机器学习驱动的中药银杏叶SERS多维度鉴定

doi:10.7503/cjcu20260047

高等学校化学学报 ›› 2026, Vol. 47 ›› Issue (7): 20260047.doi: 10.7503/cjcu20260047

机器学习驱动的中药银杏叶SERS多维度鉴定

马其林¹^,⁵(), 吴叶², 汤丹旸³, 杨茂生¹^,⁵, 徐国富¹, 杨帆⁵, 石嘉⁵, 姚建铨⁴

^1.皖西学院电气与光电工程学院, 六安 237012
^2.合肥联科微纳科技有限公司, 合肥 230031
^3.杭州先导医药科技有限公司, 杭州 311121
^4.天津大学精密仪器与光电子工程学院, 天津 300072
^5.天津市光电检测技术与系统重点实验室, 天津 300387

收稿日期:2026-01-26 出版日期:2026-07-10 发布日期:2026-03-10
通讯作者: 马其林 E-mail:qilinma@wxc.edu.cn
作者简介:第一联系人：共同第一作者.
基金资助:
安徽省高等学校科学研究项目(2024AH051986);天津市光电检测技术与系统重点实验室开放课题(2025LODTS112);天津市光电检测技术与系统重点实验室开放课题(2025LODTS106)

Machine-learning-driven Multidimensional Identification of Traditional Chinese Medicine Ginkgo Folium Using SERS

MA Qilin¹^,⁵(), WU Ye², TANG Danyang³, YANG Maosheng¹^,⁵, XU Guofu¹, YANG Fan⁵, SHI Jia⁵, YAO Jianquan⁴

^1.School of Electrical and Optoelectronic Engineering，West Anhui University，Lu’an 237012，China
^2.Hefei Linke Micro?Nano Technology Co. ，Ltd. ，Hefei 230031，China
^3.Hangzhou Leading Pharmatech Co. ，Ltd. ，Hangzhou 311121，China
^4.School of Precision Instrument and Opto?Electronics Engineering，Tianjin University，Tianjin 300072，China
^5.Tianjin Key Laboratory of Optoelectronic Detection Technology and System，Tianjin 300387，China

Received:2026-01-26 Online:2026-07-10 Published:2026-03-10
Contact: MA Qilin E-mail:qilinma@wxc.edu.cn
Supported by:
the Scientific Research Project of Universities of Anhui Province, China(2024AH051986);the Open Project of Tianjin Key Laboratory of Optoelectronic Detection Technology and System, China(2025LODTS112)

摘要/Abstract

摘要：

建立了一种基于表面增强拉曼光谱(SERS)结合机器学习的银杏叶(Ginkgo folium)多维鉴别策略, 从产地、干燥工艺、贮藏品质及农药残留4个维度开展研究, 实现了银杏叶的智能分类与质量判别. 结果显示, 银杏叶提取液的SERS光谱具有典型的黄酮类(槲皮素、山奈酚、异鼠李素)和银杏内酯特征峰. 基于SERS结合偏最小二乘判别分析(PLS-DA)模型, 对来自5个产地及4种干燥方式的银杏叶样品均实现了100%的分类准确率, 表明产地差异与干燥工艺均对其化学组成产生显著影响. 进一步地, SERS结合偏最小二乘回归(PLS)可准确预测贮藏时间(训练集, R²=0.991, 交叉验证集R²=0.841), 并实现对草甘膦和福美双农药残留的高灵敏定量检测. SERS结合机器学习为银杏叶及其它中药材的产地溯源、工艺监控、贮藏评估与农残检测提供了一种快速、高灵敏度的分析新策略, 为中药材质量控制与安全监管开辟了新的技术路径.

关键词: 银杏叶, 表面增强拉曼光谱, 机器学习, 多维度鉴定, 中药质量鉴定

Abstract:

