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(cè)模型

柳 春，劉曉霞，魏舒暢，王繼龍，宋曉春，金 輝，李子榮

甘肅中醫(yī)藥大學(xué)，蘭州 730000

超濾可通過膜濾過的方式使分子量不同的物質(zhì)分離，在中藥提取液的純化過程中，與目前常用方法相比較，該技術(shù)具有過濾精度高、除雜效果好、綠色環(huán)保、成本低、適合工業(yè)化生產(chǎn)應(yīng)用、能保持中藥方劑配伍等特點(diǎn)［1，2］。但由于基礎(chǔ)研究不足，目前該技術(shù)在用于同類藥材的純化時(shí)仍需反復(fù)進(jìn)行工藝優(yōu)化，因此如何快速、準(zhǔn)確預(yù)測(cè)同一類藥材的超濾純化工藝具有十分重要的意義。

人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)是以有向圖為拓?fù)浣Y(jié)構(gòu)的動(dòng)態(tài)系統(tǒng)，它通過對(duì)連續(xù)的輸入做出狀態(tài)響應(yīng)而進(jìn)行信息處理［3］，具有良好的自組織、自學(xué)習(xí)、自適應(yīng)的非線性映射能力，以及高度的容錯(cuò)性和魯棒性。BP(back propagation)神經(jīng)網(wǎng)絡(luò)是目前理論最成熟、使用最廣泛的人工神經(jīng)網(wǎng)絡(luò)，它是前向網(wǎng)絡(luò)的核心，體現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)最精華的部分，通常包含輸入層、隱含層和輸出層，其學(xué)習(xí)過程由信號(hào)的正向傳遞及誤差的反向傳播兩個(gè)過程組成，能對(duì)任意非線性函數(shù)進(jìn)行無限逼近，在復(fù)雜體系的研究中具有獨(dú)特的優(yōu)勢(shì)［4-9］。

本文以纖維性較強(qiáng)的紅芪為研究對(duì)象，收集其酶解提取液在不同超濾條件下的芒柄花素保留率數(shù)據(jù)，建立基于BP 神經(jīng)網(wǎng)絡(luò)的芒柄花素保留率預(yù)測(cè)模型，為成分相近的纖維性根莖藥材在應(yīng)用超濾純化技術(shù)時(shí)的工藝模擬提供依據(jù)。

1 儀器與材料

SJM-DGN-030 型多功能膜分離設(shè)備、SJM-FHM-02 型陶瓷復(fù)合膜分離設(shè)備，合肥世杰膜工程有限責(zé)任公司;Waters 600E-2487 型高效液相色譜儀，美國Waters 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。

紅芪、黃芪藥材均來源于甘肅武都，經(jīng)甘肅中醫(yī)藥大學(xué)藥學(xué)院魏舒暢教授鑒定分別為豆科植物多序巖黃芪Hedysarum polybotrys Hand.-Mazz.和蒙古黃芪Astragalus membranaceus (Fisch.)Bge.var.mongholicus (Bge.)Hsiao 的干燥根。纖維素酶、木聚糖酶、果膠酶均購于甘肅華羚生物科技有限公司;甲醇為色譜純，其他試劑均為分析純。

2 方法與結(jié)果

2.1 實(shí)驗(yàn)數(shù)據(jù)的采集

2.1.1 供試品溶液的制備

按優(yōu)選的提取工藝(酶用量3.40 mg/g、酶解時(shí)間110 min，總加水量22 倍，共提取3 次，每次50 min)制備紅芪酶解提取液，不經(jīng)濃縮(濃度:0.0551 g/mL)在臨界通量值以下改變超濾條件進(jìn)行超濾。分別將各透過液及提取液濃縮至每1 mL 濃縮液相當(dāng)于0.25 g 原藥材，精密移取濃縮液10 mL，用乙酸乙酯萃取(20 mL×3)，合并萃取液，揮干溶劑，提取液濃縮物加甲醇溶解定容至10 mL 量瓶中，搖勻，濾過，取續(xù)濾液，即得各供試品溶液。

