Metode Analisis Metabolit Profil Global Dan Diagnostik Ion Strategi Penyaringan Oleh LC
Metode Analisis Metabolit Profil Global Dan Diagnostik Ion Strategi Penyaringan Oleh LC
QTOF MS untuk identifikasi cepat potongan mentah dan olahan dari Rheum palmatum
L.
Food Chemistry 192 (2016) 531-540
*,
Jia-Qi Yao, Peng-Yuan Li, Ding -Rong Yu, Yin-Lian Ma
Institut Cina Materia Medica, Cina Academy of Chinese Medical Sciences, No. 16 Nanxiao Lane, Dongzhimennei, Beijing
100.700, Cina
articleinfo
Pasal sejarah: Diterima 12 Februari 2015 Diterima dalam bentuk direvisi 24 Juni 2015 Diterima 5 Juli 2015 Tersedia online 9 Juli
2015
Keywords: Rheum palmatum L. Rebusan buah otentikasi Metabolomik Diagnostik ion filtering RRLC-QTOF MS
abstrak
karena ragam fungsi, rhubarb telah digunakan selama ribuan tahun di banyak negara. Hal ini monly com- digunakan setelah
pengolahan. Pengolahan biasanya mempengaruhi profil kimia dan isi senyawa aktif dalam herbal, yang menyebabkan perubahan
bioactivities mereka. Di sini, pendekatan dari metabolit profiling dan diagnostik ion strategi penyaringan dengan kromatografi
cair-quadrupole / waktu-of-penerbangan trometry massa spec- didirikan untuk identifikasi cepat dari potongan mentah dan olahan
dari Rheum palmatum L. (RPL). Informasi komprehensif dan objektif dari 30 batch RPL meliputi baku dan dua metode
pengolahan umum yang diberikan oleh profil metabolomika. Menggunakan algoritma ekstraksi fitur molekul, senyawa non-target
dianalisis dalam beberapa menit. Secara total, 73 penanda karakteristik diekstraksi dan diidentifikasi oleh penyaringan ion
diagnostik. Mereka telah dianalisa lebih lanjut oleh setidaknya squares- pengenalan pola dukungan vektor mesin berbasis parsial.
Metode yang komprehensif dan cepat untuk potongan mentah dan olahan klasifikasi RPL menunjukkan baik sensitivitas,
spesifisitas dan kinerja prediksi.
Ó 2015 Elsevier Ltd All rights reserved.
1. Pendahuluan
Rhubarb, termasuk Rheum palmatum L., Rheum tanguticum Maxim. ex Balf dan Rheum officinale Baill, telah digunakan
untuk thou- pasir dari tahun di banyak negara karena ragam fungsi (Huang, Lu, Shen, Chung, & Ong, 2007), seperti pencahar,
anti-inflamasi, antikanker, antioksidan, dan antitumor (Jelassi et al, 2013;. Qin et al, 2011;.. Suboj et al, 2012). Kimia dan
penyelidikan farmakologi mengungkapkan bahwa senyawa fenolik, termasuk antrakuinon, sennosides, stilbenes, dan tanin
bertanggung jawab untuk efek terapi secara keseluruhan (Chen et al, 2009;. Cheng, Wu, Ho, & Yen, 2013; Li, Pan, & Sweet ,
2013). Karena popularitasnya, rhubarb telah resmi terdaftar di Farmakope Cina, United State Pharmacopoeia dan Farmakope
Jepang, dll, yaitu sebagai Radix et Rhizoma Rhei (Farmasi & Food Safety Bureau, 2006; Komite Pharmacopoeia Negara
Republik Rakyat Cina, 2010 ; Amerika Serikat Pharmacopeial Konvensi, 2010).
Pengolahan dapat mempengaruhi profil kimia dan isi senyawa aktif dalam herbal, yang menyebabkan perubahan bioactivities
(Cheng, Liu, Peng, Qi, & Li, 2011). Misalnya, akar ginseng, konversi sive extension ginsenosides kutub asli dalamdiproses
ginsenguntuk, kurang polar, senyawa degradasi baru di mengukus ginseng diproses diamati (Chan et al., 2007). Pengobatan
mengepul ini meningkatkan kemoprevensi kanker ginseng (Qi, Wang, & Yuan, 2010). Oleh karena itu, otentikasi dan kontrol
kualitas bahan herbal yang diproses adalah tugas yang menantang bagi para analis.
