王繼龍,劉曉霞,魏舒暢,柳　春,金　輝,范凌云

(甘肅中醫(yī)藥大學(xué),甘肅蘭州 730000)

?

基于BP神經(jīng)網(wǎng)絡(luò)的纖維性根莖藥材超濾總皂苷保留率預(yù)測模型

王繼龍,劉曉霞,魏舒暢*,柳春,金輝,范凌云

(甘肅中醫(yī)藥大學(xué),甘肅蘭州 730000)

為了建立纖維性根莖藥材超濾的總皂苷保留率預(yù)測模型,避免超濾技術(shù)在用于同類藥材時(shí)需重復(fù)優(yōu)化工藝的問題,以紅芪超濾數(shù)據(jù)為基礎(chǔ),采用Levenberg-Marquardt(LM)算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)(LM-BP神經(jīng)網(wǎng)絡(luò))構(gòu)建總皂苷保留率預(yù)測模型,對(duì)模型的預(yù)測性能及其對(duì)黃芪、甘草的適用性進(jìn)行考察,并利用連接權(quán)值計(jì)算輸入變量對(duì)輸出變量的相對(duì)貢獻(xiàn)率。結(jié)果表明,該模型具有良好的預(yù)測精度和適用性,對(duì)紅芪、黃芪和甘草總皂苷保留率預(yù)測的平均絕對(duì)誤差和平均誤差率分別為1.10%、1.28%、1.52%和1.48%、1.95%、2.20%,輸入變量的相對(duì)貢獻(xiàn)率大小為膜孔徑>壓力>溫度。該研究可為超濾和智能算法在中藥領(lǐng)域的應(yīng)用提供有益參考。

紅芪,黃芪,甘草,總皂苷,超濾,BP神經(jīng)網(wǎng)絡(luò)

分離純化是中藥生產(chǎn)過程的共性關(guān)鍵技術(shù)環(huán)節(jié),超濾是一種可通過錯(cuò)流過濾方式對(duì)分子量大小不同的物質(zhì)進(jìn)行分離的新技術(shù),因過濾精度高、環(huán)保、適合工業(yè)化生產(chǎn)等特點(diǎn)而在中藥提取液的純化中顯示出獨(dú)特的優(yōu)越性[1]。但由于中藥水提液是一個(gè)復(fù)雜體系,其超濾過程為非線性系統(tǒng),加之基礎(chǔ)研究不足,目前該技術(shù)在用于每種藥材的純化時(shí)需對(duì)工藝進(jìn)行逐一優(yōu)化,不但延長了工藝研究周期,而且浪費(fèi)人力物力。因此建立質(zhì)地和成分相近的同類藥材的超濾工藝預(yù)測模型具有十分重要的意義。

人工神經(jīng)網(wǎng)絡(luò)(ANN,Artificial Neural Network)是通過抽象和模擬生物神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與功能,對(duì)連續(xù)的輸入做出狀態(tài)響應(yīng)的動(dòng)態(tài)信息處理系統(tǒng),具有良好的自組織、自適應(yīng)、自學(xué)習(xí)的非線性映射能力以及高度的容錯(cuò)性和穩(wěn)健性,其中以BP神經(jīng)網(wǎng)絡(luò)的使用最為廣泛。目前,BP神經(jīng)網(wǎng)絡(luò)已在中藥材鑒定、劑型處方篩選、生產(chǎn)工藝優(yōu)化及預(yù)測、藥物構(gòu)效關(guān)系數(shù)據(jù)分析等方面有所應(yīng)用[2-6]。

本文以纖維性較強(qiáng)的甘肅道地藥材紅芪、黃芪和甘草(均為藥食兩用或保健中藥)為建模和驗(yàn)證藥材,通過收集其超濾數(shù)據(jù),建立適用于纖維性根莖藥材超濾的總皂苷保留率BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型,以期為超濾技術(shù)在中藥分離純化領(lǐng)域的應(yīng)用推廣提供參考。

