丹參提取物中輔料糊精的近紅外快速定量分析

劉 倩 徐 冰 羅 贛 李建宇 史新元 喬延江

(北京中醫(yī)藥大學國家中醫(yī)藥管理局中藥信息工程重點研究室，北京，100029)

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

近年來，隨著光譜學及化學計量學的快速發(fā)展，近紅外光譜法由于其全面、快速、無損等優(yōu)點迅速成長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法，通過建立定量模型，測定丹參提取物粉末中輔料糊精含量[5-6]。并使用各種光譜預處理方法，優(yōu)化模型定量效果。比較各預處理方法下的模型預測效果，最終選擇一階導數(shù)為光譜預處理方法[7-8]。優(yōu)化后模型定量效果良好，可準確預測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Thermo Nicolet公司)，Sartorius BS 124型電子天平(德國Sartorius公司)，XW-80A型蝸旋儀(海門市其林貝爾儀器制造有限公司)。

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

2 實驗部分

2.1 樣品的制備 將實驗中所使用的30個批次的丹參提取物隨機編號，每種提取物使用兩次，精密稱取一定量糊精，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見表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，采集時旋轉(zhuǎn)樣品杯，每個樣品掃描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Mathwork公司)，采用Kennard-Stone樣品劃分法將60個樣本劃分為校正集(40個)和驗證集(20個)。

表2 各預處理方法建模結(jié)果

3.2 光譜預處理 采用SIMCA-P 11.5軟件(Umetrics公司)，考察不同光譜預處理方法對近紅外定量模型的影響[9]。其中，多元散射校正(Multiplicative Signal Correction，MSC)和標準正則變換(Standard Normal Variate，SNV)可用來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)生的散射對光譜的影響[10];對光譜數(shù)據(jù)進行基線校正、一階導數(shù)(1std)與二階導數(shù)(2nnd)處理可用以消除光譜基線漂移、強化譜帶特征、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]對光譜數(shù)據(jù)進行平滑處理，可有效平滑高頻噪音，提高信噪比，減少噪音影響。各預處理方法建模結(jié)果見表2。

由表2可看出，經(jīng)一階導數(shù)處理后，模型的預測準確度明顯提高，與原始光譜相比，相對預測偏差(RPD)由3.94增加到6.19;選擇一階導數(shù)處理方法，預測集相關系數(shù) rval及預測誤差均方根(RMSEP)分別為0.9871和1.085%，因此本文采用一階導數(shù)處理方法作為光譜預處理方法[14-15]。

3.3 最優(yōu)潛變量因子數(shù)目的選擇 采用一階導數(shù)光譜預處理方法，分別使用1～20個潛變量因子建立PLS回歸模型，繪制模型校正和預測性能指標隨潛變量因子變化的曲線圖(圖3)。結(jié)合圖3可知，當潛變量因子數(shù)為8時，預測集校正誤差均方根(RMSEC)、交叉驗證均方根誤差(RMSECV)及累積預測殘差平方和(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個潛變量因子下，模型校正集與預測集相關關系如圖4所示。

圖3 模型校正和預測性能指標隨潛變量因子變化曲線圖

圖4 校正集與預測集相關關系圖

4 結(jié)論

本文通過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際糊精含量建立偏最小二乘回歸模型。對樣品光譜進行一階導數(shù)處理，建立潛變量因子數(shù)為8的定量模型。預測集決定系數(shù)rval及預測均方根誤差分別為0.9871和1.085%，模型預測效果良好。結(jié)果顯示，近紅外光譜檢測法可用于丹參提取物中糊精含量的快速測定，并可為其他輔料含量測定方法提供借鑒。

[1]姚金成，張云坤，饒健，等.我國中藥輔料標準存在的問題及對策研究[J].中南藥學，2011，9(06):474-476.

[2]徐冰，羅贛，林兆洲，等.基于過程分析技術和設計空間的金銀花醇沉加醇過程終點檢測[J].高等學?；瘜W學報，2013，34(10):2284-2289.

[3]彭嚴芳，史新元，周璐薇，等.基于四種NIR儀器類型的清開靈注射液中黃芩苷成分的多變量檢測限研究[J].光譜學與光譜分析，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]萬文標，姜紅.近紅外光譜分析及其在藥物原輔料分析中的應用[J].醫(yī)藥導報，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)量控制中的應用[J].中國中藥雜志，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.