JP2009244015A - Quality evaluation method of angelica acutiloba - Google Patents
Quality evaluation method of angelica acutiloba Download PDFInfo
- Publication number
- JP2009244015A JP2009244015A JP2008089456A JP2008089456A JP2009244015A JP 2009244015 A JP2009244015 A JP 2009244015A JP 2008089456 A JP2008089456 A JP 2008089456A JP 2008089456 A JP2008089456 A JP 2008089456A JP 2009244015 A JP2009244015 A JP 2009244015A
- Authority
- JP
- Japan
- Prior art keywords
- analysis
- quality
- pls
- toki
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 241000544270 Angelica acutiloba Species 0.000 title abstract description 10
- 238000013441 quality evaluation Methods 0.000 title abstract description 5
- 238000004458 analytical method Methods 0.000 claims abstract description 82
- 238000010238 partial least squares regression Methods 0.000 claims abstract description 17
- 239000000523 sample Substances 0.000 claims description 30
- RYYVLZVUVIJVGH-UHFFFAOYSA-N caffeine Chemical compound CN1C(=O)N(C)C(=O)C2=C1N=CN2C RYYVLZVUVIJVGH-UHFFFAOYSA-N 0.000 claims description 22
- 238000005481 NMR spectroscopy Methods 0.000 claims description 19
- 150000001875 compounds Chemical class 0.000 claims description 19
- KRKNYBCHXYNGOX-UHFFFAOYSA-N citric acid Chemical compound OC(=O)CC(O)(C(O)=O)CC(O)=O KRKNYBCHXYNGOX-UHFFFAOYSA-N 0.000 claims description 18
- 238000000491 multivariate analysis Methods 0.000 claims description 17
- PGLIMMMHQDNVRS-UHFFFAOYSA-N coniferyl ferulate Natural products C1=C(O)C(OC)=CC(C=CCOC(=O)C=CC=2C=C(OC)C(O)=CC=2)=C1 PGLIMMMHQDNVRS-UHFFFAOYSA-N 0.000 claims description 12
- KSEBMYQBYZTDHS-HWKANZROSA-M (E)-Ferulic acid Natural products COC1=CC(\C=C\C([O-])=O)=CC=C1O KSEBMYQBYZTDHS-HWKANZROSA-M 0.000 claims description 11
- LPHGQDQBBGAPDZ-UHFFFAOYSA-N Isocaffeine Natural products CN1C(=O)N(C)C(=O)C2=C1N(C)C=N2 LPHGQDQBBGAPDZ-UHFFFAOYSA-N 0.000 claims description 11
- CZMRCDWAGMRECN-UGDNZRGBSA-N Sucrose Chemical compound O[C@H]1[C@H](O)[C@@H](CO)O[C@@]1(CO)O[C@@H]1[C@H](O)[C@@H](O)[C@H](O)[C@@H](CO)O1 CZMRCDWAGMRECN-UGDNZRGBSA-N 0.000 claims description 11
- 229930006000 Sucrose Natural products 0.000 claims description 11
- PGLIMMMHQDNVRS-YZQQHVNFSA-N [(e)-3-(4-hydroxy-3-methoxyphenyl)prop-2-enyl] (e)-3-(4-hydroxy-3-methoxyphenyl)prop-2-enoate Chemical compound C1=C(O)C(OC)=CC(\C=C\COC(=O)\C=C\C=2C=C(OC)C(O)=CC=2)=C1 PGLIMMMHQDNVRS-YZQQHVNFSA-N 0.000 claims description 11
- 229960001948 caffeine Drugs 0.000 claims description 11
- VJEONQKOZGKCAK-UHFFFAOYSA-N caffeine Natural products CN1C(=O)N(C)C(=O)C2=C1C=CN2C VJEONQKOZGKCAK-UHFFFAOYSA-N 0.000 claims description 11
- 229940114124 ferulic acid Drugs 0.000 claims description 11
- KSEBMYQBYZTDHS-HWKANZROSA-N ferulic acid Chemical compound COC1=CC(\C=C\C(O)=O)=CC=C1O KSEBMYQBYZTDHS-HWKANZROSA-N 0.000 claims description 11
- 235000001785 ferulic acid Nutrition 0.000 claims description 11
- KSEBMYQBYZTDHS-UHFFFAOYSA-N ferulic acid Natural products COC1=CC(C=CC(O)=O)=CC=C1O KSEBMYQBYZTDHS-UHFFFAOYSA-N 0.000 claims description 11
- 239000005720 sucrose Substances 0.000 claims description 11
- QURCVMIEKCOAJU-UHFFFAOYSA-N trans-isoferulic acid Natural products COC1=CC=C(C=CC(O)=O)C=C1O QURCVMIEKCOAJU-UHFFFAOYSA-N 0.000 claims description 11
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 claims description 10
- VZCYOOQTPOCHFL-UHFFFAOYSA-N trans-butenedioic acid Natural products OC(=O)C=CC(O)=O VZCYOOQTPOCHFL-UHFFFAOYSA-N 0.000 claims description 10
- ONIBWKKTOPOVIA-UHFFFAOYSA-N Proline Natural products OC(=O)C1CCCN1 ONIBWKKTOPOVIA-UHFFFAOYSA-N 0.000 claims description 9
- BJEPYKJPYRNKOW-REOHCLBHSA-N (S)-malic acid Chemical compound OC(=O)[C@@H](O)CC(O)=O BJEPYKJPYRNKOW-REOHCLBHSA-N 0.000 claims description 8
- 239000004475 Arginine Substances 0.000 claims description 8
- 229930091371 Fructose Natural products 0.000 claims description 8
- RFSUNEUAIZKAJO-ARQDHWQXSA-N Fructose Chemical compound OC[C@H]1O[C@](O)(CO)[C@@H](O)[C@@H]1O RFSUNEUAIZKAJO-ARQDHWQXSA-N 0.000 claims description 8
- 239000005715 Fructose Substances 0.000 claims description 8
- VZCYOOQTPOCHFL-OWOJBTEDSA-N Fumaric acid Chemical compound OC(=O)\C=C\C(O)=O VZCYOOQTPOCHFL-OWOJBTEDSA-N 0.000 claims description 8
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 8
- BJEPYKJPYRNKOW-UHFFFAOYSA-N alpha-hydroxysuccinic acid Natural products OC(=O)C(O)CC(O)=O BJEPYKJPYRNKOW-UHFFFAOYSA-N 0.000 claims description 8
- 239000000538 analytical sample Substances 0.000 claims description 8
- ODKSFYDXXFIFQN-UHFFFAOYSA-N arginine Natural products OC(=O)C(N)CCCNC(N)=N ODKSFYDXXFIFQN-UHFFFAOYSA-N 0.000 claims description 8
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 claims description 8
- 239000008103 glucose Substances 0.000 claims description 8
- 239000001630 malic acid Substances 0.000 claims description 8
- 235000011090 malic acid Nutrition 0.000 claims description 8
- ONIBWKKTOPOVIA-BYPYZUCNSA-N L-Proline Chemical compound OC(=O)[C@@H]1CCCN1 ONIBWKKTOPOVIA-BYPYZUCNSA-N 0.000 claims description 7
- ODKSFYDXXFIFQN-BYPYZUCNSA-P L-argininium(2+) Chemical compound NC(=[NH2+])NCCC[C@H]([NH3+])C(O)=O ODKSFYDXXFIFQN-BYPYZUCNSA-P 0.000 claims description 7
- GUBGYTABKSRVRQ-QKKXKWKRSA-N Lactose Natural products OC[C@H]1O[C@@H](O[C@H]2[C@H](O)[C@@H](O)C(O)O[C@@H]2CO)[C@H](O)[C@@H](O)[C@H]1O GUBGYTABKSRVRQ-QKKXKWKRSA-N 0.000 claims description 7
- 239000008101 lactose Substances 0.000 claims description 7
- GUBGYTABKSRVRQ-XLOQQCSPSA-N Alpha-Lactose Chemical compound O[C@@H]1[C@@H](O)[C@@H](O)[C@@H](CO)O[C@H]1O[C@@H]1[C@@H](CO)O[C@H](O)[C@H](O)[C@H]1O GUBGYTABKSRVRQ-XLOQQCSPSA-N 0.000 claims description 6
- OFOBLEOULBTSOW-UHFFFAOYSA-N Propanedioic acid Natural products OC(=O)CC(O)=O OFOBLEOULBTSOW-UHFFFAOYSA-N 0.000 claims description 6
- VZCYOOQTPOCHFL-UPHRSURJSA-N maleic acid Chemical compound OC(=O)\C=C/C(O)=O VZCYOOQTPOCHFL-UPHRSURJSA-N 0.000 claims description 6
- 239000011976 maleic acid Substances 0.000 claims description 6
- 229960003692 gamma aminobutyric acid Drugs 0.000 claims description 5
- 239000001530 fumaric acid Substances 0.000 claims description 4
- 235000007688 Lycopersicon esculentum Nutrition 0.000 claims description 2
- 240000003768 Solanum lycopersicum Species 0.000 claims description 2
- 150000002433 hydrophilic molecules Chemical class 0.000 claims description 2
- 239000002207 metabolite Substances 0.000 abstract description 27
- 238000005160 1H NMR spectroscopy Methods 0.000 abstract description 25
- 238000004519 manufacturing process Methods 0.000 abstract description 9
- 238000010224 classification analysis Methods 0.000 abstract 2
- 238000010239 partial least squares discriminant analysis Methods 0.000 description 32
- 230000001953 sensory effect Effects 0.000 description 30
- 235000000346 sugar Nutrition 0.000 description 20
- 239000000126 substance Substances 0.000 description 19
- 238000010200 validation analysis Methods 0.000 description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 19
- 238000011068 loading method Methods 0.000 description 15
- 238000005259 measurement Methods 0.000 description 14
- 238000001914 filtration Methods 0.000 description 12
- 238000012360 testing method Methods 0.000 description 11
- 238000001303 quality assessment method Methods 0.000 description 9
- 241000196324 Embryophyta Species 0.000 description 8
- 150000001720 carbohydrates Chemical group 0.000 description 8
- 230000000144 pharmacologic effect Effects 0.000 description 8
- 241000894007 species Species 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 239000000203 mixture Substances 0.000 description 7
- CSCPPACGZOOCGX-UHFFFAOYSA-N Acetone Chemical compound CC(C)=O CSCPPACGZOOCGX-UHFFFAOYSA-N 0.000 description 6
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 6
- OKKJLVBELUTLKV-UHFFFAOYSA-N Methanol Chemical compound OC OKKJLVBELUTLKV-UHFFFAOYSA-N 0.000 description 6
- 235000001014 amino acid Nutrition 0.000 description 6
- 229940024606 amino acid Drugs 0.000 description 6
- 150000001413 amino acids Chemical class 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 230000002503 metabolic effect Effects 0.000 description 6
- 150000002894 organic compounds Chemical class 0.000 description 6
- 238000000513 principal component analysis Methods 0.000 description 6
- 230000003595 spectral effect Effects 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 6
- 150000008163 sugars Chemical class 0.000 description 6
- XLYOFNOQVPJJNP-ZSJDYOACSA-N Heavy water Chemical compound [2H]O[2H] XLYOFNOQVPJJNP-ZSJDYOACSA-N 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 5
- 230000007717 exclusion Effects 0.000 description 5
- 238000004949 mass spectrometry Methods 0.000 description 5
- 238000002360 preparation method Methods 0.000 description 5
- KFZMGEQAYNKOFK-UHFFFAOYSA-N Isopropanol Chemical compound CC(C)O KFZMGEQAYNKOFK-UHFFFAOYSA-N 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- -1 disaccharide compound Chemical class 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000004817 gas chromatography Methods 0.000 description 4
- 238000004128 high performance liquid chromatography Methods 0.000 description 4
- 239000003960 organic solvent Substances 0.000 description 4
- BDERNNFJNOPAEC-UHFFFAOYSA-N propan-1-ol Chemical compound CCCO BDERNNFJNOPAEC-UHFFFAOYSA-N 0.000 description 4
- 238000000926 separation method Methods 0.000 description 4
- 239000002904 solvent Substances 0.000 description 4
- 238000011282 treatment Methods 0.000 description 4
- 244000061520 Angelica archangelica Species 0.000 description 3
- 230000000975 bioactive effect Effects 0.000 description 3
- 239000004615 ingredient Substances 0.000 description 3
- 238000004811 liquid chromatography Methods 0.000 description 3
- 238000000655 nuclear magnetic resonance spectrum Methods 0.000 description 3
- 230000036961 partial effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 235000019640 taste Nutrition 0.000 description 3
- IQVQXVFMNOFTMU-FLIBITNWSA-N (Z)-ligustilide Chemical compound C1CC=CC2=C1C(=C/CCC)/OC2=O IQVQXVFMNOFTMU-FLIBITNWSA-N 0.000 description 2
- TVZRAEYQIKYCPH-UHFFFAOYSA-N 3-(trimethylsilyl)propane-1-sulfonic acid Chemical compound C[Si](C)(C)CCCS(O)(=O)=O TVZRAEYQIKYCPH-UHFFFAOYSA-N 0.000 description 2
- 240000001810 Angelica gigas Species 0.000 description 2
- 235000018865 Angelica gigas Nutrition 0.000 description 2
- 241000382455 Angelica sinensis Species 0.000 description 2
- HEDRZPFGACZZDS-UHFFFAOYSA-N Chloroform Chemical compound ClC(Cl)Cl HEDRZPFGACZZDS-UHFFFAOYSA-N 0.000 description 2
- 244000301850 Cupressus sempervirens Species 0.000 description 2
- 238000004477 FT-NIR spectroscopy Methods 0.000 description 2
- 238000005033 Fourier transform infrared spectroscopy Methods 0.000 description 2
- 235000001287 Guettarda speciosa Nutrition 0.000 description 2
- 238000004566 IR spectroscopy Methods 0.000 description 2
- 241000102542 Kara Species 0.000 description 2
- 238000004497 NIR spectroscopy Methods 0.000 description 2
- 235000005733 Raphanus sativus var niger Nutrition 0.000 description 2
- 235000006140 Raphanus sativus var sativus Nutrition 0.000 description 2
- 240000001970 Raphanus sativus var. sativus Species 0.000 description 2
- IQVQXVFMNOFTMU-DHZHZOJOSA-N Z-ligustilide Natural products C1CC=CC2=C1C(=C/CCC)\OC2=O IQVQXVFMNOFTMU-DHZHZOJOSA-N 0.000 description 2
