個驗證樣本集的分類識別正確率分別提升至95.12%和97.56%，表明采用GA在iPLS篩選的光譜基礎(chǔ)上進(jìn)一步優(yōu)化光譜波段，建立的GA-PLS-DA模型分類效果較好，適用于紅外光譜對不同產(chǎn)地瑪咖樣品的分類分析。

圖7 基于 GA選取62 個數(shù)據(jù)點（A）和29 個數(shù)據(jù)點（B）的PLS-DA分類模型Fig.7 3D plot of PLS-DA classification model built based on 62 data points (A) and 29 data points (B) using GA

表3 基于iPLS、GA、SFLA建立PLS-DA分析模型的瑪咖分類結(jié)果Table 3 Results of PLS-DA models for discrimination of maca samples of different geographical origins by iPLS, GA and SFLA methods

2.5 SFLA優(yōu)化光譜建模分析

基于iPLS優(yōu)化的光譜波段1 855.19～651.822、3 054.69～2 756.78 cm－1和3 650.59～3 353.6 cm－1，采用SFLA進(jìn)一步優(yōu)化光譜波段建立分類模型。選擇936 個光譜變量，SFLA的參數(shù)設(shè)置為：混合迭代次數(shù)為N=10 000，初始變量樣本數(shù)N1=10，族內(nèi)更新次數(shù)為A=8，采用2 個變量間的回歸系數(shù)法進(jìn)行評估，結(jié)果見圖8。

圖8 SFLA選擇的波段Fig.8 Selection of spectral band by SFLA

由圖8可知，采用選擇概率大于0.15%（0.15對應(yīng)的直線）和0.1%（0.1對應(yīng)的直線）以上的光譜變量的個數(shù)（分別為77 個和27 個）建立PLS-DA分類模型，并預(yù)測驗證樣本集。結(jié)果見圖9和表3。由圖9和表3可知，采用SFLA優(yōu)化光譜變量，建模效果也有一定提升。當(dāng)主因子數(shù)為8時，采用篩選的77 個和27 個變量建立的分類模型R2、RMSEC和RMSCP分別為0.965 4、0.978 7，0.648 6、0.601 5，0.961 0、0.891 2。由表3可知，基于iPLS篩選的光譜波段基礎(chǔ)上，采用SFLA進(jìn)一步篩選光譜信息，分別篩選概率大于0.1和0.15的光譜變量建立分類模型，篩選的光譜波段分別減少至77 個和27 個變量。建立的分類模型的R2分別提升至0.965 4和0.978 7，RMSEC和RMSEP分別降低至0.648 6、0.601 5和0.961 0、0.891 2；驗證結(jié)果顯示，41 個驗證樣本集的分類識別正確率分別提升至92.68%和97.56%，表明采用SFLA在iPLS篩選的光譜基礎(chǔ)上進(jìn)一步優(yōu)化光譜波段，建立的SFLA-PLS-DA模型分類效果較好，適用于紅外光譜對不同產(chǎn)地瑪咖樣品的分類分析。

圖9 基于SFLA選取77 個數(shù)據(jù)點（A）和27 個數(shù)據(jù)點（B）的PLS-DA分類模型Fig.9 3D plot of PLS-DA classification model built based on 77 data points (A) and 27 data points (B) using SFLA

3 結(jié) 論

通過采集不同產(chǎn)地瑪咖樣品的紅外光譜，采用TQ 8.6分析軟件對光譜進(jìn)行優(yōu)化，剔除光譜噪聲明顯的650～400 cm－1和4 000～3 650 cm－1波段后，對3 650.59～651.82 cm－1范圍光譜進(jìn)行分析。采用多元散射校正，二階導(dǎo)數(shù)光譜結(jié)合Norris（Segment length∶Gap between segments=11∶3）平滑對光譜數(shù)據(jù)進(jìn)行預(yù)處理，確定最優(yōu)主成分?jǐn)?shù)為8。在此基礎(chǔ)上，利用Matlab 2.0分析軟件，通過iPLS法篩選出光譜信息較為豐富的1 855.19～651.822、3 054.69～2 756.78 cm－1和3 650.59～3 353.6 cm－1光譜波段建立iPLS-DA分類模型，計算模型的R2、RMSEC和RMSEP分別為0.958 4、0.785 8和1.164 2。通過41 個樣品進(jìn)行驗證，結(jié)果顯示，驗證正確率和原光譜建立的分類模型效果一致，均為87.80%。

