FT-NIR characterization with chemometric analyses to differentiate goldenseal from common adulterants
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Goldenseal (Hydrastis canadensis L.) has been a popular herb since the 1970s, with a US market share of over $32 million in 2014. Wild goldenseal has been listed in the Convention on International Trade in Endangered Species for decades. Limits in supply and greed for profit have led to adulteration with similar but more accessible and inexpensive plant materials. Fourier transform near-infrared spectroscopy (FT-NIR) coupled with three different chemometric models, partial least squares (PLS) regression, soft independent modeling of class analogy (SIMCA), and moving window principal component analysis (MW-PCA) provide fast, simple, nondestructive approaches to differentiating pure goldenseal from 4 common pure adulterants (yellow dock, yellow root, coptis, Oregon grape). All three models successfully differentiated authentic goldenseal from adulterants. The models were t-tested for detection of goldenseal intentionally mixed with individual adulterants at 2% to 95% theoretical levels made computationally. The PLS model was unable to detect adulterants mixed with goldenseal at any level. The SIMCA model was the best for detection of yellow root and Oregon grape adulteration in goldenseal, as low as 10%. The MW-PCA model proved best for detection of yellow dock at ≥ 15% and coptis adulteration ≥5% in goldenseal. This study demonstrates that NIR spectroscopy coupled with chemometric analyses is a good tool for industry and investigators to implement for rapid detection of goldenseal adulteration in the marketplace, but also indicates that the specific approach to chemometric analysis must be evaluated and selected on a case-by-case basis in order to achieve useful sensitivity and specificity.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle