腰痹通膠囊4種中間體粒徑的近紅外光譜通用定量模型研究

張永超，徐芳芳，張 欣，徐 冰，趙月梅，朱文燈，吳 云，王振中，肖 偉,

腰痹通膠囊4種中間體粒徑的近紅外光譜通用定量模型研究

張永超1，徐芳芳2, 3, 4*，張 欣2, 3, 4，徐 冰5，趙月梅2, 3, 4，朱文燈2, 3, 4，吳 云2, 3, 4，王振中2, 3, 4，肖 偉1, 2, 3, 4*

1. 南京中醫(yī)藥大學，江蘇 南京 210000 2. 江蘇康緣藥業(yè)股份有限公司，江蘇 連云港 222001 3. 中藥制藥過程新技術國家重點實驗室，江蘇 連云港 222001 4. 中成藥智能制造國家地方聯(lián)合工程研究中心，江蘇 連云港 222001 5. 北京中醫(yī)藥大學，北京 100029

旨在通過近紅外光譜（NIRS）信息與腰痹通膠囊（Yaobitong Capsules，YC）中間體中值粒徑（50）的關系分析，探討對該品種生產過程中4種中間體建立50近紅外通用定量模型的可行性。采集YC生產過程中的原料細粉、干燥顆粒、整粒顆粒和總混顆粒4種中間體的NIRS，考察不同預處理方法對模型的影響，并采用間隔偏最小二乘法（iPLS）、組合間隔偏最小二乘法（siPLS）和移動窗口偏最小二乘法（mwPLS）優(yōu)選NIRS波段，采用偏最小二乘法（PLS）對4種中間體建立1個50通用定量模型。通用模型的交叉驗證均方根誤差（RMSECV）為3.918 μm，預測均方根誤差（RMSEP）為2.832 μm，預測相對偏差（RSEP）為2.26%，小于5%，性能偏差比（RPD）為4.60，大于3，該模型可以用于定量測定，且與獨立模型比，預測準確性相差不大。NIRS通用定量模型可用于YC 4種中間體50的測定。

腰痹通膠囊；近紅外光譜技術；偏最小二乘法；粒徑；中值粒徑；通用模型

腰痹通膠囊（Yaobitong Capsules，YC）是由三七、川芎、延胡索、白芍、牛膝、狗脊、熟大黃、獨活8味中藥組成，具有活血化瘀、祛風除濕的功效，主要用于治療腰椎間盤突出癥[1]。顆粒粒徑是評價制粒所得顆粒是否合格的關鍵指標[2-3]，并對多個關鍵質量屬性有影響，例如吸濕穩(wěn)定性[4]、流動性[5]、可壓縮性[6]、溶出度[7]，它還影響制粒工藝參數的選擇[8]及膠囊的填充[9]。在實際生產應用中，中值粒徑（50）是評價顆粒粒徑的主要指標，50是指粒徑分布累積達到50%時對應的粒徑值[10-11]，它能較準確的反映樣本的粒徑情況。目前，YC正在進行工藝優(yōu)化提升質量標準，50擬納入質量內控標準。

近紅外光譜（near infrared spectrum，NIRS）技術與化學計量法結合，能夠實現(xiàn)快速檢測化學成分含量及物理性質指標，在藥材鑒別與化學成分含量快速測定中應用較多[12?14]，但較少用來快速檢測物性指標。粒徑信息可以通過NIRS基線的變化反映出來[15]，已有研究者將NIRS技術用于粒徑的快速檢測。Rosas等[16]以實驗室自制尼美舒利為研究對象，成功開發(fā)出NIRS快速檢測顆粒粒徑分布（＜125 μm、125～250 μm、＞250 μm）的模型，模型的預測均方根誤差（root mean square error of prediction，RMSEP）為2.5%。Otsuka等[17]采用NIRS技術實時監(jiān)控實驗室規(guī)模的撲熱息痛散流化床制粒過程，建立了顆粒50的快速檢測方法，模型的校正集相關系數達0.961。Pauli等[18]開發(fā)了3個在線NIRS定量分析方法，用于測定雙氯芬酸鈉濕法制粒和流化床干燥過程中的顆粒粒徑分布，預測值在允許的誤差范圍內。潘曉寧[19]以黨參與玄參藥材為研究對象，分別構建了粒徑分布累積為10%、50%、90%對應的粒徑值（10、50、90）的NIRS定量預測模型。上述研究表明，NIRS技術結合化學計量法是可以測定藥物顆粒粒徑的，但多數研究都是針對某一類樣本進行分析，且都集中于化學藥領域。通用模型是指針對某個指標建立一個模型，可以用于分析2種及以上的樣本，通用性強，可以節(jié)約較多成本。建立一個穩(wěn)定、可靠的NIRS定量預測模型是一項較為復雜的工作，耗時長且成本高。如果能針對兩種及以上的樣本建立一個通用的模型，將會提升檢測效率，節(jié)約成本。本研究以YC生產過程中的4種中間體為研究對象，通過采集4種中間體的近紅外漫反射光譜，以中間體50為參考值，采用偏最小二乘法（partial least squares，PLS）建立一個檢測4種中間體50的通用方法。