為進(jìn)一步優(yōu)化光譜信息，分別采用GA和SFLA對iPLS優(yōu)化出的光譜波段（936 個數(shù)據(jù)點）進(jìn)行優(yōu)化，建立PLS-DA分類模型。結(jié)果顯示，采用GA篩選頻率大于4和5的光譜信息，分別為62 個和29 個光譜數(shù)據(jù)點；利用SFLA篩選概率大于0.1和0.15的光譜信息，分別為77 個和27 個光譜數(shù)據(jù)點。通過對上述不同數(shù)據(jù)點建立PLS-DA分類模型，結(jié)果顯示R2（62個數(shù)據(jù)點）、RMSEC（62個數(shù)據(jù)點）和RMSEP（62個數(shù)據(jù)點）分別為0.961 3、0.597 3和0.885 0，R2（29個數(shù)據(jù)點）、RMSEC（29個數(shù)據(jù)點）和RMSEP（29個數(shù)據(jù)點）分別為0.971 2、0.481 8和0.728 7，R2、RMSEC和RMSEP（77個數(shù)據(jù)點）（77個數(shù)據(jù)點）（77個數(shù)據(jù)點）分別為0.965 4、0.648 6和0.961 0，R2（27個數(shù)據(jù)點）、RMSEC（27個數(shù)據(jù)點）和RMSEP（27個數(shù)據(jù)點）分別為0.978 7、0.601 5和0.891 2。驗證結(jié)果顯示，采用GA-PLS-DA（62個數(shù)據(jù)點）和GA-PLS-DA（29個數(shù)據(jù)點）建立的分類模型識別正確率分別為95.12%和97.56%，采用SFLA-PLS-DA（77個數(shù)據(jù)點）和SFLA-PLS-DA（27個數(shù)據(jù)點）建立的分類模型識別正確率分別為92.68%和97.56%。其中采用GA-PLS-DA（29個數(shù)據(jù)點）和SFLA-PLS-DA（27個數(shù)據(jù)點）建立分類模型的預(yù)測精度較好，所篩選的光譜數(shù)據(jù)點均集中在748.245～651.822、1 546.63～1 027.87 cm－1和3 496.31～2 856.06 cm－1三個波段，這些波段與O—H、N—H伸縮振動，芳環(huán)C—H鍵的伸縮及面外彎曲振動，飽和C—H鍵的對稱反對稱伸縮振動，C＝H及C＝C的伸縮振動，O—H面外彎曲及變形振動等有關(guān)，這可能與不同產(chǎn)地瑪咖樣品中生物堿、酰胺、烯和醇等物質(zhì)種類和量比有關(guān)。

采用紅外光譜技術(shù)，通過剔除光譜噪聲明顯的波段，對iPLS優(yōu)化的光譜信息，分別采用GA和SFLA進(jìn)一步優(yōu)化，結(jié)合PLS-DA建立其分類模型，用于預(yù)測驗證集樣品。通過比較不同光譜數(shù)據(jù)點建立的分類模型，結(jié)果顯示采用GA-PLS-DA（29個數(shù)據(jù)點）和SFLA-PLS-DA（27個數(shù)據(jù)點）建立的分類模型有效降低冗余光譜信息，同時能較好地提高模型的預(yù)測精度。這兩種方法的建立可為瑪咖紅外光譜產(chǎn)地鑒別提供一種新的思路，所篩選的光譜變量能為不同產(chǎn)地瑪咖內(nèi)在化學(xué)成分（組分）差異性分析提供基礎(chǔ)依據(jù)。

[1] 余龍江, 孫友平, 程華, 等. 瑪咖在中國獨荇菜屬中的定位[J]. 西北植物學(xué)報, 2004, 24(10): 1901-1905.

[2] LE?N J. The “Maca” (Lepidium meyenii), a little known food plant of Peru[J]. Economic Botany, 1964, 18(2): 122-127. DOI:10.1007/ BF02862707.

[3] 胡天祥. 南美高原植物瑪咖的研究進(jìn)展[J]. 中醫(yī)臨床研究, 2011, 3(19): 116-117.

[4] 楊晶明, 王竹, 楊月欣. 瑪咖(Maca)干品營養(yǎng)成分分析與比較[J]. 中國食品衛(wèi)生雜志, 2007, 19(3): 201-205.

[5] LEE M S, SHIN B C, YANG E J, et al. Maca (Lepidium meyenii) for treatment of menopausal symptoms: a systematic review[J]. Maturitas, 2011, 70(3): 227-233. DOI:10.1016/j.maturitas.2011.07.017.

[6] GAN J, FENG Y, ZHANG H, et al. Analysis on composition and content of sterols in three color types of Maca, Lepidium meyenii[J]. Forest Research, 2013, 1: 24.

