【期刊】基于机器学习的中药制剂中间体微生物限度快速预判研究

研究背景

图文摘要

亮点

    1.本研究通过Lee-Meisel方法合成了金纳米粒子（AuNPs），并进一步制备了金包银（Au@Ag）纳米粒子，最终在Au@Ag外包覆SiO2外壳，制得Au@Ag@SiO2纳米材料作为SERS基底。这种独特的SERS基底材料不仅增强了拉曼光谱的信号，而且提高了对中药制剂中间体中微生物检测的灵敏度和准确性，为中药制剂中间体的微生物限度快速预判提供了新的技术手段。

    2.在实验中，研究者采用了稀释法和薄膜过滤法相结合的方式去除样本中的抗菌活性，确保了微生物限度检查结果的准确性。这种方法的有效性通过回收率实验得到验证，其中枯草芽孢杆菌和大肠埃希菌的回收率均高于80%，表明该条件下的供试液无抑菌作用或抑菌作用很弱，适用于常规方法进行病原菌限度检测。

    3.本研究中，不仅使用了传统的机器学习算法如随机森林（RF）和支持向量机（SVM），还引入了主成分分析-支持向量机（PCA-SVM）和基于深度学习的卷积神经网络（CNN）模型。这些模型的建立和优化，提高了从SERS光谱数据中提取有用信息的能力，增强了对中药制剂中间体微生物限度的快速预判能力。

    4.在测试集上，基于ResNet18架构的CNN模型展现出卓越的性能，准确度、精确度、召回率和F1分数均达到了100%。这一结果表明，CNN模型能够有效地区分“合格”与“不合格”的中药制剂中间体样本，为中药制剂中间体的微生物限度快速预判提供了一种高效、准确的新方法。

“合格”样本与“不合格”样本的SERS光谱

CNN网络结构

4种模型的ROC曲线

总结与展望

     在本研究中，我们成功构建了基于机器学习的中药制剂中间体微生物限度快速预判模型，针对TAMC和TYMC值，采用了随机森林（RF）、支持向量机（SVM）、主成分分析-支持向量机（PCA-SVM）和卷积神经网络（CNN）四种算法。在外部测试集上，CNN模型以100%的准确度、精确度、召回率和F1分数显著优于其他模型，展现了其在SERS光谱分析中的卓越性能。尽管CNN模型在样本数量依赖性、模型复杂性、计算资源需求和可解释性方面存在挑战，但其在处理复杂、非线性和大样本数据集时的优势不容忽视。这项研究不仅为中药制剂中间体的微生物限度快速预判提供了一种高效、准确的新工具，而且对于提升中药生产过程中间体微生物的质量控制水平具有重要意义。

    该研究获国家自然科学基金项目（82003944）、2023年天津市高等学校研究生教育改革研究计划项目（TJYG110）资助，相关成果发表于《分析测试学报》2024年11期第1725~1734页。

引用本文

Cite this article

扫描下方二维码查阅本文原文电子档