1 儀器與材料

1.1 儀器

Antaris II型傅里葉近紅外變換光譜儀，配有積分球漫反射采樣系統(tǒng)、Result光譜采集軟件，美國Thermo公司；BT-2600激光粒度分布儀，丹東百特儀器有限公司。

1.2 材料

YC生產過程中的中間體，包含原料細粉、干燥顆粒、整粒顆粒和總混顆粒，由江蘇康緣藥業(yè)股份有限公司提供。本研究收集的樣品為2019年8月至2020年5月生產的中間體樣品，收集到的中間體樣品批次為Z190801～Z190820、Z190901～Z190918、Z200301～Z200320、Z200401～Z200420、Z200501～Z200502，包含4種中間體共320個樣品。

2 方法

2.1 NIRS采集

取4 g左右樣品，置于配備的樣品杯里，輕輕壓實，采用積分球漫反射方式采集NIRS。掃描范圍為10 000～4000 cm?1，分辨率為8 cm?1，2倍增益，掃描次數64次，以空氣為背景，每小時掃描1次背景。每個樣品掃描3次，平均值用于分析。

2.2 參考值測定

激光粒度分布儀法測粒徑代表性強且適用于粒徑小的顆粒[10]，“1.2”項下的樣本粒徑小于550 μm，采用該法測粒徑結果較為準確。取適量樣品置于進料斗中，使用BT-2600激光粒度分布儀測定樣品的粒徑分布，并計算50（粒徑分布累積為50%時對應的粒徑值）。參數設置：分散介質為空氣，空氣壓力為0.25 MPa，遮光率為3%～12%。

2.3 光譜預處理方法

采集光譜時，由于受到環(huán)境溫濕度、儀器狀態(tài)以及顆粒狀態(tài)等各種因素的影響，NIRS會產生噪聲信號、基線漂移等，獲取的光譜中包含了自身的信息以及其他不必要的信號。對NIRS進行合適的預處理，可以減少噪聲，濾過無關信息，提高模型穩(wěn)健性。常見的預處理方法有矢量歸一化法、導數法（一階導數、二階導數）、平滑法［Savitzky-Golay（SG）平滑、Norris Derivative（ND）平滑］、多元散射校正（multiplicative scatter correction，MSC）、標準正態(tài)變量變換法（standard normal variate transformation，SNV）、基線校正以及上述幾種方法的結合。矢量歸一化法能增強光譜差異，可以校正由光程或樣品稀釋等導致的光譜變化；MSC和SNV可以消除顆粒大小、分布不勻帶來的干擾；導數法可以消除基線漂移；平滑法能夠濾除噪聲[20-21]。