This study establishes a multidimensional discrimination strategy for ginkgo folium based on surface- enhanced Raman spectroscopy（SERS） combined with machine learning. A systematic investigation was conducted across four dimensions（geographical origin， drying process， storage quality， and pesticide residues）， enabling intelligent classification and quality assessment of ginkgo folium. The results showed that the SERS spectra of ginkgo folium extracts exhibited characteristic peaks of flavonoids（quercetin， kaempferol， isorhamnetin） and ginkgolides. Based on SERS combined with partial least squares discriminant analysis（PLS-DA）， 100% classification accuracy was achieved for ginkgo folium samples from five origins and processed by four drying methods， indicating that both origin differences and drying processes significantly affect their chemical composition. Furthermore， SERS combined with partial least squares regression（PLS） accurately predicted storage time（training set， R²=0.991； cross-validation set， R²=0.841） and enabled highly sensitive quantitative detection of pesticide residues， including glyphosate and thiram. In summary， SERS combined with machine learning provides a rapid， highly sensitive， and reliable analytical strategy for origin tracing， process monitoring， storage evaluation， and pesticide residue detection of ginkgo folium and other traditional Chinese medicinal materials. This approach opens a novel technical pathway for quality control and safety supervision in traditional Chinese medicines field.

Key words: Ginkgo folium, Surface-enhanced Raman spectroscopy, Machine learning, Multidimensional identification, Quality assessment of traditional Chinese medicine

中图分类号:

O654

TrendMD:

马其林, 吴叶, 汤丹旸, 杨茂生, 徐国富, 杨帆, 石嘉, 姚建铨. 机器学习驱动的中药银杏叶SERS多维度鉴定. 高等学校化学学报, 2026, 47(7): 20260047.

MA Qilin, WU Ye, TANG Danyang, YANG Maosheng, XU Guofu, YANG Fan, SHI Jia, YAO Jianquan. Machine-learning-driven Multidimensional Identification of Traditional Chinese Medicine Ginkgo Folium Using SERS. Chem. J. Chinese Universities, 2026, 47(7): 20260047.

图/表 6

Fig.1 Characterization of Au NPs and SERS detection of ginkgo folium（A） SEM image of Au NPs；（B） particle size distribution histogram of Au NPs with Gaussian fitting curve；（C） schematic illustration of ginkgo folium sample preparation and SERS measurement；（D） evaluation of SERS enhancement factor using 4-ATP as a standard sample（The concentration of the sample used for SERS measurements is 1×10-6 mol/L， while that for Raman measurements is 0.1 mol/L. The solution volume used in both cases is 20 μL）；（E） conventional Raman and SERS spectra of the blank substrate and ginkgo folium samples.

Table 1 Assignment of SERS peak of ginkgo leaf spectra

Wavenumber/cm^-1	Assignment^*	Chemical composition	Ref.
683	δ（C—C—C）， δ（aromatic ring）	Kaempferol	［15］
735	δ（sugar ring）	Saccharides	［16］
815	ν（C—O—C）	Kaempferol	［15］
880	ν（C=C）， β（C—CH）	Saccharides	［16］
960	ν（C—C）	Saccharides	［16］
1032	ν（C—O—C）	Saccharides	［16］
1168	ν（C—C—C）， ν（C—O—C）	Isorhamnetin	［17］
1248	τ（CH₂）	Saccharides	［16］
1320	δ（CH₂/CH₃）， δ（aromatic ring）	Quertetin	［18］
1371	τ（CH₃）	Quertetin	［18］
1479	δ（CH₂）， δ（fatty acid chain）	Ginkgolides	［19］
1593	ν（C=C）	Quertetin	［20］

Fig.2 SERS spectra and PLS⁃DA classification results of ginkgo folium from different origins（A） Representative SERS spectra；（B） PLS-DA score plot showing clustering of samples from different origins；（C） confusion matrix illustrating classification accuracy. All samples were prepared from ginkgo folium harvested in the same year and dried by sunlight.

Fig.3 SERS spectra and PLS⁃DA classification results of ginkgo folium processed with different drying methods（A） Average SERS spectra under different drying conditions；（B） PLS-DA score plot；（C） confusion matrix. All ginkgo folium samples were sourced from Hefei and processed using different drying techniques by commissioned suppliers.

Fig.4 SERS spectra and SVM regression analysis results of ginkgo folium with different storage qualities（A） Representative SERS spectra；（B） comparison plot of predicted vs. measured values；（C） residual distribution plot；（D） residual histogram. The samples used were ginkgo folium produced in Hefei and dried in sunlight.

Fig.5 SERS spectra and machine learning analysis results for pesticide residues in ginkgo folium（A） Average SERS spectra of glyphosate and ginkgo folium samples spiked with different concentrations of thiram；（B） PLS-DA score plot；（C） confusion matrix；（D） SVM regression plot comparing predicted and measured values；（E） residual distribution plot；（F） residual histogram. The samples used were ginkgo folium produced in the Hefei region and dried in sunlight.

