張會梅，劉 雪，李德坤，周大錚，鞠愛春，葉正良

（1.天津中醫(yī)藥大學(xué)，天津 300193；2.天津中國藥科大學(xué)中藥評價(jià)與轉(zhuǎn)化研究室，南京 210038；3.天津天士力之驕藥業(yè)有限公司，天津 300410）

麥門冬（Ophiopogonis Radix）為百合科沿階草屬植物麥門冬Ophiopogon japonicus（L.f）Ker Gawl.的干燥塊根，為常用滋陰藥材。具有養(yǎng)陰生津、潤肺清心的功效，用于治療肺燥干咳，陰虛癆嗽，喉痹咽痛，津傷口渴，內(nèi)熱消渴等[1]。麥門冬化學(xué)成分中除含有甾體皂苷、高異黃酮，還含有15%以上的多糖類成分[2]，若水分含量較高會導(dǎo)致藥材發(fā)霉、變質(zhì)，進(jìn)而影響以麥門冬為原料的成品制劑質(zhì)量和臨床療效。因此，需對麥門冬中水分含量進(jìn)行控制，為麥門冬藥材的質(zhì)量評價(jià)研究提供數(shù)據(jù)支持。

2015版《中國藥典》規(guī)定麥門冬水分不得超過18.0%（通則0832第二法，即烘干法），該法操作費(fèi)時(shí)，不便用于批量樣品水分含量的快速測定。近年來近紅外光譜技術(shù)以分析速度快、樣品預(yù)處理簡便、無損樣品、易于操作等優(yōu)勢已在食品、藥物分析、農(nóng)產(chǎn)品、紡織、化工、生物醫(yī)學(xué)等領(lǐng)域廣泛應(yīng)用[3]。近紅外光譜是波長在 780～2 500 nm（12 000～4 000 cm-1）區(qū)域內(nèi)的電磁波，光譜信息反映C-H、O-H、N-H等含氫基團(tuán)的倍頻和合頻吸收，利用水分子中的O-H鍵在1 940 nm（組合頻）和1 440 nm（O-H伸縮振動的一級倍頻）處2個(gè)特征吸收譜帶，可對水分含量進(jìn)行測定[4]。本研究以麥門冬藥材為研究對象，采用近紅外漫反射技術(shù)結(jié)合偏最小二乘法（PLS）建立麥門冬中水分的定量分析模型，為麥門冬中水分的測定提供一種快速、簡便的方法，同時(shí)為藥材的質(zhì)量評價(jià)研究提供數(shù)據(jù)支持。

1 材料

Thermo Fisher Antaris MX傅里葉變換型近紅外光譜儀（Thermo Nicolet），分析軟件為TQAnalyst、ETTLERAL204型萬分之一電子分析天平（瑞士梅特勒-托利多儀器有限公司）、DGG-101-1 BS型電熱鼓風(fēng)干燥箱（天津市天宇實(shí)驗(yàn)儀器有限公司）、WK-200 B高速藥物粉碎機(jī)（青州市精誠機(jī)械有限公司）、藥典篩（浙江上虞市五星沖壓篩具廠）。

麥門冬樣品90批（由天津天士力之驕藥業(yè)有限公司提供，麥門冬產(chǎn)地為四川、浙江、山東、湖北等），經(jīng)中國藥科大學(xué)余伯陽教授鑒定麥門冬為百合科沿階草屬植物麥門冬Ophiopogon japonicus（L.f）Ker Gawl.的干燥塊根。

2 方法與結(jié)果

2.1 麥門冬中水分含量參考值的測定 根據(jù)2015版《中國藥典》水分測定（通則0832第二法）烘干法測定90批麥門冬藥材中的水分含量。結(jié)果見表1。

表1 90批麥門冬藥材水分含量數(shù)據(jù)（n=2）

2.2 近紅外光譜的采集 麥門冬藥材粉碎，過80目篩，得麥門冬粉末樣品。取適量樣品粉末于樣品杯中混合均勻，探頭插到樣品杯中進(jìn)行掃描，采集光譜圖。測樣參數(shù)為：儀器開機(jī)預(yù)熱1 h，漫反射采集模式，分辨率 8 cm-1，掃描范圍 12 000～4 000 cm-1，溫度25℃，濕度30%，掃描次數(shù)64次，每份樣品掃描3次，求平均值作為樣品的NIR光譜[5-6]。見圖1。

2.3 麥門冬中水分含量定量模型的建立

2.3.1 異常樣本的剔除 馬氏距離是近紅外光譜定量分析建模中判斷異常樣品的方法之一，是標(biāo)準(zhǔn)光譜與樣本光譜集的平均光譜之間的距離[7]。根據(jù)TQAnalyst軟件分析，馬氏距離大于1.7剔除4個(gè)異常樣品，結(jié)果見圖2。

2.3.2 光譜預(yù)處理方法的選擇 因近紅外光譜的采集易受樣品本身物理性狀、環(huán)境因素、儀器自身噪音等諸多因素的影響，使近紅外光譜的基線漂移。為降低對光譜的干擾，需對原始光譜進(jìn)行預(yù)處理。結(jié)合文獻(xiàn)[8]，利用TQ Analyst9.0軟件，以內(nèi)部交叉驗(yàn)證相關(guān)系數(shù)（R）、交叉驗(yàn)證誤差均方差（RMSECV）為指標(biāo)，選擇最優(yōu)預(yù)處理方法。結(jié)果見表2。由表2可知，SNV+First Derivative+Norris平滑處理方法較好。

