重点实验室主任刘鸿高教授领衔云南省农业科学院药用植物研究所王元忠博士（重点实验室特聘教授）团队和云南农业大学李杰庆博士团队针对天麻资源研究提出新理论、建立新方法、创建新研究体系，取得一系列阶段性成果。
论文一：以“Geographic traceability ofGastrodiaelata Blum based on combination of NIRS and chemometrics”（DOI:10.1016/j.foodchem.2024.141529）为题在Food chemistry（IF=8.5，中国科学院1区TOP）发表最新研究论文，提出基于近红外（NIR）光谱技术的天麻地理溯源模型理论；该理论可为不同产区中药地理可追溯性提供借鉴和理论基础。云南农业大学2023级硕士研究生李光遥为第一作者，刘鸿高教授和王元忠博士为共同通讯作者。
该研究针对中国不同产区天麻质量差异显著，传统分析方法操作复杂、耗时、成本高、劳动密集型等问题展开研究。首先，采集了云南彝良县、贵州大方县、湖北五峰县、西藏波密县的天麻近红外光谱（NIRS）数据建立传统的机器学习模型，基于NIRS生成的二维相关光谱（2DCOS）图像和三维相关光谱（3DCOS）图像建立残差卷积神经网络（ResNet）模型。其次，为了对所建立模型的性能进行验证，采集了云南昭通市彝良县、镇雄县、大关县、永善县的样本来进一步对模型的性能进行验证。
结果表明，与传统的机器学习模型，如偏最小二乘判别分析（PLS-DA）、支持向量机（SVM）、反向传输神经网络（BPNN）、梯度提升机（GBM）模型相比，深度学习模型（ResNet）表现出更好的鲁棒性和泛化能力。其中，同步3DCOS-ResNet模型的性能最好，对于不同省份的天麻样本，训练集、测试集和外部验证集准确率均达到100%，对于云南昭通市的天麻样本，训练集和测试集准确率为100%，外部验证集准确率达95.45%。
总的来说，该研究表明基于NIRS数据的深度学习模型能够更有效、准确地评估不同产区天麻的质量差异，为天麻的品质控制与选育提供了有力支持。通过简化操作流程，降低成本，提升分析效率，为今后的相关研究和实践应用奠定了基础。
图形摘要
论文二：以“Rapid and accurate identification ofGastrodiaelata Blume species based on FTIR and NIR spectroscopy combined with chemometric methods”（DOI:10.1016/j.talanta.2024.126910）为题在Talanta（IF=5.6，中国科学院1区TOP）发表研究论文，首次使用光谱数据矩阵和光谱图像对红天麻、绿天麻和乌天麻进行鉴别研究。云南农业大学2023级硕士研究生李光遥为第一作者，刘鸿高教授和王元忠博士为共同通讯作者。
本研究采用了傅立叶变换红外（FTIR）光谱、傅里叶变换近红外（FT-NIR）光谱和数据融合的FTIR+NIR光谱等三个类型的光谱数据集对天麻品种进行鉴别。首先建立了无监督的主成分分析（PCA）和t分布领域嵌入算法（t-SNE）模型对数据进行可视化；其次，建立了传统的机器学习，如PLS-DA、正交偏最小二乘判别分析（OPLS-DA）和SVM模型和深度学习（ResNet）模型。同时，还探讨了不同数据预处理方法对传统机器学习模型的影响。
结果表明，PLS-DA、OPLS-DA和SVM模型需要对光谱数据进行复杂的预处理，才能建立稳定可靠的模型。与传统的机器学习模型相比，ResNet模型不需要复杂的光谱预处理，基于原始NIR光谱数据和低级数据融合（FTIR+NIR）的光谱数据所建立的ResNet模型的训练集和测试集分别达到100%的识别精度。此外，通过外部验证集对模型性能进行验证；其中低级数据融合的外部验证集完全被正确分类，达到了100%的分类精度，而基于NIR光谱的外部验证集仅有一个样本被分类错误。本研究全面评价了传统机器学习模型和深度学习模型在天麻识别中的性能，并从多个角度进行天麻物种鉴定。首次使用光谱技术结合化学计量技术识别红天麻、绿天麻和乌天麻，为其他食品、农产品和药用植物的鉴定和分析提供了一些理论基础和参考。
图形摘要
论文三：以“Rapid determination of geographical authenticity ofGastrodiaelataf.glauca using Fourier transform infrared spectroscopy and deep learning”（DOI：10.1016/j.foodcont.2024.110810）为题在“Food Control”（IF=5.6，中国科学院1区TOP）期刊上发表研究论文，为天麻地理溯源和地理标志产区识别提出一种有前景的新方法。云南农业大学2022级硕士研究生邓光美为第一作者，刘鸿高教授和王元忠博士为共同通讯作者。
