劉翠梅， 韓 煜， 賈 薇， 花鎮(zhèn)東， 閔順耕

1. 公安部禁毒情報技術中心， 毒品監(jiān)測管控與禁毒關鍵技術公安部重點實驗室， 北京 100193 2. 中國農(nóng)業(yè)大學理學院， 北京 100193

引 言

甲基苯丙胺， 俗稱冰毒， 是我國最常見的濫用毒品類型。 為加大對涉毒案件的打擊力度， 同時也為了準確掌握我國甲基苯丙胺基本毒情， 需要對繳獲甲基苯丙胺樣品進行快速、 準確的定量分析。 現(xiàn)有的甲基苯丙胺定量分析方法主要為液相色譜法和氣相色譜法， 這兩種方法準確度高， 但樣本的前處理繁瑣， 檢測時間長、 檢測成本高。

近紅外光譜(NIR)具有快速、 高效、 無損、 適合在線分析等諸多優(yōu)勢， 已廣泛應用于農(nóng)業(yè)、 食品、 制藥、 石化等行業(yè)[1-3]。 目前已有采用近紅外光譜對可卡因、 海洛因、 MDMA等毒品進行快速定量分析的報道[4-10]， Liu[10]建立了甲基苯丙胺的NIR定量分析模型， 采用實際繳獲樣品作為建模樣品， 模型所覆蓋的摻雜物濃度范圍有限； 該方法采用液相色譜法的測定結果作為參考純度， 測量值與真值存在一定的偏差， 且液相色譜測定過程耗費大量時間、 人力和物力。 為了便于NIR定量方法的推廣使用， 亟需建立一種適用范圍更廣、 建模樣品制備更加簡單的NIR定量方法。 本研究對1 736份甲基苯丙胺繳獲樣品的摻雜物進行了統(tǒng)計分析， 總結了常見的摻雜物類型； 采用高純度甲基苯丙胺和摻雜物混合制樣的方式制備低、 中純度建模樣品； 采用近紅外光譜和偏最小二乘法(PLS)構建定量模型， 并采用大量實際繳獲樣品對所建立模型的準確性進行了評價。 本研究有利于NIR定量方法在基層法庭科學實驗室的推廣使用， 使毒品定量分析成本更低、 速度更快。

1 實驗部分

1.1 儀器與試劑

傅里葉變換紅外光譜儀和積分球漫反射附件(PerkinElmer, Waltham, MA, USA)。 SCIENTZ-15DZ高通量組織研磨器(寧波新芝生物科技股份有限公司)。

甲基苯丙胺和麻黃堿標準品由本實驗室制備。 二甲基砜、 異丙基芐胺、 蔗糖、 環(huán)己胺、 明礬、 吡拉西坦購自上海阿拉丁生化科技股份有限公司或國藥集團化學試劑有限公司。 用于模型驗證的甲基苯丙胺樣品來自于各地公安機關實際繳獲樣品。

1.2 樣品制備

將高純度甲基苯丙胺和摻雜物混合， 配制成純度范圍為10%～85%的建模樣品， 純度間隔為5%， 每種摻雜物配制16個樣品。 摻雜物為二甲基砜、 異丙基芐胺、 蔗糖、 環(huán)己胺、 明礬、 麻黃堿、 吡拉西坦七種。 每個建模樣本的質(zhì)量約為1 g。

共選取了72份實際繳獲樣本作為定量模型驗證樣本， 純度范圍為13.9%～100%， 驗證樣本的純度采用液相色譜法測定。

將配制樣品或驗證樣品放入5 mL的塑料離心管中， 加入一個直徑為5 mm的金屬球， 采用高通量組織研磨器對其進行研磨混勻。 研磨功率為70 Hz， 研磨時間為2 min。 取研磨均勻樣品約300 mg裝入2 mL的安捷倫玻璃進樣瓶中， 蓋蓋密封。 每個樣本分別分裝2份。

1.3 方法

將樣品在玻璃進樣瓶中填充緊密， 然后將其放置在積分球附件上， 采集漫反射光譜。 波數(shù)范圍： 10 000～4 000 cm-1； 分辨率： 4 cm-1； 掃描次數(shù)： 32次。

紅外圖譜的采集和分析采用Spectrum操作軟件(Ver.10.4, PerkinElmer)。 PLS定量模型的建立采用Spectrum Quant定量操作軟件(Ver. 10.4, PerkinElmer)。