- 229930013930 alkaloid Natural products 0.000 description 2
- 150000004775 coumarins Chemical class 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001035 drying Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000007417 hierarchical cluster analysis Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000002705 metabolomic analysis Methods 0.000 description 2
- 230000001431 metabolomic effect Effects 0.000 description 2
- 238000012567 pattern recognition method Methods 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000000425 proton nuclear magnetic resonance spectrum Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- QZAYGJVTTNCVMB-UHFFFAOYSA-N serotonin Chemical compound C1=C(O)C=C2C(CCN)=CNC2=C1 QZAYGJVTTNCVMB-UHFFFAOYSA-N 0.000 description 2
- 238000001195 ultra high performance liquid chromatography Methods 0.000 description 2
- WMBOCUXXNSOQHM-FLIBITNWSA-N (Z)-3-butylidenephthalide Chemical compound C1=CC=C2C(=C/CCC)/OC(=O)C2=C1 WMBOCUXXNSOQHM-FLIBITNWSA-N 0.000 description 1
- WMBOCUXXNSOQHM-DHZHZOJOSA-N 3-Butylidenephthalide Natural products C1=CC=C2C(=C/CCC)\OC(=O)C2=C1 WMBOCUXXNSOQHM-DHZHZOJOSA-N 0.000 description 1
- CJIJXIFQYOPWTF-UHFFFAOYSA-N 7-hydroxycoumarin Natural products O1C(=O)C=CC2=CC(O)=CC=C21 CJIJXIFQYOPWTF-UHFFFAOYSA-N 0.000 description 1
- 235000007070 Angelica archangelica Nutrition 0.000 description 1
- 241000208173 Apiaceae Species 0.000 description 1
- DCXYFEDJOCDNAF-UHFFFAOYSA-N Asparagine Natural products OC(=O)C(N)CC(N)=O DCXYFEDJOCDNAF-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 241000219310 Beta vulgaris subsp. vulgaris Species 0.000 description 1
- 241000167854 Bourreria succulenta Species 0.000 description 1
- 241000254173 Coleoptera Species 0.000 description 1
- 244000166124 Eucalyptus globulus Species 0.000 description 1
- PMVSDNDAUGGCCE-TYYBGVCCSA-L Ferrous fumarate Chemical compound [Fe+2].[O-]C(=O)\C=C\C([O-])=O PMVSDNDAUGGCCE-TYYBGVCCSA-L 0.000 description 1
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 1
- QNAYBMKLOCPYGJ-REOHCLBHSA-N L-alanine Chemical compound C[C@H](N)C(O)=O QNAYBMKLOCPYGJ-REOHCLBHSA-N 0.000 description 1
- DCXYFEDJOCDNAF-REOHCLBHSA-N L-asparagine Chemical compound OC(=O)[C@@H](N)CC(N)=O DCXYFEDJOCDNAF-REOHCLBHSA-N 0.000 description 1
- ROHFNLRQFUQHCH-YFKPBYRVSA-N L-leucine Chemical compound CC(C)C[C@H](N)C(O)=O ROHFNLRQFUQHCH-YFKPBYRVSA-N 0.000 description 1
- COLNVLDHVKWLRT-QMMMGPOBSA-N L-phenylalanine Chemical compound OC(=O)[C@@H](N)CC1=CC=CC=C1 COLNVLDHVKWLRT-QMMMGPOBSA-N 0.000 description 1
- KZSNJWFQEVHDMF-BYPYZUCNSA-N L-valine Chemical compound CC(C)[C@H](N)C(O)=O KZSNJWFQEVHDMF-BYPYZUCNSA-N 0.000 description 1
- ROHFNLRQFUQHCH-UHFFFAOYSA-N Leucine Natural products CC(C)CC(N)C(O)=O ROHFNLRQFUQHCH-UHFFFAOYSA-N 0.000 description 1
- 208000037093 Menstruation Disturbances Diseases 0.000 description 1
- 241000237502 Ostreidae Species 0.000 description 1
- 241000490567 Pinctada Species 0.000 description 1
- 235000021536 Sugar beet Nutrition 0.000 description 1
- AYFVYJQAPQTCCC-UHFFFAOYSA-N Threonine Natural products CC(O)C(N)C(O)=O AYFVYJQAPQTCCC-UHFFFAOYSA-N 0.000 description 1
- 239000004473 Threonine Substances 0.000 description 1
- KZSNJWFQEVHDMF-UHFFFAOYSA-N Valine Natural products CC(C)C(N)C(O)=O KZSNJWFQEVHDMF-UHFFFAOYSA-N 0.000 description 1
- AGABNGOXUSXQDD-XKGFZTIGSA-N [(3s)-2,2-dimethyl-8-oxo-3,4-dihydropyrano[3,2-g]chromen-3-yl] (z)-2-methylbut-2-enoate Chemical compound C1=CC(=O)OC2=C1C=C1C[C@H](OC(=O)C(\C)=C/C)C(C)(C)OC1=C2 AGABNGOXUSXQDD-XKGFZTIGSA-N 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 150000007513 acids Chemical class 0.000 description 1
- 239000004480 active ingredient Substances 0.000 description 1
- 235000004279 alanine Nutrition 0.000 description 1
- 230000000202 analgesic effect Effects 0.000 description 1
- 208000007502 anemia Diseases 0.000 description 1
- 230000001088 anti-asthma Effects 0.000 description 1
- 230000002921 anti-spasmodic effect Effects 0.000 description 1
- 239000000924 antiasthmatic agent Substances 0.000 description 1
- 206010003246 arthritis Diseases 0.000 description 1
- 229960001230 asparagine Drugs 0.000 description 1
- 235000009582 asparagine Nutrition 0.000 description 1
- ZYGHJZDHTFUPRJ-UHFFFAOYSA-N benzo-alpha-pyrone Natural products C1=CC=C2OC(=O)C=CC2=C1 ZYGHJZDHTFUPRJ-UHFFFAOYSA-N 0.000 description 1
- 235000019658 bitter taste Nutrition 0.000 description 1
- 238000009835 boiling Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 235000019693 cherries Nutrition 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 235000001671 coumarin Nutrition 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- AGABNGOXUSXQDD-UHFFFAOYSA-N decursinol angelate Natural products C1=CC(=O)OC2=C1C=C1CC(OC(=O)C(C)=CC)C(C)(C)OC1=C2 AGABNGOXUSXQDD-UHFFFAOYSA-N 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000695 effect on serotonin Effects 0.000 description 1
- 239000000706 filtrate Substances 0.000 description 1
- ZDXPYRJPNDTMRX-UHFFFAOYSA-N glutamine Natural products OC(=O)C(N)CCC(N)=O ZDXPYRJPNDTMRX-UHFFFAOYSA-N 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 230000003394 haemopoietic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 150000002484 inorganic compounds Chemical class 0.000 description 1
- 229910010272 inorganic material Inorganic materials 0.000 description 1
- 229940030980 inova Drugs 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 231100000544 menstrual irregularity Toxicity 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- WMBOCUXXNSOQHM-UHFFFAOYSA-N n-butylidenephthalide Natural products C1=CC=C2C(=CCCC)OC(=O)C2=C1 WMBOCUXXNSOQHM-UHFFFAOYSA-N 0.000 description 1
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 1
- 150000007524 organic acids Chemical class 0.000 description 1
- 235000020636 oyster Nutrition 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000002831 pharmacologic agent Substances 0.000 description 1
- COLNVLDHVKWLRT-UHFFFAOYSA-N phenylalanine Natural products OC(=O)C(N)CC1=CC=CC=C1 COLNVLDHVKWLRT-UHFFFAOYSA-N 0.000 description 1
- 239000008363 phosphate buffer Substances 0.000 description 1
- 239000004810 polytetrafluoroethylene Substances 0.000 description 1
- 229920001343 polytetrafluoroethylene Polymers 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000010298 pulverizing process Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000001624 sedative effect Effects 0.000 description 1
- 229940076279 serotonin Drugs 0.000 description 1
- 229910052708 sodium Inorganic materials 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 238000012306 spectroscopic technique Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 208000010110 spontaneous platelet aggregation Diseases 0.000 description 1
- 239000006228 supernatant Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 239000013076 target substance Substances 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000005979 thermal decomposition reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 125000000026 trimethylsilyl group Chemical group [H]C([H])([H])[Si]([*])(C([H])([H])[H])C([H])([H])[H] 0.000 description 1
- 238000001946 ultra-performance liquid chromatography-mass spectrometry Methods 0.000 description 1
- ORHBXUUXSCNDEV-UHFFFAOYSA-N umbelliferone Chemical compound C1=CC(=O)OC2=CC(O)=CC=C21 ORHBXUUXSCNDEV-UHFFFAOYSA-N 0.000 description 1
- HFTAFOQKODTIJY-UHFFFAOYSA-N umbelliferone Natural products Cc1cc2C=CC(=O)Oc2cc1OCC=CC(C)(C)O HFTAFOQKODTIJY-UHFFFAOYSA-N 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
- 239000004474 valine Substances 0.000 description 1
Images
Landscapes
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
Description
本発明は、トウキの品質鑑定方法に関する。より詳細には、トウキの代謝物または分解物の機器分析による品質鑑定方法に関する。 The present invention relates to a quality assessment method for Toki. More specifically, the present invention relates to a quality assessment method by instrumental analysis of a metabolite or decomposition product of Toki.
漢方（ＴＣＭ）は、その治療効果に基づいて、中国、韓国、および日本を含むアジア諸国で長年にわたって広く使用されている。トウキの根は、造血、鎮痛、および鎮静作用のため、月経不順、関節炎、貧血などの婦人科疾患の治療に伝統的に用いられてきた。 Kampo (TCM) has been widely used for many years in Asian countries including China, Korea, and Japan based on its therapeutic effect. Due to its hematopoietic, analgesic, and sedative effects, it is traditionally used to treat gynecological diseases such as menstrual irregularities, arthritis, and anemia.
これらのトウキ根は、種、クローン、地理的条件ならびに加工方法の違いに応じてその化学的構成および薬理学的効果に変動を示す。例えば、カラトウキ（Angelica sinensis）およびヤマトトウキ（Angelica acutiloba Kitagawa）中に含まれる化合物は、ヤマトトウキの方がフェルラ酸コニフェリルを多く含む点でかなり異なっている（非特許文献１）。一方、カラトウキの根に含まれる有効成分は、高速液体クロマトグラフィーでの検討によりフェルラ酸およびＺ−リグスチリドであることがわかっている（非特許文献２）。また、ガスクロマトグラフィー／質量分析−パターン認識方法に基づいて、デクルシンおよびデクルシノールアンゲレートが、オニノタケ（Angelica gigas Nakai）をヤマトトウキおよびカラトウキと区別するために最も重要な化合物であることが見出されている（非特許文献３）。 These pearl roots show variations in their chemical composition and pharmacological effects depending on species, clones, geographical conditions and processing methods. For example, the compounds contained in Kara touki (Angelica sinensis) and Yamato toki (Angelica acutiloba Kitagawa) differ considerably in that Yamato toki contains more coniferyl ferulate (Non-patent Document 1). On the other hand, it is known that the active ingredients contained in the roots of Karatouki are ferulic acid and Z-ligustylide by high-performance liquid chromatography (Non-patent Document 2). Also, based on gas chromatography / mass spectrometry-pattern recognition methods, it was found that declecin and decursinol angelate are the most important compounds for distinguishing Angelica gigas Nakai from Yamato and Karatouki. (Non-Patent Document 3).
ところで、トウキ根の薬理学的活性に直接関連する主要な化学成分は、フェルラ酸およびリグスチリドであり、これらは、通常、特にカラトウキにおいて、品質評価のためのマーカー化合物として用いられている（非特許文献２、４および５）。前者の化合物（フェルラ酸）は、血小板凝集およびセロトニン放出の阻害効果を有し、後者（リグスチリド）は抗喘息および鎮痙活性を示す。最近、Ｚ−ブチリデンフタリドが、フェルラ酸以外に、カラトウキの品質をモニターするためのマーカーとして使用できることが報告されている（非特許文献６）。
By the way, the main chemical components directly related to the pharmacological activity of Japanese radish are ferulic acid and ligustilide, which are usually used as marker compounds for quality evaluation, particularly in Japanese arabic (non-patented).
上記のように、トウキ根の品質は、産地および品種を含むいくつかの因子に依存する。そのため、クロマトグラフィーおよび分光学的技法によって、トウキ根における薬理学的化学成分の差における地理的条件の影響を研究する多くの試みが行われてきた（非特許文献１、３、７および８）。しかし、実際の日本の市場におけるトウキの品質および価格は、主として、外観、芳香、および味についての熟練者による官能検査での鑑定結果に依存している。したがって、市場におけるトウキの品質と薬理学的有効性の点での品質との関係は不明瞭である。
上記のように、トウキの市場価格は、現在は、主として味や形態を考慮して熟練者によって決定された官能試験に依存している。しかし、官能試験の技能獲得には経験年数がかかること、客観性や再現性が低いなどの問題がある。さらに、薬理学的活性成分を指標とした品質は、通常の官能試験を考慮していない。このように、これまでは、科学的技法に基づく客観的な鑑定法は存在しなかった。そこで、トウキの製造工程管理および製品品質管理のために、簡便な機械化された品質鑑定方法が必要とされる。 As mentioned above, the market price of touki currently relies on sensory tests determined by the skilled worker, mainly considering taste and form. However, there are problems such as taking years of experience to acquire skills for sensory tests and low objectivity and reproducibility. Furthermore, the quality using the pharmacologically active ingredient as an index does not consider a normal sensory test. Thus, until now, there was no objective appraisal method based on scientific techniques. Therefore, a simple mechanized quality appraisal method is required for manufacturing process control and product quality control of Toki.