2.4 數據處理與評價方法

采用Unscramble X 10.4（Camo software AS，Norway）軟件對NIRS進行預處理，采用Matlab 2016a（Mathwork Inc.，USA）軟件對樣本進行變量篩選與建模，采用留一交叉驗證法以交叉驗證均方根誤差（root mean square errors of cross validation，RMSECV）為評價指標確定主因子數。以中間體50為因變量，以對應的NIRS值為自變量建立PLS定量模型。本研究以下列參數來評價模型性能，以優(yōu)選最佳模型。校正集相關系數（cal）、驗證集相關系數（pre）分別表示校正模型與驗證模型的擬合程度，cal和pre越大，模型擬合效果越好；校正均方根誤差（root mean square errors of calibration，RMSEC）、RMSEP分別指校正模型與驗證模型中參考值與預測值之間的均方根誤差，越小模型預測性能越高；校正集偏差（BIAScal）和驗證集偏差（BIASpre）分別表示校正模型與驗證模型中參考值與預測值之間的偏差，其越小，模型預測精度越 高[22-23]。預測相對偏差（relative standard error of prediction，RSEP）是模型中參考值與預測值之間的相對偏差，一般RSEP越小模型預測性能越好；性能偏差比（ratio of performance to deviation，RPD）表示模型預測性能，是標準差（SD）與RMSEP的比值，當RPD＞3時，表示模型預測精度高[24]。各項評價參數不能孤立參考，需要綜合起來評價。

3 結果與分析

3.1 樣本劃分

采用隨機抽樣（random sampling，RS）法劃分校正集與驗證集，并保證驗證集中參考值范圍包含于校正集中[12]。每種中間體按照3∶1的比例劃分校正集與驗證集，隨機選取60個樣品作為校正集，20個樣品作為驗證集；通用模型的校正集為4種中間體校正集的總和，共240個樣品，驗證集為4種中間體驗證集的總和，共80個樣品，劃分結果見表1。

表1 樣品校正集與驗證集參考方法測定值的統(tǒng)計結果

3.2 光譜預處理方法的選擇

YC中間體的近紅外原始光譜見圖1。本研究考察了以下預處理方法：移動窗口平滑（9點）、SNV、S-G 1st（9點）、基線校正、MSC、歸一化法。使用上述方法對光譜進行預處理后，建立50的PLS定量模型，不同預處理方法對模型性能的影響如表2所示。以RPD與RSEP為評價標準，篩選最優(yōu)的預處理方法。由表2可知，原料細粉模型中，一階求導結合S-G平滑對光譜進行預處理建模效果最優(yōu)，RPD為4.50，RSEP為2.30%；干燥顆粒模型中，采用移動窗口平滑（9點）預處理方法最佳，RPD為4.12，RSEP為1.88%；整粒顆粒模型里，采用原始光譜建模比進行預處理后建模效果好，RPD為4.15，RSEP為1.80%；總混顆粒模型采用移動窗口平滑（9點）方法對光譜進行預處理后建模效果最好，RPD為4.84，RSEP為1.54%；通用模型中，采用原始光譜建模性能最佳，RPD為4.60，RSEP為2.26%。

圖1 YC中間體近紅外原始光譜

表2 不同預處理方法對模型的影響

3.3 特征變量篩選

篩選特征變量可以剔除無關信息，提高模型性能。本研究在上述篩選出的最佳預處理方法基礎上進一步篩選特征變量。

3.3.1 基于間隔偏最小二乘法（interval PLS，iPLS）篩選變量 iPLS是把全光譜劃分成若干個子區(qū)間，然后在每個子區(qū)間進行建模[25]。本研究將全光譜劃分成20個子區(qū)間，以RMSECV為評價指標，篩選最佳建模波段。

3.3.2 基于組合間隔偏最小二乘法（synergy interval PLS，siPLS）篩選變量 siPLS是基于iPLS，它是將全光譜劃分成若干個子區(qū)間后，再把子區(qū)間任意組合起來建模。本研究是把全光譜劃分成20個子區(qū)間，再以子區(qū)間組合數為4建立模型，以RMSECV為評價指標，篩選最佳建模波段。

3.3.3 基于移動窗口偏最小二乘法（moving window PLS，mwPLS）篩選變量 mwPLS是從整個光譜的第一個波長點開始移動，沿波長變化的方向截取選定窗口寬度的區(qū)間，建立一系列的PLS模型[26]。本研究以初始窗口寬度為31，以10為步長依次增加窗口寬度，建立了窗口寬度為31～311的PLS模型，并根據RMSECV選取最佳建模波段。

3.3.4 篩選特征變量 采用3種方法建立模型的性能參數如表3～7所示。分別以RMSEC、RMSECV、RMSEP為評價指標，綜合評價篩選出建模的最佳波段。

原料細粉模型采用全光譜建模與mwPLS優(yōu)選的波段建模性能相差不大，但是篩選波段后變量減少至115個，建模時間會縮短，因此選擇建模波段3 999.64～4 018.92、5 739.12～6 136.38 cm?1。