2.1.2 芒柄花素保留率的測(cè)定

采用HPLC 對(duì)上述各供試品溶液進(jìn)行測(cè)定，按回歸方程y=1.27 ×105x +1.80 ×104(r=0.9999;y:峰面積;x:質(zhì)量濃度，μg/mL)計(jì)算提取液及各透過液中芒柄花素的含量，進(jìn)一步計(jì)算得到不同超濾條件下的芒柄花素保留率數(shù)據(jù)。色譜條件為:Agilent ZORBAX SB-C18色譜柱(4.6 mm ×250 mm，5 μm)，檢測(cè)波長255 nm，流動(dòng)相為甲醇-0.2%乙酸(60∶40)，柱溫31 ℃，流速1.0 mL/min，進(jìn)樣量20 μL。

2.2 數(shù)據(jù)的整理分組

為防止訓(xùn)練(學(xué)習(xí))過程發(fā)生“過擬合”和評(píng)價(jià)所建模型的性能和泛化能力，從輸入輸出數(shù)據(jù)中隨機(jī)選取50 組數(shù)據(jù)作為網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)，10 組數(shù)據(jù)作為網(wǎng)絡(luò)測(cè)試數(shù)據(jù)。

2.3 輸入/輸出變量的確定及其數(shù)據(jù)的預(yù)處理

為減少BP 網(wǎng)絡(luò)的輸入變量數(shù)，提高網(wǎng)絡(luò)學(xué)習(xí)速度，選取超濾過程中影響成分保留的主要參數(shù)膜孔徑、操作壓力、濾過溫度為輸入變量，芒柄花素保留率為輸出變量。

為消除量綱不同、指標(biāo)值數(shù)量級(jí)差異過大帶來網(wǎng)絡(luò)學(xué)習(xí)速度慢、神經(jīng)元易進(jìn)入飽和狀態(tài)的影響，訓(xùn)練前需對(duì)輸入數(shù)據(jù)進(jìn)行歸一化處理，使其與輸出數(shù)據(jù)均分布在(0.1，0.9)之間，數(shù)據(jù)歸一化公式為:

式中，xn為x 的歸一化值，xmin、xmax分別為x 的最小值和最大值。

2.4 神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的確定

網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)包括隱含層的層數(shù)及各層的節(jié)點(diǎn)(神經(jīng)元)數(shù)。為防止網(wǎng)絡(luò)復(fù)雜化導(dǎo)致網(wǎng)絡(luò)訓(xùn)練時(shí)間的增加和“過擬合”的傾向，首先考慮通過增加隱含層節(jié)點(diǎn)數(shù)來獲得較低的誤差與較好的訓(xùn)練效果，即采用3 層BP 網(wǎng)絡(luò)(有1 個(gè)隱含層)。因網(wǎng)絡(luò)有3 個(gè)輸入變量和1 個(gè)輸出變量，所以輸入層節(jié)點(diǎn)數(shù)為3，輸出層節(jié)點(diǎn)數(shù)為1。在綜合考慮網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜程度與誤差大小的情況下用節(jié)點(diǎn)擴(kuò)張法確定合理的隱層節(jié)點(diǎn)數(shù)，隱層節(jié)點(diǎn)數(shù)取誤差迅速減小后基本穩(wěn)定時(shí)的節(jié)點(diǎn)數(shù)。在綜合考慮精度要求與網(wǎng)絡(luò)結(jié)構(gòu)緊湊性后最終確定隱層節(jié)點(diǎn)數(shù)為6，因此網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)為3-6-1，如圖1 所示。

圖1 BP 神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)Fig.1 Topological structure of BP neural network

2.5 網(wǎng)絡(luò)的訓(xùn)練

將訓(xùn)練樣本數(shù)據(jù)代入神經(jīng)網(wǎng)絡(luò)，采用Matlab7.2軟件，利用L-M(Levenberg-Marquardt)改進(jìn)算法對(duì)網(wǎng)絡(luò)反復(fù)進(jìn)行訓(xùn)練，直到輸出誤差達(dá)到可以接受的程度或預(yù)先設(shè)定的訓(xùn)練次數(shù)為止。網(wǎng)絡(luò)的參數(shù)選取為:最大訓(xùn)練次數(shù)為1000 次，目標(biāo)誤差為0.001，學(xué)習(xí)率為0.01，隱含層與輸出層傳遞函數(shù)為logsig，訓(xùn)練函數(shù)為trainlm，結(jié)果見圖2。