質量分析（ＭＳ）、高速液体クロマトグラフィー（ＨＰＬＣ）、核磁気共鳴（ＮＭＲ）などの分析技法は、複雑なデータセットを生じる広範な代謝物を提示する。これらの技法の中でも、ＮＭＲは、豊富な構造情報を提示し、試料の調製が簡易であり、そして分析時間が短縮されるとともに、非選択的特性を有するため、品質評価および鑑定目的に有用な技法であると考えられる。例えば、１Ｈ−ＮＭＲ代謝フィンガープリンティングは、制限された時間内で非常に高精度かつ信頼性のある広範囲の代謝物情報の非特異的評価を提供することが期待される。得られる情報は、主成分分析（ＰＣＡ）および部分最小二乗法による判別分析（ＰＬＳ−ＤＡ）を含むケモメトリックスと組み合わせて、粗製のトウキ中の官能品質に関連する化学組成の信頼できる解析結果を提供する可能性がある。 Analytical techniques such as mass spectrometry (MS), high performance liquid chromatography (HPLC), nuclear magnetic resonance (NMR) present a wide range of metabolites that yield complex data sets. Among these techniques, NMR presents a wealth of structural information, simplifies sample preparation, reduces analysis time, and has non-selective properties that make it useful for quality assessment and identification purposes. It is considered a technique. For example, 1 H-NMR metabolic fingerprinting is expected to provide a non-specific assessment of a wide range of metabolite information that is very accurate and reliable within a limited time. The information obtained can be combined with chemometrics including Principal Component Analysis (PCA) and Partial Least Squares Discriminant Analysis (PLS-DA) to provide reliable analysis results of chemical composition related to sensory quality in crude touki. There is a possibility to provide.
本発明は、非選択的１Ｈ−ＮＭＲに基づくメタボロミクスとパターン認識技法とを組み合わせて、信頼性の高いトウキの品質鑑定を行うことができることを見出したことに基づいて完成された。 The present invention has been completed on the basis of the finding that it is possible to perform a reliable quality assessment of a cherry tree by combining metabolomics based on non-selective 1 H-NMR and a pattern recognition technique.
本発明は、トウキの品質鑑定方法を提供し、該方法は、
トウキを前処理して分析サンプルを得る工程；
該分析サンプルを機器分析に供して分析結果を得る工程；
該分析結果を数値データに変換して多変量解析する工程；および
得られた解析結果から、品質を鑑定する工程；
を含む。
The present invention provides a method for assessing the quality of touki,
Pre-treating touki to obtain an analytical sample;
Subjecting the analysis sample to instrumental analysis to obtain an analysis result;
Converting the analysis results into numerical data and performing multivariate analysis; and identifying the quality from the obtained analysis results;
including.
１つの実施態様では、上記多変量解析は、ＰＬＳ回帰分析である。 In one embodiment, the multivariate analysis is a PLS regression analysis.
ある実施態様では、上記機器分析は、核磁気共鳴分析である。 In one embodiment, the instrumental analysis is a nuclear magnetic resonance analysis.
１つの実施態様では、上記前処理は、上記トウキから親水性化合物を抽出して水溶性抽出物を得る工程を含む。 In one embodiment, the pre-treatment includes a step of extracting a hydrophilic compound from the tomato to obtain a water-soluble extract.
さらなる実施態様では、上記分析結果の中で、スクロース、アルギニン、フェルラ酸、フェルラ酸コニフェリル、グルコース、フルクトース、ラクトース、カフェイン、プロリン、リンゴ酸、４−アミノ酪酸、クエン酸、マレイン酸、およびフマル酸からなる群より選択される化合物に由来するピークが指標とされる。 In a further embodiment, among the above analytical results, sucrose, arginine, ferulic acid, coniferyl ferulate, glucose, fructose, lactose, caffeine, proline, malic acid, 4-aminobutyric acid, citric acid, maleic acid, and fumar A peak derived from a compound selected from the group consisting of acids is used as an index.
本発明はさらに、トウキの品質予測モデルを提供し、該モデルは、
品質既知の複数のトウキを前処理して個別の分析サンプルを得る工程；
該個別の分析サンプルを機器分析に供して個別の分析結果を得る工程；および
該個別の分析結果と該品質との関係を数値データに変換して多変量解析する工程；
によって得られる。
The present invention further provides a quality prediction model for touki, the model comprising:
Pre-treating a plurality of tokis of known quality to obtain individual analytical samples;
Subjecting the individual analysis samples to instrumental analysis to obtain individual analysis results; and converting the relationship between the individual analysis results and the quality into numerical data for multivariate analysis;
Obtained by.
本発明はまた、トウキの品質鑑定方法を提供し、該方法は、
トウキを前処理して分析サンプルを得る工程；
該分析サンプルを機器分析に供して分析結果を得る工程；
該分析結果を数値データに変換して多変量解析する工程；および
得られた解析結果を、上記の品質予測モデルと照合する工程；
を含む。
The present invention also provides a quality assessment method for touki,
Pre-treating touki to obtain an analytical sample;
Subjecting the analysis sample to instrumental analysis to obtain an analysis result;
Converting the analysis result into numerical data and performing multivariate analysis; and comparing the obtained analysis result with the quality prediction model described above;
including.
本発明によれば、従来困難であったトウキの総合品質を、より精度よくかつ簡便な方法で鑑定することが可能である。したがって、従来の官能試験結果と薬理学的に活性な化合物の含量との関連も含めた総合的な鑑定により、適切な品質および価格のトウキを提供することができる。 According to the present invention, it is possible to appraise the overall quality of touki, which has been difficult in the past, with a more accurate and simple method. Therefore, a comprehensive appraisal including the relationship between the results of conventional sensory tests and the content of pharmacologically active compounds can provide a touki with appropriate quality and price.
トウキは、セリ科（Umbelliferae）シシウド属のトウキ（Angelica acutiloba）またはその近縁植物の根を、通例、湯通ししたものであり、漢方薬として用いられるものをいう。通常、播種後３〜４年目の秋に掘り採り、放置して乾燥させた後、通例は７０〜８０℃の湯に浸漬し、乾燥させたものである。日本薬局方でのトウキは、ヤマトトウキ（Angelica acutiloba Kitagawa）およびホッカイトウキ（Angelica acutiloba Kitagawa var. sugiyamae）が基原植物とされ、トウキおよびトウキ末が日本薬局方に収載されている。しかし、トウキは、各国によって基原植物が異なるものを使用している。本発明においては、トウキの基原植物は、ヤマトトウキおよびホッカイトウキに限定されず、オニノタケ（Angelica gigas Nakai）、カラトウキ（Angelica sinensis）、セイヨウトウキ（Angelica archangelica）なども包含する。 The term “toki” refers to the roots of the Umbelliferae genus, the genus Angelica acutiloba, or a related plant thereof, usually boiled and used as a traditional Chinese medicine. Usually, after digging in the fall of the third to fourth years after sowing and leaving it to dry, it is usually immersed in hot water at 70 to 80 ° C. and dried. As for the Japanese pharmacopoeia, Toki (Angelica acutiloba Kitagawa) and Hokkaitouki (Angelica acutiloba Kitagawa var. Sugiyamae) are the basic plants, and Toki and Toki powder are listed in the Japanese pharmacopoeia. However, Toki uses different plant species in different countries. In the present invention, the base plant of Toki is not limited to Yamato Toki and Hokite Toki, but also includes Oninotake (Angelica gigas Nakai), Kara Touki (Angelica sinensis), and Angelica archangelica.
本発明において、トウキは、以下で述べる機器分析に応じて適切に前処理された後、種々の機器分析に供され得る。 In the present invention, the touki can be subjected to various instrumental analyzes after being appropriately pretreated according to the instrumental analysis described below.
本発明において、機器分析とは、分析機器を用いる分析・測定手段をいい、核磁気共鳴分析（ＮＭＲ）（例えば、フーリエ変換核磁気共鳴分析（ＦＴ−ＮＭＲ））、ガスクロマトグラフィー（ＧＣ）、液体クロマトグラフィー（ＬＣ）（例えば、高速液体クロマトグラフィー（ＨＰＬＣ）、超高速液体クロマトグラフィー（ＵＰＬＣ））、質量分析（ＭＳ）、赤外分光分析（ＩＲ）（例えば、フーリエ変換赤外分光分析（ＦＴ−ＩＲ））、近赤外分光分析（ＮＩＲ）（例えば、フーリエ変換近赤外分光分析（ＦＴ−ＮＩＲ））などが挙げられる。これらの機器分析は組み合わせてもよく、例えば、ＧＣ／ＭＳ、ＬＣ／ＭＳ（特に、ＨＰＬＣ／ＭＳ、ＵＰＬＣ／ＭＳ）などの組み合わせが挙げられる。これらの機器分析に用いられる装置は、特に限定されず、トウキ中に含まれる代謝物（例えば、アミノ酸、有機酸、糖）を測定することが可能であれば、通常用いられている装置が用いられ得る。また、測定条件は、これらの物質の測定に適切なように当業者によって適宜設定され得る。本発明においては、豊富な構造情報を提示し、試料の調製が簡易であり、そして分析時間が短縮されることとともに、その非選択的特性を有する点で、ＮＭＲが好適に採用される。 In the present invention, instrumental analysis refers to analysis / measurement means using an analytical instrument, such as nuclear magnetic resonance analysis (NMR) (for example, Fourier transform nuclear magnetic resonance analysis (FT-NMR)), gas chromatography (GC), Liquid chromatography (LC) (for example, high performance liquid chromatography (HPLC), ultra high performance liquid chromatography (UPLC)), mass spectrometry (MS), infrared spectroscopy (IR) (for example, Fourier transform infrared spectroscopy ( FT-IR)), near infrared spectroscopy (NIR) (for example, Fourier transform near infrared spectroscopy (FT-NIR)) and the like. These instrumental analyzes may be combined, and examples thereof include GC / MS, LC / MS (particularly HPLC / MS, UPLC / MS) and the like. The apparatus used for these instrumental analysis is not specifically limited, If the metabolite (for example, an amino acid, an organic acid, sugar) contained in a touki can be measured, the apparatus normally used is used. Can be. Measurement conditions can be appropriately set by those skilled in the art so as to be appropriate for the measurement of these substances. In the present invention, NMR is preferably employed in that it provides abundant structural information, simplifies sample preparation, reduces analysis time, and has non-selective properties.
前処理は、トウキ中の分析対象物質を機器分析に供するに適した形態にするために、上述のように機器分析に応じて行われる。前処理としては、乾燥、切断、粉砕、抽出などの処理が挙げられる。例えば、粉砕は、ブレンダー、ボールミルなどの適切な器具を用いて行われ得る。また、抽出は、水、有機溶媒、またはこれらの溶媒の混合液を用いて行われ得る。抽出に使用され得る有機溶媒としては、メタノール、エタノール、ｎ−プロパノール、イソプロパノール、アセトン、クロロホルムなどが挙げられる。抽出操作としては、トウキ末を水および／または有機溶媒中で加熱して、熱分解物を抽出してもよい。加熱温度は、使用される溶媒に応じて適宜決定され得、通常は、常圧下で溶媒の沸点付近の温度である。加熱時間も適宜設定される。これらの単位操作を単独でまたは組み合わせて適切な前処理条件を設定する。 The pretreatment is performed in accordance with the instrumental analysis as described above in order to make the analysis target substance in Toki suitable for the instrumental analysis. Examples of the pretreatment include treatments such as drying, cutting, pulverization, and extraction. For example, grinding can be performed using a suitable device such as a blender or a ball mill. The extraction can be performed using water, an organic solvent, or a mixture of these solvents. Examples of the organic solvent that can be used for extraction include methanol, ethanol, n-propanol, isopropanol, acetone, chloroform, and the like. As extraction operation, you may heat touki powder in water and / or an organic solvent, and may extract a thermal decomposition product. The heating temperature can be appropriately determined according to the solvent used, and is usually a temperature near the boiling point of the solvent under normal pressure. The heating time is also set appropriately. These unit operations are singly or combined to set appropriate preprocessing conditions.
例えば、機器分析としてＮＭＲを行う場合、好ましくは、前処理は、トウキから水および／または親水性溶媒で抽出して抽出物（例えば、水溶性代謝物を含む）を得る工程を含む。親水性有機溶媒としては、例えば、メタノール、エタノール、ｎ−プロパノール、イソプロパノール、アセトンなどが挙げられる。本発明においては、好ましくは水、より好ましくは温水が用いられる。１Ｈ−ＮＭＲで分析する場合は、重水を用いることが好ましい。 For example, when NMR is performed as an instrumental analysis, the pretreatment preferably includes a step of obtaining an extract (for example, containing a water-soluble metabolite) by extracting with water and / or a hydrophilic solvent from Toki. Examples of the hydrophilic organic solvent include methanol, ethanol, n-propanol, isopropanol, acetone and the like. In the present invention, water is preferably used, more preferably hot water. When analyzing by 1 H-NMR, it is preferable to use heavy water.
