Diese Studie basiert auf der UHPLC-Q-Orbitrap HRMS-Technologie (Ultra-Hochleistungs-Flüssigchromatographie - Quadrupol - Orbitrap-Falle im elektrostatischen Feld hochauflösender Massenspektrometrie) in Kombination mit verschiedenen maschinellen Lernmethoden, um eine Strategie zur Bestimmung des Ursprungs von 赤芍 aus Sichuan und anderen nördlichen Anbaugebieten zu entwickeln. Die chemischen Bestandteile der Proben wurden mittels UHPLC-Q-Orbitrap HRMS erfasst, differenzierende Verbindungen durch multivariate statistische Analyse ausgewählt und darauf basierende Klassifikationsmodelle für Random Forest (RF), Extreme Gradient Boosting (XGBoost) und Adaptive Boosting (AdaBoost) erstellt. Die Modellleistung wurde anhand der Fläche unter der Kurve der Receiver Operating Characteristic (AUC) bewertet, und die Shapley Additive Explanations (SHAP)-Methode wurde eingeführt, um den Beitrag der endogenen Komponenten beim Klassifizierungsprozess quantitativ zu ordnen und zu erklären. Insgesamt wurden 95 chemische Komponenten identifiziert, von denen 40 signifikante Unterschiede zwischen den Anbaugebieten aufweisen. Der Modellvergleich zeigt, dass das RF-Modell sowohl in Genauigkeit als auch Stabilität XGBoost und AdaBoost übertrifft. Die SHAP-Analyse verdeutlicht, dass Linolsäure, Rheinosid und Pyridoxin den größten Beitrag zur Herkunftsbestimmung leisten, wobei deren Gehalt in 赤芍 aus Sichuan deutlich höher ist, was ihr Potenzial als charakteristische Bestimmungskomponenten unterstreicht. Der etablierte methodische Rahmen ermöglicht eine präzise Identifikation von 赤芍 aus Sichuan und bietet neue Ansätze sowie technische Unterstützung für die Bewertung der Authentizität und Qualitätskontrolle traditioneller chinesischer Heilkräuter.

赤芍;Chemometrie;chemische Bestandteile;maschinelles Lernen;geographische Herkunft;Ultra-Hochleistungs-Flüssigchromatographie - Quadrupol - Orbitrap-Falle im elektrostatischen Feld hochauflösender Massenspektrometrie (UHPLC-Q-Orbitrap HRMS)