该研究旨在将FTIR光谱与深度学习建模相结合，建立一种快速准确的乌天麻地理来源识别方法。利用采集自中国5个省份的371份乌天麻样品，分析了它们的干物质含量（DMC）并探讨了环境因素对干物质含量的影响。之后，采集乌天麻样品的FTIR光谱，绘制2DCOS和3DCOS图像，利用深度学习模型进行地理识别。此外，通过类类比数据驱动软独立建模（DD-SIMCA）模型来区分地理标志产区与传统主产区。
结果表明，基于同步2DCOS和3DCOS图像的ResNet模型都有100%的识别率，同步2DCOS的ResNet模型的结果更稳定。此外，在1800-400 cm?1范围内的2DCOS图像可以代替全光谱图像作为判别乌天麻地理来源的重要波段。DD-SIMCA模型对地理标志产区识别的准确率为100%，对非地理标志产区识别的准确率为71.38%。此外，降水、海拔、温度和土壤因子对乌天麻的生长和品质形成有一定的影响。FTIR光谱结合深度学习或DD-SIMCA可以成为快速确定乌天麻地理来源和认证地理标志产区的强大工具。本研究的发现对食品地理溯源提供了启示。
图形摘要
论文四：以“Data fusion of FT-NIR and ATR-FTIR spectra for accurate authentication of geographical indications forGastrodiaelata Blume”（DOI:10.1016/j.fbio.2023.103308）为题在Food Bioscience（IF=4.8，中国科学院1区TOP）发表研究论文，这是首次利用多元数据分析方法对来自中国昭通的天麻（G.elata Bl.）的地理标志产区进行鉴定。云南农业大学2022级硕士研究生郑传毛为第一作者，刘鸿高教授和王元忠博士为共同通讯作者。
该研究针对昭通天麻（G.elata Bl.）具有优良的营养和药用价值，已获得地理标志保护。准确认证其原产地是维护消费者利益、市场秩序的先决条件等研究背景。基于前期广泛调查与数据收集，利用三步法进行衰减全反射傅里叶变换红外（ATR-FTIR）光谱分析，筛选出指纹区，与FT-NIR光谱进行数据融合，建立常规判别模型，如PLS-DA和网格搜索-支持向量机（GS-SVM）。基于FT-NIR全光谱、波段3600-2700 cm-1（MFA）和波段1750-500 cm-1（MFB）建立了ResNet模型。
对光谱进行了二阶导数（SD）、多元散射校正（MSC）和Savitzky-Golay（SG）预处理后，发现预处理提高了性能。在GS-SVM中，基于主成分（PCs）和潜变量（LVs）的中级数据融合的最优模型结果为测试集的敏感性、特异性、准确性和马修斯相关系数（MCC）为1。ResNet模型在训练集和测试集中的准确率均超过97%，损失函数曲线接近于0，表明FT-NIR全光谱、MFA和MFB波段可以作为验证昭通天麻地理标志的指纹区。本研究为食品或药用植物地理标志的鉴别提供了一种快速、无创的参考方法。
图形摘要
论文五：以“Building deep learning and traditional chemometric models based on Fourier transform mid-infrared spectroscopy: Identification of wild and cultivatedGastrodiaelata”（DOI：10.1002/fsn3.3565）为题在Food Science & Nutrition（IF=3.5，中国科学院2区）发表研究论文，提出深度学习模型比传统的化学计量学模型更有效，在野生天麻和栽培天麻的鉴定中具有更大的应用潜力的结论。云南农业大学2021级硕士研究生刘帅为第一作者，李杰庆博士和王元忠博士为共同通讯作者。
本研究针对野生天麻与栽培天麻之间存在差异，野生资源的短缺和药用价值的差异导致野生天麻的价值高于栽培天麻。市场和消费者迫切需要一种快速、准确、有效的技术方法来识别野生天麻，以保护消费者和企业的权益，维护市场秩序。因此，本文首次将3DCOS图像与深度学习模型相结合，解决了野生天麻和栽培天麻的识别问题，并建立了PLS-DA和SVM模型，与深度学习模型进行了比较。在建立这些化学计量模型之前，对原始光谱数据进行一阶导数（1D）、二维、MSC、标准正态变量变换（SNV）和SG及其组合处理。采用上述操作，比较了两种化学计量学模型在不同预处理方法下的效果。在原始光谱数据的基础上建立3DCOS-ResNet模型，并与PLS-DA模型和SVM模型进行比较。通过比较，找到了最适合野生和栽培天麻的鉴定模型，为今后的实际应用提供了有价值的技术参考。