1　材料與方法

1.1材料與儀器

紅芪、黃芪、甘草采于甘肅省武都區(qū),均為藥典收載品種;纖維素酶、木聚糖酶、果膠酶甘肅華羚生物科技有限公司,比活力分別為1.4×106、1.0×107、1.5×105U·g-1;水超純水;其余試劑分析純。

SJM-FHM-02型多通道管狀陶瓷復(fù)合膜分離設(shè)備、SJM-DGN-030型多功能膜分離設(shè)備合肥世杰膜工程有限責(zé)任公司;UV Blue Star B型紫外-可見分光光度計(jì)北京萊伯泰科儀器有限公司;ABT100-5M電子天平德國KERN公司;AKRY-UP-1816超純水機(jī)成都唐氏康寧科技發(fā)展有限公司;DK-98-ⅡA型電熱恒溫水浴鍋天津市泰斯特儀器有限公司;1835型烏式黏度計(jì)上海笛柏化學(xué)品技術(shù)有限公司;PB-10型pH計(jì)德國Sartorius公司。

1.2實(shí)驗(yàn)方法

1.2.1紅芪藥材的提取為提高成分提取率,采用復(fù)合酶(質(zhì)量比為纖維素酶∶木聚糖酶∶果膠酶=1∶2∶2)按文獻(xiàn)[7]方法對(duì)紅芪飲片進(jìn)行酶解提取,酶解液離心(4000 r·min-1,10 min)處理后取上清,備用。

1.2.2料液的超濾由于膜組件在臨界壓力或通量以下運(yùn)行可避免膜污染的形成,降低工藝成本,提高生產(chǎn)效率,因此超濾前首先測定上清液的濃度、運(yùn)動(dòng)黏度及pH,利用臨界壓力預(yù)測模型計(jì)算不同溫度和膜孔徑下料液超濾時(shí)的臨界壓力值,然后分別在臨界壓力以下按膜孔徑(10、50、100 nm)、壓力(0.09～0.16 MPa)和溫度(20～45 ℃)的各種參數(shù)組合進(jìn)行超濾,收集對(duì)應(yīng)的超濾液,備用。

1.2.3總皂苷的含量測定及保留率計(jì)算分別將酶解液上清和超濾液濃縮(藥液比1∶4),依文獻(xiàn)[7]方法制備總皂苷樣品,采用差示比色法[8]測定總皂苷含量,并按下式計(jì)算總皂苷保留率:

總皂苷保留率(%)=超濾液中總皂苷含量/超濾前酶解液中總皂苷含量×100

1.2.4輸入變量的確定影響超濾的因素較多,包括膜孔徑、操作壓強(qiáng)、濾過溫度、藥液的濃度、黏度、pH及離子強(qiáng)度等。由于神經(jīng)網(wǎng)絡(luò)的輸入變量數(shù)越多,網(wǎng)絡(luò)的結(jié)構(gòu)就越復(fù)雜,訓(xùn)練速度越慢。鑒于中藥提取液的離子強(qiáng)度變化有限,且藥液的濃度、黏度和pH等可通過上述臨界壓力預(yù)測得到較好的控制,因此選取超濾操作過程中的主要控制參數(shù)膜孔徑、壓力、溫度作為輸入變量,總皂苷保留率作為輸出變量。

1.2.5數(shù)據(jù)分組及預(yù)處理將收集到的總皂苷保留率數(shù)據(jù)隨機(jī)分為訓(xùn)練組(n=50)和檢驗(yàn)組(n=10)。由于各因素具有不同的量綱,為了加快網(wǎng)絡(luò)的學(xué)習(xí)速度,更好地反映各因素之間的相互關(guān)系,訓(xùn)練前需將樣本數(shù)據(jù)歸一化至(0.1,0.9)區(qū)間內(nèi),即:xn=0.1+0.8(x-xmin)/(xmax-xmin),式中,xn為歸一化數(shù)據(jù),x為原始數(shù)據(jù),xmax和xmin分別為原始數(shù)據(jù)的最大值和最小值。

