著者の所属・活動拠点の国は、中国です。

掲載誌：Plants

ライセンス: CC BY 4.0　対象: 公開論文　確認元: 論文PDF

研究の目的

薬用植物では、別の種への置き換えや産地の偽表示、成分のばらつきによって、価値や用途が変わることがあります。そのため、原料を速く見分ける分析手法が求められています。著者らが注目したのは、レーザー誘起ブレークダウン分光（LIBS）です。LIBSは、試料の表面にパルスレーザーを当てて一瞬だけプラズマを作り、そこから出る光を記録する方法です。光には元素ごとに特徴的な波長があるため、化学的な前処理をあまり必要とせずに、多くの元素の情報を一度に測れます。

研究チームは、人参（ginseng）の材料を「植物の種類」「産地」「栽培年数」の3つの観点で見分けられるかを評価しました。あわせて、少数の波長に絞っても識別力が残るか、測定条件が乱れると識別がどう崩れるかも調べています。論文はこの評価を、一般的な真贋判定ではなく、同じ粉末ロット（バッチ）の中での技術的な識別の検証と位置づけています。

何をどのように調べたか

データは3組あります。1組目は植物の種類で、中国、韓国、日本、アメリカの4種類の人参（Chinese・Korean・Japanese・American ginseng）を比べました。2組目は産地で、中国の長春と長白山の材料を比べました。3組目は栽培年数で、同じ種類・同じ産地の2年物と4年物を比べました。各材料は粉砕してふるいにかけ、結合剤を使わずに錠剤状のペレットへ圧縮しました。ペレットは各クラス50個ずつ作り、クラスごとに1つの粉末バッチから調製しています。1個のペレットには表面の90か所にレーザーを当て、その平均を1本のスペクトル（波長ごとの光の強さの記録）としました。1本のスペクトルは1万2990個の波長データからなります。

識別には4種類の機械学習の手法を使い、性能を比べました。そのうち1つは、SNVと呼ばれる正規化を行ったうえで、クラス間の差が大きい上位50波長だけを選んで分類するものです。SNVは、スペクトルごとの強さの違いをそろえる処理です。評価では、学習用データと試験用データが混ざらないよう、入れ子構造の交差検証を5回繰り返しました。これにより、各課題で25回の試験評価が得られます。主な指標は「バランス精度」で、クラスごとの正解率を平均した値です。最大値は1.000です。さらに、残す波長の数を10〜200の範囲で変える実験も行いました。試験用スペクトルにノイズ、強度の倍率変化、ベースラインのずれ、検出器の位置ずれを人為的に加える試験も行っています。

主な結果

4つの手法のうち最も良い平均バランス精度は、植物の種類で1.000、産地で0.982、栽培年数で1.000でした。植物の種類と栽培年数は、ほぼ完全に区別できました。一方、産地は精度がやや低く、評価ごとのばらつきも大きかったため、論文は3つの課題の中で最も不安定な識別としています。また、非線形の複雑な手法を使わなくても、線形の分類器で十分な性能が得られました。

波長を大幅に減らしても、識別力はおおむね保たれました。上位50波長は元の波長数のわずか0.38%ですが、その場合のバランス精度は種類1.000、産地0.980、年数1.000でした。10波長でも、それぞれ0.989、0.968、1.000でした。ただし著者らは、50波長は比較のための共通の基準であり、どの課題にも当てはまる最適な数ではないと述べています。

繰り返し選ばれた波長の近くには、データベース上のバリウム、アルミニウム、カルシウム、鉄の線がありました。ただし論文は、これらを波長が近いだけの暫定的な候補と位置づけています。これらの元素が識別の原因であることや、元素の濃度に差があることを示すものではないと明記しています。

乱れを加えた試験では、強度の倍率変化やベースラインのずれに対して、SNVを含む手法が高い精度を保ちました。この傾向は、全波長を使う場合と50波長に絞る場合で変わりませんでした。そのため著者らは、こうした乱れへの強さは波長の絞り込みではなくSNVによるものだと結論づけています。一方、検出器の位置が1〜2個分ずれる変化には弱く、特に50波長に絞った手法では、条件によって精度が大きく下がりました。

研究が示すこと

この研究は、測定した人参の粉末に、少数の波長で表せるLIBSの特徴があることを示しました。その特徴を使えば、管理された条件の下でペレットを高い精度で見分けられます。また、乱れへの強さは正規化に由来し、波長の位置ずれが弱点になることも整理されました。著者らは、こうした位置ずれへの対策として、装置の波長校正や、局所的な波長範囲をまとめて扱う特徴量が必要だとしています。

一方で、各クラスは1つの粉末バッチから作られているため、クラスの違いとバッチの違いを切り離せません。著者らは、今回の結果が示すのはバッチ内での技術的な識別可能性にとどまると強調しています。別の供給元や収穫年の材料にもそのまま当てはまるとは主張していません。この研究の意義は、人参の真贋判定を実証したことではなく、評価手順と見落とされやすい弱点を明らかにした方法論上の検討にあります。

原著論文の著者・所属：Yujia Dai（College of Optical, Mechanical and Electrical Engineering (College of Intelligent Equipment Engineering), Zhejiang A&F University, Hangzhou 311300, China）、Yilei Zhang（College of Optical, Mechanical and Electrical Engineering (College of Intelligent Equipment Engineering), Zhejiang A&F University, Hangzhou 311300, China）、Huangwei Li（College of Optical, Mechanical and Electrical Engineering (College of Intelligent Equipment Engineering), Zhejiang A&F University, Hangzhou 311300, China）、Shangyong Zhao（College of Optical, Mechanical and Electrical Engineering (College of Intelligent Equipment Engineering), Zhejiang A&F University, Hangzhou 311300, China）、Ziyuan Liu（College of Optical, Mechanical and Electrical Engineering (College of Intelligent Equipment Engineering), Zhejiang A&F University, Hangzhou 311300, China）

※本記事は原著論文をもとに、日本語で要約・説明を加えた研究紹介です。 出典（原著論文）：Yujia Dai, Yilei Zhang, Huangwei Li, et al. Stable Elemental Fingerprints for Multi-Attribute Classification of Ginseng Using Laser-Induced Breakdown Spectroscopy. Plants 2026-10-13. DOI: 10.3390/plants15203124. 原著ライセンス：CC BY.