研究发现同步3DCOS-ResNet模型令人满意。该方法能够解决野生天麻和栽培天麻的识别问题，但可以提高异步和综合的深度学习模型的能力。此外，本研究的样本量并不是很大，这可能是导致同步、异步和综合模型的有效性存在较大差异的原因。在未来的研究中，我们将进行进一步的实验，通过尽可能地扩大样本量来优化模型的性能。
三维相关光谱图像（a，同步的三维光谱图像；b，异步的三维光谱图像；c，综合的三维光谱图像）
三种模型（a、同步模型、b、异步模型、c、综合模型）的训练集、测试集、损失值和外部验证集的结果图
论文六：
以“Simulation of suitable habitats and geographic tracing based on medicinal and edible plants withGastrodiaelata Bl. as an example”（DOI：10.1016/j.gecco.2023.e02790）为题在Global Ecology and Conservation（IF=3.5，中国科学院2区）发表研究论文，以采用物种分布模型和ATR-FTIR对我国天麻适宜生境的分布和来源鉴定进行了调查。云南中医药大学2021级硕士李朝萍为第一作者，王元忠博士为通讯作者。
由于人们对野生品质的追求，野生天麻已被过度捕捞和栖息地破碎化，导致资源枯竭。此外，产量无法跟上需求，供需矛盾日益突出，导致无良商人销售假冒伪劣草药，来源混淆。基于前期的广泛调查和数据收集，本研究利用最大熵（MaxEnt）模型和ATR-FTIR光谱探索天麻适宜生境的分布，并对不同来源的天麻进行鉴定，然后采用Mantel检验分析环境变量与红外光谱的关系。本研究旨在实现以下目标：（1）预测当前气候情景下我国天麻适宜生境的分布；（2）对不同地理来源的天麻样品进行鉴定；（3）研究红外光谱与环境变量的相关性。为天麻人工栽培奠定了科学基。乐沽巳肆、物质资源浪费和误引造成的损失，有利于对天麻野生资源的探索和保护。
研究结果表明，在当前气候情景下，天麻的适宜生境主要分布在云南、四川、贵州、西藏、陕西等。渲性颇系氖室松匙畲螅21.75 %）。基于同步进行的3DOCS光谱数据的ResNet模型具有最好的认证性能，在训练集和测试集上的准确率均为100%。来自不同来源的天麻样品的红外光谱与九月降水量（Prec09）显著相关，表明这一环境变量可能影响天麻中天麻素组分的积累。本研究为天麻的人工栽培，避免盲目引进造成的资源（人力和物质）浪费和损失提供了科学依据。有利于对野生天麻资源的探索和保护。
图形摘要
天麻物种：（A）中国标准地图（http://bzdt.ch.mnr.gov.cn/）；（B）中国天麻的分布记录（蓝点代表分布记录）；（C）天麻的栽培（云南省昭通市）；（D）天麻新鲜样品；（E）天麻粉末样品
天麻在当前气候情景下的适宜生境。（A）天麻适宜生境的分布；（B）不同水平的适宜生境面积
论文七：以“A Review ofGastrodia ElataBl.: Extraction, Analysis and Application of Functional Food”为题在Critical Reviews in Analytical Chemistry（IF=4.2，中国科学院2区）发表综述论文，对天麻长期忽视的食品相关的研究进行了全面综述。云南农业大学2024级硕士研究生李宸名为第一作者，李杰庆博士和王元忠博士为共同通讯作者。
该综述总结归纳了当前天麻研究中与食品息息相关的提取过程，分析过程及其应用，从食品加工的角度归纳了常见的加工方法以及相关加工对天麻的影响以及常见的加工流程，重点对目前所应用的分析方法进行了全面细致的回顾发现目前天麻的分析在光谱学以及机器学习方面存在缺陷并且在其食品感官属性的研究较为贫乏。在相关研究的回顾过程中发现加工中目前对于天麻素，巴利森苷以及其多糖的研究较为深入，并且阐述了其潜在可能的在加工中转化机制，能够对人体提高较好的精神状态改善，抗氧化衰老以及改善心血管健康。
相比于类似的天麻综述，更加注重从食品的角度去关注天麻本身以及加工的变化，在近年的研究进展中发现，对于其他成分的加工变化机制缺乏相关研究并且目前在天麻的分析方法趋于保守，缺乏新兴技术的加入，感官分析领域尚未得到充分的发掘。该综述论文为天麻之后的食品领域发展提供了一定程度的参考。