上記の前処理が施されたトウキサンプルは、任意の機器分析に供され、分析結果が得られる。得られた分析結果は、トウキサンプルのフィンガープリントであり得る。フィンガープリントは、例えば、ＮＭＲ分析の場合には、複雑なシグナル帰属のため、重要な結果を見落とす可能性がある。代わりに、多変量解析を用いて、代謝物全体の帰属をせずにデータセットをカテゴリーに分類することによってスペクトルのセットを比較できる。得られた結果は、関連するサンプルの群の中での識別に対して予測され得、そしてプロファイリングを用いて代謝物濃度の顕著な差を比較および同定することができる（非特許文献９）。このフィンガープリントを数値データに変換して多変量解析が行われる。分析により得られる結果（変数）としては、ケミカルシフト、積分値、保持時間、波長（または波数）、ならびにシグナル強度（またはイオン強度）、吸光度などのスペクトルデータが挙げられる。さらに、変数としては、トウキサンプルのランキング（等級）も挙げられる。 The touki sample subjected to the above pretreatment is subjected to arbitrary instrumental analysis to obtain an analysis result. The resulting analytical result can be a fingerprint of the Toki sample. Fingerprints may overlook important results due to complex signal assignments, for example, in the case of NMR analysis. Alternatively, multivariate analysis can be used to compare sets of spectra by categorizing data sets into categories without assigning the entire metabolite. The results obtained can be predicted for discrimination among groups of related samples, and profiling can be used to compare and identify significant differences in metabolite concentrations (9). Multi-variate analysis is performed by converting this fingerprint into numerical data. Examples of the results (variables) obtained by the analysis include chemical shift, integral value, retention time, wavelength (or wave number), spectrum data such as signal intensity (or ion intensity), absorbance, and the like. Furthermore, as a variable, ranking (grade) of the Toki sample is also mentioned.
多変量解析としては、機器分析データの解析に、特にケモメトリクスにおいて通常用いられる解析ツールが採用される。例えば、ＰＣＡ（主成分分析：principal component analysis）、ＨＣＡ（階層クラスター分析：hierarchical cluster analysis）、ＰＬＳ回帰分析（潜在的構造に対する射影：Projection to Latent Structure）、判別分析（discriminate analysis：ＤＡ）などの種々の多変量ツールが挙げられる。さらに、部分最小二乗によるＰＬＳ（Partial least square projection to Latent Structure）または部分最小二乗法による判別分析（ＰＬＳ−ＤＡ）を用いて、関連の変量の２群間の関係；例えば、トウキの代謝物とその品質との間の関係が確認される。必要に応じて、スペクトルフィルタリング法、例えば、妨害成分を取り除くための直交シグナル補正（orthogonal signal correction：ＯＳＣ）と組み合わせて多変量解析が行われてもよい。これらの解析ツールは、ソフトウエアとして多数市販されており、任意のものが入手可能である。このような市販のツールは、一般的に、難しい数学・統計学の知識がなくても、多変量解析を行うことができるように操作マニュアルが備えられている。 As the multivariate analysis, an analysis tool usually used in chemometrics is employed for analysis of instrumental analysis data. For example, PCA (principal component analysis), HCA (hierarchical cluster analysis), PLS regression analysis (Projection to Latent Structure), discriminate analysis (DA), etc. There are various multivariate tools. Furthermore, using PLS (Partial Least Square Projection to Latent Structure) or Partial Least Squares (PLS-DA), the relationship between two groups of related variables; The relationship between the quality is confirmed. If necessary, multivariate analysis may be performed in combination with spectral filtering methods, eg, orthogonal signal correction (OSC) to remove interfering components. Many of these analysis tools are commercially available as software, and arbitrary ones are available. Such a commercially available tool is generally provided with an operation manual so that multivariate analysis can be performed without knowledge of difficult mathematics and statistics.
多変量解析は、得られた全データではなく、品質鑑定に重要な一定の範囲のデータを選択して行ってもよい。例えば、トウキを１Ｈ−ＮＭＲで分析する場合、δ４．５〜５．１ｐｐｍ間の水領域を除去したデータについてＰＬＳ−ＤＡを行ってもよい。 Multivariate analysis may be performed by selecting a certain range of data that is important for quality appraisal, instead of all obtained data. For example, when analyzing Toki by 1 H-NMR, PLS-DA may be performed on data obtained by removing the water region between δ4.5 and 5.1 ppm.
本発明において好適に採用されるＰＬＳ−ＤＡは、１Ｈ−ＮＭＲスペクトルの管理されたパターン認識方法であり、測定群間の分離を説明するために用いられる。これは、主成分分析（ＰＣＡ）における主成分に対応する潜在的変数のセットとクラスマトリクスとの間の関係を決定し、そして顕著にクラス分離を有する変数情報を記載する（非特許文献１０）。 PLS-DA suitably employed in the present invention is a pattern recognition method in which 1 H-NMR spectra are managed, and is used to explain separation between measurement groups. This determines the relationship between the set of latent variables corresponding to principal components and the class matrix in principal component analysis (PCA), and describes variable information with significant class separation (Non-Patent Document 10). .
また、予測モデルの作成には、潜在的構造に対する射影（ＰＬＳ）回帰について、直行シグナル補正（ＯＳＣ）フィルタリング方法による予備処理を行うことが好適である。 In addition, for the creation of a prediction model, it is preferable to perform a preliminary process using an orthogonal signal correction (OSC) filtering method for projection (PLS) regression on a latent structure.
複数の品質既知のトウキサンプルから水溶性代謝物を抽出して１Ｈ−ＮＭＲを行う場合には、得られたＮＭＲスペクトルからケミカルシフトを独立変数、積分値を従属変数としてマトリクスデータを作成する。ランキング既知の複数のトウキサンプルのランキング順位を説明変数として、既知サンプルをトレーニングセットとしてＰＬＳ法によりランキング予測モデルを作成できる。例えば、品質未知のトウキサンプルから同様に機器分析して得られたデータを多変量解析し、その解析結果を予測モデルと比較・照合することによって、どのランキングに位置するかがわかるため、品質を鑑定することができる。 When water-soluble metabolites are extracted from a plurality of touki samples with known qualities and 1 H-NMR is performed, matrix data is created from the obtained NMR spectrum with chemical shift as an independent variable and integral value as a dependent variable. A ranking prediction model can be created by the PLS method using ranking rankings of a plurality of touki samples with known rankings as explanatory variables and known samples as training sets. For example, multi-variate analysis of the data obtained from the same instrumental analysis from an unknown quality Toki sample, and comparing the results of the analysis with the prediction model, it is possible to know which ranking it is located. Can be appraised.
例えば、トウキから水溶性代謝物を抽出して１Ｈ−ＮＭＲで分析した場合、得られる分析結果は、種々の代謝物に由来するケミカルシフト（δ値）、積分値、スピン結合定数（Ｊ値）、シグナル強度などがある。この場合、特に、スクロース、アルギニン、フェルラ酸、フェルラ酸コニフェリル、グルコース、フルクトース、ラクトース、カフェイン、プロリン、リンゴ酸、４−アミノ酪酸、クエン酸、マレイン酸、およびフマル酸のデータは、トウキの品質鑑定（等級分類）に重要な役割を果たす。本発明により、高い等級のトウキサンプル中には、代謝物として、アルギニン、スクロース、フェルラ酸、およびフェルラ酸コニフェリルの量が比較的多く、低い等級のトウキサンプル中には、大量のカフェイン、ラクトース、および還元糖（グルコースおよびフルクトースを含む）ならびに少量のプロリンおよびリンゴ酸として存在する傾向があることが、明らかになっている。 For example, when water-soluble metabolites are extracted from Toki and analyzed by 1 H-NMR, the obtained analytical results are chemical shifts (δ values), integral values, spin coupling constants (J values) derived from various metabolites. ) And signal intensity. In this case, in particular, sucrose, arginine, ferulic acid, coniferyl ferulate, glucose, fructose, lactose, caffeine, proline, malic acid, 4-aminobutyric acid, citric acid, maleic acid, and fumaric acid data Plays an important role in quality appraisal (class classification). In accordance with the present invention, high grades of Toki samples have relatively high amounts of arginine, sucrose, ferulic acid, and coniferyl ferulate as metabolites, while low grades of Toki samples contain large amounts of caffeine, lactose. And tend to exist as reducing sugars (including glucose and fructose) and small amounts of proline and malic acid.
また、上記の方法によって得られる予測モデルは、データの蓄積により、精度が上昇し得る。したがって、例えば、トウキ中の代謝物の相対量の傾向がより明確になれば、品質未知のトウキの分析結果からフィンガープリントを得、このフィンガープリントに基づいて品質鑑定をすることも可能となる。 Moreover, the accuracy of the prediction model obtained by the above method can be increased by accumulating data. Therefore, for example, if the tendency of the relative amount of the metabolite in the touki is clearer, it becomes possible to obtain a fingerprint from the analysis result of the unknown quality of the touki and perform a quality assessment based on this fingerprint.
（実施例１：１Ｈ−ＮＭＲ分析用のサンプルの調製および分析）
粗製の乾燥ヤマトトウキの６つの等級のサンプルおよび乾燥ホッカイトウキ（A. acutiloba Kitagawa var. sugiyamae）の根の１サンプル（いずれも福田商店より購入）を用いた。ヤマトトウキおよびホッカイトウキ根の品質は、外観、芳香、および味に基づくトウキサンプルの官能品質評価における専門の知見および長い経験を有する福田商店の熟練者によって鑑定およびクラス分けされている。ＹＮＡ、ＹＮＢおよびＹＮＣは、奈良県で栽培されたヤマトトウキであり、ＹＣＤおよびＹＣＥは中華人民共和国の南部で栽培されたヤマトトウキ、ＹＨＣおよびＨＨＥは、それぞれ北海道（日本の北部）で栽培されたヤマトトウキおよびホッカイトウキである。トウキの品質は、Ａ〜Ｅの等級にランキングされ、最高品質をＡ等級とし、最低品質をＥ等級と分類した。これらの特徴を表１に示す。
(Example 1: Preparation and analysis of sample for 1 H-NMR analysis)
Six grades of crude dried Yamato and a sample of roots of A. acutiloba Kitagawa var. Sugiyamae (both purchased from Fukuda Shoten) were used. The quality of Yamato and Hokkyuki roots has been identified and classified by experts at Fukuda Shoten with expertise and long experience in sensory quality assessment of Toki samples based on appearance, aroma, and taste. YNA, YNB and YNC are Yamatouki grown in Nara Prefecture, YCD and YCE are Yamatouki grown in the southern part of the People's Republic of China, YHC and HHE were grown in Hokkaido (northern Japan), respectively. Yamatotoki and Hokaitouki. The quality of Touki was ranked in grades A to E, the highest quality was classified as A grade, and the lowest quality was classified as E grade. These features are shown in Table 1.
まず、１．５ｍＬの重水（Ｄ２Ｏ）を、２ｍＬ容のエッペンドルフチューブ中の１５０ｍｇの乾燥トウキ根に添加した。この混合物を、Thermomixer comfort（Eppendorf）で７０℃および１４００ｒｐｍにて３時間インキュベートし、２５℃および１５０００×ｇにて３０分間遠心分離した（TOMY MX-150）。親水性代謝物を含む上清を０．４５μｍのＰＴＦＥメンブレン（Advantec）を通して濾過した。次いで、３００μＬの濾液を、内部標準として３ｍＭの３−（トリメチルシリル）−１−プロパン硫酸ナトリウム（ＤＳＳ：Aldrich）を含む３００μＬの０．２Ｍリン酸緩衝液（ｐＨ７．４）に溶解した。なお、サンプル調製は、１Ｈ−ＮＭＲ測定の１日前に行い、４℃にて保存した。 First, 1.5 mL of heavy water (D 2 O) was added to 150 mg of dried pearl root in a 2 mL Eppendorf tube. This mixture was incubated in Thermomixer comfort (Eppendorf) at 70 ° C. and 1400 rpm for 3 hours and centrifuged at 25 ° C. and 15000 × g for 30 minutes (TOMY MX-150). The supernatant containing the hydrophilic metabolite was filtered through a 0.45 μm PTFE membrane (Advantec). Next, 300 μL of the filtrate was dissolved in 300 μL of 0.2 M phosphate buffer (pH 7.4) containing 3 mM sodium 3- (trimethylsilyl) -1-propane sulfate (DSS: Aldrich) as an internal standard. The sample was prepared one day before 1 H-NMR measurement and stored at 4 ° C.
得られた分析サンプルを、１Ｈ−ＮＭＲによって測定した。本実施例では、７５０ＭＨｚ Varian Inova 750スペクトロメーターを使用し、５ｍｍの１Ｈ｛１３Ｃ／１５Ｎ｝三重共鳴間接検出プローブを用いて２５℃にてスペクトルを記録した。重水およびＤＳＳを、それぞれ内部ロックシグナルおよびケミカルシフト（δ）０．０ｐｐｍでの内部標準として用いた。１Ｈ−ＮＭＲ測定は、６４トランジエントおよび１２８Ｋ複合データポイントで行った。捕捉時間およびリサイクル遅延は、３０°パルス角を用いて、１スキャン当たりそれぞれ６．２５７秒および３．７４３秒であった。ＷＥＴ法（water suppression enhanced through T1 effect法）パルスシーケンスを適用して、水のシグナルを抑制した。すべてのスペクトルは、データ処理前に０．１Ｈｚ線幅広がりでフーリエ変換した。 The obtained analytical sample was measured by 1 H-NMR. In this example, a spectrum was recorded at 25 ° C. using a 750 MHz Varian Inova 750 spectrometer with a 5 mm 1 H { 13 C / 15 N} triple resonance indirect detection probe. Heavy water and DSS were used as internal standards with an internal lock signal and chemical shift (δ) of 0.0 ppm, respectively. 1 H-NMR measurements were performed at 64 transients and 128K composite data points. Acquisition time and recycle delay were 6.257 seconds and 3.743 seconds per scan, respectively, using a 30 ° pulse angle. The water signal was suppressed by applying a WET (water suppression enhanced through T1 effect) pulse sequence. All spectra were Fourier transformed with a 0.1 Hz line broadening prior to data processing.