[7] CUI B L, ZHENG B L, HE K, et al. Imidazole alkaloids from Lepidium meyenii[J]. Journal of Natural Products, 2003, 66(8): 1101-1103.

[8] LI G, AMMERMANN U, QUIROS C F. Glucosinolate contents in maca (Lepidium peruvianum Chacon) seeds, sprouts, mature plants and several derived commercial products[J]. Economic Botany, 2001, 55(2): 255-262. DOI:10.1007/BF02864563.

[9] PIACENTE S, CARBONE V, PLAZA A, et al. Investigation of the tuber constituents of maca (Lepidium meyenii Walp.)[J]. Journal of Agricultural and Food Chemistry, 2002, 50(20): 5621-5625. DOI:10.1021/jf020280x.

[10] 李磊, 周昇昇. 瑪咖的食品營養(yǎng)與安全評價及開發(fā)前景[J]. 食品工業(yè)科技, 2012, 33(5): 376-379.

[11] CICERO A F, BANDIERI E, ARIETTI R. Lepidium meyenii Walp. improves sexual behaviour in male rats independently from its action on spontaneous locomotor activity[J]. Journal of Ethnopharm Acology, 2001, 75: 225-229. DOI:10.1016/ S0378-8741(01)00195-7.

[12] GONZALES G F, NIETO J, RUBIO J, et al. Effect of Black maca (Lepidium meyenii) on one spermatogenic cycle in rats[J]. Andrologia, 2006, 3 8(5): 166-172. DOI:10.1111/j.1439-0272.2006.00733.x.

[13] LEMB? D M, GASCO M, GONZALES G F. Fertility and estrogenic activity of Turraeanthus africanus in combination with Lepidium meyenii (Black maca) in female mice[J]. European Journal of Integrative Medicine, 2012, 4(3): e345-e351. DOI:10.1016/ j.eujim.2012.03.001.

[14] 余龍江, 張永忠, 金文聞, 等. 瑪咖醇提取物對小鼠的抗衰老作用[J].中草藥, 2006, 37(1): 81-83.

[15] 余龍江, 金文聞. 瑪咖(Lepidium meyenii.)干粉的營養(yǎng)成分及抗疲勞作用研究[J]. 食品科學(xué), 2004, 25(2): 164-166. DOI:10.3321/ j.issn:1002-6630.2004.02.038.

[16] KEUM Y S, JEONG W S, KONG A N. Chemopreventive functions of isothiocyanates[J]. Drug News Perspect, 2005, 18(7): 445-451. DOI:10.1358/dnp.2005.18.7.939350.

[17] ZHA S H, ZHAO Q S, CHEN J J, et al. Extraction, purification and antioxidant activities of the polysaccharides from maca (Lepidium meyenii)[J]. Carbohydrate Polymers, 2014, 111: 584-587. DOI:10.1016/j.carbpol.2013.07.088.

[18] MITHEN R F, DEKKER M, VERKERK R, et al. The nutritional significance, biosynthesis and bioavailability of glucosinolates in human foods[J]. Journal of the Science of Food and Agriculture, 2000, 80(7): 967-984. DOI:10.1002/(SICI)1097-0010(20000515)80:7.

[19] 胡強(qiáng), 康平德, 楊少華, 等. 云南瑪咖種子產(chǎn)業(yè)化發(fā)展的現(xiàn)狀, 優(yōu)勢與對策[J]. 種子, 2013, 32(1): 59-62.

[20] LEARDI R, NORGAARD L. Sequential application of backward interval partial least squares and genetic algorithms for the selection of relevant spectral regions[J]. Journal of Chemometrics, 2004, 18(11): 486-497. DOI:10.1002/cem.893.

[21] 鄒小波, 朱曾, 趙杰文. 基于間隔偏最小二乘法的農(nóng)產(chǎn)品近紅外光譜譜區(qū)選擇方法[J]. 現(xiàn)代科學(xué)儀器, 2007(1): 86-88.

[22] 王立琦, 孔慶明, 李貴濱, 等. 基于 iPLS的油脂過氧化值近紅外光譜特征波段選擇[J]. 食品科學(xué), 2011, 32(9): 97-100.

[23] 褚小立, 袁洪福, 王艷斌, 等. 遺傳算法用于偏最小二乘方法建模中的變量篩選[J]. 分析化學(xué), 2001, 29(4): 437-442. DOI:10.3321/ j.issn:0253-3820.2001.04.018.

