昭通学院天麻研究团队联合云南中药材产业创新研究院、云南农业大学、云南中医药大学等多家合作单位，依托云南省天麻与真菌共生生物学重点实验室、云南省天麻绿色种植与加工工程研究中心、云南省天麻产业学院等省级科研平台，针对天麻全产业链质量追溯体系构建，利用多模态信息结合机器学习技术取得阶段性突破。
以“Rapid traceability of Gastrodia elata Blume origins and analysis of key volatile organic components using FTIR and HS-SPME-GC-MS combined with chemometrics”（DOI：10.1016/j.fochx.2025.102770）为题在Food Chemistry: X（IF=8.2，中科院1区 Top）发表研究论文，旨在探讨FTIR光谱结合化学计量学在天麻地理来源鉴定及关键挥发性有机化合物定量分析中的应用潜力。云南农业大学2023级硕士研究生钟应峰为第一作者，刘鸿高教授和王元忠博士为共同通讯作者。
该研究为探讨不同产地天麻风味品质的差异，建立了一种基于顶空固相微萃取-气相色谱-质谱联用技术（HS-SPME-GC-MS）和傅里叶变换红外光谱（FTIR）的分析方法，对云南昭通、贵州毕节和湖北宜昌三个产地天麻的挥发性有机化合物（VOCs）进行了系统的定性与定量分析。首先基于GC-MS数据，采用主成分分析（PCA）和正交偏最小二乘判别分析（OPLS-DA）对不同产地天麻的VOCs进行分析。通过变量重要性投影（VIP>1）、显著性检验（p<0.05）和相对气味活度值（rOAV>1）等指标，筛选出9个不同产地天麻之间的关键VOCs，包括2-壬烯醛、(E)-2-壬烯醛、(Z)-2-壬烯醛、3-壬酮、二氢-5-丙基-2(3H)-呋喃酮等。其次，基于FTIR数据构建的二维相关光谱（2DCOS）可有效表征不同产地天麻挥发性成分的差异特征。最后采用OPLS-DA、支持向量机（SVM）和残差卷积神经网络（ResNet）算法建立溯源模型，并采用偏最小二乘回归（PLSR）算法对不同产地天麻中2-壬烯醛和二氢-5-丙基-2(3H)-呋喃酮的含量进行预测。
结果表明GC-MS技术从天麻中共鉴定出539种VOCs。PCA和OPLS-DA分析显示，不同产地样品间的VOCs存在显著的地域差异性。基于rOAV的计算结果显示，天麻的主要风味特征为甜香、果香、青香、油脂香和坚果香，其中云南昭通的天麻在风味丰富度和浓郁度方面显著优于贵州毕节和湖北宜昌的天麻。此外，采用灰狼算法优化支持向量机（GWO-SVM）和ResNet算法建立的溯源模型均实现了100%的准确率，成功实现了不同产地天麻的精准鉴别。PLSR模型对天麻中关键差异成分2-壬烯醛和二氢-5-丙基-2(3H)-呋喃酮的预测表现出优秀的预测能力，其预测集剩余预测偏差（RPDP）分别达到2.5155和2.3266。本研究建立的分析方法为天麻及其他药食同源食品的VOCs质量监控提供了新的技术思路和方法学参考，对保障药食同源产品的质量安全具有重要意义。
图形摘要
天麻FTIR光谱及其同步2DCOS图
GWO-SVM模型鉴别结果
关键差异挥发性成分含量的PLSR模型预测结果
以“Prediction of critical volatile organic compounds and identification of flavor intensity in Gastrodia elata under different preparation methods based on NIR and FTIR feature variables”（DOI: 10.1016/j.foodres.2025.117740）为题在Food Research International（IF=8.0，中科院1区 Top）发表研究论文，采用NIR与FTIR两种光谱策略结合化学计量学方法，开发了一种快速、绿色、准确且可靠的分析工具用于预测不同炮制方法下天麻中重要挥发性有机化合物的含量。云南农业大学2023级硕士研究生钟应峰为第一作者，刘鸿高教授和王元忠博士为共同通讯作者。
该研究为快速可靠分析天麻采后加工的风味品质，提出了采用近红外（NIR）和傅里叶变换红外（FTIR）两种光谱策略通过二阶导数（2ndDer）和多元散射校正+一阶导数（MSC+1stDer）等10种预处理方法及4种特征提取技术对光谱数据进行预处理后联合顶空固相微萃取-气相色谱-质谱联用技术（HS-SPME-GC-MS）数据共构建了112个偏最小二乘回归（PLSR）模型，预测新鲜组（FG）、蒸制组（SP）、晒干组（SD）、冷冻干燥组（FD）、炒制组（LP）、生姜处理组（GP）、酒制组（WP）等不同加工工艺下天麻中关键挥发性有机化合物（VOCs）并分析特征波数。对NIR和FTIR光谱特征波数进行验证并对使用类比数据驱动软独立建模（DD-SIMCA）模型对其风味强度进行区分。