１Ｈ−ＮＭＲ測定によって得られたスペクトルを、Chenomx NMR Suite4.6ソフトウエアプロフェッショナル版（Chenomx Inc., Canada）によって位相およびベースライン補正した。０．７〜８．５ｐｐｍの範囲にわたって、０．０１ｐｐｍのサイズで積分した。すべての測定値は、総ピーク面積に対して標準化した。 The spectra obtained by 1 H-NMR measurements were phase and baseline corrected by Chenomx NMR Suite 4.6 Software Professional Edition (Chenomx Inc., Canada). It was integrated at a size of 0.01 ppm over a range of 0.7-8.5 ppm. All measurements were normalized to the total peak area.
（実施例２：トウキの１Ｈ−ＮＭＲのケミカルシフトの同定）
上記実施例１で得られたＮＭＲスペクトルについて、δ４．５〜５．１ｐｐｍの残存水のシグナルを削除した。顕著な化学成分のケミカルシフトを、Chenomx NMR Suite4.6の８００ＭＨｚ（ｐＨ４〜９）ライブラリデータベースおよび同条件下で分析したライブラリーとの比較によって帰属した。なお、対応する共鳴は、標準帰属と良好に一致した。しかし、いくつかの共鳴は、測定条件の差のため、Chenomx NMRデータベースで帰属されたものと異なっていた。
(Example 2: Identification of chemical shift of 1 H-NMR of Toki)
For the NMR spectrum obtained in Example 1 above, the signal of residual water at δ4.5 to 5.1 ppm was deleted. The chemical shifts of prominent chemical components were assigned by comparison with the Chenomx NMR Suite 4.6 800 MHz (pH 4-9) library database and a library analyzed under the same conditions. Corresponding resonances agreed well with the standard assignment. However, some resonances differed from those assigned in the Chenomx NMR database due to differences in measurement conditions.
全てのサンプルについて代謝物はほとんど同一であったが、品質で変動する化学的含量の変動があった。まず、官能検査により最高品質と評価されたヤマトトウキ（ＹＮＡ）の水溶性抽出物を特徴付けた。糖、有機化合物、アミノ酸、アルカロイドおよびクマリンを含む約２０化合物を同定した。 The metabolites were almost identical for all samples, but there was a variation in chemical content that varied in quality. First, a water-soluble extract of Yamatouki (YNA), which was evaluated as the highest quality by sensory test, was characterized. Approximately 20 compounds were identified including sugars, organic compounds, amino acids, alkaloids and coumarins.
糖化合物は、ほとんどがδ３．００〜５．５０ｐｐｍの領域に観察された。スクロースは、ＹＮＡサンプルにおける主要な二糖化合物であり、３．４６、３．５５、３．６７、３．７５、３．８０、３．８４、３．８８、４．０４、４．２０および５．４０ｐｐｍにシグナルを示した。もう１つの二糖化合物であるラクトースのシグナルを、３．２７および３．６５ｐｐｍに検出した。フルクトースおよびグルコースを含む還元糖によるシグナルを、それぞれ３．６９、３．９５、４．０ｐｐｍおよび３．２３、３．４６、３．５５、５．２２ｐｐｍに明確に検出した。いくつかの有機化合物もＹＮＡサンプル中に存在し、リンゴ酸（δ２．３７、２．６４、２．６８、４．３０ｐｐｍ）、クエン酸（δ２．４７、２．５６ｐｐｍ）、４−アミノ酪酸（δ２．２８、３．００ｐｐｍ）、フマル酸（δ６．５０ｐｐｍ）、およびマレイン酸（δ５．９８ｐｐｍ）が検出された。トウキの薬学的品質の指標として通常用いられるフェルラ酸（δ７．３２、７．６８、６．８９、７．１７ｐｐｍ）およびその誘導体であるフェルラ酸コニフェリル（δ６．８９、７．１８、７．２３、７．３２ｐｐｍ）に由来すると予測されるいくつかの小さいシグナルが、δ６．５０〜８．００ｐｐｍの高周波数領域に見られた。 Most of the sugar compounds were observed in the region of δ3.00 to 5.50 ppm. Sucrose is the major disaccharide compound in the YNA sample, 3.46, 3.55, 3.67, 3.75, 3.80, 3.84, 3.88, 4.04, 4.20 and A signal was shown at 5.40 ppm. The signal of lactose, another disaccharide compound, was detected at 3.27 and 3.65 ppm. Signals due to reducing sugars including fructose and glucose were clearly detected at 3.69, 3.95, 4.0 ppm and 3.23, 3.46, 3.55, 5.22 ppm, respectively. Some organic compounds are also present in the YNA sample, malic acid (δ 2.37, 2.64, 2.68, 4.30 ppm), citric acid (δ 2.47, 2.56 ppm), 4-aminobutyric acid ( δ 2.28, 3.00 ppm), fumaric acid (δ 6.50 ppm), and maleic acid (δ 5.98 ppm) were detected. Ferulic acid (δ 7.32, 7.68, 6.89, 7.17 ppm) and its derivative coniferyl ferulate (δ 6.89, 7.18, 7.23), which are commonly used as indicators of the pharmaceutical quality of Toki. , 7.32 ppm), some small signals expected in the high frequency region from δ 6.50 to 8.00 ppm.
さらに、アルギニン（δ１．６４、１．７１、１．９０、３．２３、３．７５ｐｐｍ）、プロリン（δ１．９９、２．０５、２．３４、３．３３、３．４０、４．１２ｐｐｍ）、アラニン（δ１．４６ｐｐｍ）、バリン（δ０．９７、１．０３ｐｐｍ）、トレオニン（δ１．３１ｐｐｍ）、ロイシン（δ０．９３ｐｐｍ）、グルタミン（δ２．１３、２．４４ｐｐｍ）、アスパラギン（δ２．８４、２．９５ｐｐｍ）、およびフェニルアラニン（δ７．３２、７．３６、７．４２ｐｐｍ）を含む数種のアミノ酸、アルカロイド化合物、ウンベリフェロン（δ６．８８、７．５４、７．９８ｐｐｍ）、ならびにある種のクマリン誘導体も、ＹＮＡサンプル中で少量検出した。 Furthermore, arginine (δ 1.64, 1.71, 1.90, 3.23, 3.75 ppm), proline (δ 1.99, 2.05, 2.34, 3.33, 3.40, 4.12 ppm) ), Alanine (δ 1.46 ppm), valine (δ 0.97, 1.03 ppm), threonine (δ 1.31 ppm), leucine (δ 0.93 ppm), glutamine (δ 2.13, 2.44 ppm), asparagine (δ 2.84). 2.95 ppm), and several amino acids including phenylalanine (δ 7.32, 7.36, 7.42 ppm), alkaloid compounds, umbelliferone (δ 6.88, 7.54, 7.98 ppm), and Species coumarin derivatives were also detected in small amounts in YNA samples.
（実施例３：トウキ水溶性抽出物の代謝プロファイリングおよびフィンガープリンティング）
上記実施例１で得られたＮＭＲスペクトルについて、多変量解析のためにExcelフォーマットをSimca-Pソフトウエアversion 11（Umetrics AB, Umea, Sweden）にインポートした。なお、ChenomxソフトウエアのMicrosoft Excelフォーマット（*.xls）への変換前に特定の共鳴のスペクトルへの絶対寄与率を提示した。次いで、６種のヤマトトウキ（ＹＮＡ、ＹＮＢ、ＹＮＣ、ＹＨＣ、ＹＣＤ、ＹＣＥ）および１種のホッカイトウキ（ＨＨＥ）サンプルについて、ケミカルシフトを独立変数とし、積分値を従属変数としてマトリクスデータを作成し、各サンプルの官能検査の等級を説明変数として、ＰＬＳ−ＤＡを用いて解析した。δ４．５〜５．１ｐｐｍの残存水のシグナルを削除した後のδ０．７〜８．５の領域で測定した水溶性抽出物のＰＬＳ−ＤＡスコアおよびローディングプロットの結果を、それぞれ図１（Ａ）および（Ｂ）に示す。
(Example 3: Metabolic profiling and fingerprinting of water-soluble extract of Toki)
For the NMR spectrum obtained in Example 1 above, the Excel format was imported into Simca-P software version 11 (Umetrics AB, Umea, Sweden) for multivariate analysis. In addition, the absolute contribution to the spectrum of a specific resonance was presented before the conversion of the Chenomx software to Microsoft Excel format (* .xls). Next, for 6 types of Yamatouki (YNA, YNB, YNC, YHC, YCD, YCE) and one type of Hokiteuki (HHE) samples, matrix data was created with the chemical shift as the independent variable and the integral value as the dependent variable. The PLS-DA was used as an explanatory variable for the sensory test grade of each sample. The results of the PLS-DA score and the loading plot of the water-soluble extract measured in the region of δ 0.7 to 8.5 after deleting the residual water signal of δ 4.5 to 5.1 ppm are shown in FIG. ) And (B).
図１（Ａ）に示すように、大きく２つのクラスタリングを示した。北海道産のホッカイトウキおよびヤマトトウキ（それぞれＨＨＥおよびＹＨＣ）は、ＰＣ１軸（横軸）に沿って、奈良県産ヤマトトウキ（ＹＮＡ、ＹＮＢ、ＹＮＣ）および中国産ヤマトトウキ（ＹＣＤ、ＹＣＥ）とは明らかに分離されていた。しかし、ヤマトトウキについては、奈良県産と中国産との間に顕著な分離は観察されなかった。 As shown in FIG. 1A, two types of clustering are shown. Hokkaido Hokiitouki and Yamatouki (HHE and YHC respectively) are Nara Prefecture Yamatouki (YNA, YNB, YNC) and Chinese Yamatouki (YCD, YCE) along the PC1 axis (horizontal axis). It was clearly separated. However, for Yamatoki, no significant separation was observed between Nara Prefecture and China.
図１（Ｂ）には、ＰＣ１の対応するローディングプロットを示す。図1（Ｂ）から、北海道産のヤマトトウキ（ＹＨＣ）およびホッカイトウキ（ＨＨＥ）の両方とも、大量のカフェイン、ラクトース、および還元糖（グルコースおよびフルクトースを含む）ならびに少量のプロリンおよびリンゴ酸を含むが、奈良県産および中国産のトウキは、主としてアルギニンおよびスクロースからなることがわかった。 FIG. 1B shows a corresponding loading plot for PC1. From FIG. 1 (B), both Hokkaido Yamatouki (YHC) and Hokkaitouki (HHE) produced large amounts of caffeine, lactose, and reducing sugar (including glucose and fructose) and small amounts of proline and malic acid. Including Nara Prefecture and China-made touki were found to consist mainly of arginine and sucrose.
北海道産のトウキと奈良県産および中国産のトウキとの間の化学成分の差の原因の１つとして、サンプル調製手順の差が考えられる。本実施例に用いた全てのヤマトトウキは、乾燥処理前に熱水処理（湯通し）が行われているが、ホッカイトウキは熱水処理せずに乾燥させたものである。しかし、北海道産の熱水処理したヤマトトウキ（ＹＨＣ）と非熱水処理ホッカイトウキ（ＨＨＥ）との間に明らかな分離が観察されないため、この可能性はない。 One of the causes of the difference in chemical composition between the Hokkaido-grown toki and the Nara-ken and Chinese-grown toki is the difference in the sample preparation procedure. All Yamatouki used in this example was subjected to hot water treatment (boiled) before the drying treatment, but the hawk oyster was dried without being subjected to the hot water treatment. However, this is not possible because no clear separation is observed between the Hokkaido hydrothermally treated Yamatouki (YHC) and the non-hydrothermally treated Hokaitouki (HHE).
もう１つの可能性としては、ＹＨＣおよびＨＨＥが北海道産であることから、栽培地域（産地）ならびに気候条件の差が考えられる。産地、化学成分、およびその官能品質間の関係を、図１（Ｂ）に示すＰＬＳ−ＤＡローディングプロットと、表１に示す品質分類とを組み合わせて考慮すると、北海道地域で生産されるトウキ（ＨＨＥ）は低品質であり得、これは寒冷な気象条件によると予測される。この低品質のトウキは、還元糖、ラクトース、カフェイン、プロリン、およびリンゴ酸が豊富であった（図１（Ｂ）のＹ軸のｐ（１）に関してプラス側のシグナル）。ヤマトトウキサンプルに関して、北海道産のヤマトトウキが奈良県産および中国産と異なる代謝プロファイリングを示したことは注目すべきである。このことから、産地が、調製手順および種の影響よりも代謝物成分の差に最も重要な影響を与えると考えられる。寒冷な気象条件を有する日本の北部である北海道産のトウキ中に還元糖および有機化合物が豊富であることは、これまでの薬用植物の研究とよく一致していた（非特許文献１１）。すなわち、根の呼吸速度は、高温地域で栽培したものよりも寒冷地域で栽培した植物でより低く、そのため、還元糖、有機化合物および無機化合物が増加する（非特許文献１１および１２）。 As another possibility, since YHC and HHE are from Hokkaido, differences in the cultivation area (production area) and climatic conditions can be considered. Considering the relationship between the production area, chemical composition, and sensory quality in combination with the PLS-DA loading plot shown in FIG. 1 (B) and the quality classification shown in Table 1, ) May be of low quality, which is expected due to cold weather conditions. This low-quality sugar beet was rich in reducing sugar, lactose, caffeine, proline, and malic acid (positive signal with respect to p (1) on the Y-axis in FIG. 1 (B)). Regarding Yamatoki samples, it should be noted that Hokkaido Yamatoki showed different metabolic profiling than Nara and China. This suggests that the locality has the most significant impact on the difference in metabolite components rather than the effect of the preparation procedure and species. The abundance of reducing sugars and organic compounds in Hokkaido's northern part of Japan, which has cold weather conditions, was in good agreement with previous researches on medicinal plants (Non-patent Document 11). That is, the respiration rate of roots is lower in plants cultivated in cold regions than those cultivated in high-temperature regions, and as a result, reducing sugars, organic compounds and inorganic compounds increase (Non-Patent Documents 11 and 12).