2 結果與討論

2.1 建模集樣品制備

建模集樣品應該盡可能地覆蓋實際繳獲樣品的摻雜物種類和純度區(qū)間。 首先對2016年—2018年間國家毒品實驗室收集的1 736份甲基苯丙胺樣品的定性和定量結果進行了統(tǒng)計分析。 其中1 337份(77%)樣品中不含摻雜物， 純度區(qū)間為85%～100%； 399份(23%)樣品含有摻雜物， 純度區(qū)間為1%～93%。 399份含摻雜物的樣品中， 純度≥10%的樣品381份(95.5%)； 純度<10%的樣品僅18份(4.5%)。 在381份純度≥10%的摻雜樣品中， 檢出頻率較高的摻雜物有7種， 分別為二甲基砜、 異丙基芐胺、 蔗糖、 環(huán)己胺、 明礬、 吡拉西坦、 麻黃堿(表1)。 其中含有二甲基砜、 異丙基芐胺、 蔗糖、 環(huán)己胺(包含其組合)的樣品數(shù)為356(93.4%)； 含有明礬、 吡拉西坦、 麻黃堿的樣品數(shù)為14(3.7%)； 含有其他類型摻雜物的樣品數(shù)為11(2.9%)。

表1 甲基苯丙胺繳獲樣品摻雜物統(tǒng)計表

考慮到純度<10%的樣品數(shù)在含摻雜物樣品中占比低于4.5%， 為降低建模的難度， 本研究所配制的建模樣品的純度均≥10%， 且只涵蓋出現(xiàn)頻率最高的7種摻雜物。 在選取的建模樣品中， 高純度樣品為實際繳獲樣品， 包含純度為91%， 95%和100%的甲基苯丙胺繳獲樣品各兩份； 中、 低純度樣品由高純度甲基苯丙胺和不同摻雜物分別混合研磨制得， 純度區(qū)間10%～85%， 純度間隔為5%。 由于實際繳獲樣品中存在同時檢出兩種摻雜物的情況， 因此根據(jù)其檢出頻率， 配制了少量包含兩種摻雜物的樣品， 具體為將二甲基砜、 異丙基芐胺、 蔗糖、 環(huán)己胺這四組混合樣品的20%， 40%和60%三個純度點配制成二元摻雜物體系， 兩種摻雜的添加比例隨機。

2.2 標準品和繳獲樣品紅外光譜圖

甲基苯丙胺標準品和7種摻雜物的近紅外光譜見圖1(a)。 由圖中可以看出， 不同摻雜物的特征吸收峰出現(xiàn)在不同波段， 因此在建立PLS定量模型時， 選取了整個波段進行計算。 含二甲基砜、 異丙基芐胺、 蔗糖、 環(huán)己胺四種摻雜物的建模集樣品光譜圖見圖1(b)， 含明礬、 麻黃堿、 吡拉西坦三種摻雜物的建模集樣品光譜圖見圖1(c)， 驗證集樣品的光譜圖見1(d)。

2.3 光譜預處理方法的選擇

常見的光譜預處理方法包括標準正態(tài)變量校正(SNV)、 附加散射校正(MSC)、 一階導數(shù)(1D)、 二階導數(shù)(2D)校正等。 采用單一光譜預處理方法或多種預處理方法組合的效果不同。 本研究以包含二甲基砜、 異丙基芐胺、 蔗糖、 環(huán)己胺這4種摻雜物的建模集樣品數(shù)據(jù)為基礎， 對不同光譜預處理方法進行了比較。 以交叉驗證均方差(RMSECV)作為不同光譜預處理效果的評價指標， RMSECV值越小， 說明光譜預處理方法的效果越好。 結果顯示(表2)， SNV+1D預處理方法組合的RMSECV值最小， 效果最佳。

圖1 (a)甲基苯丙胺、 二甲基砜、 吡拉西坦、 異丙基芐胺、 環(huán)己胺、 明礬、 蔗糖、 麻黃堿的近紅外光譜圖； (b)摻雜物為二甲基砜、 異丙基芐胺、 蔗糖、 環(huán)己胺的建模集樣本近紅外光譜圖； (c)摻雜物為明礬、 麻黃堿、 吡拉西坦的建模集樣本近紅外光譜圖； (d)驗證集樣本的近紅外光譜圖

表2 不同光譜預處理方法的比較

2.4 PLS定量模型的建立

紅外光譜分析中建立定量分析校正模型的方法包括： 多元線性回歸(MLR)、 逐步多元線性回歸(SMLR)、 主成分回歸(PCR)、 偏最小二乘(PLS)等[3]。 本研究選取了最常用的偏最小二乘(PLS)法， 并選取RMSECV最小時的因子數(shù)為PLS模型的最佳因子數(shù)。

首先將所有建模樣品導入到一個模型中建模， 計算所得模型的PLS因子數(shù)為4，R2為98.3， RMSECV為3.3%， 所得模型的效果較差。 可能的原因是7種摻雜物的信息量超出了PLS算法的計算和擬合能力。 于是將7種摻雜物分為兩組， 建立了兩個獨立的定量模型。

模型1中包含了二甲基砜、 異丙基芐胺、 蔗糖、 環(huán)己胺這四組摻雜樣品， 以及六個高純度的甲基苯丙胺樣品。 模型1中甲基苯丙胺的純度范圍為10%～99%， 可覆蓋未進行摻雜的高純度甲基苯丙胺樣品， 以及摻雜物為二甲基砜、 異丙基芐胺、 蔗糖、 二甲基砜及其組合的樣品。 模型1[圖2(a)]的PLS因子數(shù)為8、R2為99.9、 RMSECV為0.8%、 RMSEP為2.0%。