GC-MS分析结果显示，WP工艺利于天麻特征风味的形成。此外NIR和FTIR两种光谱策略均可准确预测关键VOCs，最优模型的训练集决定系数（R²C）、预测集决定系数（R²P）均大于0.9，预测集剩余预测偏差（RPDP）大于3.9。此外，根据预测模型的有效性，从NIR和FTIR光谱中分别提取75个和65个特征光谱变量，其筛选出的特征波数不仅可以预测重要VOCs含量，而且能够有效区分高风味强度组（WP）的天麻与其他加工工艺样本，DD-SIMCA模型验证集的准确率分别为100%和83.33%。该技术可提供一种快速准确的方法，用于评估不同加工工艺下天麻的风味质量，不仅为天麻中其他贡献香气特征的VOCs（如醛类、萜类、酯类等）在不同光谱中的特征分布研究提供方法学参考，也为食品风味质量控制提供了新视角。
图形摘要
不同炮制天麻VOCs差异
不同炮制天麻的NIR和FTIR特殊光谱
基于NIR和FTIR特征光谱数据的天麻炮制方法DD-SIMCA模型结果
以“Variant identification of Gastrodia elata Bl. using deep learning assisted FTIR”（DOI: 10.1016/j.indcrop.2025.122313）为题在Industrial Crops and Products（IF=6.2，中科院1区 Top）发表研究论文，首次使用FTIR指纹区光谱数据矩阵和光谱图像对乌天麻、红天麻和乌红杂交天麻进行鉴别研究。云南农业大学2025级博士研究生李光遥为第一作者，刘鸿高教授和王元忠博士为共同通讯作者。
本研究采用傅立叶变换红外（FTIR）光谱技术测定了乌天麻、红天麻和乌红杂交天麻各200个样本的光谱数据，并将光谱数据分为FTIR全谱（4000-400 cm-1）和FTIR指纹区（1800-900 cm-1），并结合偏最小二乘判别分析（PLS-DA）、正交偏最小二乘判别分析（OPLS-DA）、支持向量机（SVM）、反向传播神经网络（BPNN）、梯度提升机（GBM）和残差卷积神经网络（ResNet）模型进行分析，以建立天麻变型鉴别模型，开发了一种快速、无损且精确识别天麻变型的数字技术。
结果表明，深度学习模型（ResNet）在识别天麻变型方面优于传统机器学习模型（PLS-DA、OPLS-DA、SVM、BPNN和GBM）。在使用多元散射校正（MSC）和标准正态变量变换（SNV）预处理后的FTIR全谱和FTIR指纹区域光谱数据开发的ResNet模型表现出卓越的识别和分类能力，在训练集、测试集和外部验证集上均达到100%的准确率。通过从FTIR指纹区域提取数据，可有效降低数据维度，从而提高模型的计算速度和效率。本研究利用FTIR光谱结合机器学习和深度学习分类器，创建了快速、无损、环保、精确和高效的天麻鉴别方法。该方法可作为一种辅助认证工具，应用到天麻产品的生产和加工流程中，作为原料验收、过程监控及成品质量评估的关键环节技术，用于辅助验证天麻变型的种类一致性与来源溯源。
图形摘要
不同预处理光谱图
ResNet模型结果
最优机器学习与深度学习模型准确性比较
以“ATR-FTIR combined with chemometrics to distinguish geographical indications from non-geographical indications Gastrodia elata Bl”（DOI：10.25259/AJC_254_2024）为题在Arabian Journal of Chemistry（IF=5.2，中科院2区）期刊上发表研究论文，为天麻地理标志与非地理标志产区的科学区分提供技术支撑。云南中医药大学2023级硕士研究生何琼为第一作者，黄衡宇教授和王元忠博士为共同通讯作者。
本研究采集了中国云南省和贵州省的248份天麻，通过主成分分析（PCA）对地理标志与非地理标志天麻样本分类的有效性进行评价；在应用10种光谱预处理方法后，构建偏最小二乘判别分析（PLS-DA）、支持向量机（SVM）和类比数据驱动软独立建模（DD-SIMCA）模型，并比较衰减全反射傅里叶变换红外（ATR-FTIR）技术结合化学计量学在区分地理标志与非地理标志天麻中的适应性；基于二维相关光谱图像（2DCOS）建立残差卷积神经网络（ResNet）模型，以区分云南省和贵州省产区的天麻。
研究表明，ATR-FTIR光谱结合SVM是一种高效的方法，可用于鉴别地理标志与非地理标志天麻。经过SG平滑与二阶导数（SD）联合预处理后，SVM模型训练集和测试集的准确率分别达100.00%和94.74%。在区分云南省和贵州省产区的天麻时，同步2DCOS结合ResNet模型表现优于异步和综合2DCOS，其损失值较低，且在训练集、测试集和外部验证集上均获得了100.00%的准确率。本研究将ATR-FTIR光谱与化学计量学相结合，为天麻地理来源识别提供了方法支撑，该方法可广泛应用于其他药食同源植物。