なお、ＨＨＥおよびＹＮＣと同様にそれぞれＥおよびＣ等級に鑑定されているＹＣＥおよびＹＨＣについては、この本実施例による結果は、官能検査の鑑定とは一致しなかった。これは、官能評価が、代謝物成分の差を考慮せずに、サンプルの外観、芳香、および味に基づいて行われたため、代謝物成分の差をその品質鑑定に反映できないことによると思われる。 As for HCE and YHC, as in HHE and YNC, for YCE and YHC, the results of this example did not agree with the sensory test. This seems to be because the sensory evaluation was performed based on the appearance, aroma, and taste of the sample without considering the difference in metabolite components, so the difference in metabolite components cannot be reflected in the quality assessment. .
（実施例４：奈良県産および中国産に関するヤマトトウキ水溶性抽出物の代謝プロファイリングおよびフィンガープリンティング）
北海道産のトウキと比較して高品質に分類されている奈良県産ヤマトトウキと中国南部産ヤマトトウキとの間の代謝物の差を鑑定するために、上記実施例３と同様にδ４．５〜５．１ｐｐｍの残存水のシグナルを削除した後のδ０．７〜８．５の領域で測定した水溶性抽出物のＰＬＳ−ＤＡを行った。ＰＬＳ−ＤＡスコアおよびローディングプロットを、図２（Ａ）および（Ｂ）にそれぞれ示す。
(Example 4: Metabolic profiling and fingerprinting of a water-soluble extract of Yamatoki for Nara Prefecture and China)
In order to identify the difference in metabolites between Nara Prefecture Yamatouki and Southern China Yamatouki, which are classified as high-quality compared with Hokkaido-made Touki, δ4.5 as in Example 3 above. PLS-DA of the water-soluble extract measured in the region of δ 0.7 to 8.5 after deleting the signal of residual water of ˜5.1 ppm was performed. The PLS-DA score and loading plot are shown in FIGS. 2 (A) and (B), respectively.
図２（Ａ）に示すＰＣ１／ＰＣ２のスコアプロットでは、ＰＣ２軸（縦軸）に対して、その産地によるクラスタリングを示した。奈良県産のヤマトトウキは、ＰＣ２軸に対して正のスコアを示したが、中国産のヤマトトウキは負のスコアであった。対応するローディングプロット（図２（Ｂ））を考慮すると、奈良県産と中国産とを区別するためには、主としてスクロースおよびカフェインが最も重要な代謝物であることがわかった。表１に示すように、奈良県産のヤマトトウキ（Ａ〜Ｃ等級）は、中国産のヤマトトウキ（ＤおよびＥ等級）と比較してより良好な品質を有すると鑑定されている。したがって、スクロースおよびカフェインは、判別解析と官能検査の両方において、ヤマトトウキを区別するための主要な代謝物であると考えられた。高品質トウキ根の甘味は、スクロースに由来すると仮定され、一方、カフェインは、苦味に寄与する重要な成分であると推測された。このように、判別解析により、同じ品種間での産地の差を鑑定し得ることがわかった。しかし、上記実施例３において、ＨＨＥが大量のカフェインを含むにもかかわらず官能検査で最低の品質を有すると鑑定されていることを考慮すると、過剰のカフェイン含量は、品質を逆に反映する可能性もあるので注意を要する。 In the score plot of PC1 / PC2 shown in FIG. 2 (A), clustering by the production area is shown with respect to the PC2 axis (vertical axis). Yamatouuki from Nara Prefecture showed a positive score with respect to the PC2 axis, while Chinese Yamatoki had a negative score. Considering the corresponding loading plot (FIG. 2B), it was found that mainly sucrose and caffeine are the most important metabolites in order to distinguish between Nara and China. As shown in Table 1, Yamatouki from Nara Prefecture (A to C grade) has been identified as having a better quality than Chinese Yamatouki (D and E grades). Therefore, sucrose and caffeine were considered to be the main metabolites for distinguishing Yamatoki in both discriminant analysis and sensory test. The sweetness of high quality eucalyptus roots was postulated to be derived from sucrose, while caffeine was speculated to be an important component contributing to bitterness. Thus, the discriminant analysis revealed that the difference in the production area between the same varieties could be identified. However, in the above Example 3, considering that HHE contains a large amount of caffeine and is judged to have the lowest quality by sensory test, the excess caffeine content reflects the quality in reverse. Because there is a possibility of doing so, attention is required.
（実施例５：産地および成分に関するヤマトトウキ水溶性抽出物の代謝プロファイリングおよびフィンガープリンティング）
成分と産地および官能品質との関係を、２．８〜５．５ｐｐｍの主要な糖シグナルを除いた後のδ０．７〜８．５ｐｐｍの周波数領域における１Ｈ−ＮＭＲプロファイルのＰＬＳ−ＤＡ解析によって、さらに検討した。フェルラ酸コニフェリルおよびフェルラ酸のような生物活性代謝物は、５．５〜８．５ｐｐｍの高周波数領域で共鳴する。しかし、糖シグナルは、これらの代謝物由来のシグナルよりも数桁大きい。したがって、糖シグナルの除去は、ダイナミックレンジの問題を克服しそして目的の代謝物由来のシグナルの強度を増強するために必要である。ＰＣ１／ＰＣ２スコアプロットおよびローディングプロットを、それぞれ図３（Ａ）および（Ｂ）に示す。
(Example 5: Metabolic profiling and fingerprinting of a water-soluble extract of Yamatoki for the origin and ingredients)
PLS-DA analysis of the 1 H-NMR profile in the frequency region of δ 0.7 to 8.5 ppm after removing the main sugar signal of 2.8 to 5.5 ppm, and the relationship between the ingredients and the origin and sensory quality Further examination. Bioactive metabolites such as coniferyl ferulate and ferulic acid resonate in the high frequency region of 5.5-8.5 ppm. However, the sugar signal is several orders of magnitude larger than those derived from these metabolites. Thus, removal of the sugar signal is necessary to overcome the dynamic range problem and enhance the intensity of the signal from the metabolite of interest. The PC1 / PC2 score plot and loading plot are shown in FIGS. 3 (A) and 3 (B), respectively.
図３（Ａ）に示すＰＣ１／ＰＣ２スコアプロットにおいて、奈良産および中国産のトウキと北海道産のトウキとの間にＰＣ１軸（横軸）に沿って明確なクラスタリングが生じたが、奈良産と中国産との間のクラスタリングは観察されなかった。図３（Ｂ）に示すＰＣ１に対応するローディングプロットは、アルギニン、４−アミノ酪酸、クエン酸、マレイン酸、およびフマル酸に正の相関を示し、プロリンに負の相関を示した。正のローディング値に対応した化合物は、奈良県産および中国産のトウキに優勢であり、一方、負の値の化合物は北海道産で優勢であった。これは、ＰＬＳ−ＤＡ解析により、産地と成分との間の関連を明らかにできることを示す。なお、フェルラ酸コニフェリルおよびフェルラ酸由来のシグナルは、顕著には見られなかったが、これは、単に、ヤマトトウキとホッカイトウキの両方のサンプル間の濃度の差によるものと考えられた。 In the PC1 / PC2 score plot shown in FIG. 3 (A), clear clustering occurred along the PC1 axis (horizontal axis) between the Nara and Chinese toki and the Hokkaido toki. No clustering with Chinese was observed. The loading plot corresponding to PC1 shown in FIG. 3 (B) showed a positive correlation with arginine, 4-aminobutyric acid, citric acid, maleic acid, and fumaric acid, and a negative correlation with proline. Compounds corresponding to positive loading values were predominant in Nara Prefecture and China-produced Toki, while negative compounds were predominant in Hokkaido. This indicates that the PLS-DA analysis can reveal the relationship between the production area and the components. Signals derived from coniferyl ferulate and ferulic acid were not remarkably observed, but this was considered to be simply due to the difference in concentration between the samples of Yamatoki and Hokaitouki.
（実施例６：官能品質および成分に関するヤマトトウキ水溶性抽出物の代謝プロファイリングおよびフィンガープリンティング）
奈良県産のヤマトトウキの官能評価と生物活性代謝物成分との関係を研究するために、δ２．８〜５．５ｐｐｍ間の水および糖領域を除去することによる、δ０．７〜８．５ｐｐｍの周波数領域にＰＬＳ−ＤＡ解析を適用した。ＰＣ１／ＰＣ２スコアプロットおよびローディングプロットをそれぞれ図４（Ａ）および（Ｂ）に示す。
Example 6: Metabolic profiling and fingerprinting of a water-soluble extract of Yamatoki regarding sensory quality and ingredients
To study the relationship between sensory evaluation and biologically active metabolite components of Yamatou from Nara Prefecture, δ 0.7-8.5 ppm by removing the water and sugar regions between δ 2.8-5.5 ppm The PLS-DA analysis was applied to the frequency domain. The PC1 / PC2 score plot and loading plot are shown in FIGS. 4 (A) and (B), respectively.
図４（Ａ）に示すＰＣ１／ＰＣ２スコアプロットにおいて、ＰＣ１に関して最良の官能品質（ＹＮＡ）とそれよりも低い品質（ＹＮＢおよびＹＮＣ）との間に明らかなクラスタリングが見られた。ＹＮＡは、アミノ酸、有機化合物、マレイン酸、および少量のフェルラ酸コニフェリルを含む正のローディング値によって特徴付けられ、一方、ＹＮＢおよびＹＮＣは、図４（Ｂ）に示すローディングプロットの負の値によって特徴付けられた。このように、薬理学的生物活性化合物であるフェルラ酸コニフェリルは、主にＹＮＡで観察された。したがって、最高品質のトウキ（ＹＮＡ）中のフェルラ酸コニフェリルは、低品質と高品質とを区別する明らかな薬理学的生物活性代謝物の１つであると考えられた。すなわち、フェルラ酸コニフェリルと官能品質との正の相関は、薬理学的活性の点での品質が官能品質と良好に相関することを示す。 In the PC1 / PC2 score plot shown in FIG. 4 (A), a clear clustering was seen between the best sensory quality (YNA) and lower quality (YNB and YNC) for PC1. YNA is characterized by positive loading values including amino acids, organic compounds, maleic acid, and small amounts of coniferyl ferulate, while YNB and YNC are characterized by negative values in the loading plot shown in FIG. 4 (B). It was attached. Thus, the pharmacological bioactive compound coniferyl ferulate was mainly observed with YNA. Therefore, coniferyl ferulate in the highest quality pearl oyster (YNA) was considered to be one of the obvious pharmacological bioactive metabolites that distinguishes low quality from high quality. That is, a positive correlation between coniferyl ferulate and sensory quality indicates that the quality in terms of pharmacological activity correlates well with the sensory quality.
以上の結果から、１Ｈ−ＮＭＲフィンガープリンティングおよびプロファイリングにより、トウキの産地と官能品質との差を明確に判別することが可能であることが明らかになった。また、薬理学的活性は、官能品質に従って正の相関を有すると推定された。したがって、メタボロミクスと多変量解析との組み合わせにより、官能品質よりも有利であり、品質鑑定についての高い信頼性および一貫した結果が簡便に提供され得る。 From the above results, it was revealed that 1 H-NMR fingerprinting and profiling can clearly discriminate the difference between the production area and sensory quality of Toki. Moreover, it was estimated that pharmacological activity has a positive correlation according to sensory quality. Thus, the combination of metabolomics and multivariate analysis is advantageous over sensory quality and can easily provide high reliability and consistent results for quality assessment.
（実施例７：ＯＳＣフィルタリング処理なしでのＰＬＳ回帰による品質予測モデル）
部分最小二乗法による潜在的構造に対する射影（ＰＬＳ）（SIMCA-P version 11.0：Umetrics）を選択して、独立（予測）変数Ｘから従属（応答）変数Ｙを予測するための回帰モデルを作成した。回帰は、システム行動に基づく数学的モデルを作成することによって行われ、トレーニングサンプルに関するモデルパラメータに最適な値を決定する。次いで、未知の独立変数の値を、得られたトレーニングモデルを用いて予測する。本実施例では、熟練者によって評価された官能品質を従属変数として用いた。実施例１で調製した分析サンプルを、トレーニングセットおよびバリデーションセットの群に分けた。ヤマトトウキサンプル（ＹＮＡ、ＹＮＢ、ＹＮＣ、ＹＨＣ、ＹＣＤ、およびＹＣＥ）、ならびにホッカイトウキサンプル（ＨＨＥ）のそれぞれ６サンプルずつの分析結果のうち、各６番の番号のサンプルを、モデルのバリデーション用のテストセットとした。分析前に変換した変数はなく、データを集約し、そしてユニット分散にスケールした。
(Example 7: Quality prediction model by PLS regression without OSC filtering process)
A projection model for predicting the dependent (response) variable Y from the independent (predictive) variable X was selected by selecting projection (PLS) (SIMCA-P version 11.0: Umetrics) on the latent structure by the partial least squares method. . Regression is performed by creating a mathematical model based on system behavior to determine the optimal value for the model parameter for the training sample. The value of the unknown independent variable is then predicted using the resulting training model. In this example, the sensory quality evaluated by the expert was used as a dependent variable. The analytical samples prepared in Example 1 were divided into training set and validation set groups. Of the analysis results of 6 samples each of Yamatotoki samples (YNA, YNB, YNC, YHC, YCD, and YCE) and Hokaitouki samples (HHE), each sample numbered 6 is used for model validation. A test set was used. There were no variables transformed before analysis, data was aggregated and scaled to unit variance.
