MATLAB实现PCA（主成分分析）、OPLS-DA（正交偏最小二乘判别分析）与CRITIC-TOPSIS（基于CRITIC权重的优劣解距离法） 三种方法结合使用多指标综合评价

1. PCA（无监督模式识别）

目的：初步探索样本间的整体化学差异与分布趋势。
应用步骤：

• 将银柴胡样本的化学数据（如色谱峰面积、成分含量等）构建数据矩阵。
• 进行数据标准化（如UV scaling或Pareto scaling）以消除量纲影响。
• 通过降维提取主成分（PC1、PC2等），观察样本在得分图中的自然聚类情况。
• 结果解读：
  • 若不同批次/产地的银柴胡样本在PCA图中明显分离，提示其化学组成存在系统性差异。
  • 若样本聚集重叠，则可能需进一步使用有监督方法（如OPLS-DA）挖掘细微差异。

2. OPLS-DA（有监督模式识别）

目的：在已知分组（如不同产地、野生vs栽培）条件下，寻找导致组间差异的关键化学标志物。
应用步骤：

• 建立银柴胡组别信息（如Y变量）与化学数据（X变量）的关联模型。
• 通过正交信号校正（OSC）过滤与分类无关的变异，增强组间差异的解析能力。
• 关键输出：
  • VIP值（变量重要性投影）：筛选VIP > 1.0的成分作为潜在差异标志物（如银柴胡特有的甾醇类、黄酮类成分）。
  • S-plot或载荷图：识别对组间分离贡献大的化合物（通常位于图形两端）。
  • 模型验证：使用置换检验（如200次循环）防止过拟合，确保模型可靠性。

3. CRITIC-TOPSIS（多指标综合评价）

目的：基于筛选出的关键质量标志物，建立银柴胡质量的定量评分与排序体系。
应用步骤：

• 指标选取：将OPLS-DA筛选出的差异标志物作为评价指标（如柴胡皂苷a、绿原酸等含量）。
• CRITIC法赋权：
  • 计算各指标的对比强度（标准差）和冲突性（相关系数）。
  • 综合两者得到客观权重，避免主观偏差。
• TOPSIS法排序：
  • 构建加权规范化决策矩阵。
  • 计算各样本与“理想解”（最优指标组合）和“负理想解”的欧氏距离。
  • 通过贴近度（C值）对银柴胡样本进行质量排序（C值越接近1，质量越优）。

整合应用流程示例

1. 数据获取：收集30批银柴胡样本的HPLC或LC-MS数据，测定10种活性成分含量。
2. PCA初探：发现产地A与产地B样本存在分离趋势。
3. OPLS-DA深入分析：
   • 建立产地分类模型（R²Y > 0.9, Q² > 0.8，验证通过）。
   • 筛选出VIP > 1.5的3个标志物（如豆甾醇、银柴胡苷C）。
4. CRITIC-TOPSIS评价：
   • 以3个标志物为评价指标，CRITIC法确定权重（如0.4、0.3、0.3）。
   • TOPSIS计算各样本C值，得出质量排序：野生样本普遍优于栽培样本。

注意事项

• 数据预处理：化学数据需进行缺失值填补、归一化等处理。
• 方法验证：OPLS-DA需严格验证（如交叉验证、置换检验），避免假阳性。
• 生物学意义：筛选的标志物应结合药效学研究确认其与质量的关联性。

总结

通过PCA（整体差异探索）→ OPLS-DA（标志物筛选）→ CRITIC-TOPSIS（综合排序）的串联策略，可实现银柴胡质量从“化学特征”到“综合评价”的系统分析。该方法不仅适用于银柴胡，也可扩展至其他中药材的质量控制研究，为中药标准化提供数据驱动的科学依据。