图形摘要
PLS-DA得分图与置换检验结果
SVM模型结果
ResNet模型训练集和测试集的精度曲线、交叉熵损失函数曲线和外部验证集混淆矩阵
以“The traditional uses, phytochemistry and pharmacology of Gastrodia elata Blume: A comprehensive review”（DOI：10.1016/j.arabjc.2024.106086）为题在Arabian Journal of Chemistry（IF=5.2，中科院2区）发表综述论文，对天麻属的传统用途、植物学、植物化学和药理活性的研究进行了全面综述。云南农业大学2023级硕士研究生钟应峰为第一作者，刘鸿高教授和王元忠博士为共同通讯作者。
该综述系统梳理了天麻属的民间传统应用、植物学、植物化学、药理学及毒理学等方面的研究进展。通过PubMed、Web of Science、Google Scholar及CNKI等电子数据库，系统收集相关文献资料。
结果表明天麻属包含约67个物种、9个变种，涉及近700个经典方剂及630种化学成分。现代药理学分析表明，天麻具有抗焦虑、抗抑郁活性、治疗神经退行性疾病、抗惊厥、改善记忆活动、抗癌和抗骨质疏松等25种药理活性。因此，天麻丰富的化学成分和药理活性可广泛应用于医药及食品工业。当前天麻的临床与食品研究正持续拓展，但其资源利用仍未达最优状态，诸多传统配方在研发中尚未获得充分关注。同时，针对非药用部位及多糖结构表征的研究尚属空白。本综述为开发与合理利用天麻资源提供理论依据，亟需对天麻属植物、经典方剂、非药用部位及多糖结构表征开展系统性研究。
图形摘要
天麻药理活性及其分子机制图
以“FT-NIR and ATR-FTIR spectroscopy combined with machine learning for accurate identification of variants and hybrids of Gastrodia elata Blume”（DOI: 10.1016/j.microc.2025.114725）为题在Microchemical Journal（IF=5.1，中科院2区）发表研究论文，提出基于FT-NIR与ATR-FTIR结合机器学习技术，实现天麻变型及杂交种的精准鉴别方法；该理论为天麻品质可追溯性提供理论基础。云南农业大学2024级博士研究生韩多为第一作者，刘鸿高教授和王元忠博士为共同通讯作者。
本研究将傅里叶变换近红外（FT-NIR）光谱应用于天麻地理标志（GI）原产地、变种以及栽培和野生种的快速识别和验证。研究采集了418个天麻样本，首先采用无监督模式的主成分分析（PCA）识别化学计量学策略，对样本进行可视化，分析光谱化学差异。分别通过多分类和二分类偏最小二乘判别分析（PLS-DA）以及类类比数据驱动软独立建模（DD-SIMCA）模型，对不同认证以及分类目的的化学计量学模型进行了详尽探索。
结果表明，将多分类和二分类PLS-DA以及DD-SIMCA模型相结合，能够识别云南GI天麻和非云南天麻、乌天麻和其他变种天麻、栽培天麻和野生天麻。先使用多分类PLS-DA模型对样本进行初步分析，然后用二分类PLS-DA模型和DD-SIMCA验证其是否为云南GI天麻，研究发现后者更适用于天麻的鉴别。该方法客观、简便、快速，可用于天麻的常规分析，验证天麻的身份、种类和来源。
图形摘要
不同天麻变型的FT-NIR和ATR-FTIR光谱
不同光谱数据集下天麻样本的PCA与t-SNE得分图
GS-SVM模型预测准确性
ResNet模型的交叉熵损失函数曲线、训练集准确率、预测集准确率及外部验证集的混淆矩阵
以“Identification of the geographical indication origin ofGastrodia elataBlume based on FT-NIR spectroscopy”（DOI:10.1016/j.infrared.2025.106150）为题在Infrared Physics and Technology（IF=3.4，中科院2区）发表研究论文，将FT-NIR光谱技术与化学计量学相结合，对天麻的直接化学分析做出了科学贡献。云南农业大学2023级硕士研究生钟应峰为第一作者，刘鸿高教授和王元忠博士为共同通讯作者。
本研究将傅里叶变换近红外（FT-NIR）光谱应用于天麻地理标志（GI）原产地、变种以及栽培和野生种的快速识别和验证。研究采集了418个天麻样本，首先采用无监督模式的主成分分析（PCA）识别化学计量学策略，对样本进行可视化，分析光谱化学差异。分别通过多分类和二分类偏最小二乘判别分析（PLS-DA）以及类比数据驱动软独立建模（DD-SIMCA）模型，对不同认证以及分类目的的化学计量学模型进行了详尽探索。