ＰＬＳ回帰モデルの性能を、相関係数Ｒ２およびクロスバリデートした相関係数Ｑ２ならびに予測値の平均二乗誤差（ＲＭＳＥＰ）というバリデーション誤差を用いて検証した。一般的に、Ｒ２は、０と１との間で変動するトレーニングセットのデータをどれくらい良好に数学的に再現するかを示し、ここで１は完全に適合するモデルを意味する。良好な予測モデルは、Ｑ２値によって示され得、そしてＱ２＞０．５の場合達成されており、そしてＱ２＞０．９ならば、優れた予測能力と見なされる。 The performance of the PLS regression model was verified using the correlation coefficient R 2 and the cross-validated correlation coefficient Q 2 and the validation error, the mean square error (RMSEP) of the predicted values. In general, R 2 indicates how well mathematically the data of a training set that varies between 0 and 1 where 1 means a perfectly fitting model. A good prediction model can be indicated by the Q 2 value and is achieved when Q 2 > 0.5, and is considered good prediction capability if Q 2 > 0.9.
トウキサンプルの測定と予測との官能品質値の間のＰＬＳ関係を、図５（Ａ）に示す。各トウキサンプル（表１）につき３〜５回繰り返した１Ｈ−ＮＭＲスペクトルを用いてトレーニングセットの回帰モデルを構築した。データを、スケーリングせずに分析前に平均中央化することにより予備処理し、そして変換を適用した。ＰＬＳ回帰解析は、予測の精度を示す相関係数Ｒ２＝０．９７５、およびモデルの予測性を示すクロスバリデートした相関係数Ｑ２＝０．９４３、ならびに実測値の平均二乗誤差ＲＭＳＥＥ＝０．２５を示した。 FIG. 5 (A) shows the PLS relationship between the sensory quality values of the measurement and prediction of the touki sample. A regression model of the training set was constructed using 1 H-NMR spectra that were repeated 3-5 times for each Toki sample (Table 1). The data was preprocessed by averaging the data prior to analysis without scaling and the transformation was applied. The PLS regression analysis shows that the correlation coefficient R 2 = 0.975, which indicates the accuracy of the prediction, and the cross-validated correlation coefficient Q 2 = 0.943, which indicates the predictability of the model, and the mean square error RMSEE = 0 of the actual measurement. .25.
次いで、トウキサンプルの官能品質を予測するモデルの能力を、バリデーションセットを得られたＰＬＳ回帰に帰属させることによって評価した（図５（Ｂ））。バリデーションセットとともに、予測結果は、対角回帰に対して良好にプロットされ、バリデーション誤差であるＲＭＳＥＰが約０．４８まで少し増加した。これらの結果として、ＰＬＳ回帰による品質予測モデルは、回帰適合性および予測性が優れることが明らかに示された。 The ability of the model to predict the sensory quality of the Toki samples was then evaluated by assigning a validation set to the resulting PLS regression (FIG. 5 (B)). Along with the validation set, the prediction results were plotted well against diagonal regression, and the validation error RMSEP increased slightly to about 0.48. As a result of these, it was clearly shown that the quality prediction model based on PLS regression has excellent regression fit and predictability.
（実施例８：予測モデルの品質における植物品種の影響）
トウキ根の化学成分および品質は、品種および産地の差に応じて変動することが報告されている（非特許文献１〜３）。さらに、多様性は、同じ種のもとで植物品質に影響を及ぼす最も重要な因子の１つであり、そして回帰モデルの予測可能性に影響すると予測される。モデル予測可能性におけるトウキの多様性の影響を検討するために、異なる種のトウキであるＨＨＥを、トレーニングセットから除外した。得られたＰＬＳ回帰を図６（Ａ）に示す。Ｒ２、Ｑ２、およびＲＭＳＥＥは、それぞれ０．９６９、０．９２９、および０．２６であった。Ｒ２およびＱ２値が高いことから、得られた回帰モデルの精度が高いことが示された。一方、回帰予測可能性は、ＨＨＥおよび上記実施例７の各６番のヤマトトウキサンプルを含むバリデーションセットにより検証した場合、バリデーション誤差は、０．２６から１．２０に増加した（図６（Ｂ））。ＨＨＥサンプルのプロットは、対角線上から散乱し、これは、予測モデルのひずみを示した。これは、ヤマトトウキよりもＨＨＥ種の化学成分濃度の差が非常に異なるためであると予測された。
(Example 8: Influence of plant varieties on quality of prediction model)
It has been reported that the chemical composition and quality of Japanese radish vary depending on the variety and production area (
ＨＨＥサンプルと全トウキサンプルの平均値との間の化合物濃度の定量的差異は、図７に示すＹの予測寄与度プロットにより示され得る。プロットは、多変量モデルにおける全ての項目についてスケールされたユニットの差を示し、そして変数が一定のプロセスシフトに対して最も離れて寄与することを検証する（非特許文献１３）。図７では、ほとんどの１Ｈ−ＮＭＲシグナルが、糖化合物（グルコース、フルクトースおよびスクロース）に対応し、そしていくつかのアミノ酸が平均以上を示した。これは、ＨＨＥが、予測モデルの構築に用いた他のトウキサンプルの平均値と比較して、これらの対応する化合物を過剰に含むことを示した。したがって、これらの化合物は、ＰＬＳ予測結果に重要な影響を及ぼすと予測された。 The quantitative difference in compound concentration between the HHE sample and the average value of all the toki samples can be shown by the predicted contribution plot of Y shown in FIG. The plot shows the difference in scaled units for all items in the multivariate model and verifies that the variable contributes most away to a certain process shift (Non-Patent Document 13). In FIG. 7, most 1 H-NMR signals corresponded to sugar compounds (glucose, fructose and sucrose), and some amino acids showed above average. This indicated that HHE contained an excess of these corresponding compounds compared to the mean value of the other Sekiki samples used to build the prediction model. Therefore, these compounds were predicted to have a significant effect on PLS prediction results.
複雑なＰＬＳモデリングに非常に影響を及ぼす寄与変数を解釈する目的で、射影における変数重要性（ＶＩＰ）パラメータであるＰＬＳ重さの二乗関数は、ＸおよびＹの両方のモデル部分について、Ｘ変数の受容性を効果的にまとめるに十分な情報である（非特許文献１３）。所定のモデルについて１セットのＶＩＰ値のみが得られる。１Ｈ−ＮＭＲ変数のＶＩＰプロットは、共鳴／領域が、モデルにおいて最も重要であることを説明する。１より大きいＶＩＰ値を有する変数は、モデルを説明するために最も関連がある。より高いＶＩＰ値は、モデルに対してより強く優先することを示す。図８に示すＶＩＰプロットでは、δ２．８〜５．５ｐｐｍのＮＭＲ領域に共鳴を有する糖化合物が、上記のＰＬＳ回帰モデル（図６）に最も強く寄与していた。これは、これらの化合物がＰＬＳモデリングを考慮して影響のある成分であることを示した。ＶＩＰプロット（図８）と組み合わせた寄与結果（図７）に基づいて、ＨＨＥ中の糖類が、図６（Ｂ）のＰＬＳモデルのひずみを引き起こした関連のある化学成分であると考えられた。 For the purpose of interpreting contribution variables that greatly affect complex PLS modeling, the PLS weight square function, which is a variable importance (VIP) parameter in projection, can be used for both X and Y model parts. This information is sufficient to effectively summarize the acceptability (Non-patent Document 13). Only one set of VIP values is obtained for a given model. The VIP plot of the 1 H-NMR variable explains that resonance / region is most important in the model. Variables with VIP values greater than 1 are most relevant to describe the model. A higher VIP value indicates a stronger preference for the model. In the VIP plot shown in FIG. 8, the sugar compound having resonance in the NMR region of δ2.8 to 5.5 ppm contributed most strongly to the PLS regression model (FIG. 6). This indicated that these compounds are influential components considering PLS modeling. Based on the contribution results (FIG. 7) combined with the VIP plot (FIG. 8), the sugars in HHE were considered to be the relevant chemical components that caused the distortion of the PLS model of FIG. 6 (B).
δ２．８〜５．５ｐｐｍの領域におけるスクロース、グルコース、およびフルクトース共鳴を含む糖類の領域を除外することにより、得られたモデルの質を改善できると予測された。糖類の共鳴を除外した後の回帰較正を、図９（Ａ）に示す。このモデルのトレーニングセットについての相関係数は、Ｒ２およびＱ２についてそれぞれ０．９９６および０．９９３と非常に高かった。これらの値は、糖類領域を含むモデル（図６）の相関係数よりもわずかに上昇していた。また、ＲＭＳＥＥ値は、０．２６から０．１０に顕著に低下していた。相関係数の上昇およびＲＭＳＥＥ値の低下は、実質的により良好な結果を示し、モデルの精度および予測能が改善した。モデルの改善は、高強度の糖類共鳴の除外後の変数均一性の上昇によるものと予測された。図９（Ｂ）は、各６番のヤマトトウキおよびＨＨＥサンプルを用いたバリデーションセット後の予測と実際の官能品質ランキングとの間の関係を示す。ＲＭＳＥＰ値は、糖類シグナルの除外後に１．２０（図６（Ｂ））から０．３３に劇的に低下した。この結果は、糖成分がＰＬＳ予測モデルの質に直接影響を有することを示す。 It was expected that the quality of the resulting model could be improved by excluding the saccharide region containing sucrose, glucose, and fructose resonances in the δ2.8-5.5 ppm region. The regression calibration after excluding saccharide resonances is shown in FIG. 9 (A). The correlation coefficient for the training set of this model was very high at 0.996 and 0.993 for R 2 and Q 2 respectively. These values were slightly higher than the correlation coefficient of the model including the saccharide region (FIG. 6). Also, the RMSEE value was significantly reduced from 0.26 to 0.10. Increasing correlation coefficients and decreasing RMSEE values showed substantially better results, improving the accuracy and predictability of the model. The improvement of the model was predicted to be due to an increase in variable homogeneity after exclusion of high intensity saccharide resonances. FIG. 9B shows the relationship between the prediction after the validation set using each of No. 6 Yamato and HHE samples and the actual sensory quality ranking. RMSEP values dropped dramatically from 1.20 (FIG. 6 (B)) to 0.33 after exclusion of the saccharide signal. This result indicates that the sugar component has a direct impact on the quality of the PLS prediction model.
しかし、得られた回帰モデルでは、ＨＨＥの予測ランキングは、回帰直線から少し散乱しており、したがって予測モデルの小さなひずみがまだ残っていた。残留偏差は、相関のないＸ変数または系統的ノイズの妨害によると予測された。多変量較正モデルの予測能力を増強するために分光学的データからの情報変動のみを抽出するためには、このような相関のないまたは望ましくない変動は、分析前にスペクトルデータから除外することが必要である。 However, in the obtained regression model, the prediction ranking of HHE was slightly scattered from the regression line, and therefore a small distortion of the prediction model still remained. Residual deviations were predicted to be due to uncorrelated X variables or systematic noise disturbances. In order to extract only information variations from spectroscopic data to enhance the predictive ability of the multivariate calibration model, such uncorrelated or undesirable variations may be excluded from the spectral data prior to analysis. is necessary.
（実施例９：ＯＳＣフィルタリングおよびＰＬＳ回帰による品質予測モデル）
ＰＬＳ回帰の質を改善するために、相関のない変数を、直交シグナル補正（orthogonal signal correction：ＯＳＣ）フィルタリング方法による予備処理工程でＮＭＲスペクトルデータから除外した。ＯＳＣフィルタリングにより、解釈すべき応答マトリクスＹに直線的に関連のない（直交）もののみを除外してスペクトルマトリクスＸからの変数の数を減少させることによって、変動の複雑性を簡略化する。上記実施例８のＰＬＳモデル（図９）から２つのＯＳＣ成分を除外することによって、図１０（Ａ）に示すように、精度および予測可能性が改善され、Ｒ２およびＱ２は、それぞれ０．９９６から０．９９９へおよび０．９９３から０．９９８へと上昇し、ＲＥＳＥＥは０．１０から０．０５に減少した。ＰＬＳ−ＯＳＣ回帰の二乗の残りの合計は、３３．５３％であり、これは、中間のＮＭＲスペクトルデータであるＸ変数の６６．４７％が、品質官能ランキングであるＹに相関せず、差し引かれたことを示す。
(Example 9: Quality prediction model by OSC filtering and PLS regression)
In order to improve the quality of PLS regression, uncorrelated variables were excluded from the NMR spectral data in a pre-processing step with an orthogonal signal correction (OSC) filtering method. OSC filtering simplifies the complexity of variation by reducing the number of variables from the spectral matrix X by eliminating only those that are not linearly related (orthogonal) to the response matrix Y to be interpreted. By excluding two OSC components from the PLS model of Example 8 (FIG. 9), as shown in FIG. 10 (A), accuracy and predictability are improved, and R 2 and Q 2 are each 0. The RESEE decreased from 0.10 to 0.05, increasing from .996 to 0.999 and from 0.993 to 0.998. The remaining sum of the squares of the PLS-OSC regression is 33.53%, which means that 66.47% of the X variable, which is intermediate NMR spectral data, does not correlate with the quality sensory ranking Y, and is subtracted. Indicates that
ＰＬＳ−ＯＳＣ回帰モデルの予測可能性を、予測セットにより検証した。各６番のヤマトトウキおよびＨＨＥサンプルのバリデーションセットでの予測と実測との品質ランキング間の関係を、図１０（Ｂ）に示す。ＯＳＣフィルタリングの実行後、得られたＲＭＳＥＰ値は、０．３３（図９（Ｂ））から０．１４に低下し、これは約５８％を占める。図１０（Ａ）および（Ｂ）の回帰プロットによれば、Ｒ２およびＱ２の上昇ならびにＲＭＳＥＰの低下は、予測可能性が、シグナル補正による関連のない変動の除外によって改善されたことを示す。さらに、全てのバリデーションサンプルは、散乱することなく回帰対角線に沿って良好に帰属された。これは、ＯＳＣが、予測された変数を除外しそして回帰モデルの精度および予測可能性を増強するために効果的なフィルタリング方法であることを示した。 The predictability of the PLS-OSC regression model was verified with a prediction set. FIG. 10B shows the relationship between the quality rankings of the predictions and actual measurements in the validation set for each No. 6 Yamato and HHE samples. After performing OSC filtering, the resulting RMSEP value drops from 0.33 (FIG. 9B) to 0.14, which accounts for about 58%. According to the regression plots of FIGS. 10 (A) and (B), the increase in R 2 and Q 2 and the decrease in RMSEP indicate that predictability was improved by the exclusion of unrelated fluctuations due to signal correction. . In addition, all validation samples were well assigned along the regression diagonal without scattering. This indicated that OSC is an effective filtering method to exclude predicted variables and enhance the accuracy and predictability of regression models.