1.2.6網(wǎng)絡(luò)結(jié)構(gòu)的確定理論已證實(shí)一個(gè)3層(有1個(gè)隱含層)的BP神經(jīng)網(wǎng)絡(luò)可以逼近任意映射關(guān)系[9],因此采用3層BP網(wǎng)絡(luò)。BP網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)對(duì)網(wǎng)絡(luò)的預(yù)測性能有直接影響[10],其數(shù)目由輸入、輸出層節(jié)點(diǎn)數(shù)及訓(xùn)練樣本所蘊(yùn)含規(guī)律的復(fù)雜程度等多種因素共同決定,計(jì)算公式為m=(l+n)1/2+a(式中,l和n分別代表輸入和輸出層節(jié)點(diǎn)數(shù),a為1～10之間的常數(shù)),然后采用節(jié)點(diǎn)擴(kuò)張法確定最佳隱含層節(jié)點(diǎn)數(shù):已知輸入層和輸出層節(jié)點(diǎn)數(shù)分別為3和1,可計(jì)算得出隱含層節(jié)點(diǎn)數(shù)的整數(shù)區(qū)間為3～12,先取最小的節(jié)點(diǎn)數(shù)對(duì)網(wǎng)絡(luò)性能進(jìn)行測試,然后逐漸增加節(jié)點(diǎn)數(shù),直到測得網(wǎng)絡(luò)的逼近誤差不再有明顯的減小且收斂速度較快時(shí)為止。

1.2.7網(wǎng)絡(luò)訓(xùn)練本文利用Matlab7.2的BP神經(jīng)網(wǎng)絡(luò)工具箱對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,隱含層和輸出層傳遞函數(shù)均設(shè)為logsig。為了克服傳統(tǒng)BP算法存在的收斂速度慢、學(xué)習(xí)精度低等缺點(diǎn),訓(xùn)練函數(shù)設(shè)為LM-BP算法對(duì)應(yīng)的trainlm。最大訓(xùn)練次數(shù)設(shè)為1000次,學(xué)習(xí)率為0.01,目標(biāo)誤差為0.001。

1.2.8貢獻(xiàn)率的計(jì)算采用Garson[11]方法,利用連接權(quán)計(jì)算神經(jīng)網(wǎng)絡(luò)輸入變量的相對(duì)貢獻(xiàn)率,其表達(dá)式為:

式(1)

式(2)

式中,Si、RIi分別為第i個(gè)輸入對(duì)第k個(gè)輸出的絕對(duì)貢獻(xiàn)和相對(duì)貢獻(xiàn)大小;Wij、Wjk分別為輸入層到隱含層和隱含層到輸出層的連接權(quán);i、j、k分別為輸入、隱含和輸出層的節(jié)點(diǎn)序號(hào);l、m、n則分別為各層節(jié)點(diǎn)數(shù)。

2　結(jié)果與分析

2.1網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練結(jié)果

當(dāng)隱含層節(jié)點(diǎn)數(shù)為6時(shí),網(wǎng)絡(luò)的收斂速度最快,逼近誤差較小,因此將隱含層節(jié)點(diǎn)數(shù)選為6,BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)最終為3-6-1(圖1)。網(wǎng)絡(luò)在經(jīng)過189次訓(xùn)練后其輸出誤差為0.00099,小于0.001,達(dá)到了設(shè)定的誤差要求并停止訓(xùn)練(圖2)。

圖1　BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.1　Structure diagram of BP neural network

圖2　誤差收斂曲線Fig.2　Convergent curve of error

2.2貢獻(xiàn)率定量分析

由于神經(jīng)網(wǎng)絡(luò)建模具有“黑箱”特性,無法科學(xué)解釋輸入變量對(duì)輸出變量的重要程度,因此本文利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)的連接權(quán)值(表1)來計(jì)算輸入變量的相對(duì)貢獻(xiàn)率(表2),不但有利于最佳超濾條件的選擇,而且可找出模型中存在的冗余變量,便于約簡模型。由表2可知,膜孔徑的相對(duì)貢獻(xiàn)率最高,其次是壓力,溫度的最低,但也達(dá)到了11.36%,對(duì)輸出也有較大影響,表明所選的這3個(gè)變量代表性較好,可將其確定為模型的最終輸入變量。