模型2中包含了吡拉西坦、 明礬、 麻黃堿這三組摻雜樣品。 模型2中甲基苯丙胺的純度范圍在10%～85%， 可覆蓋摻雜物為吡拉西坦、 明礬、 或麻黃堿的樣品。 模型2[圖2(b)]的PLS因子數(shù)為5、R2為99.9、 RMSECV為0.8%、 RMSEP為1.7%。

2.5 PLS定量模型的重復性和重現(xiàn)性

為考察所建立的兩個PLS模型的重復性和重現(xiàn)性， 分別在兩個模型的建模樣品中選取了純度為20%， 50%和85%的三個樣品， 共計六個樣品。 將這六個樣品在一天內(nèi)連續(xù)測定6次， 計算6次測定結果的相對標準偏差(RSD)作為重復性數(shù)據(jù)； 將6份樣品在不同的6天中進行測定， 計算6次測定結果的RSD作為重現(xiàn)性數(shù)據(jù)。 兩個模型的重復性均≤2.1%， 重現(xiàn)性均≤4.0%， 可見模型的測定精度高。

2.6 異常值篩查與未知樣本定量結果預測

在未知樣本測試時， 有時會遇到建模所選摻雜物外的其他摻雜物或混合類型。 在對未知樣本進行定量結果預測之前， 需先進行異常值的篩查。 常見的異常值篩查方法有兩種， 分別是馬氏距離法(M-distance ratio)和光譜殘差法(residual ratio)[9]。 根據(jù)PerkinElmer的Spectrum Quant定量操作軟件的推薦， 馬氏距離法的閾值一般設為2、 光譜殘差法的閾值一般設為3。

圖2 (a)甲基苯丙胺PLS定量模型1， 所含摻雜物為異丙基芐胺、 二甲基砜、 蔗糖和環(huán)己胺; (b)甲基苯丙胺PLS定量模型2， 所含摻雜物為吡拉西坦、 明礬和麻黃堿

實驗室在前期已建立了采用中紅外光譜和特征吸收峰法對甲基苯丙胺樣品進行快速定性分析的方法[10]， 該方法能夠基本實現(xiàn)純度大于10%的甲基苯丙胺樣品的定性分析。 在實際測試過程中， 推薦先采用中紅外光譜法對未知樣品進行定性分析， 當判定樣品中含有甲基苯丙胺時， 再采用近紅外光譜法對樣品進行定量分析(圖3)。 考慮到PLS定量模型1適用于高純度未摻雜樣品和出現(xiàn)頻率最高的摻雜樣品類型， 因此先將待測樣品光譜數(shù)據(jù)代入到模型1中， 計算得到定量結果、 馬氏距離值和光譜殘差值， 當待測樣品與建模樣品的馬氏距離值≤2且光譜殘差值≤3時， 定量結果可靠； 否則將樣品光譜數(shù)據(jù)代入到PLS定量模型2， 計算得到模型2對應的定量結果及馬氏距離值和光譜殘差值， 當待測樣品與建模樣品的馬氏距離值≤2且光譜殘差值≤3時， 定量結果可靠； 反之， 定量結果不可靠， 此時需要采用其他方法進行定量分析。

2.7 PLS定量模型準確性的驗證

分別采用液相色譜法和近紅外光譜法對72份驗證樣品進行定量分析， 液相色譜法和近紅外光譜法測定樣品的平均純度分別為74.3%和72.9%， 兩種方法差值序列的平均值為1.38，t統(tǒng)計值為3.0， 比顯著性水平0.05要高， 結果表明這兩個方法的測定結果無顯著性差異。

圖3 甲基苯丙胺的紅外光譜定性、 定量分析流程圖

3 結 論

采用高純度甲基苯丙胺和摻雜物混合制樣的方式， 建立了涵蓋7種摻雜物， 純度范圍覆蓋10%～100%的甲基苯丙胺NIR-PLS定量模型。 由于所包含的摻雜物種類多， 所以分別建立了兩個PLS定量模型以增加預測結果的準確性。 模型1適用于未進行摻雜的高純度甲基苯丙胺樣品以及摻雜物為二甲基砜、 異丙基芐胺、 蔗糖、 二甲基砜及其組合的甲基苯丙胺樣品。 模型2適用于摻雜物為吡拉西坦、 明礬、 麻黃堿的甲基苯丙胺樣品。 該方法制樣簡單、 適用范圍寬、 測試速度快、 定量結果準確、 精度高， 規(guī)避了現(xiàn)有液相色譜法和氣相色譜法中所存在的樣本前處理繁瑣、 檢測時間長、 檢測成本高等問題， 適合于甲基苯丙胺繳獲樣品的快速定量分析。 本研究中涉及的制樣方法和建模方法同樣適用于其他毒品。 可以預見， 未來近紅外光譜將在毒品快速定量檢測中具有廣闊的應用前景。