Rhubarb umumnya digunakan setelah pengolahan. Potongan rebusan ( '' Zhipian '' dalam bahasa Cina) yang diterapkan
dengan cara cessing pro membedakan di negara-negara yang berbeda mengenai tujuan bervariasi. Berbagai metode analisis telah
dikembangkan untuk characteriz- ing komposisi kimia dari rhubarb dalam bentuk yang berbeda, misalnya, segar atau kering, atau
dari sumber-sumber spesies bervariasi (Wang et al, 2011;. Ye, Han, Chen, Zheng, & Guo 2007). Sebagian besar peneliti sedikit
perhatian untuk bahan olahan, khususnya untuk perbedaan antara bahan baku dan yang diproses yang mungkin memiliki pola
kimia berbeda- ent. Akibatnya, sangat menarik untuk mengembangkan metode untuk mengklasifikasikan berbagai jenis sampel
rhubarb, dan untuk mengidentifikasi perbedaan yang tepat dari beragam rhubarb diproses juga.
Metode utama yang digunakan dalam otentikasi berbagai jenis sampel rhubarb yang metode sidik jari kromatografi dan analisis
profil kimia. Metode ini berguna untuk mengidentifikasi rhubarb mentah dan olahan. Namun, strategi tersebut terdiri dari
beberapa langkah berturut-turut yang mengidentifikasi metabolit dan kemudian Star Excursion Balance Test *
Penulis Sesuai.
makan informasi kualitatif komposisi fitokimia menggunakan
alamat e-mail: x.heqi@163.com (Y.-Q. Xiao).
kromatografi cair (LC) atau spektrometri massa (MS) (Ni, Lagu,
http://dx.doi.org/10.1016/j.foodchem.2015.07.013 0308-8146 / Ó 2015 Elsevier Ltd All rights reserved.
Ying Liu , Li Li, Yong-Qing Xiao
Isi daftar tersedia di ScienceDirect
Food Chemistry
jurnal www.elsevier.com/locate/foodchem
homepage:.& Kokot, 2012; Wang et al, 2014). Kelengkapan dari metode ini tergantung pada jumlah metabolit diidentifikasi atau
senyawa referensi yang tersedia dibandingkan pada sampel. Seluruh analisis terbatas pada subset metabolit dan banyak perbedaan
yang bermakna dapat diabaikan.
Tren otentikasi adalah penerapan metode profiling metabolomika oleh MS, memberikan analisis informasi yang komprehensif
dan berisi dan memiliki sensitivitas, spesifisitas, dan fleksibilitas (Dunn & Ellis, 2005). Profil metabolomika sangat kuat dalam
menggambarkan persamaan dan perbedaan sistem biologis dengan profil lengkap metabolit dalam suatu organisme, yang telah
digunakan untuk menyelidiki perbedaan metabolisme antara spesifik jaringan tanaman (Chen et al., 2014), keamanan pangan
(Chen et al. 2012; Liu et al, 2014) dan diagnostik penyakit (Wagner, Scholz, Sieber, Kellert, & Voelkel, 2007) baru-baru ini..
Strategi ini mengadopsi auto dikawinkan algoritma ekstraksi senyawa ke profil sampel pada tingkat fragmen molekul individu
tanpa canggih puncak tugas. Ini adalah analisis yang komprehensif dari semua bagian metabolit dan perbedaan metabolik
mungkin.
Dalam studi ini, metabolit profiling dan diagnostik ion strategi penyaringan dengan waktu-of-flight spektrometri massa LC-
quadrupole (LC-QTOF-MS) diusulkan (Gambar. 1) untuk klasifikasi cepat sampel rhubarb mentah dan olahan. Untuk
memvalidasi kepraktisan metode yang diusulkan, R. palmatum L., yang specie bersifat obat yang paling populer dari Radix et
Rhizoma Rhei digunakan sebagai studi kasus ilustratif. Pertama, profil metabolik penuh dari kedua rial mate- mentah dan olahan
diperoleh melalui LC-QTOF-MS, diikuti oleh multivari- sebuah makan analisis statistik. Sebuah analisis statistik multivariat
digunakan untuk mendapatkan model prediktif untuk klasifikasi bahan baku dan yang diproses. Setelah itu, ion diagnostik utama
dan jalur tion fragmentasi dari kelas yang berbeda dari senyawa dalam QTOF-MS dirangkum dengan senyawa referensi yang
tersedia. Menggunakan penyaringan ion diagnostik, identifikasi cepat dari senyawa penanda dicapai.