干燥顆粒模型采用siPLS和mwPLS篩選變量后，模型性能均有所提高，變量數分別減少到392、278個，但mwPLS篩選變量后的波點數更少且cal、pre較大，RMSEC、RMSEP較小，故采用波段4 030.50～4 219.49、4 443.19～4 504.90、6 957.91～7 767.86 cm?1建模。

表3 原料細粉優(yōu)選區(qū)間建模與全光譜建模的比較

表4 干燥顆粒優(yōu)選區(qū)間建模與全光譜建模的比較

表5 整粒顆粒優(yōu)選區(qū)間建模與全光譜建模的比較

表6 總混顆粒優(yōu)選區(qū)間建模與全光譜建模的比較

表7 通用模型優(yōu)選區(qū)間建模與全光譜建模的比較

整粒顆粒模型采用siPLS與mwPLS篩選變量模型性能有所提升，變量數分別減少至312、83個，但mwPLS的cal、pre更大，RMSEC、RMSEP也較小，且波點數也較少，故選用波段4 933.02～ 4 971.59、5 982.10～6 213.52、7 359.03～7 397.60 cm?1建模。

總混顆粒模型采用mwPLS法進行波段篩選后，cal、pre均變大，RMSEC、RMSEP均變小，模型性能提高，因此選用波段4 015.07～42 342.6、 4 396.90～4 524.18、7 667.58～7 698.44、8 369.54～8 454.40 cm?1建模。

通用模型篩選變量后雖然降低了模型復雜程度，但是模型性能卻不及全光譜模型，可能是因為通用模型是包含4個中間體信息的共用模型，采用波段篩選可能會使重要信息的流失，造成模型性能降低，故通用模型采用全波段建模。

3.4 主因子數的確定

以RMSECV值為評價指標確定主因子數，主因子數選擇不當會導致擬合不充分或擬合過度，一般以RMSECV值最小時對應的主因子數為最佳。本研究采用留一交叉驗證法，以RMSECV為指標，考察主因子數對模型的影響。最終確定原料細粉模型、干燥顆粒模型、整粒顆粒模型、總混顆粒模型和通用模型的最佳主因子數分別為6、15、12、11、14。

3.5 D50定量預測模型的建立

采用篩選出來的最佳預處理方法及最優(yōu)NIRS波段建立50近紅外定量預測模型，見圖2。優(yōu)選出來的原料細粉、干燥顆粒、整粒顆粒、總混顆粒和通用模型的評價參數見表8。各項模型的cal、pre接近于1，說明參考值與預測值相關性較高；RMSEC、RMSECV、RMSEP、RSEP較小，RPD大于3，說明模型預測性能較高，可以用于50的定量預測。

3.6 模型驗證與評價

將驗證集樣品的NIRS導入校正模型中，預測中間體的50，并與參考值進行比較，結果見表9～10。原料細粉模型、干燥顆粒模型、整粒顆粒模型、總混顆粒模型及通用模型50的平均相對預測誤差分別為1.94%、1.43%、1.46%、1.21%、1.87%，均小于5%，說明2種模型的預測準確性均較高。由表11可知，獨立模型與通用模型對各中間體50的預測誤差的差值均小于1%，說明二者的預測性能相近。

對原料細粉、干燥顆粒、整粒顆粒、總混顆粒和通用模型的驗證集中參考值與預測值進行配對檢驗，結果值依次為0.22、0.17、?0.42、?0.38、0.75，值依次為0.825、0.866、0.678、0.706、0.454，值均＞0.05，說明參考值與預測值之間無顯著性差異。

表8 最佳模型的評價參數

表9 NIRS參考值與預測值的比較(獨立模型)

表10 NIRS參考值與預測值的比較(通用模型)

表11 獨立模型與通用模型相對預測誤差比較

4 討論

本研究以YC為研究對象，收集其生產過程中的原料細粉、干燥顆粒、整粒顆粒及總混顆粒共4種中間體，采用NIRS技術結合PLS建立了預測中間體50的通用定量模型。各項評價指標表明，通用定量模型預測準確性高、能滿足實際需求，且與單一模型比預測性能差異不大，可以實現(xiàn)對4種中間體50的測定。