[24] 宋曉華, 楊尚東, 劉達(dá). 基于蛙跳算法的改進(jìn)支持向量機(jī)預(yù)測方法及應(yīng)用[J]. 中南大學(xué)學(xué)報(自然科學(xué)版), 2011, 42(9): 2738-2740.

[25] LI Hongdong, XU Qingsong, LIANG Yizeng. Random frog: an efficient reversible jump Markov chain Monte Carlo-like approach for variable selection with applications to gene selection and disease classification[J]. Analytica Chimica Acta, 2012, 740: 20-26. DOI:10.1016/j.aca.2012.06.031.

[26] 趙艷麗, 張霽, 袁天軍, 等. 近紅外光譜快速鑒別不同產(chǎn)地藥用植物重樓的方法研究[J]. 光譜學(xué)與光譜分析, 2014, 34(7): 1831-1835.

Classification of Different Origins of Maca Based on Infrared Spectroscopy in Combination with Statistical Analysis

WANG Yuanzhong, ZHAO Yanli, ZHANG Ji, JIN Hang*
(Institute of Me dicinal Plants, Yunnan Academy of Agricultural Sciences, Kunming 650200, China)

Based on Fourier transform infrared spectroscopy (FTIR), identification of the origin of 139 samples of maca collected from Yunnan and Peru was conducted. The infrared spectra were preprocessed by multiple scattering correction combined with second derivative and Norris smoothing. Through eliminating the noise spectral bands, the suitable number of principal components was chose as eight. Based on the optimal number of principal components, by using interval partial least squares (iPLS), the spectra in the range of 3 650.59–651.82 cm–1was processed by optimization analysis. An iPLS-DA classification model was built by screen ing the spectra of 98 samples in the ranges of 1 855.19–651.822, 3 054.69–2 756.78 and 3 650.59–3 353.6 cm–1. The R2, RMSEC and RMSEP of the model were 0.958 4, 0.785 8 and 1.164 2, respectively. The verification with 41 samples indicated that the validation accuracy was consistent with that of the classification model built using the original spectra, which was 87.80%. To further improve the accuracy of the classification model on the basis of iPLS screening of spectral bands, the spectral information was optimized by genetic algorithm (GA) and shuffled frog leaping algorithm (SFLA), respectively. The results showed that, through GA screening the frequency of spectral information which was greater than 4 and 5, the filtered spectral data points were 62 and 29, respectively. Through SFLA screening the probability of spectral information which was greater than 0.1 and 0.15, the filtered spectral data points were 77 and 27, respectively. The validation results showed that the recognition efficiency of the classification model built by GA-PLS-DA(62 data points) and GA-PLS-DA (29 data points) were 95.12% and 97.56%, respectively. The recognition efficiency of the classification model built by SFLA-PLS-DA (77 data points) and SFLA-PLS-DA (27 data points) were 92.68% and 97.56%. By comparing the above methods, we could find that the classification models built by iPLS-DA, GA-PLS-DA and SFLAPLS-DA all had good prediction performance, of which the models built by GA-PLS-DA (29 data points) and SFLA-PLSDA (27 data points) could more accurately identify the different origins of maca. The methods could provide a new way for identification of the origin of maca with IR. The screening of the spectral variables could provide the basis for the difference analysis of the chemical constitutes (components) in different origins of maca.

maca (Lepidium meyenii Walp.); infrared spectroscopy; interval partial least squares; genetic algorithm; shuffled frog leaping algorithm

10.7506/spkx1002-6630-201604030

O657.3

A

1002-6630（2016）04-0169-07

王元忠, 趙艷麗, 張霽, 等. 紅外光譜結(jié)合統(tǒng)計分析對不同產(chǎn)地瑪咖的鑒別分類[J]. 食品科學(xué), 2016, 37(4): 169-175.

DOI:10.7506/spkx1002-6630-201604030. http://www.spkx.net.cn

WANG Yuanzhong, ZHAO Yanli, ZHANG Ji, et al. Classification of different origins of maca based on infrared spectroscopy in combination with statistical analysis[J]. Food Science, 2016, 37(4): 169-175. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-201604030. http://www.spkx.net.cn

2015-02-28

國家自然科學(xué)基金地區(qū)科學(xué)基金項目（31460538；81260608）；云南省自然科學(xué)基金項目（2013FD066；2013FZ150）

王元忠（1981—），男，助理研究員，碩士，主要從事藥用植物資源研究。E-mail：yzwang1981@126.com

*通信作者：金航（1964—），男，研究員，學(xué)士，主要從事藥用植物資源研究。E-mail：jinhang2009@126.com