劉 倩 徐 冰 羅 贛 李建宇 史新元 喬延江

(北京中醫(yī)藥大學(xué)國(guó)家中醫(yī)藥管理局中藥信息工程重點(diǎn)研究室，北京，100029)

藥用輔料系指生產(chǎn)藥品和調(diào)配處方時(shí)使用的賦形劑和附加劑;是除活性成分外，在安全性方面已進(jìn)行合理評(píng)估，且包含在藥物制劑中的物質(zhì)。作為構(gòu)成藥物的必要輔助成分，藥用輔料除了賦形、充當(dāng)載體、提高穩(wěn)定性外，還具有增溶、助溶等其他重要功能。現(xiàn)有藥品質(zhì)量標(biāo)準(zhǔn)中，輔料質(zhì)量問(wèn)題往往被忽視。準(zhǔn)確測(cè)定輔料含量是當(dāng)前藥品質(zhì)量控制中亟待解決的問(wèn)題之一[1]。

近年來(lái)，隨著光譜學(xué)及化學(xué)計(jì)量學(xué)的快速發(fā)展，近紅外光譜法由于其全面、快速、無(wú)損等優(yōu)點(diǎn)迅速成長(zhǎng)為一種充滿潛力的分析手段[2-4]。本文使用近紅外光譜檢測(cè)法，通過(guò)建立定量模型，測(cè)定丹參提取物粉末中輔料糊精含量[5-6]。并使用各種光譜預(yù)處理方法，優(yōu)化模型定量效果。比較各預(yù)處理方法下的模型預(yù)測(cè)效果，最終選擇一階導(dǎo)數(shù)為光譜預(yù)處理方法[7-8]。優(yōu)化后模型定量效果良好，可準(zhǔn)確預(yù)測(cè)丹參提取物粉末中輔料糊精含量。

1 儀器與試劑

Antaris傅里葉變換近紅外光譜儀(美國(guó)Thermo Nicolet公司)，Sartorius BS 124型電子天平(德國(guó)Sartorius公司)，XW-80A型蝸旋儀(海門(mén)市其林貝爾儀器制造有限公司)。

丹參提取物(西安鴻生生物技術(shù)有限公司，2011-2013年30個(gè)批次產(chǎn)品)，藥用糊精(遼寧東源藥業(yè)有限公司，批號(hào):20100036)。

2 實(shí)驗(yàn)部分

2.1 樣品的制備 將實(shí)驗(yàn)中所使用的30個(gè)批次的丹參提取物隨機(jī)編號(hào)，每種提取物使用兩次，精密稱(chēng)取一定量糊精，混合均勻，使丹參提取物與糊精混合物中糊精含量為0.1% ～26%、制備總重為5.00 g左右的樣品共60份(樣品糊精含量及丹參批號(hào)見(jiàn)表1)。

2.2 近紅外光譜采集方法 采用Antaris傅里葉變換近紅外光譜儀，積分球附件采集漫反射光譜。采集前將樣品置于蝸旋儀上充分混合均勻，采集時(shí)旋轉(zhuǎn)樣品杯，每個(gè)樣品掃描64次。以儀器內(nèi)置背景做參比，分辨率8 cm-1，波數(shù)范圍10000 ～4000 cm-1。丹參糊精混合物樣品及糊精近紅外光譜圖分別如圖1和圖2所示:

表1 樣品詳情一覽

圖1 樣品近紅外光譜圖

圖2 糊精近紅外光譜圖

3 定量模型的建立

3.1 樣本劃分 定量模型的建立使用Matlab 7.8軟件(美國(guó)Mathwork公司)，采用Kennard-Stone樣品劃分法將60個(gè)樣本劃分為校正集(40個(gè))和驗(yàn)證集(20個(gè))。

表2 各預(yù)處理方法建模結(jié)果

3.2 光譜預(yù)處理 采用SIMCA-P 11.5軟件(Umetrics公司)，考察不同光譜預(yù)處理方法對(duì)近紅外定量模型的影響[9]。其中，多元散射校正(Multiplicative Signal Correction，MSC)和標(biāo)準(zhǔn)正則變換(Standard Normal Variate，SNV)可用來(lái)消除各批次間樣品粒度分布不均勻及粉末顆粒大小不同產(chǎn)生的散射對(duì)光譜的影響[10];對(duì)光譜數(shù)據(jù)進(jìn)行基線校正、一階導(dǎo)數(shù)(1std)與二階導(dǎo)數(shù)(2nnd)處理可用以消除光譜基線漂移、強(qiáng)化譜帶特征、克服譜帶重疊;采用 SG(Savitzky-Golay)平滑法[11]及小波降噪(WaveletDeniose Spectral，WDS)[12-13]對(duì)光譜數(shù)據(jù)進(jìn)行平滑處理，可有效平滑高頻噪音，提高信噪比，減少噪音影響。各預(yù)處理方法建模結(jié)果見(jiàn)表2。

由表2可看出，經(jīng)一階導(dǎo)數(shù)處理后，模型的預(yù)測(cè)準(zhǔn)確度明顯提高，與原始光譜相比，相對(duì)預(yù)測(cè)偏差(RPD)由3.94增加到6.19;選擇一階導(dǎo)數(shù)處理方法，預(yù)測(cè)集相關(guān)系數(shù) rval及預(yù)測(cè)誤差均方根(RMSEP)分別為0.9871和1.085%，因此本文采用一階導(dǎo)數(shù)處理方法作為光譜預(yù)處理方法[14-15]。