2. Eksperimental
2.1. Bahan kimia dan reagen
Standar acuan terdiri dari 12 antrakuinon, 3 stilbenes, 5 phenylbutanones, asam 1 fenolik dan 2 tanin. Physcion- 8-ob-
D
-glucopyranoside, chrysophanol-8-ob-
D
-glucopy-ranoside, aloe-emodin-8-ob-
D
-glucopyranoside,Rhein-8-ob-
D
sisi-glucopyrano-, emodin-8- ob-
D
-glucophyranoside, aloe-emodin-3-CH
2
-Ob-
D
-
532 Y. Liu et al. / Food Chemistry 192 (2016) 531-540
Gambar. 1. Skema diagram profil metabolit dan diagnostik ion strategi penyaringan.
-glucophyranoside, glucophyranoside, emodin-1-ob-
D
Rhein, emodin, aloe emodin, trans-3,30,50-trihidroksi-4-metoksi-stilbene-
30-ob-
D
-glucopyranoside, trans-3,5,40 -trihydroxystilbene-40-ob-
D
-gluco- pyranoside, trans-3,5,40-trihydroxystil-bene-40-ob-
D
- (600-O-gallo- yl) -glucopyranoside, 4- (40-hidroksifenil) -2-butanone-
4- (40-hydr oxyphenyl) -2-butanone-40-ob-
D
- (600-O-sinamoil) ide -glucopyranos-, 4- (40-hidroksifenil) -2-butanone-40- ob-
D
- (600-Op-coumaroyl) -glucopyranoside, 4- (40-hidroksifenil) -2-butanone-40-
ob-
D
- (200-O-galloyl-600-Op-coumaroyl) -glucopyranoside, 4-
(40-hydroxyp henyl) -2-butanone-40-ob-
D
- (600-O-galloyl) - glucopyranoside; asam galat, catechin, epicatechin diisolasi sebelumnya dari akar kering dari R. palmatum L.
di laboratorium kami. Sennoside A dan sennoside B dibeli dari Institut Nasional untuk Pengawasan Obat dan Makanan (Beijing,
Cina). Struktur mereka yang lanjut dijelaskan di laboratorium penulis oleh 13C Data NMR dan MS (ditunjukkan pada Gambar
S1.) (Kashiwada, Nonaka, & Nishioka, 1984, 1986; Nonaka, Minami, & Nishioka, 1977; Nonaka, Nishioka, Nagasawa, & Oura,
1981; Okabe, Matsuo, & Nishioka, 1973). Kemurnian masing-masing senyawa standar bertekad untuk menjadi lebih dari 95%
dengan normalisasi daerah puncak terdeteksi oleh HPLC-dioda detektor array (DAD) -quadruple / MS. HPLC kelas ACN,
metanol dan MS kelas asam asetat diperoleh adalah dari Dikma (California, AS). Air deionisasi (18 MX cmÀ1) disusun oleh air
suling melalui Arium 61.316 / 611VF sistem (Göttingen, Jerman). Semua bahan kimia yang digunakan dari sumber-sumber
komersial adalah kelas analitis atau lebih tinggi.
2.2. Persiapan sampel
kering sampel R. palmatum L. (benar-benar 30 batch) yang kumpulkan lected dari Yushu di Qinghai, Cina. Semua sampel
voucher yang disahkan oleh Pro. Shi-Lin Hu dan disimpan di Institut Materia Medica Cina di China Academy of Chinese
Medical Sciences (Beijing, Cina). Di antara mereka, 20 batch diproses menjadi potongan-potongan rebusan, termasuk potongan
kukus ( '' Shupian '' dalam bahasa Cina, 10 batch) dan hangus potongan ( '' Tanpian '' dalam bahasa Cina, 10 batch). Mereka
diproduksi oleh Renwei pengobatan Cina bahan pabrik pengolahan (Beijing, Cina) menurut China Pharmacopeia (edisi 2010)
(Negara Komite Farmakope Republik Rakyat Cina, 2010). The menggenangi tersisa digunakan sebagai bahan baku ( '' Shengpian
'' dalam bahasa Cina).
Sampel rhubarb yang berbeda bubuk untuk ukuran homogen dan disaring melalui No. 40 mesh. Sebuah aliquot dari 0,5 g
bubuk dari setiap batch sampel disonikasi di 25 mL dari 70%
metanol (v / v) selama 10 menit pada suhu kamar, diikuti oleh ing penyaring- dan kemudian pemusingan pada 12.000 rpm selama
5 menit. The natant super- akhir dipindahkan ke botol auto sampler untuk analisis.