本研究中的通用模型是基于一個品種中差異不大的中間體建立起來的，通用模型預測效果較好，可能是因為中間體的50有一定差異但還在可接受范圍內，且由于這種差異使得50的分布范圍變寬，更利于建模，但對不同品種建立相關指標的通用模型的可行性還有待探索。相比激光粒度分布儀法，NIRS法測粒徑會更快，若應用于在線研究將無需取樣，提高分析效率。目前，NIRS通用模型在制藥領域研究較少，若將NIRS技術與通用模型結合起來，建立的NIRS通用模型將具備快速準確、無損綠色、節(jié)約成本等優(yōu)點，可以為中藥生產過程實現(xiàn)在線檢測相關指標提供更好的方法。

本研究是初步證明了YC 4種中間體近紅外50通用定量模型的可行性，后續(xù)完善該模型還應當加入更多的樣本，以及后續(xù)生產的持續(xù)驗證，并朝著在線監(jiān)測方向上研究。

利益沖突 所有作者均聲明不存在利益沖突

[1] 中國藥典 [S]. 一部. 2015.

[2] 臧恒昌, 臧立軒, 張惠, 等. 近紅外光譜分析技術在制藥領域中的應用研究進展 [J]. 藥學研究, 2014, 33(3): 125-128.

[3] 姜爽, 楊海龍, 臧恒昌. 近紅外光譜分析技術在中藥生產過程質量控制領域的應用 [J]. 食品與藥品, 2013, 15(2): 135-138.

[4] 李瓊, 趙磊, 王權. 不同粒度黃芪三七膠囊粉體學性質及質量的初步對比 [J]. 現(xiàn)代中藥研究與實踐, 2019, 33(6): 32-35.

[5] Goh H P, Heng P W S, Liew C V. Comparative evaluation of powder flow parameters with reference to particle size and shape [J]., 2018, 547(1/2): 133-141.

[6] Fu X W, Huck D, Makein L,. Effect of particle shape and size on flow properties of lactose powders [J]., 2012, 10(2): 203-208.

[7] 梁兆昌, 褚洪標, 肖琳, 等. 杜仲超微粉體理化特性及體外溶出性能研究 [J]. 中草藥, 2015, 46(11): 1609-1614.

[8] 李淞明, 周永全, 王玲, 等. 中藥浸膏粉物理性質及其表征方法的研究進展 [J]. 中成藥, 2015, 37(11): 2491-2494.

[9] Faulhammer E, Llusa M, Radeke C,. The effects of material attributes on capsule fill weight and weight variability in dosator nozzle machines [J]., 2014, 471(1/2): 332-338.

[10] 許俊男, 涂傳智, 陳穎翀, 等. 激光粒度測定法在中藥粉體粒徑測定中的應用與思考 [J]. 世界科學技術—中醫(yī)藥現(xiàn)代化, 2016, 18(10): 1776-1781.

[11] 宋曉嬌, 夏俊, 陳峰, 等. 粒度檢測方法研究及其在口服吸入制劑研發(fā)中的應用 [J]. 藥物評價研究, 2019, 42(12): 2319-2324.

[12] 雷曉晴, 王秀麗, 李耿, 等. 近紅外光譜法快速測定當歸中7種成分的含量 [J]. 中草藥, 2019, 50(16): 3947-3954.

[13] 王晴, 徐芳芳, 張欣, 等. 在線近紅外光譜監(jiān)測桂枝茯苓膠囊流化床干燥過程水分的方法研究 [J]. 中草藥, 2019, 50(22): 5429-5438.

[14] 高鴻彬, 瞿敏, 劉浩, 等. 不同產地覆盆子的近紅外漫反射快速無損鑒別 [J]. 世界中醫(yī)藥, 2020, 15(10): 1386-1390.

[15] Liu R, Li L, Yin W,. Near-infrared spectroscopy monitoring and control of the fluidized bed granulation and coating processes-A review [J]., 2017, 530(1/2): 308-315.

[16] Rosas J G, Blanco M, González J M,. Real-time determination of critical quality attributes using near-infrared spectroscopy: A contribution for process analytical technology (PAT) [J]., 2012, 97: 163-170.