参考文献 20

[1]	Wang S. J.， Kang A.， Di L Q.， Zhang S. J.， Tian L.， Zhou W.， Yun F.， Shan J. J.， Zhao X. L.， Chin. Tradit. Herb. Drugs， 2013， 44（5）， 626—631
	汪素娟，康安，狄留庆，张圣洁，田乐，周伟，恽菲，单进军，赵晓莉. 中草药， 2013， 44（5）， 626—631
[2]	Chen X.， Jiangsu Agric. Sci.， 2004，（5）， 109—110
	陈学林. 江苏农业科学， 2004，（5）， 109—110
[3]	Li X. B.， Tu P. F.， Chin. Tradit. Herb. Drugs， 2003， 34（5）， 4—6
	李晓波，屠鹏飞. 中草药， 2003， 34（5）， 4—6
[4]	Zhang Y.， Zhou B.， Li Q.， Jin M.， Bai Y.， Chem. Res. Chinese Universities， 2024， 40（2）， 237—254
[5]	Yu Y.， Fan J.， Liu H.， Nie Z.， Chem. Res. Chinese Universities， 2025， 41（2）， 254—265
[6]	Wu L.， Ouyang Z. H.， Cao S. C.， Yi D. L.， Qin X. R.， Sun S. X.， Liu X.， Chin. J. Light Scatter.， 2005， 17（2）， 180—186
	伍林，欧阳兆辉，曹淑超，易德莲，秦晓蓉，孙少学，刘峡. 光散射学报， 2005， 17（2）， 180—186
[7]	Bao H. M.， Leong S. X.， Chen J. R. T.， Shi Z.， Chen S.， Lv Y.， Liu T. X.， Phang I. Y.， Ling X. Y.， CCS Chem.， 2024， 6（6）， 1403—1421
[8]	Yang Y.， Dong H.， Wang S.， Sang Y. S.， Li Z. G.， Zhang L.， Wang C. W.， Liu Y.， Chin. J. Lasers， 2022， 49（15）， 193—202
	杨勇，董浩，王澍，桑瑶烁，李志刚，张龙，汪崇文，刘勇. 中国激光， 2022， 49（15）， 193—202
[9]	Lu Y. Y.， Qiao Y.， Bao H. M.， Chen K.， Wei Y.， Zhao Q.， Leon G. K.， Zhang H. W.， Ling X. Y.， Cai W. P.， Anal. Chem.， 2025， 97， 8537—8544
[10]	Wang Z.， Li X.， Song W.， Wang C.， Wang Z.， Peng X.， Chem. Res. Chinese Universities， 2025， 41（4）， 704—715
[11]	Rong H.， Chen Y. Zhang S.， Chen Y.， Shen L.， Fang W.， Chem. Res. Chinese Universities， 2025， 41（5）， 1014—1020
[12]	Zhu T.， Yuan X.， Mao G.， Wei L.， Xiao L.， Chem. Res. Chinese Universities， 2024， 40（2）， 320—325
[13]	Bao H. M， Zhang H.， Zhou L.， Fu H.， Liu G. Q.， Li Y.， Cai W. P.， ACS Appl. Mater. Interfaces， 2019， 11（3）， 28145—28153
[14]	Bao H. M.， Motobayashi K.， Ikeda K.， Anal. Chem.， 2022， 94（49）， 17169—17176
[15]	Yadav B.， Yadav R. K.， Srivastav G.， Yadav R. A.， J. Mol. Struct.， 2022， 1258， 132637
[16]	Wiercigroch E.， Szafraniec E.， Czamara K.， Pacia M. Z.， Majzner K.， Kochan K.， Kaczor A.， Baranska M.， Malek K.， Spectrochim. Acta A Mol. Biomol. Spectrosc.， 2017， 185， 317—335
[17]	Krysa M.， Szymańska⁃Chargot M.， Zdunek A.， Food Chem.， 2022， 393， 133430
[18]	Uyeki S. C.， Pacheco C. M.， Simeral M. L.， Hafner J. H.， J. Phys. Chem. A， 2023， 127（6）， 1387—1394
[19]	Li L. H.， Wei R.， Zhang X.， Li Y. Z.， Wang A. X.， Xia Q. Y.， J. At. Mol. Phys.， 2024， 41（6）， 41—44
	李丽华，魏冉，张鑫，李云志，王爱香，夏其英. 原子与分子物理学报， 2024， 41（6）， 41—44
[20]	Liang X.， Li L.， Xu T.， Xu F.， Dong W.， J. Clin. Med. Lit.， 2018， 5（43）， 168—169
	梁鑫，李莉，徐涛，许凤，董巍. 临床医药文献电子杂志， 2018， 5（43）， 168—169