ＰＬＳ−ＯＳＣモデルに対応するＶＩＰプロットを図１１に示す。このパラメータは、モデルの解釈に最も集約されたものであり、全ての成分およびＹ変数を１つのＶＩＰベクトルにまとめる。このプロットから、ＰＬＳ−ＯＳＣ回帰に強力に寄与する代謝物として、アミノ酸および有機化合物、主として、アルギニン、クエン酸、リンゴ酸、およびプロリンが挙げられる。一方、スペクトルノイズとみなされる小さいＮＭＲシグナルは、ＯＳＣフィルタリング方法を適用した後、劇的に消失した。これは、情報変数のみが集められて十分な予測モデルを構築するために用いられたことを示す。 FIG. 11 shows a VIP plot corresponding to the PLS-OSC model. This parameter is the most aggregated in the interpretation of the model and combines all components and Y variables into one VIP vector. From this plot, metabolites that contribute strongly to PLS-OSC regression include amino acids and organic compounds, primarily arginine, citric acid, malic acid, and proline. On the other hand, the small NMR signal, considered as spectral noise, disappeared dramatically after applying the OSC filtering method. This indicates that only information variables were collected and used to build a sufficient prediction model.
糖類領域を包含するかまたは除外するかのいずれかの場合におけるＰＬＳおよびＰＬＳ−ＯＳＣ回帰モデルのＲ２、Ｑ２、ＲＭＳＥＥ値、およびＲＭＳＥＰ値を比較すると、Ｒ２およびＱ２値は両方とも、全体の予測モデルについての０．９よりも大きかった。これは、全ての多変量較正が、非常に良好な精度および優れた予測可能性でトウキサンプルの官能品質を予測するために使用できる可能性があることを示唆した。予測結果は、ＮＭＲの糖類共鳴をＸ変数マトリクスから除去した場合に改善された。これらの化合物濃度はトウキ種（ヤマトトウキおよびホッカイトウキ）に強く依存しており、モデルの予測可能性に影響を及ぼす。そのため、これらの変数を除去することにより、その種の影響を排除し、そして複雑な変動を簡略化して、モデルの効率を増強した。最高の予測精度および最小の予測ひずみを有する最も十分な官能品質予測モデルを、ＯＳＣフィルタリングを伴うＰＬＳ回帰から得、最小のＲＭＳＥＥおよびＲＭＳＥＰおよび最高のＲ２およびＱ２値を得た。これらの結果から、ＯＳＣフィルタリングは、種や品種に大きく依存する変数の除外と組み合わせて、最も有効な予備処理方法であることがわかり、トウキの官能品質評価のために非常に高い精度のＰＬＳ回帰モデルとの最良の適合を構築できた。 When comparing the R 2 , Q 2 , RMSEE values, and RMSEP values of the PLS and PLS-OSC regression models in either the inclusion or exclusion of the saccharide region, both R 2 and Q 2 values are Greater than 0.9 for the overall prediction model. This suggested that all multivariate calibrations could be used to predict the sensory quality of a touki sample with very good accuracy and good predictability. The prediction results were improved when NMR saccharide resonances were removed from the X variable matrix. The concentration of these compounds is strongly dependent on the species of Toki (Yamatouki and Hokiteuki) and affects the predictability of the model. Therefore, removing these variables eliminated that kind of effect and simplified complex variations to enhance the efficiency of the model. The most satisfactory sensory quality prediction model with the highest prediction accuracy and the lowest prediction distortion was obtained from PLS regression with OSC filtering, and the lowest RMSEE and RMSEP and the highest R 2 and Q 2 values were obtained. From these results, it can be seen that OSC filtering is the most effective pretreatment method in combination with the exclusion of variables that greatly depend on species and varieties, and PLS regression with very high accuracy for sensory quality evaluation of Toki. The best fit with the model could be built.
本発明によれば、従来困難であったトウキの総合品質を、より精度よくかつ簡便な方法で鑑定することが可能である。したがって、従来の官能試験結果と薬理学的に活性な化合物の含量との関連も含めた総合的な鑑定により、適切な品質および価格のトウキを提供することができる。 According to the present invention, it is possible to appraise the overall quality of touki, which has been difficult in the past, with a more accurate and simple method. Therefore, a comprehensive appraisal including the relationship between the results of conventional sensory tests and the content of pharmacologically active compounds can provide a touki with appropriate quality and price.
Claims (7)
トウキを前処理して分析サンプルを得る工程；
該分析サンプルを機器分析に供して分析結果を得る工程；
該分析結果を数値データに変換して多変量解析する工程；および
得られた解析結果から、品質を鑑定する工程；
を含む、方法。 Toki quality appraisal method,
Pre-treating touki to obtain an analytical sample;
Subjecting the analysis sample to instrumental analysis to obtain an analysis result;
Converting the analysis results into numerical data and performing multivariate analysis; and identifying the quality from the obtained analysis results;
Including a method.
該個別の分析サンプルを機器分析に供して個別の分析結果を得る工程；および
該個別の分析結果と該品質との関係を数値データに変換して多変量解析する工程；
によって得られる、トウキの品質予測モデル。 Pre-treating a plurality of tokis of known quality to obtain individual analytical samples;
Subjecting the individual analysis samples to instrumental analysis to obtain individual analysis results; and converting the relationship between the individual analysis results and the quality into numerical data for multivariate analysis;
This is a quality prediction model for Toki.
トウキを前処理して分析サンプルを得る工程；
該分析サンプルを機器分析に供して分析結果を得る工程；
該分析結果を数値データに変換して多変量解析する工程；および
得られた解析結果を、請求項６に記載の品質予測モデルと照合する工程；
を含む、方法。 Toki quality appraisal method,
Pre-treating touki to obtain an analytical sample;
Subjecting the analysis sample to instrumental analysis to obtain an analysis result;
Converting the analysis result into numerical data and performing multivariate analysis; and comparing the obtained analysis result with the quality prediction model according to claim 6;
Including a method.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2008089456A JP2009244015A (en) | 2008-03-31 | 2008-03-31 | Quality evaluation method of angelica acutiloba |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2008089456A JP2009244015A (en) | 2008-03-31 | 2008-03-31 | Quality evaluation method of angelica acutiloba |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2009244015A true JP2009244015A (en) | 2009-10-22 |
Family
ID=41306086
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2008089456A Pending JP2009244015A (en) | 2008-03-31 | 2008-03-31 | Quality evaluation method of angelica acutiloba |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2009244015A (en) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014034668A1 (en) * | 2012-08-31 | 2014-03-06 | 築野食品工業株式会社 | Method for quantifying γ-oryzanol using near infrared spectroscopy |
| CN105954224A (en) * | 2016-05-03 | 2016-09-21 | 闽江学院 | Adulterated vegetable oil two-stage screening model constructing method and adulterated vegetable oil discriminating method |
| CN108490016A (en) * | 2018-02-07 | 2018-09-04 | 山西大学 | A kind of discrimination method of spina date seed and Yunnan jujube kernel |
| CN110307871A (en) * | 2019-07-11 | 2019-10-08 | 河南中医药大学第一附属医院 | A method of quickly detection The Quality of Sliced Herbal Medicine is merged using electronics sense organ |
| CN113759009A (en) * | 2020-08-26 | 2021-12-07 | 北京康仁堂药业有限公司 | Method for constructing characteristic spectrum of equisetum hiemale and preparation thereof |
-
2008
- 2008-03-31 JP JP2008089456A patent/JP2009244015A/en active Pending
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014034668A1 (en) * | 2012-08-31 | 2014-03-06 | 築野食品工業株式会社 | Method for quantifying γ-oryzanol using near infrared spectroscopy |
| JPWO2014034668A1 (en) * | 2012-08-31 | 2016-08-08 | 築野食品工業株式会社 | Quantitative determination of γ-oryzanol using near infrared spectroscopy |
| CN105954224A (en) * | 2016-05-03 | 2016-09-21 | 闽江学院 | Adulterated vegetable oil two-stage screening model constructing method and adulterated vegetable oil discriminating method |
| CN108490016A (en) * | 2018-02-07 | 2018-09-04 | 山西大学 | A kind of discrimination method of spina date seed and Yunnan jujube kernel |
| CN110307871A (en) * | 2019-07-11 | 2019-10-08 | 河南中医药大学第一附属医院 | A method of quickly detection The Quality of Sliced Herbal Medicine is merged using electronics sense organ |
| CN110307871B (en) * | 2019-07-11 | 2021-04-27 | 河南中医药大学第一附属医院 | Method for rapidly detecting quality of traditional Chinese medicine decoction pieces by adopting electronic sensory fusion |
| CN113759009A (en) * | 2020-08-26 | 2021-12-07 | 北京康仁堂药业有限公司 | Method for constructing characteristic spectrum of equisetum hiemale and preparation thereof |
| CN113759009B (en) * | 2020-08-26 | 2023-03-17 | 北京康仁堂药业有限公司 | Method for constructing characteristic spectrum of equisetum hiemale and preparation thereof |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5177384B2 (en) | Green tea quality prediction method | |
| Huang et al. | Development of simple identification models for four main catechins and caffeine in fresh green tea leaf based on visible and near-infrared spectroscopy | |
| Wang et al. | Mass spectrometry-based metabolomics and chemometric analysis of Pu-erh teas of various origins | |
| Easmin et al. | Rapid investigation of α-glucosidase inhibitory activity of Phaleria macrocarpa extracts using FTIR-ATR based fingerprinting | |
| Tarachiwin et al. | Quality evaluation of Angelica acutiloba Kitagawa roots by 1H NMR-based metabolic fingerprinting | |
| CN108181263B (en) | Tobacco leaf position feature extraction and discrimination method based on near infrared spectrum | |
| Ahmed et al. | Antioxidant activities of Pistacia atlantica extracts modeled as a function of chromatographic fingerprints in order to identify antioxidant markers | |
| Maulidiani et al. | Differentiation of Nigella sativa seeds from four different origins and their bioactivity correlations based on NMR-metabolomics approach | |
| CN103278473B (en) | The mensuration of pipering and moisture and method for evaluating quality in white pepper | |
| JP2011174899A (en) | Method for judging quality of peony | |
| Kim et al. | Metabolic profiling and predicting the free radical scavenging activity of guava (Psidium guajava L.) leaves according to harvest time by 1H-nuclear magnetic resonance spectroscopy | |
| Qi et al. | Quantitative and qualitative characterization of Gentiana rigescens Franch (Gentianaceae) on different parts and cultivations years by HPLC and FTIR spectroscopy | |
| JP2009244015A (en) | Quality evaluation method of angelica acutiloba | |
| CN105548233A (en) | Method for discriminating acacia honey and rape honey on basis of H-nuclear magnetic resonance | |
| Cui et al. | Machine learning applications for identify the geographical origin, variety and processing of black tea using 1H NMR chemical fingerprinting | |
| Chen et al. | Rapid identification of three varieties of Chrysanthemum with near infrared spectroscopy | |
| Chang et al. | An integrated strategy for rapid discovery and prediction of nucleobases, nucleosides and amino acids as quality markers in different flowering stages of Flos Chrysanthemi using UPLC–MS/MS and FT-NIR coupled with multivariate statistical analysis | |
| TW544286B (en) | Process for quality control and standardisation of tobacco | |
| Innamorato et al. | Quality evaluation of table grapes during storage by using 1H NMR, LC-HRMS, MS-eNose and multivariate statistical analysis | |
| Zhang et al. | Use of ATR‐FTIR Spectroscopy and Chemometrics for the Variation of Active Components in Different Harvesting Periods of Lonicera japonica | |
| Mendoza et al. | FT-NIR spectroscopy and RP-HPLC combined with multivariate analysis reveals differences in plant cell suspension cultures of Thevetia peruviana treated with salicylic acid and methyl jasmonate | |
| KR20130003401A (en) | Standard marker for determining place of origin or age of processed ginseng, establishing method thereof, or method for determining place of origin or age using the same | |
| Yu et al. | The spectrum model established for measuring the contents of Rebaudioside A and Stevioside quickly in the leaves of Stevia rebaudiana Bertoni | |
| Yang et al. | Determination of total flavonoids for Paris polyphylla var. yunnanensis in different geographical origins using UV and FT-IR spectroscopy | |
| CN113176227A (en) | Method for rapidly predicting adulteration of dendrobium huoshanense in dendrobium hunan |