图形摘要
论文八：以“Identification of geographical origins ofGastrodiaelata Blume based on multisource data fusion”（DOI：10.1002/pca.3413）为题在Phytochemical Analysis发表研究论文，提出基于多源数据融合鉴定天麻地理产地理论；该理论可为天麻和其它药用植物的产地溯源提供新角度。云南农业大学2021级硕士刘鸿为第一作者，王元忠博士为通讯作者。
该研究采用了3个云南省地区共306个天麻样品的ATR-FTIR光谱和FT-NIR光谱。根据单光谱和全光谱融合数据建立了SVM分类模型。为了探索特征级融合模型的分类能力，首先建立了多块序列和正交偏最小二乘判别分析（SO-PLS-DA）模型。其次，在使用另外六种算法提取特征变量后，基于特征级融合数据建立SVM分类模型。此外，将两种光谱数据转换为2DCOS图像建立ResNet模型。通过比较模型的性能，为区分天麻的地理来源提供了一种快速有效的方法。
研究发现特征级融合模型的精度优于单谱模型和低级数据融合模型，且SO-PLS-DA比基于SVM模型的特征级融合更简单。ResNet模型在分类方面表现良好，但需要更多的数据来增强其泛化能力和训练效果。上述研究为天麻地理起源提供了强有力的解决方案。
图形摘要
论文九：以“ATR-FTIR Spectroscopy Preprocessing Technique Selection for Identification of Geographical Origins ofGastrodiaelata Blume”（DOI：10.1002/cem.3）为题在Journal of Chemometrics发表研究论文，探讨ATR-FTIR光谱预处理技术，以确定天麻的地理产地。云南农业大学已毕业硕士刘鸿为第一作者，王元忠博士为通讯作者。
该研究采用了多种预处理技术建立了DD-SIMCA模型，同时采用序列融合散射校正技术（SCSF）和正交化进行序列预处理（SPORT）预处理方法建立SVM、PLS-DA和GBM模型3个判别模型。采用467个ATR-FTIR光谱对云南省6个地区天麻进行产地鉴别分析。探讨其在不同栽培产区光谱图像直接识别中应用的可行性。旨在讨论不同预处理方法对天麻产地分类的优缺点。
结果表明，基于MSC预处理构建的DD-SIMCA模型数据驱动版的灵敏度为0.98，特异性为0.91，能够有效区分云南昭通天麻的产地。此外，采用集成预处理方法构建的SVM、PLS-DA和GBM三种判别模型具有良好的分类和泛化能力。其中，SCSF-PLS-DA模型在训练集和测试集上的准确率分别为99.68%和98.08%，F1-score为0.97；SPORT-SVM模型的分类能力位居第二。总的来说，采用集成预处理方法可以提高天麻地理产地分类的成功率。
该研究表明两种集成预处理方法在不同建模算法中的性能差异可能受到数据特征和结构、算法适应性、数据处理一致性、超参数优化、数据集特征和评价指标选择等因素的影响。在实践中，往往需要尝试多种算法，并根据问题的性质和数据的特殊性选择最合适的模型。此外，使用适当的数据预处理方法和模型调优是提高模型性能的关键因素。
ATR-FTIR光谱：（A）原始光谱，（B）原始平均光谱，（C）SVN预处理光谱，（D）MSC预处理光谱，（E）FD预处理光谱
探索性分析的结果：PCA
探索性分析的结果：HCA：爱尼山（1），大观（2），小草坝（3），永善（4），镇雄（5）的地理起源
DD-SIMCA模型鉴别天麻的结果
模型特征的重要性
以上研究工作得到国家自然科学基金项目，云南省农业基础研究联合专项面上项目，云南省重大科技专项和云南省重大科技项目专项计划资助。
近年来，云南省天麻与真菌共生生物学重点实验室依托云南丰富的自然资源和独特的生态环境，专注于天麻（Gastrodia elata）及多种真菌资源的系统性基础研究与应用开发，发表高水平科研论文60余篇，获批国家自然科学基金3项，省部级项目10余项，申报专利10余件。同时，重点实验室积极与企业的合作，推动科技成果的转化与应用，并开展技术培训，从而更有效地将科研成果服务于地方经济。展望未来，重点实验室将继续发挥自身优势，深入探索地方特色产业的发展，为推动我省的生物经济贡献更多力量。
来源：农学与生命科学学院
一审：郝 斌
二审：程立君
三审：郎大田
滇公网安备 53060202000069号