2.3.RRLC-QTOF-MS analisis
Analisiskromatografi dilakukan pada Agilent 1200 Series (Agilent, Jerman) sistem LC yang dilengkapi dengan pompa biner,
degasser mikro, auto piring-sampler, dan apartemen kolom termostatik dikendalikan. Pemisahan kromatografi dilakukan pada 30
± 0,1 ° C pada (4,6 mm  50 mm, 1,8 lm). The Agilent XDB-Cmobile
18
fasekolom terdiri dari (A) air (0,2% asam asetat, v / v) dan (B) asetonitril (0,2% asam asetat, v / v) menggunakan elusi gradien
dari 13-13% B di 0-1.4min, 13-15% B di 1,4-1,5 menit, 15-16% B di 1,5-3,5 menit, 16-20% B di 3,5-6 menit, 20-24% B di 6-7
menit , 24-30% B di 7-8,7 menit, 30-31% B di 8.7-11.4min, 31-41% B di 11.4-12.9min, 41-54% B di 12,9-13 menit, 54-60% B
di 13-14 menit, 60-100% B di 14-16 menit, 100-100 B% pada 16-18min. Volume injeksi adalah 2 lL dan laju aliran adalah 0,5
mL / menit. Dua puluh tiga senyawa referensi yang tersedia yang membaur sebagai '' kontrol kualitas '' (QC) sampel untuk
menjaga kondisi berperan stabil selama proses analisis keseluruhan. QC sampel dianalisis sebelumnya, antar dan setelah analisis
sampel setiap hari. Kosong 70% metanol (2 lL) disuntikkan antara sampel untuk memvalidasi antar-sampel efek lintas-berbicara.
Pendeteksian kualitatif dilakukan oleh 6520 massa spektrometer QTOF (Agilent Technologies, Jerman) dilengkapi dengan
electrospray ionisasi (ESI) interface. Parameter operasi adalah sebagai berikut: pengeringan gas (N
2)
tingkat dan suhu mengalir pada 10,0 L / menit dan 350 ° C; nebulizer, 45 psig; Tingkat
selubung aliran gas dan suhu di 12 L / menit dan 400 ° C; kapiler, 3500 V; mer skim-, 65 V; Oktober RFV, 750 V dan tegangan
fragmentor, 120 V. Untuk percobaan MS / MS, energi tabrakan disesuaikan dari 15 sampai 35 V untuk mengoptimalkan sinyal
dan mendapatkan maksimal tion INFORMATION struktural dari ion yang menarik. Setiap sampel dianalisis dalam mode negatif
dan dalam rangkap tiga. Rentang massa diatur pada m / z 100-1000. Pengukuran massa akurat (error <5 ppm untuk analit)
diperoleh dengan cara sistem pengiriman calibrant otomatis menggunakan dual-nebulizer ESI sumber. Sumber ESI
memperkenalkan tingkat rendah aliran (100 lL / min) dari solusi kalibrasi (calibrant solusi A, Agilent Technologies), yang berisi
massa referensi internal pada m / z 112,9856, 980,0164 dalam mode ion negatif.
2.4. Analisis data
Data RRLC-ESI / QTOF MS awalnya dianalisis menggunakan ekstraksi fitur molekul (MFE) algoritma perangkat lunak
MassHunter Workstation (versi B 05.00 Kualitatif Analisis, Agilent Technologies, Santa Clara, CA, USA). Ion, rekening
melebihi 500 jumlah dengan biaya negara sama dengan satu, diekstraksi sebagai fitur molekul (MFS) dari penanganan sampel
yang representatif untuk evaluasi statistik dan chemometric dari set data yang diperoleh. Mereka yang ditandai dengan waktu
retensi (RT), kelimpahan, dan massa akurat. Ambang batas jumlah ion senyawa ditetapkan sebagai dua atau lebih ion. Model
isotop didasarkan pada Cules mole- umum organik. Semua fitur diekstrak dalam berjalan kosong (70% metanol) adalah sub
tracted dari fitur sampel untuk mengurangi kebisingan kimia. File yang dihasilkan dalam format pertukaran senyawa (file .cef) di
ciptakan untuk setiap sampel dan diekspor ke dalam paket Mass Profiler Profesional (MPP) software (versi B.12.05, Agilent
Technologies, Santa Clara, CA, USA) untuk diproses lebih lanjut .
Analisis statistik multivariat dilakukan dengan menggunakan MPP soft ware. Penyelarasan RT dilakukan di seluruh sampel
set menggunakan jendela toleransi 0,2 menit. MFS dari sampel yang berbeda yang selaras dengan menggunakan algoritma
pergeseran normalisasi persentil dan dasar
Y. Liu et al. / Food Chemistry 192 (2016) 531-540 533
ke median dari semua pilihan sampel. Pengurangan bertahap dari jumlah MFS dilakukan berdasarkan frekuensi kejadian,
perubahan kali lipat dan hasil analisis satu arah varians (ANOVA). Akhirnya, data diekspor dan dianalisis dengan kuadrat parsial
(PLS) dan support vector machine (SVM).