3.3 最優(yōu)潛變量因子數(shù)目的選擇 采用一階導(dǎo)數(shù)光譜預(yù)處理方法，分別使用1～20個(gè)潛變量因子建立PLS回歸模型，繪制模型校正和預(yù)測(cè)性能指標(biāo)隨潛變量因子變化的曲線圖(圖3)。結(jié)合圖3可知，當(dāng)潛變量因子數(shù)為8時(shí)，預(yù)測(cè)集校正誤差均方根(RMSEC)、交叉驗(yàn)證均方根誤差(RMSECV)及累積預(yù)測(cè)殘差平方和(Cumulative PRESS)基本不再變化(圖3)，因此選擇潛變量因子數(shù)目為8建立回歸模型[16]。8個(gè)潛變量因子下，模型校正集與預(yù)測(cè)集相關(guān)關(guān)系如圖4所示。

圖3 模型校正和預(yù)測(cè)性能指標(biāo)隨潛變量因子變化曲線圖

圖4 校正集與預(yù)測(cè)集相關(guān)關(guān)系圖

4 結(jié)論

本文通過(guò)近紅外光譜儀收集已知糊精含量樣品光譜，使用近紅外光譜值與實(shí)際糊精含量建立偏最小二乘回歸模型。對(duì)樣品光譜進(jìn)行一階導(dǎo)數(shù)處理，建立潛變量因子數(shù)為8的定量模型。預(yù)測(cè)集決定系數(shù)rval及預(yù)測(cè)均方根誤差分別為0.9871和1.085%，模型預(yù)測(cè)效果良好。結(jié)果顯示，近紅外光譜檢測(cè)法可用于丹參提取物中糊精含量的快速測(cè)定，并可為其他輔料含量測(cè)定方法提供借鑒。

[1]姚金成，張?jiān)评?，饒健，?我國(guó)中藥輔料標(biāo)準(zhǔn)存在的問(wèn)題及對(duì)策研究[J].中南藥學(xué)，2011，9(06):474-476.

[2]徐冰，羅贛，林兆洲，等.基于過(guò)程分析技術(shù)和設(shè)計(jì)空間的金銀花醇沉加醇過(guò)程終點(diǎn)檢測(cè)[J].高等學(xué)?；瘜W(xué)學(xué)報(bào)，2013，34(10):2284-2289.

[3]彭嚴(yán)芳，史新元，周璐薇，等.基于四種NIR儀器類(lèi)型的清開(kāi)靈注射液中黃芩苷成分的多變量檢測(cè)限研究[J].光譜學(xué)與光譜分析，2013，33(09):2363-2368.

[4]Wu Z，Tao O，Cheng W，et al.Visualizing excipient composition and homogeneity of Compound Liquorice Tablets by near-infrared chemical imaging[J].Spectrochimica Acta Part A:Molecular and Biomolecular Spectroscopy，2012，86:631-636.

[5]萬(wàn)文標(biāo)，姜紅.近紅外光譜分析及其在藥物原輔料分析中的應(yīng)用[J].醫(yī)藥導(dǎo)報(bào)，2012，31(04):465-470.

[6]聶黎行，王鋼力，李志猛，等.近紅外光譜法在中藥輔料質(zhì)量控制中的應(yīng)用[J].中國(guó)中藥雜志，2009，34(17):2185-2188.

[7]Yang H Q，Kuang B Y，Mouazen A M.Selection of spectral preprocessing methods for soil texture classification[J].Advanced Materials Research，2011，181:416-421.

[8]Verboven S，Hubert M，Goos P.Robust preprocessing and model selection for spectral data[J].Journal of Chemometrics，2012，26(6):282-289.

[9]Rinnan ?，Berg F V D，Engelsen S O R B.Review of the most common pre-processing techniques for near-infrared spectra[J].TrAC Trends in Analytical Chemistry，2009，28(10):1201-1222.

[10]Jin J，Chen Z，Li L，et al.Quantitative Spectroscopic Analysis of Heterogeneous Mixtures:The Correction of Multiplicative Effects Caused by Variations in Physical Properties of Samples[J].Analytical Chemistry，2011，84(1):320-326.

[11]Delwiche S R，Reeves J B.A graphical method to evaluate spectral preprocessing in multivariate regression calibrations:example with Savitzky--Golay filters and partial least squares regression[J].Applied spectroscopy，2010，64(1):73-82.

[12]Yan J，Wang Y，Guo R，et al.Nonlinear Analysis of Auscultation Signals in TCM Using the Combination of Wavelet Packet Transform and Sample Entropy[J].Evidence-Based Complementary and Alternative Medicine，2012，5(9):325-340..

[13]Shao X，Zhuang Y.Determination of chlorogenic acid in plant samples by using near-infrared spectrum with wavelet transform preprocessing[J].Analytical sciences，2004，20(3):451-454.

[14]Cruciani g，Baroni M，Clementi S，et al.Predictive ability of regression models.Part I:Standard deviation of prediction errors(SDEP)[J].Journal of Chemometrics，1992，6(6):335-346.

[15]Baroni M，Clementi S，Cruciani g，et al.Predictive ability of regression models.Part II:Selection of the best predictive PLS model[J].Journal of Chemometrics，1992，6(6):347-356.

[16]Gowen A A，Downey g，Esquerre C，et al.Preventing over-fitting in PLS calibration models of near-infrared(NIR)spectroscopy data using regression coefficients[J].Journal of Chemometrics，2011，25(7):375-381.