表2　輸入變量對(duì)輸出的相對(duì)貢獻(xiàn)率

表1　連接權(quán)矩陣

表3　預(yù)測值與測定值結(jié)果

圖3　模型預(yù)測輸出Fig.3　Predicted output of

圖4　模型預(yù)測誤差Fig.4　Predicted error of BP neural network

2.3模型檢驗(yàn)結(jié)果

為了檢驗(yàn)BP神經(jīng)網(wǎng)絡(luò)模型的模擬能力,利用預(yù)留的檢驗(yàn)組數(shù)據(jù)對(duì)總皂苷保留率進(jìn)行模擬。結(jié)果發(fā)現(xiàn),盡管有局部的高估或低估現(xiàn)象存在,但總體上預(yù)測輸出與期望輸出十分接近(圖3)。誤差分析結(jié)果(圖4)顯示,模擬的平均絕對(duì)誤差和平均誤差率分別為和1.10%和1.48%,表明模型的模擬精度和適用性較高。

2.4模型適用性考察

為了考察BP神經(jīng)網(wǎng)絡(luò)模型對(duì)同類藥材的適用性,選擇甘肅大宗道地藥材黃芪和甘草進(jìn)行考察。將按文獻(xiàn)[12-13]提取工藝制得的黃芪和甘草提取液在臨界壓力以下進(jìn)行超濾,分別測定不同條件下的總皂苷保留率,并用上述神經(jīng)網(wǎng)絡(luò)計(jì)算對(duì)應(yīng)的預(yù)測值(表3)。結(jié)果顯示,利用神經(jīng)網(wǎng)絡(luò)計(jì)算所得黃芪和甘草總皂苷保留率的預(yù)測值與實(shí)驗(yàn)測定值的吻合性均較好,模擬的平均絕對(duì)誤差分別為1.28%和1.52%,平均誤差率分別為1.95%和2.20%,說明該BP神經(jīng)網(wǎng)絡(luò)模型對(duì)建模藥材紅芪以外的同類其他藥材具有較高的模擬精度和適用性。

3　結(jié)論

通過建立人工神經(jīng)網(wǎng)絡(luò)預(yù)測模型,對(duì)纖維性根莖藥材超濾的總皂苷保留率進(jìn)行預(yù)測。研究結(jié)果表明,建立的3層結(jié)構(gòu)BP神經(jīng)網(wǎng)絡(luò)的預(yù)測精度和適用性較好,對(duì)于紅芪、黃芪和甘草超濾的總皂苷保留率預(yù)測的平均誤差率分別為1.48%、1.95%和2.20%。該模型的建立將有助于避免對(duì)同一類藥材超濾工藝的逐一優(yōu)化,縮短工藝研究周期,節(jié)約大量的人力物力,對(duì)于膜分離技術(shù)及現(xiàn)代信息技術(shù)在中藥行業(yè)的推廣應(yīng)用具有一定參考價(jià)值。同時(shí)通過大量實(shí)驗(yàn)得到的紅芪精制工藝資料,可為高品質(zhì)藥品及精加工功能食品的生產(chǎn)提供有力的技術(shù)支持。

[1]郭立瑋.中藥制藥工業(yè)對(duì)膜科學(xué)技術(shù)的重大需求與關(guān)鍵問題[J].中草藥,2009,40(12):1849-1855.

[2]楊詩龍,王瑾,汪云偉,等.基于電子鼻與人工神經(jīng)網(wǎng)絡(luò)的陳皮鑒別研究[J].時(shí)珍國醫(yī)國藥,2015,26(1):112-114.

[3]李玲,李時(shí)鳳,何宇新.基于人工神經(jīng)網(wǎng)絡(luò)的白芷總香豆素緩釋片處方篩選研究[J].中藥材,2014,37(5):875-880.