PLS merupakan metode pengenalan pola tanpa pengawasan tanpa informasi ori pri dari kumpulan data dan mempertahankan
varians maksimum data multi-dimensi sekaligus mengurangi dimensi nya (Boulesteix & strimmer, 2007). Oleh karena itu, PLS
digunakan untuk memilih fitur penting sebelum classifier pelatihan, untuk menentukan model klasifikasi tanpa mengurangi
kinerjanya. PLS classifier memutuskan: median dari nilai tertimbang (MWV) digunakan untuk mengukur pentingnya fitur. Titik
cutoff ditetapkan sebagai 0,40. Jika Mwv P 0,40, fitur yang sesuai diidentifikasi sebagai variabel kunci yang dapat
mempengaruhi kinerja model klasifikasi.
SVM, awalnya diperkenalkan oleh Cortes dan Vapnik (1995), telah diindikasikan sebagai alat klasifikasi kuat yang dapat
mengatasi kasus umum klasifikasi nonlinear dan non-dipisahkan secara efisien. Tujuan dari SVM adalah untuk menemukan
hyperplane yang memaksimalkan lebar margin antara kelas dan pada saat yang sama meminimalkan kesalahan empiris (Chen,
Xuan, Riggins, Clarke, & Wang, 2011). Di sini, kami memilih radial basis function (RBF) seperti yang dijelaskan dalam
penelitian kami sebelumnya (Jiang et al., 2013).
Kinerja keseluruhan rhubarb classifier dievaluasi dengan 5 kali lipat uji cross-validasi. Keseluruhan prediksi akurasi (ACC),
penerima operasi karakteristik (ROC) dan daerah di bawah kurva (AUC) yang digunakan untuk mengukur kinerja prediksi
model. Kurva ROC dapat menunjukkan kemanjuran satu tes dengan menghadirkan kedua sensitivitas dan spesifisitas untuk poin
cutoff yang berbeda (Baldi, Brunak, Chauvin, Andersen, & Nielsen, 2000). Sensitivitas dan ficity speci- sangat cocok untuk
mewakili kemampuan tes untuk mengidentifikasi positif benar dan yang salah dalam dataset. Kurva ROC yang plot- ted dan
dihaluskan oleh software SPSS dengan sensitivitas pada sumbu y dan spesifisitas pada sumbu x. The 5-kali lipat cross-validasi
prosedur uji: kelas dalam input data secara acak dibagi menjadi lima bagian yang sama, empat bagian yang digunakan untuk
pelatihan model, dan sampel yang tersisa (test set) diklasifikasikan dengan menggunakan model structed con. Seluruh proses
diulang (n = 5) sebelum sensitifitas sen- dan spesifisitas terhadap parameter yang berbeda di lima dataset uji dihitung untuk kurva
ROC.
3. Hasil dan diskusi
3.1. Sistem RRLC ekonomi dengan ukuran partikel kecil kolom
analisis kecepatan tinggi dicapai sebagai benar-benar kurang dari 20 menit untuk pemisahan ekstrak rhubarb mentah dan
diproses melalui sistem RRLC dikemas dengan partikel berpori 1,8-lm di kolom pendek (ditunjukkan pada Gambar. 2 dan S2).
Ini adalah sekitar 2-4 kali lebih cepat daripada yang menggunakan kolom konvensional dikemas dengan partikel 5.0-lm (Li et al,
2009;.. Ye et al, 2007). Sementara itu, waktu yang dibutuhkan untuk pengembangan metode dan kolom imbang jauh lebih
pendek. Selain itu, waktu analisis singkat kontribusi terhadap penurunan yang signifikan dari konsumsi pelarut dan biaya kurang.
Dalam KASIH pengalaman-, konsumsi pelarut berkurang 75-85%. Di bawah laju aliran rendah 0,5 mL / menit, sampling rate
yang dibutuhkan untuk MS memenuhi persyaratan. Penggantian pipa koneksi singkat ditingkatkan resolusi. Sistem RRLC dengan
kolom ukuran partikel kecil adalah metode yang sangat berguna dan ekonomi untuk analisis sampel rhubarb yang berbeda.
3.2. Global metabolit profiling oleh QTOF-MS
Seluruh analisis metabolit bagian dan banyak perbedaan metabolik mungkin tergantung pada berisi metabolit profiling.
