본 연구는 초고성능 액체 크로마토그래피-쿼드러폴-정전기장 궤도 우물 고해상도 질량분석기(UHPLC-Q-Orbitrap HRMS) 기술과 다양한 머신러닝 방법을 결합하여 쓰촨 적작과 북부 기타 산지 적작 음편의 산지 식별 전략을 구축하였다. UHPLC-Q-Orbitrap HRMS를 통해 샘플의 화학성분 정보를 얻고, 다변량 통계 분석을 활용하여 차별화된 화합물을 선별하였으며, 이를 바탕으로 랜덤 포레스트(RF), 익스트림 그래디언트 부스팅(XGBoost), 적응형 부스팅(AdaBoost) 분류 모델을 각각 구축하였다. 수신자 조작 특성 곡선 아래 면적(AUC)을 활용하여 모델 성능을 평가하고, Shapley Additive Explanations(SHAP) 방법을 도입하여 판별 과정에서 내인성 성분의 기여도를 정량적 순위 및 해석성을 분석하였다. 결과적으로 총 95종의 화학 성분이 검출되었으며, 그 중 40종이 서로 다른 산지 간 유의한 차이를 보였다. 모델 성능 비교 결과, RF 모델이 정확도와 안정성 면에서 XGBoost 및 AdaBoost보다 우수하였다. SHAP 분석은 리놀레산, 레이노사이드, 피리독솔이 산지 판별에 가장 크게 기여하며, 쓰촨 적작에서 함량이 현저히 높아 산지 특성 성분으로서 잠재력이 있음을 추가로 밝혀냈다. 본 연구에서 구축한 방법론적 틀은 쓰촨 적작 음편의 정밀한 식별을 효과적으로 구현할 수 있으며, 중약재의 도지 평가 및 품질 관리에 새로운 아이디어와 기술적 지원을 제공한다.

적작;화학계량학;화학성분;머신러닝;지리적 출처;초고성능 액체 크로마토그래피-쿼드러폴-정전기장 궤도 우물 고해상도 질량분석기(UHPLC-Q-Orbitrap HRMS)