经典名方一贯煎由生地黄、 北沙参、 麦冬、 当归、 枸杞子、 川楝子6味药组成, 具有滋养肝肾、 疏肝理气之效。 红外光谱技术具有快速无损的优点, 可完整的将不同批次一贯煎基准样品的信息表达。 运用傅里叶变换红外光谱仪采集样品的红外光谱, 对原始光谱进行预处理, 得到相对峰高, 对共有峰进行归属, 采用聚类分析（HCA）、 主成分分析（PCA）及正交偏最小二乘法-判别分析（OPLS-DA）对图谱数据进行评价。 结果表明15批一贯煎基准样品中868、 822和779 cm-1波段为糖骨架伸缩振动吸收峰, 多为枸杞所贡献, 815 cm-1波段处少数为麦冬所贡献； 生地黄单煎液在1 148 cm-1波段处、 沙参单煎液在1 158、 1 082和1 019 cm-1波段处、 当归单煎液在993 cm-1波段处均有对糖苷类成分的贡献； 川楝子单煎液1 746 cm-1波段处可溶性脂类糖苷成分吸收峰明显, 一贯煎复方中此处吸收峰并不明显, 可能为川楝子与其他五味药配伍煎煮过程中化学成分发生变化。 HCA结果显示, 当组间距离=10时, S1、 S2、 S15聚为一类, S9、 S11、 S12、 S13、 S14聚为一类, S3、 S4、 S5、 S6、 S7、 S8、 S10聚为一类, 表明不同批次一贯煎汤剂内部质量存在一定差异。 PCA分类结果与聚类分析结果基本一致, 并计算不同批次的主成分综合得分, 其中批次3一贯煎汤剂质量最佳, 批次1质量最次, 由载荷散点图分析得到1 104、 1 142、 1 412、 1 260和868 cm-1波段峰对主成分1的贡献率较大； 777、 2936、 923、 1 721、 818和637 cm-1波段峰对主成分2的贡献较大。 OPLS-DA结果与HCA和PCA结果一致, 以VIP＞1为标准, 筛选出七个导致样品之间产生差异的波段, 分别为777、 637、 923、 2 936、 1 260、 1 412和1 630 cm-1, 该结果与PCA载荷图中寻找的重要性权重变量基本一致。 所建立的一贯煎红外指纹图谱方法简单、 准确度高, 可用于经典名方的快速鉴别分析, 为经典名方一贯煎的质量控制与评价提供参考。

植物凋落物是联结生物有机体合成和分解的桥梁, 通过物质流、 能量流及信息流深刻地影响了陆地生态系统的结构、 功能及关键生态过程。 自然生态系统中地表凋落物通常以混合物的形式分解, 尤其是在物种极其丰富的亚热带常绿阔叶林中。 受样地内树种组成影响, 叶凋落物往往属、 种混杂, 非专业人士难以实现准确鉴别, 这为后续凋落物分解研究带来一定的困难。 近红外光谱分析技术作为一种快速无损的检测手段, 已经成功应用于牛肝菌、 柑橘、 水稻等的种类鉴别。 该技术为解决叶凋落物鉴定这一难题提供了新的途径。 该研究收集云南哀牢山典型中山湿性常绿阔叶林6种优势树种叶凋落物共计540份, 获取样品近红外漫反射光谱, 分析不同种类叶凋落物平均光谱图特征。 建模时, 使用Kennard-Stone算法将540个样品数据以2∶1比例分为训练集与验证集, 其中360个样品数据用于叶凋落物分类模型的建立, 180个样品数据用于叶凋落物分类模型的验证。 使用标准正态变量变换(SNV)、 Savitzky-Golay卷积平滑(SG)、 多元散射校正(MSC)、 导数处理(Derivative)等单一与组合算法对光谱数据进行预处理, 并采用主成分分析(PCA)与正交偏最小二乘判别分析(OPLS-DA)2种模式识别方法对不同树种叶凋落物进行鉴别。 结果表明: (1) 叶凋落物近红外光谱主成分分析得分图中各组数据呈现交织状态, 虽然经SNV+SG方法预处理后, 光谱数据得到优化, 变色锥与舟柄茶与其他树种出现一定的区分, 但仍然无法实现6种叶凋落物的准确鉴别。 (2) SNV+SD预处理方法结合OPLS-DA建立的模式识别模型, 效果最好, 因变量累计拟合指数为0.922, 模型累计预测能力指数为0.894, 置换检验显示模型未过度拟合, 训练集与验证集识别率均为100%。 研究表明, 在对样本近红外光谱进行预处理优化的基础上, 结合有监督的OPLS-DA模式识别方法, 可以实现不同树种叶凋落物的准确鉴别, 为后续植物凋落物研究提供了有力的技术支撑。

人体能量摄入量与能量消耗量平衡是评估健康的标准之一。 不平衡的能量摄入量可能造成生物体组织细胞损伤、 机体过度肥胖等后果。 评估能量摄入量对人的身体健康管理具有重大意义。 目前评估能量摄入量的主要方法是膳食回顾法, 该方法不仅耗时长, 还会增加待评估人员的负担, 所以亟需开发一种简单快速的能量摄入量评估方法。 能量摄入后经过体内的消化代谢, 会产生代谢产物作为废弃物排出体外。 废弃物如尿液等, 含有大量的化学物种, 可以系统性反映生物体的饮食代谢状况和疾病进程。 基于高灵敏、 可无损检测两个组“指纹式”分子光谱特征的表面增强拉曼光谱（SERS）, 采用谱峰统计、 无监督和有监督聚类算法分别对尿液的SERS信号开展分析, 最终实现对不同能量摄入量的聚类分析。 首先尝试对能量摄入量分组分别为1 500, 2 030和2 700千卡·日-1两个组的志愿者尿液SERS谱图进行谱峰分析, 发现很多有机分子的拉曼谱峰存在一定程度的重叠, 所以直接对谱峰进行解析及归属存在较大难度, 需要采用化学计量学的方法建立分类模型, 以实现良好区分和预测效果。 对比无监督的主成分分析（PCA）和有监督的正交偏最小二乘判别分析（OPLS-DA）两种算法的区分效果。 首先对原始光谱数据直接进行主成分分析, 发现模型中不同类别的散点分布存在较大程度的重叠, 这使得组别归类效果很差, 而经过一阶导数差分校正基线后, 模型呈现出可分类的趋势。 OPLS-DA算法通过预先设定Y的标签及正交信号矫正处理, 能将X矩阵信息分解成与Y相关和不相关的两个组分, 集中表达相关的信息, 实现良好的分类效果。 结果表明, OPLS-DA算法可以对三种不同能量摄入量水平进行很好的归类, 而且每两组间也可以实现很好区分。 ROC分析结果表明敏感性和特异性均达到100%。 200次迭代的置换检验结果也说明了模型良好的可靠性和预测性。 表明通过采集尿液的拉曼信号, 经过一定的数据处理即可评估人体能量摄入量水平。 该方法可以实现尿液的快速分析, 测试分析时间小于2 min, 操作简单, 判别结果准确, 在医疗健康领域具有很大应用前景。