Mengingat kompleksitas metabolit tanaman (ondary primer dan sek-) yang terdiri beragam jenis dan isi yang berbeda dari bahan
kimia, analisis yang komprehensif dari metabolit dalam herbal adalah ficult dif-. Namun demikian, QTOF MS menawarkan
selektivitas tinggi di bawah modus full-scan, resolusi tinggi, akurasi massa yang besar dan beberapa mentations-fragmen untuk
informasi struktural, sehingga memungkinkan untuk analisi sis metabolit non-target. Dalam karya ini, analisis metabolit non-
target di 30 batch rhubarbs sampel meliputi baku dan dua yang diproses dilakukan secara langsung. The cross-talk antara sampel
ditemukan menjadi diabaikan oleh memvalidasi solusi kosong setelah analisis dari ekstrak rhubarb. Modus ion negatif dipilih
untuk analisis karena intensitas relatif lebih tinggi dari kebanyakan metabolit dibandingkan dengan mereka dalam mode positif.
3.3. Imparsial filtering fitur dan data perlakuan pendahuluan
Hal ini agak menantang untuk menemukan fitur karakterisasi dari puncak terlihat atau senyawa target yang diekstraksi dengan
pekerjaan manual. Ini adalah waktu menuntut, dan banyak senyawa tingkat rendah mungkin akan terjawab. Algoritma MFE
adalah metode senyawa-menemukan berguna yang bisa menggabungkan isotop dan hubungan kimia mungkin, seperti adduct dan
dimmer, menjadi senyawa tunggal. Semua senyawa akan ditandai dengan massa akurat dikombinasikan dengan kelimpahan dan
retensi waktu mereka. Seluruh prosedur itu com- pleted di menit lebih cepat dari analisis manual yang akan menghabiskan
minggu. Kemudian, untuk meminimalkan data yang kompleks, penyaringan lebih lanjut prosedur-prosedur berdasarkan ANOVA
satu arah (p = 0,05) dan lipat perubahan (nilai FC, FC P 2.0) analisis. Jumlah MFS adalah 1482 dari seluruh suntikan, dan secara
signifikan dikurangi menjadi 73 setelah langkah penyaringan. Sebanyak 73 penanda karakteristik akhirnya digunakan untuk
melakukan analisis statistik multivariat yang lebih komprehensif dan berisi, dibandingkan dengan yang dipilih beberapa
komponen (18 atau 8) sebagai penanda karakteristik dalam metode dilaporkan sebelumnya (Ni et al, 2012;. Wang et al. 2014).
Informasi identifikasi mereka dirangkum dalam Tabel 1. Karakteristik dari metode yang diusulkan dan sastra melaporkan metode
yang diringkas dalam Tabel S1.
3.4. Analisis statistik multivariat
Dalam sistem pembelajaran mesin, langkah yang paling memakan waktu adalah pelatihan kembali dari classifier. Pendekatan
alternatif adalah untuk memilih fitur penting sebelum pelatihan classifier. Oleh karena itu, PLS digunakan
534 Y. Liu et al. / Food Chemistry 192 (2016) 531-540
Gambar. 2. Total kromatogram ion khas bahan baku dari Rheum palmatum L. oleh LC-QTOF-MS dalam mode ion negatif.
Angka-angka puncak yang sesuai dengan nomor senyawa dalam Tabel 1.
untuk memilih variabel karakteristik kunci. The Mwv dari 73 variabel ditunjukkan pada Tabel S2. Akibatnya, sepuluh fitur,
MWV dari yang lebih besar dari 0,40, dipilih sebagai variabel karakteristik kunci untuk pelatihan classifier.