[4]張超,韓麗,楊秀梅,等.BP神經(jīng)網(wǎng)絡(luò)結(jié)合正交實(shí)驗(yàn)優(yōu)化苦參方中荊芥揮發(fā)油的提取工藝[J].中成藥,2015,37(1):70-74.

[5]柳春,劉曉霞,魏舒暢,等.基于紅芪芒柄花素保留率建立纖維性根莖藥材超濾預(yù)測模型[J].天然產(chǎn)物研究與開發(fā),2015,27(9):1550-1553.

[6]胡律江,郭慧玲,曾輝,等.基于BP-ANN模型的香附效應(yīng)成分篩選[J].中國實(shí)驗(yàn)方劑學(xué)雜志,2013,19(22):27-30.

[7]王繼龍,陳方圓,魏舒暢,等.二次通用旋轉(zhuǎn)組合設(shè)計(jì)優(yōu)化紅芪中芒柄花素和總皂苷的酶解提取工藝[J].中成藥,2015,37(9):1926-1931.

[8]陳方圓,閆治攀,魏舒暢,等.差示比色法測定紅芪總皂苷含量的方法研究[J].時(shí)珍國醫(yī)國藥,2014,25(6):1305-1307.

[9]Robert H N.Theory of the back propagation neural network[D].International Joint Conference on Neural Networks,1989:593-605.

[10]Moody J O,Antsaklis P J.The dependence identification neural network construction algorithm[J].IEEE Transactions on Neural Network,1996,7(1):3-15.

[11]Garson G D.Interpreting neural-network connection weights[J].AI Expert,1991,6(4):46-51.

[12]包旭宏,王繼龍,魏舒暢,等.二次通用旋轉(zhuǎn)組合法優(yōu)化黃芪中毛蕊異黃酮苷和芒柄花素的酶解提取工藝[J].中草藥,2014,45(18):2641-2646.

[13]朱中佳,熊富良,張雪瓊,等.甘草總皂苷的提取純化工藝研究[J].中成藥,2011,33(2):341-343.

Total saponins retention rate prediction model of ultrafiltration for fibrous rhizome herbs based on BP neural network

WANG Ji-long,LIU Xiao-xia,WEI Shu-chang*,LIU Chun,JIN Hui,FAN Ling-yun

(Gansu University of Chinese Medicine,Lanzhou 730000,China)

The objective of this study was to establish the total saponins retention rate prediction model of ultrafiltration for fibrous rhizome herbs. It could avoid optimizing ultrafiltration technology of similar herbs repeatedly. The model was established based on the ultrafiltration data ofHedysariRadixby Levenberg-Marquardt(LM)arithmetic combining BP neural network. The performance and applicability of the improved LM-BP neural network model were evaluated. Then the relative importance of input variables were assessed using the connection weights of the model. Results showed that the model had the better accuracy and applicability. The mean absolute error forHedysariRadix,AstragaliRadixandGlycyrrhizauralensiswas 1.10%,1.28% and 1.52%,respectively. Mean error rate was 1.48%,1.95% and 2.20%,respectively. The relative contribution of input variables to retention rate presented the order of membrane pore size>pressure>temperature. The study could provide a useful reference for the application of ultrafiltration and intelligence algorithm in Chinese medicine industry.

HedysariRadix;AstragaliRadix;Glycyrrhizauralensis;total saponins;ultrafiltration;BP neural network

2015-11-29

王繼龍(1986-)，男，碩士，助教，研究方向：中藥制劑工藝，E-mail：drake1520@163.com。

魏舒暢(1969-)，男，教授，研究方向：中藥制劑新劑型與新技術(shù)，E-mail：wshch006@sina.com。

國家自然科學(xué)基金資助項(xiàng)目(81060345，81460608)；甘肅省基礎(chǔ)研究創(chuàng)新群體項(xiàng)目(1506RJA034)。

TS218

A

1002-0306(2016)12-0085-04

10.13386/j.issn1002-0306.2016.12.008