圖2 BP 神經(jīng)網(wǎng)絡(luò)收斂曲線Fig.2 Convergent curve of BP neural network

由圖2 可知，所設(shè)計(jì)的芒柄花素保留率神經(jīng)網(wǎng)絡(luò)模型用50 個(gè)訓(xùn)練樣本進(jìn)行訓(xùn)練，當(dāng)訓(xùn)練達(dá)到指定訓(xùn)練次數(shù)1000 次時(shí)，平均誤差率較小。

2.6 模型的預(yù)測(cè)

用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對(duì)測(cè)試樣本數(shù)據(jù)進(jìn)行預(yù)測(cè)，以測(cè)試樣本誤差來評(píng)價(jià)模型的預(yù)測(cè)精度，結(jié)果見圖3、4。

由圖3、4 可知，芒柄花素保留率的預(yù)測(cè)輸出與期望輸出吻合較好，誤差在-2.62%～3.35%之間，平均誤差率為1.78%。說明該BP 神經(jīng)網(wǎng)絡(luò)具有較高的預(yù)測(cè)精度和較好的預(yù)測(cè)效果，可用于預(yù)測(cè)紅芪酶解提取液超濾的芒柄花素保留率。

圖3 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出Fig.3 Predicted output of BP neural network

圖4 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差Fig.4 Predicted error of BP neural network

2.7 模型的適用性考察

為進(jìn)一步考察所建網(wǎng)絡(luò)模型對(duì)同類藥材的適用性，選用黃芪作為考察藥材，將按最優(yōu)提取工藝［10］制得的酶解提取液不經(jīng)濃縮(濃度:0.0585 g/mL)在不同條件下超濾，測(cè)定芒柄花素保留率，用所建神經(jīng)網(wǎng)絡(luò)計(jì)算各條件下的保留率預(yù)測(cè)值，結(jié)果見表1。

表1 預(yù)測(cè)值與實(shí)測(cè)值結(jié)果Table 1 Results of predictive value and measured value

由表1 可知，黃芪酶解提取液經(jīng)超濾后芒柄花素保留率的預(yù)測(cè)值與實(shí)測(cè)值也有較好的吻合性，表明研究所得預(yù)測(cè)模型具有較好的實(shí)用價(jià)值。

2.8 各條件對(duì)芒柄花素保留率的影響

利用已建立的神經(jīng)網(wǎng)絡(luò)對(duì)各工藝條件組合進(jìn)行預(yù)測(cè)，得最優(yōu)超濾工藝條件為:膜孔徑100 nm，操作壓力0.15 Mpa，濾過溫度45 ℃。以該條件組合為準(zhǔn)，采用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)出變動(dòng)單個(gè)條件下的芒柄花素保留率，得到各條件對(duì)芒柄花素保留率的影響規(guī)律，如圖5 所示。

由圖5 可知，芒柄花素保留率隨膜孔徑(A)、操作壓力(B)和濾過溫度(C)的升高，均呈先上升后平衡的趨勢(shì)。其中，濾過溫度對(duì)芒柄花素保留率的影響顯著，膜孔徑次之，操作壓力的影響較小。

圖5 膜孔徑(A)、操作壓力(B)和濾過溫度(C)對(duì)芒柄花素保留率的影響Fig.5 Effects of membrane pore size (A)，operating pressure (B)and temperature (C)on the retention rate of formononetin

3 討論

本研究首次提出對(duì)纖維性根莖類藥材的超濾純化工藝建立數(shù)學(xué)模型，該數(shù)學(xué)模型的建立可實(shí)現(xiàn)對(duì)符合使用條件藥材的超濾純化工藝的數(shù)學(xué)模擬試驗(yàn)，有效解決質(zhì)地和成分相近的同類藥材采用該技術(shù)時(shí)需要反復(fù)優(yōu)化工藝的問題，降低工藝優(yōu)化成本、縮短工藝研究周期，為陶瓷膜超濾技術(shù)在中藥純化領(lǐng)域的廣泛應(yīng)用起到一定的推動(dòng)作用。