机器学习驱动的中药银杏叶SERS多维度鉴定

Machine-learning-driven Multidimensional Identification of Traditional Chinese Medicine Ginkgo Folium Using SERS

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 20

相关文章 15

编辑推荐

Metrics

本文评价

[1]	于坤杰, 张智, 高其龙. 基于机器学习的负热膨胀研究进展[J]. 高等学校化学学报, 2026, 47(6): 20250375.
[2]	赵迎, 杨海迪, 柴玉春, 高帅帅, 原鹏飞, 陈雪波. 催化电子捐赠的机器学习描述符: 预测氮固定中的吸附能和极限电位[J]. 高等学校化学学报, 2026, 47(2): 20250266.
[3]	卢贝贝, 张晨杰, 徐敏敏, 姚建林. 内置式薄层色谱-表面增强拉曼光谱联用基底的制备及在有机反应检测中的应用[J]. 高等学校化学学报, 2025, 46(4): 20240514.
[4]	詹森华, 石彤非. 基于分子指纹与量子化学描述符预测聚酰亚胺玻璃化转变温度的机器学习模型[J]. 高等学校化学学报, 2025, 46(4): 20240556.
[5]	吴晓宇, 朱峰, 况源桁, 刘伯华, 孙崇玲, 王艳艳. AuNRs-PDMS微柱结构的制备及对被调控活细胞的无标记SERS检测[J]. 高等学校化学学报, 2025, 46(3): 20240364.
[6]	谭英佳, 陈亮, 刘聿琳, 那日松, 赵熹. 基于机器学习与分子动力学模拟发现CDK2抑制剂[J]. 高等学校化学学报, 2025, 46(3): 20240442.
[7]	毕英娜, 刘定斌. 基于内标法的表面增强拉曼光谱在定量分析中的应用[J]. 高等学校化学学报, 2025, 46(2): 20240457.
[8]	侯泽金, 李荣其, 李健, 冯怡宁, 靳茜茜, 孙俊红, 曹洁. 基于GC-MS和机器学习的深静脉血栓形成预测[J]. 高等学校化学学报, 2024, 45(9): 20240199.
[9]	张禹, 陈龙, 王中才, 胡广, 徐东, 盛全康, 陈奥, 陈韶云, 胡成龙, 陈建. 表面增强拉曼光谱快速测定尿液中的葡萄糖[J]. 高等学校化学学报, 2024, 45(9): 20240215.
[10]	曹双双, 黄济勇, 李伟, 张厚君, 李象远, 韩优. 基于机器学习的CH₄燃烧动力学机理优化[J]. 高等学校化学学报, 2024, 45(10): 20240296.
[11]	秦海敬, 贺乾军, 徐敏敏, 袁亚仙, 姚建林. 离子液体中PMBA脱羧反应及界面水影响的电化学SERS研究[J]. 高等学校化学学报, 2024, 45(1): 20230349.
[12]	张妍, 蒋行健, 刘明, 郑植, 张勇. 基于分子性能与器件制备的低泛化误差有机太阳电池光电转化效率预测模型[J]. 高等学校化学学报, 2023, 44(7): 20230165.
[13]	陈嘉敏, 曲孝章, 齐国华, 徐蔚青, 金永东, 徐抒平. SERS纳米探针对电刺激过程中细胞内产生活性氧的检测[J]. 高等学校化学学报, 2022, 43(6): 20220033.
[14]	黄汉浩, 卢湫阳, 孙明子, 黄勃龙. 石墨炔原子催化剂的崭新道路:基于自验证机器学习方法的筛选策略[J]. 高等学校化学学报, 2022, 43(5): 20220042.
[15]	薛谨, 曹小卫, 刘依帆, 王敏. 纸质空心金纳米笼SERS传感器的制备及对非小细胞肺癌患者痰液中miRNAs的快速高灵敏检测[J]. 高等学校化学学报, 2021, 42(8): 2393.