圖1 90批麥門冬樣品的近紅外光譜圖

圖2 馬氏距離法剔除異常樣品圖

表2 不同預(yù)處理方法對麥門冬水分定量模型的影響

2.3.3 波段的選擇 水分子中O-H鍵在近紅外光譜的特征吸收譜帶在5 155～7 800 cm-1[8-9]，以R、RMSECV為指標(biāo)，考察不同波段對建模性能的影響，結(jié)果見表3。通過比較發(fā)現(xiàn)，在不同的波段區(qū)域內(nèi)，波段在5 000～9 000 cm-1范圍內(nèi)R最接近1，RMSECV值最小。因此最佳的光譜波段為5 000～9 000 cm-1。

2.3.4 主因子數(shù)的選擇 在模型建立中，主因子數(shù)影響建模的穩(wěn)定性。主因子數(shù)太少，影響建立模型的準(zhǔn)確性；主因子數(shù)過多，建立的模型出現(xiàn)過擬合現(xiàn)象。綜合文獻(xiàn)中對主因子數(shù)的確定方法，RMSECV隨主因子數(shù)的增加而減小的特征，選擇最佳主因子數(shù)[10]。結(jié)果見圖3。當(dāng)主因子數(shù)為8時(shí)，RMSECV值最小。

表3 不同波段對建模性能的影響

圖3 RMSECV隨主因子數(shù)的變化趨勢圖

2.3.5 校正模型的建立與內(nèi)部驗(yàn)證 綜合麥門冬水分的定量模型參數(shù)[11]：光譜預(yù)處理方法為SNV+First Derivative+Norris平滑，最佳建模波段為5 000～9 000 cm-1，主因子數(shù)為 8，采用 TQAnalyst 9.0軟件中的PLS建立麥門冬水分的校正模型，模型校正值與驗(yàn)證值相關(guān)性見圖4，偏差見圖5。結(jié)果表明，模型校正值與參考值線性關(guān)系良好，相關(guān)系數(shù)R為0.981 1，RMSECV 為 0.131。

將12份驗(yàn)證集樣品的NIR圖譜調(diào)入上述建好的校正模型中，預(yù)測水分值，結(jié)果見表4。

從表4可看預(yù)測值可以較準(zhǔn)確接近《中華人民共和國藥典》中方法測定值，建立的NIR定量校正模型具有較好的預(yù)測效果，可快速預(yù)測麥門冬藥材中水分的含量。并且兩組數(shù)據(jù)經(jīng)統(tǒng)計(jì)學(xué)t檢驗(yàn)，P=0.95＞0.05，兩組數(shù)據(jù)比較無統(tǒng)計(jì)學(xué)差異。說明運(yùn)用近紅外光譜技術(shù)建立麥門冬水分定量模型測定麥門冬水分的方法與傳統(tǒng)的烘干法測定結(jié)果差異不明顯，由上述可知，該模型可快速，準(zhǔn)確測定麥門冬水分的含量。

圖4 樣品水分參考值與預(yù)測值相關(guān)關(guān)系圖

圖5 參考值與預(yù)測值的偏差圖

表4 驗(yàn)證集樣品烘干法的參考值和NIR預(yù)測值的水分結(jié)果

3 討論

本研究采用烘干法測定90批麥門冬藥材中水分含量，水分值范圍為6.25%～10.96%，符合藥典標(biāo)準(zhǔn)。NIR采集麥門冬光譜圖，用74份樣品建立定量校正模型，12份驗(yàn)證集樣品，驗(yàn)證集樣品水分值范圍為7.91%～9.48%。結(jié)果表明，建立的校正模型參考值與預(yù)測值相關(guān)系數(shù)R為0.981 1，RMSECV為0.131。所建模型用決定系數(shù)（R2）和RMSECV來評價(jià)，R2越接近于1，RMSECV越小，表明模型結(jié)構(gòu)越合理。且兩組數(shù)據(jù)比較無統(tǒng)計(jì)學(xué)意義，即建立的麥門冬水分定量模型可快速、精準(zhǔn)預(yù)測其水分含量。

本研究通過馬氏距離客觀、科學(xué)地處理異常光譜，使麥門冬水分定量模型更加可靠、準(zhǔn)確，從而使得麥門冬水分檢測數(shù)值更加真實(shí)。對于近紅外光譜技術(shù)快速測定麥門冬藥材中水含量模型的建立具有指導(dǎo)意義。

本研究通過將近紅外光譜技術(shù)應(yīng)用到中藥材麥門冬水分的快速檢測中，與傳統(tǒng)的烘干法相比，且有無污染、節(jié)約檢測成本、分析效率較高、不破壞樣品等優(yōu)點(diǎn)，彌補(bǔ)傳統(tǒng)方法的不足，該方法為制藥企業(yè)實(shí)現(xiàn)快速、批量檢測提供了參考和依據(jù)，是一種非常值得推廣的綠色分析方法。本實(shí)驗(yàn)建立模型的數(shù)量雖多，但麥門冬樣品來源單一，使得其模型覆蓋范圍較小，無法預(yù)測其模型覆蓋范圍外的樣品。因此仍需擴(kuò)大樣品取樣范圍，從而提高模型的適應(yīng)性，從而更好應(yīng)用與實(shí)際滿足現(xiàn)代中藥的現(xiàn)代化需求。