本研究以甘肅道地藥材紅芪為建立模型時(shí)的研究對(duì)象，由于建立模型時(shí)需要收集大量數(shù)據(jù)，需反復(fù)研究其在不同條件下的超濾情況，在建立數(shù)學(xué)模型的同時(shí)得到該藥材的精制工藝資料，為其精加工和下游產(chǎn)品開發(fā)提供有力的技術(shù)支撐。

膜污染現(xiàn)象嚴(yán)重是制約超濾技術(shù)在中藥工業(yè)化生產(chǎn)應(yīng)用的主要因素。由于膜組件在臨界通量以下運(yùn)行可避免膜表面污染的形成，課題組對(duì)實(shí)驗(yàn)用陶瓷膜在不同超濾條件下的臨界通量進(jìn)行了預(yù)測(cè)，保證本文的濾過過程始終在低于臨界通量的條件下進(jìn)行，從而可達(dá)到降低膜使用費(fèi)用、提高生產(chǎn)效率的目的。

課題組將在今后工作中對(duì)模型繼續(xù)進(jìn)行完善，以確保模型有較強(qiáng)的實(shí)用性，利于該技術(shù)的推廣使用。

1 Xu H(徐緩)，Zhang W(張偉)，Deng YH(鄧意輝).Application of ultrafiltration in the pharmaceutical analysis and determination.Chin J Pharm Anal(藥物分析雜志)，2013，33:717-723.

2 Cheng P(程鵬)，Wu C(武超)，Hua J(華劍)，et al.Principle and application of ultrafiltration membrane separation inthe field of traditional chinese medicine.Guide China Med(中國醫(yī)藥指南)，2010，11:47-50.

3 Liang S(梁碩)，Pei YT(裴元騰)，Niu C(牛成).Human advanced thinking and artificial neural network.Consume Guide(消費(fèi)導(dǎo)刊)，2006，11:531-532.

4 Fu XH(傅曉華)，Ye YF(葉毅芳)，Luo MJ(羅美娟)，et al.Prediction of blood tacrolimus concentration in liver transplantation recipients by artificial neural network.Acta Pharm Sin(藥學(xué)學(xué)報(bào))，2012，47:1134-1140.

5 Du SL(杜邵龍)，Zhou CS(周春山)，Zhang J(張杰).Dynamic simulation and prediction of degumming of coix seed oil using ultrafiltration based on neural networks.Membrane Sci Technol(膜科學(xué)與技術(shù))，2007，27:17-22.

6 Shen B(沈斌)，Qi FP(漆奮平)，Jiang W(江維)，et al.Analysis and implement of separate Chinese medicine based on BP network.J Wuhan Inst Tech(武漢工業(yè)大學(xué)學(xué)報(bào))，2009，31:55-58.

7 Li LJ(李玲娟)，Li G(李剛).Application and implementation of BP neural net in Chinese herbal medicine's membrane filtration.Computer Simulation (計(jì)算機(jī)仿真)，2009，26:195-199.

8 Guo LW(郭立瑋)，Li LJ(李玲娟)，Dong J(董潔).Study on membrane separation process of Chinese medicine's water extraction based on the method of computer chemistry.Membrane Sci Technol(膜科學(xué)與技術(shù))，2011，31:196-204.

9 Cao DM(曹冬梅)，Zhang DJ(張東杰)，Lu BX(鹿保鑫)，et al.Application in prediction of rice quality in storage of neural network.J Chin Cereals Oils Assoc(中國糧油學(xué)報(bào))，2014，29:108-112.

10 Bao XH(包旭宏)，Wang JL(王繼龍)，Wei SH(魏舒暢)，et al.Enzymatic extraction process of calycosin glucoside and pormononetin in Astragali Radix with quadratic general rotary unitized design.Chin Tradit Herb Drugs(中草藥)，2014，45:2641-2646.