SVM digunakan sebagai metode klasifikasi untuk memodelkan diskriminasi dalam sampel rhubarb yang berbeda. Di sini,
sepuluh variabel karakteristik kunci disaring oleh PLS digunakan untuk membangun model yang berbasis SVM untuk klasifikasi
bahan baku dan yang diproses. Daerah puncak dari sepuluh komponen pembuat kemudian subisidi sebagai masukan untuk
membangun dataset 10-dimensi, yang repre- sents 10 vektor. Tiga jenis sampel rhubarb yang diterapkan sebagai vektor output. A
5-kali lipat cross-validasi dilakukan untuk meningkatkan akurasi klasifikasi dan menghindari data melalui pas. Dalam
pemodelan, 30 batch sampel secara acak dipisahkan ke dalam pelatihan dan uji dataset untuk 100 kali. Kelembak classifier dilatih
oleh dataset pelatihan, dan ACC prediksi dan nilai AUC dievaluasi oleh dataset uji (ditunjukkan pada Gambar. 3). ACC dan AUC
nilai untuk tes yang berbeda itu dijumlahkan untuk menghitung error rata-rata dan standar seperti yang ditunjukkan pada Tabel
S3. Hasil tion recogni- dari sebagian besar 24 sampel konsisten dengan hasil aktual, dan ini sampel yang dipilih mewakili sampel
yang sesuai berhasil diklasifikasikan ke dalam tiga kelompok. Selanjutnya, 6 batch sampel uncontained digunakan sebagai
prediksi mengatur untuk menguji metode validasi. Hasil penelitian menunjukkan bahwa akurasi prediksi secara keseluruhan
mencapai 94,67 ± 7,71%, dan nilai-nilai AUC adalah 0,98 ± 0,01-1,00 (Konieczk, & Namiesnik, 2010; Szterk, Roszko, &
Cybulski, 2012; Szterk, Roszko, Malek, Czerwonka, & Waszkiewicz-Robak, 2012;. Szterk et al, 2012). Nilai AUC merupakan
indikator efektivitas sistem penilaian. Semakin dekat ke 1,00 AUC dari tes adalah, semakin tinggi efektivitas keseluruhan tes
akan. Kami menemukan bahwa rhubarb classifier memiliki area sekitar 1.00, menunjukkan bahwa itu efisiensi tinggi untuk
mengidentifikasi bahan baku dan dua jenis buah terhadap dataset tes independen yang berbeda. Semua hasil ini menunjukkan
bahwa metode pengenalan yang diusulkan berbasis SVM pola mungkin menjadi alat yang potensial untuk klasifikasi bahan
herbal yang beragam olahan.
3.5. Identifikasi cepat penanda kimia
Meskipun sejumlah laporan telah ditandai spektrum massa senyawa beragam rhubarb, beberapa dari mereka telah
mengidentifikasi
Tabel 1 LC-QTOF-MS pengukuran massa akurat dan distribusi dari 73 penanda kimia.
Senyawa tidak ada.
t
R
[mah] À (m / z) Kesalahan (min)
(ppm)
Rumus Molekul
Karakteristik ion fragmen Identifikasi RP SP CP
Experimental Teoritis
A1 * 7,129 445,0773 445,0776 À0.75 C
21
H
17
O
11
283.0233,239.0327 Rhein-8- ob-
D
-
glucopyranoside + + + A2 * 7,261 431,0969 431,0984 À3.40 C
21
H
19
O
10
269.0448,240.0417 Aloe-emodin-8-ob-
D
-
glucopyranoside + + À A3 * 7,278 861,1874 861,1884 À1.12 C
42
H
37
O
20
386.098,224.0432 SennosideB + + À A4 8,648 861,1834
861,1884 À1.76 C
42
H
37
O
20
386.0995,224.0468 Sennoside C atau D + À À A5 9,251
699,1319 699,1355 À1.20 C
36
H
27
O
15
386.1017,224.0470 Anthranone + À À A6 * 9,264 861,1876
861,1884 À0.89 C
42
H
37
O
20
386.1003,224.0468 Sennoside A + + À A7 9,272 431,0940
431,0984 À3.11 C
21
H
19
O
10
386.1004,224.0477 Anthranone + À À A8 9,548 597,1851
597,0886 A1 0,84 C
28
H
21
O
15
283.0241,239.0357 Rhein-8-ob-
D
-
(60-galloyl) glukosida + + À A9 9,866 431,0977 431,0984 À1.55 C
21
H
19
O
10
269.043,240.041,225.0557 Emodin-3- O-glukosida + À À
A10 9,899 433,1108 433,1140 À2.42 C
21
H
21
O
10
386.0963,224.0452 Anthranone À À + A11 10,576 831,2126
