Diese Studie basiert auf der UHPLC-Q-Orbitrap HRMS-Technologie (ultrahocheffiziente Flüssigchromatographie gekoppelt mit einem Quadrupol-Orbitrap-Fallen-Hochauflösungsmassenspektrometer) in Kombination mit verschiedenen maschinellen Lernmethoden, um eine Strategie zur Herkunftsdifferenzierung von roten Paeonia lactiflora-Wurzeln aus Sichuan und anderen nordlichen Anbaugebieten zu entwickeln. Durch UHPLC-Q-Orbitrap HRMS wurden chemische Inhaltsstoffe der Proben erfasst, differenzierende Verbindungen anhand multivariater Statistik ausgewählt und darauf aufbauend Klassifikationsmodelle mit Random Forest (RF), Extreme Gradient Boosting (XGBoost) und Adaptive Boosting (AdaBoost) erstellt. Die Modellleistung wurde anhand der Fläche unter der Empfängerbetriebskennlinie (AUC) bewertet und die SHapley Additive Explanations (SHAP)-Methode zur quantitativen Bewertung und Interpretierbarkeit des Beitrags endogener Komponenten im Differenzierungsprozess eingesetzt. Insgesamt wurden 95 chemische Komponenten nachgewiesen, von denen 40 signifikante Unterschiede zwischen den Herkunftsregionen aufwiesen. Der Leistungsvergleich zeigte, dass das RF-Modell XGBoost und AdaBoost in Genauigkeit und Stabilität übertraf. Die SHAP-Analyse ergab, dass Linolsäure, Reinosid und Pyridoxin den größten Beitrag zur Herkunftsdifferenzierung leisten, wobei deren Gehalt in roten Paeonia lactiflora-Wurzeln aus Sichuan deutlich höher ist und damit das Potenzial als charakteristische Herkunftskomponenten besitzt. Der in dieser Studie etablierte methodische Rahmen ermöglicht eine präzise Identifizierung roter Paeonia lactiflora-Wurzeln aus Sichuan und bietet neue Ansätze und technische Unterstützung für die Authentizitätsbewertung und Qualitätskontrolle traditioneller chinesischer Arzneimittel.

rote Paeonia lactiflora;Chemometrie;chemische Zusammensetzung;maschinelles Lernen;geographische Herkunft;ultrahocheffiziente Flüssigchromatographie - Quadrupol-Orbitrap-Hochauflösungsmassenspektrometrie (UHPLC-Q-Orbitrap HRMS)