中医药行业科研专项(201407003)
- 作品数：77 被引量：740H指数：16
- 相关作者：袁媛黄璐琦蒋超金艳杨滨更多>>
- 相关机构：中国中医科学院安徽中医药大学北京中医药大学更多>>
- 发文基金：中医药行业科研专项国家自然科学基金中央级公益性科研院所基本科研业务费专项更多>>
- 相关领域：医药卫生理学农业科学自动化与计算机技术更多>>
- 基于荧光测序分型技术的六味地黄丸原料分子鉴别研究被引量：3
- 2014年
- 该文选择成药六味地黄丸为研究对象,建立了一种用于中成药原料药材基原鉴定的荧光测序分型技术。首先以原料药材丹皮DNA为模板,筛选最适荧光标记鉴别引物,即通过聚合酶链式反应(polymerase chain reaction,PCR)分别对5个FAM荧光标记引物psb A-trn H,ITS,trn L-trn F,mat K,rbc L序列进行扩增,并对扩增产物进行测序,所得测序结果使用GeneMarker V1.80进行分析。根据分析结果最终选择psb A-trn H荧光标记引物来鉴别六味地黄丸及其原料药材。结果表明,通过psb A-trn H荧光标记引物扩增分析,可以准确鉴定出六味地黄丸中的丹皮,山药,泽泻3种原料药材。研究结果说明,采用分子荧光测序分型技术鉴定中成药原料具有一定的可行性。
- 崔占虎黄璐琦袁媛李旻辉蒋超周立社
- 关键词：中成药分子鉴别
- 基于SqueezeNet深度网络的中药材粉末显微特征图像识别研究被引量：9
- 2019年
- 中药材粉末显微特征图像具有复杂的纹理特点,传统算法难以构建高识别率的分类器。针对此提出一种基于SqueezeNet卷积网络的改进型双通道算法。首先,分离背景并提取感兴趣区,同时自动截取感兴趣中心区域1/4面积作为细粒度特征图像;其次,对感兴趣区和细粒度特征图像进行尺度归一化,去均值,调整方差以及多角度旋转等预处理;之后,将处理后的感兴趣区和细粒度特征图像分别作为两个独立SqueezeNet深度网络的输入源,并对两个网络进行独立训练;最后,将得到的两个模型作为两个通道连接,识别结果利用概率加权算法进行融合。应用提出的改进型双通道算法对15种中药材粉末显微导管特征图像进行识别,正确识别率达到90. 33%。该方法具有较高的正确识别率和理想的识别效果。
- 王一丁石铎李耀利蔡少青
- 关键词：卷积神经网络
- 中国芍药组7种植物根的生长轮及其在赤芍类药材鉴别中的应用被引量：8
- 2017年
- 药材的生长年限与其质量息息相关,近年来兴起的"草本植物生长轮"被用于判别多年生双子叶草本植物的生长年限。该研究结合常规石蜡切片和徒手切片方法,对芍药Paeonia lactiflora、草芍药P.obovata、川赤芍P.veitchii、美丽芍药P.mairei、窄叶芍药P.anomala、新疆芍药P.sinjiangensis和块根芍药P.anomala var.intermedia 7种植物的根和就地引种栽培芍药的主根进行解剖学研究。结果显示,芍药组7种植物的根在显微结构上存在一定差异,可用于不同种之间的鉴别;芍药组7种植物根的次生木质部中,口径较大的导管和周围的小导管或木纤维聚集呈团块状分布,切向断续排列成与形成层平行的环,均形成清晰的生长轮;吉林四平就地引种栽培的一至四年生的芍药主根中均有生长轮,且与其生长年限一致。该研究报道了芍药组7种植物的生长轮现象,由于野生芍药组植物根中生长轮特点与栽培的芍药类似,因此可为其生长年限提供判别依据,也可为赤芍类药材的质量评价研究奠定基础。
- 储姗姗查良平段海燕徐涛彭华胜
- 关键词：芍药生长轮赤芍
- 西红花非药用部位化学成分和药理作用研究进展被引量：28
- 2018年
- 西红花是国际市场上的名贵香料和传统药材,其药用部位柱头的产量极低,仅占整朵花重的7.4%,其余部分被丢弃造成了极大的资源浪费,因此,西红花非药用部位的开发利用受到了人们的关注。研究表明西红花非药用部位富含黄酮、酚酸和多糖等化合物,具有抗氧化、抗真菌、细胞毒性、抗炎和保肝等功效。该文对西红花非药用部位的化学成分和药理作用的研究概况进行综述,为西红花非药用部位的深入开发提供参考。
- 陈娜杨滨
- 关键词：西红花非药用部位化学成分药理作用
- 虻虫的PCR-RFLP鉴别研究被引量：3
- 2017年
- 目的:建立简单、准确的虻虫DNA分子标记鉴别方法。方法:扩增并分析虻虫及7种常见伪品的细胞色素C氧化酶I亚基基因(CO I)序列,根据差异片段设计聚合酶链反应-限制性内切酶酶切长度多态性(PCR-RFLP)引物,使用限制性内切酶进行酶切鉴别。结果:引物对Meng Chong-Dig.F/Meng Chong-Dig.R可扩增虻虫及其伪品CO I序列,产生约490 bp条带,限制性内切酶Dra I可以识别虻虫及其伪品的差异序列,仅虻虫的CO I片段可被酶切形成两个片段,从而特异性鉴别是否为虻虫。结论:本实验建立的PCR-RFLP可以作为虻虫的DNA鉴定方法。