831,2142 À1.91 C
42
H
39
O
18
386.0996,224.0461 Anthranone + À À A12 * 10,601
431,0977 431,0984 À1.55 C
21
H
19
O
10
269.0449,240.0421,225.0547 Emodin-1-ob-
D
-
glucophyranoside + + À A13 11,034 831,2159 831,2142 2,06 C
42
H
39
O
18
386.0997,224.0507 Anthranone + À À A14 11,113 487,0845
487,0882 À2.58 C
23
H
19
O
12
283.0223,239.0344 Rhein turunan A + A A15 12,24
417,1155 417,1191 À2.62 C
21
H
21
O
9
253.0505,225.0552 Chrysophanol turunan + À À A16 *
12,364 415,1027 415,1035 À1.82 C
21
H
19
O
9
253.0505,225.0545 Chrysophanol- 8-ob-
D
-
glucopyranoside + + À A17 * 12,421 431,0975 431,0984 À2.01 C
21
H
19
O
10
269.0443,268.0363 Aloe-emodin-3-CH
2
-Ob-
D
-
glucophyranoside + + + A18 12,496 473,1107 473,1089 3,72 C
23
H
21
O
11
269.0462,225.0524 Emodin-8-O- (60-O-asetil) -
glucopyranoside + À À A19 * 12,582 431,0974 431,0984 À2.25 C
21
H
19
O
10
269.0456,240.0425,225.055 2 Emodin-8-ob-
D
-
glucophyranoside + + À A20 12,747 415,1027 415,1035 À1.82 C
21
H
19
O
9
253.0499,225.0547 Chrysophanol-O-glucopyranoside + + À
A21 13,499 517,1974 517,0988 À2.63 C
24
H
21
O
13
269.0435,225.0508 Emodin-8-O- (60-O-Malonyl) -
glucopyranoside + + À A22 13,994 567,1165 567,1144 3,67 C
28
H
23
O
13
253,0502, Chrysophanol-8-O- (60-O-galloyl) -glucoside + +
À A23 14,609 431,0977 431,0984 À1.55 C
21
H
19
O
10
283.0612,240.0433 Physcion-O-glukosida + + À A24 *
14,683 445,1099 445,1140 À3.24 C
22
H
21
O
10
283.0605,240.0423 Physcion-8-ob-
D
-
glucopyranoside + À À A25 * 16,372 269,0454 269,0455 À0.54 C
15
H
9
O
5
225,0556 Emodin A26 * 16,442 283,0242 283,0248 À2.15 C
15
H
7
O
6
239,0355 Rhein + + + A27 * 17,556 269,0460 269,0455
1,68 C
15
H
9
O
239.0347
5Aloe-emodin + + + S1 5,065 389,1233 389,1242 À2.28 C
20
H
21
O
8
227.0695,185.0594,143.0483 Piceid (Resveratrol-3-ob-
D
-
glucopyranoside) + + À S2 5,072 425,1047 425,1025 À1.14 C
26
H
17
O
6
227.0734,185.0451 stilbene + + À S3 5,074 449,1428
449,1453 À1.60 C
22
H
25
O
10
227.07,185.0599,143.0497 stilbene + + À S4 7,571 417,1169
417,1191 À1.28 C
21
H
21
O
9
255.0638,227.0677 stilbene + À À S5 7,685 541,1406
541,1405 0,23 C
20
H
29
O
17
227.0742,185.0532,143.0491 stilbene + À À S6 8,533
417,1179 417,1191 À2.88 C
21
H
21
O
9
255.0642,227.0686 stilbene + À À S7 * 8,541 419,1335
419,1348 À2.99 C
21
H
23
O
9
255.0651,227.0731 , 185.0597,145.0662 Rhaponticin (3,50,30-trihidroksi-4-methoxystilbene-30-ob-
D
- glukosida)
++À
S8 8.87 541,1334 541,1351 À2.22 C
27
H
25
O
12
227.0870,185.0594 Stillbene + + + S9 * 8,97 541,1343
541,1351 À1.57 C
27
H
25
O
12
227.0703,185.0602,143.0455 Resveratrol-40-ob-
D
-
(600-O-galloyl) -glucopyranoside + + + S10 * 9,08 389,1233 389,1242 À2.88 C
20
H
21
O
8
227.0713,185.0608,143.0496 Resveratrol-40-ob-
D
-
glucopyranoside + À À S11 9,912 487,0883 487,0882 0,21 C
23
H
19
O
12
255.064,227.0705 stilbene + À À S12 10,432 555,1470
555,1508 À2.83 C
28
H
27
O
12
255.0632,227. 0731 Desoxyrhaponticin-600-O-gallate + À À
S13 10,801 541,1343 541,1351 À1.57 C
27
H
25
O
12
227.0715,185.0616,, 143,053 Resveratrol-40-ob-
D
-
(200-O-galloyl) -glucopyranoside + À À S14 11,286 227,0712 227,0714 À0.74 C
14
H
11
O
3
185.0557,159.0834,143.0483 Resveratrol + + À S15 12,099
535,1625 535,1610 2,85 C
29
H
27
O
10
227.0713,143.0499 stilbene + À À S16 15,662 671,1796
671,177 3,85 C
36
H
31
O
13
227.0705,185.0597,143.0477 stilbene + À À P1 3,922
325,1268 325,1293 À2.59 C
16
H
21
O
7
161,0582 (325-164) 4- (40-hidroksifenil) -2-butanone-40-ob-
D