The daily pollen forecast provides crucial information for allergic patients to avoid exposure to specific pollen. Pollen counts are typically measured with air samplers and analyzed with microscopy by trained experts. In contrast, this study evaluated the effectiveness of identifying the component pollens using the metabolites extracted from an air-sampled pollen mixture. Ambient air-sampled pollen from Munich in 2016 and 2017 was visually identified from reference pollens and extracts were prepared. The extracts were lyophilized, rehydrated in optimal NMR buffers, and filtered to remove large proteins. NMR spectra were analyzed for pollen associated metabolites. Regression and decision-tree based algorithms using the concentration of metabolites, calculated from the NMR spectra outperformed algorithms using the NMR spectra themselves as input data for pollen identification. Categorical prediction algorithms trained for low, medium, high, and very high pollen count groups had accuracies of 74% for the tree, 82% for the grass, and 93% for the weed pollen count. Deep learning models using convolutional neural networks performed better than regression models using NMR spectral input, and were the overall best method in terms of relative error and classification accuracy (86% for tree, 89% for grass, and 93% for weed pollen count). This study demonstrates that NMR spectra of air-sampled pollen extracts can be used in an automated fashion to provide taxa and type-specific measures of the daily pollen count.

中文翻译：

---

空气采样花粉提取物的混合物分析可以准确区分花粉分类群

每日花粉预报为过敏患者提供关键信息，以避免接触特定花粉。花粉计数通常使用空气采样器进行测量，并由训练有素的专家使用显微镜进行分析。相比之下，本研究评估了使用从空气采样花粉混合物中提取的代谢物鉴定花粉成分的有效性。2016 年和 2017 年来自慕尼黑的环境空气采样花粉从参考花粉中目视识别并制备提取物。提取物被冻干，在最佳 NMR 缓冲液中再水化，并过滤以去除大蛋白质。分析花粉相关代谢物的NMR谱。使用代谢物浓度的回归和基于决策树的算法，从 NMR 光谱计算的结果优于使用 NMR 光谱本身作为花粉识别输入数据的算法。针对低、中、高和极高花粉计数组训练的分类预测算法对树木的准确率为 74%，对草的准确率为 82%，对杂草的花粉计数为 93%。使用卷积神经网络的深度学习模型比使用 NMR 光谱输入的回归模型表现更好，并且在相对误差和分类准确度方面是总体最佳方法（树木为 86%，草为 89%，杂草花粉计数为 93%） . 这项研究表明，空气采样花粉提取物的 NMR 光谱可以以自动化方式使用，以提供每日花粉计数的分类群和特定类型的测量。高和非常高的花粉计数组对树的准确率为 74%，对草的准确率为 82%，对杂草的花粉计数为 93%。使用卷积神经网络的深度学习模型比使用 NMR 光谱输入的回归模型表现更好，并且在相对误差和分类准确度方面是总体最佳方法（树木为 86%，草为 89%，杂草花粉计数为 93%） . 这项研究表明，空气采样花粉提取物的 NMR 光谱可以以自动化方式使用，以提供每日花粉计数的分类群和特定类型的测量。高和非常高的花粉计数组对树的准确率为 74%，对草的准确率为 82%，对杂草的花粉计数为 93%。使用卷积神经网络的深度学习模型比使用 NMR 光谱输入的回归模型表现更好，并且在相对误差和分类准确度方面是总体最佳方法（树木为 86%，草为 89%，杂草花粉计数为 93%） . 这项研究表明，空气采样花粉提取物的 NMR 光谱可以以自动化方式使用，以提供每日花粉计数的分类群和特定类型的测量。并且是相对误差和分类准确度方面的总体最佳方法（树木为 86%，草为 89%，杂草花粉计数为 93%）。这项研究表明，空气采样花粉提取物的 NMR 光谱可以以自动化方式使用，以提供每日花粉计数的分类群和特定类型的测量。并且是相对误差和分类准确度方面的总体最佳方法（树木为 86%，草为 89%，杂草花粉计数为 93%）。这项研究表明，空气采样花粉提取物的 NMR 光谱可以以自动化方式使用，以提供每日花粉计数的分类群和特定类型的测量。