- 蒋超李军德袁媛金艳赵玉洋
- 关键词：虻虫分子鉴定
- 快速PCR技术鉴别中药材蛤蚧的方法研究被引量：14
- 2017年
- 目的:建立简单快速鉴别蛤蚧的特异性PCR方法。方法:对比蛤蚧及其伪品细胞色素C氧化酶I亚基基因(CO I)序列,设计蛤蚧特异性PCR鉴别引物,优化特异性PCR条件,对蛤蚧及其7种常见混淆品进行扩增及荧光检测。结果:扩增产物经琼脂糖凝胶电泳和荧光检测,所有蛤蚧药材均能扩增出约400 bp的特异性条带,加入SYBR Green I染料后,在365 nm下出现强烈绿色荧光,混伪品不具特异条带和绿色荧光,鉴别操作可在30 min内完成。结论:快速PCR结合荧光染料检测可快速鉴别蛤蚧及其常见伪品,为蛤蚧的快速鉴定提供了新的思路和方法。
- 蒋超赵群金艳袁媛赵玉洋
- 关键词：分子鉴定蛤蚧荧光检测
- 基于深度学习的小样本中药材粉末显微图像识别被引量：9
- 2020年
- 针对中药材种类繁多、数据量稀少以及难以对其导管进行分类的问题,提出一种基于多通道颜色空间与注意力机制模型的卷积神经网络改进方法。首先,采用多通道颜色空间将RGB颜色空间与其他颜色空间合并为6通道作为网络输入,使网络学习亮度、色调和饱和度等特征信息,弥补数据量的不足;其次,在网络中加入注意力机制模型,其中通道注意力模型将两个池化层紧密连接到一起,空间注意力模型将多尺度空洞卷积结合到一起,使网络将注意力聚焦于小样本中关键的特征信息。实验结果表明,针对34种中药材样本的8774张导管图像,采用多通道颜色空间和注意力机制模型的方法,与原始ResNet网络相比,准确率分别提升了1.8个百分点和3.1个百分点,将二者结合后准确率提升了4.1个百分点,说明所提方法对小样本分类的准确率有着大幅度的提升。
- 王一丁郝晨宇李耀利蔡少青袁媛
- 关键词：卷积神经网络
- 人参属中药材高分辨率熔解曲线鉴定及其方法学考察被引量：8
- 2017年
- 目的:建立基于高分辨率熔解曲线鉴别人参属中药材的方法,并进行系统性方法学考察。方法:采集不同产地的人参属中药材人参、西洋参、三七以及市场上常见混伪品竹节参、珠子参、羽叶三七。所有样品提取总DNA,筛选合适的引物,构建人参属正品中药材熔解曲线。同时对不同比例混合样品进行了鉴别,对该方法的灵敏性与特异性、重复性、稳健性、检出限进行了系统性考察。结果:选择psbA-F/trnH-R引物,在模板质量浓度1.6~200 ng·μL^(-1),退火温度为54~60℃,引物浓度为0.1~0.3)μmol·L^(-1)范围内,对人参属中药材共75份样品进行高分辨熔解曲线分析人参、西洋参、三七、羽叶三七、竹节参、珠子参等均获得正确稳定的分析结果。结论:高分辨熔解曲线依据分型分析可以区分人参属中药材,并对其混伪品进行检测。在此基础上本文提出了中药分子鉴定方法学研究标准程序,为进一步规范中药分子鉴定方法学研究提供依据。
- 陈康蒋超金艳赵玉洋黄璐琦袁媛
- 关键词：中药材DNA分析人参属掺伪品分子鉴定高分辨率熔解曲线
- 重金属快速检测技术在中药材质量控制中的应用被引量：7
- 2015年
- 重金属污染日益严重使得中药材中重金属含量持续增高,中药材质量的好坏直接影响患者的安全和疗效。因此,如何能快速、准确、简便地鉴别中药材重金属含量,对于中药材的用药安全至关重要。本文总结分析了国内外重金属的快速检测方法,通过归纳酶分析法、免疫分析法、生物化学传感器法、荧光标记技术,讨论其优势与不足,为建立中药材重金属现场快速检测技术提供参考依据。
- 郑琪南铁贵詹志来袁媛黄璐琦
- 关键词：中药材重金属污染免疫分析法
- UPLC-MS/MS法测定桂林产苦苣苔科植物中苯乙醇苷类成分含量被引量：2
- 2017年
- 目的:建立UPLC-MS/MS同时测定苦苣苔科植物中7个苯乙醇苷类成分的方法,分析比较桂林产半蒴苣苔属植物中苯乙醇苷含量差异。方法:采用ACQUITY UPLC BEH C18色谱柱(100 mm×2.1 mm,1.8μm),以0.1%甲酸溶液(A)-0.1%甲酸乙腈溶液(B)为流动相,梯度洗脱,流速为0.6 m L/min;柱温40℃;采用电喷雾离子源,负离子检测方式,得到相应的提取离子流图,以峰面积进行定量。结果:7个苯乙醇苷类成分具有良好的线性关系,r值均大于0.9990,方法精密度、重复性和稳定性的RSD值均小于3.5%,加样回收率在97.1%~103.2%,RSD均小于3.6%。14种半蒴苣苔属植物中7个苯乙醇苷在组成和含量上有一定差异。结论:该方法操作简便、准确、重复性好,对寻找高含量苯乙醇苷类资源植物具有指导意义。
- 张瑜杨健詹志来胡峻刘勇袁媛
- 关键词：苦苣苔科植物苯乙醇苷类UPLC-MS/MS
