Im Notfalleinsatz bei öffentlichen Sicherheitsvorfällen im Zusammenhang mit Rizin besteht ein dringender Bedarf an der Durchführung einer geografischen Rückverfolgungs- und Klassifizierungsarbeit für Rizinussamen. Diese Studie etablierte eine Methode zur Analyse von Fettsäuren in Rizinussamen basierend auf Gaschromatographie-Massenspektrometrie und eine quantitative Methode zur Bestimmung von Rizin mittels enzymgebundener Immunadsorptionsanalyse. Es wurden quantitative Messungen von sechs Fettsäuren und Rizin an 100 Proben aus 23 verschiedenen Provinzen Chinas durchgeführt. Unter Anleitung der energetischen Stoffwechseleigenschaften von Pflanzen wurden drei Energie-Charakteristikparameter (Ungesättigtheitsindex, Verhältnis des Gehalts an Ölsäure zu Linolsäure, Verhältnis des Gehalts an Rizin zu Fettsäuren) eingeführt, die effektiv mit drei maschinellen Lernalgorithmen zur Herkunftsbestimmung kombiniert wurden. Die Modellevaluation zeigte, dass das L1-regularisierte Support-Vektor-Maschinen-Modell nach der Einführung von Energieparametern und unter klar definierten Bedingungen minimaler Merkmalsgruppen Flächen unter der ROC-Kurve von 73,63 % bzw. 71,95 % erzielte, mit Testgenauigkeiten von 70,37 % bzw. 68,52 % und einer externen Validierungsgenauigkeit von 75,00 %, was auf eine gute Generalisierungsfähigkeit hinweist. Die Studie bestätigte das Potenzial der Anwendung von Metaboliten in hoher Konzentration für die Rückverfolgung von Rizinussamen und führt die Einführung von Energie-Charakteristikparametern im maschinellen Lernen als einen praktikablen Weg für die biologiegestützte Datenanalyse ein.

Rizinussamen; Rizin; Fettsäuren; geografische Rückverfolgung; maschinelles Lernen; Energie-Charakteristikparameter