Detection of dextran, maltodextrin and soluble starch in the adulterated Lycium barbarum polysaccharides (LBPs) using Fourier-transform infrared spectroscopy (FTIR) and machine learning models
Notice bibliographique
Résumé
Due to the similar chemical structures and physicochemical properties, it is challenging to distinguish dextran, maltodextrin, and soluble starch from the polysaccharide products of plant origin, such as Lycium barbarum polysaccharides (LBPs). Using the first-order derivatives of Fourier-transformed infrared spectroscopy (FTIR, wave range 1800–400 cm −1 ), this study proposed a two-step pipeline to identify dextran, maltodextrin, and soluble starch from adulterated LBPs samples qualitatively and quantitatively. We applied principal component analysis (PCA) to reduce the dimensionality of FTIR features. For the qualitative step, a set of machine learning models, including logistic regression, support vector machine (SVM), Naïve Bayes, and partial least squares (PLS), were used to classify the adulterants. For the quantitative step, linear regression, LASSO, random forest, and PLS were used to predict the concentration of LBPs adulterants. The results showed that logistic regression and SVM are suitable for classifying adulterants, and random forests is superior for predicting adulterant concentrations. This would be the first attempt to discriminate the adulterants from the polysaccharide's product of plant origin. The proposed two-step methods can be easily extended to other applications for the quantitative and qualitative detection of samples from adulterants with similar chemical structures.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 | 0,001 |
| 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) | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».