结果表明，将多分类和二分类PLS-DA以及DD-SIMCA模型相结合，能够识别云南GI天麻和非云南天麻、乌天麻和其他变种天麻、栽培天麻和野生天麻。先使用多分类PLS-DA模型对样本进行初步分析，然后用二分类PLS-DA模型和DD-SIMCA验证其是否为云南GI天麻，研究发现后者更适用于天麻的鉴别。该方法客观、简便、快速，可用于天麻的常规分析，验证天麻的身份、种类和来源。
图形摘要
采用的研究思路及结构框架
以“ATR-FTIR as a green tool for rapid identity authentication of Gastrodia elata Blume under the influence of multi-biological variability”（DOI: 10.1016/j.vibspec.2024.103766）为题在Vibrational Spectroscopy（IF=3.1，中科院3区）期刊上发表研究论文，为多生物变量影响下的天麻真伪鉴别提供一种绿色、可行的方法，对市场上药食两用植物的质量控制和快速检测具有重要意义。云南农业大学已毕业硕士姬之翼为第一作者，李杰庆博士和王元忠博士为共同通讯作者。
本研究采用衰减全反射傅里叶变换红外（ATR-FTIR）光谱结合正交偏最小二乘判别分析（OPLS-DA）模型、支持向量机（SVM）模型、偏最小二乘回归（PLSR）模型及支持向量回归（SVR）模型对5个产地、3种生长模式和4个变种的344个天麻样品进行判别分析，并采用多种方法对光谱进行预处理，以消除散射和基线漂移对光谱的影响。
结果表明，OPLS-DA模型可成功识别不同地理起源、不同生长模式和不同变种的天麻。此外，利用线性模型PLSR和非线性模型SVR对天麻干重进行预测，以获取天麻质量等级信息。最佳PLSR模型预测精度为R2p=0.94，RPD=4.19。本研究验证了ATR-FTIR在多生物变量影响下的天麻身份准确识别方面的潜力，可以快速准确地获取消费者关心的信息，保护消费者的消费权益。
图形摘要
天麻变种鉴别
天麻干重预测模型结果
以“Artificial and algorithmic screening of infrared spectral feature bands of Gastrodia elata to achieve rapid identification of its species”（DOI:10.1002/cem.3641）为题在Journal of Chemometrics（IF=2.1，中科院4区）发表研究论文，首次将红外光谱特征波段筛选与三维相关光谱投影图像结合深度学习模型应用于野生与栽培天麻的快速鉴别研究。云南大学2024级博士研究生刘帅为第一作者，李杰庆博士和王元忠博士为共同通讯作者。
本研究采用衰减全反射傅里叶变换红外（ATR-FTIR）光谱技术，获取野生与栽培天麻的全光谱（4000-400 cm-1）和部分光谱（人为截取出现吸收峰的波数带）两类数据集；首先通过竞争性自适应重加权采样（CARS）和连续投影算法（SPA）提取两个数据集的特征变量，随后建立偏最小二乘判别分析（PLS-DA）、支持向量机（SVM）、随机森林（RF）等传统机器学习模型，同时基于野生与栽培天麻共同特征变量集中区域（1750-400 cm-1）获得指纹区域数据集，生成三维相关光谱投影图像，构建残差卷积神经网络（ResNet）深度学习模型。此外，还探讨了不同数据预处理方法和特征提取方法对模型性能的影响。
结果表明，传统机器学习模型需经特征变量提取与数据预处理才能保证识别效果，两个数据集中最优模型分别为Whole-MSC-CARS-PLS-DA和Partial-SNV-SPA-SVM；而ResNet模型无需复杂数据预处理，基于同步三维投影图像的模型训练集、测试集及外部验证集准确率均达100%，损失值仅为0.001，建模时间短。本研究系统对比了传统化学计量学模型与深度学习模型的鉴别性能，明确了天麻红外光谱指纹区域（1750-400 cm-1）为物种鉴别关键波段，为药用植物野生与栽培品的快速、精准识别提供了新方法和技术参考。
光谱图像获取及ResNet模型构建流程
基于同步、异步和综合三维投影图像构建的ResNet模型结果
以上研究工作得到国家自然科学基金项目（82460746），云南省教育厅天麻资源开发与利用科技创新团队（2024），昭通市“兴昭人才计划”团队项目（2023-3），云南省农业基础研究联合专项面上项目（202301BD070001-167），云南省重大科技项目专项计划（202202AE090001）、云南省院士专家工作站（202305AF150183）等资助。
一审一校：马 冉
二审二校：申正勇
三审三校：王朝辉
