CHIN MED-UK | 如何科学地挑选西洋参/机器学习预测西洋参生长年限

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。

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。

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。

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。

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。

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：

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。

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。

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。