[17] Otsuka M, Koyama A, Hattori Y. Real-time release monitoring for water content and mean particle size of granules in lab-sized fluid-bed granulator by near-infrared spectroscopy [J]., 2014, 4(34): 17461.

[18] Pauli V, Roggo Y, Kleinebudde P,. Real-time monitoring of particle size distribution in a continuous granulation and drying process by near infrared spectroscopy [J]., 2019, 141:90-99.

[19] 潘曉寧. 基于Kubelka-Munk理論的中藥近紅外漫反射定量研究 [D]. 北京: 北京中醫(yī)藥大學, 2016.

[20] 范劍. 近紅外光譜技術在干姜和桂枝混合蒸餾提取過程中的應用研究 [D]. 濟南: 山東大學, 2017.

[21] 楊越. 基于近紅外光譜技術的中藥生產過程質量控制方法研究 [D]. 杭州: 浙江大學, 2018.

[22] 李春燕. 近紅外光譜法在葛根活性成分含量快速測定中的應用研究 [D]. 新鄉(xiāng): 新鄉(xiāng)醫(yī)學院, 2018.

[23] 王永香, 鄭偉然, 米慧娟, 等. 熱毒寧注射液青蒿金銀花濃縮過程近紅外快速定量檢測方法的建立 [J]. 中草藥, 2017, 48(1): 102-108.

[24] 張娜, 徐冰, 賈帥蕓, 等. 丹參提取過程多源信息融合建模方法研究 [J]. 中草藥, 2018, 49(6): 1304-1310.

[25] 吳靜珠, 石瑞杰, 陳巖, 等. 食用油油酸的近紅外特征譜區(qū)優(yōu)選 [J]. 中國糧油學報, 2015, 30(2): 118-121.

[26] 陳玥洋, 高志山, 郁曉暉, 等. 基于區(qū)間組合移動窗口法篩選近紅外光譜信息[J]. 應用光學, 2017, 38(1): 99-105.

Research on near-infrared universal quantitative model of four intermediate particle sizes of Yaobitong Capsules

ZHANG Yong-chao1, XU Fang-fang2, 3, 4, ZHANG Xin2, 3, 4, XU Bing5, ZHAO Yue-mei2, 3, 4, ZHU Wen-deng2, 3, 4, WU Yun2, 3, 4, WANG Zhen-zhong2, 3, 4, XIAO Wei1, 2, 3, 4

1. Nanjing University of Chinese Medicine, Nanjing 210000, China 2. Jiangsu Kanion Pharmaceutical Co., Ltd., Lianyungang 222001, China 3. State Key Laboratory of New-tech for Chinese Medicine Pharmaceutical Process, Lianyungang 222001, China 4. The National & Local Joint Engineering Research Center on the Intelligent manufacturing of TCM, Lianyungang 222001, China 5. Beijing University of Chinese Medicine, Beijing 100029, China

To explore the feasibility of establishing a50near-infrared universal quantitative model for the four intermediates in the productive process of Yaobitong Capsules (YC) by analyzing the relationship between near infrared spectrum (NIRS) information and the median particle size (50).The NIRS of the four intermediates in the production of YC, including raw material fine powder, dry particles, sieving particles and total mixed particles, were collected. Different pretreatment methods were investigated. The interval partial least squares (iPLS), the synergy interval partial least squares (siPLS), and moving window partial least squares (mwPLS) were used to screen the optimal NIRS interval. The partial least squares (PLS) method was employed to build a50universal quantitative model for the four intermediates.In the universal model, the root mean square error of cross-validation (RMSECV) was 3.918 μm, the root mean square error of prediction (RMSEP) was 2.832 μm; The relative standard error of prediction (RSEP) was 2.26%, which was less than 5%; The ratio of predicton to deviation (RPD) was 4.60, which was greater than 3. The universal model could be used for quantitative determination, and its prediction accuracy was close to that of the independent model.The NIRS universal quantitative model can be used to determine the50of four intermediates in YC.

Yaobitong Capsules; near infrared spectroscopy; partial least squares; particle size; median diameter; universal model

R283.6

A

0253 - 2670(2021)01 - 0055 - 10

10.7501/j.issn.0253-2670.2021.01.008

2020-08-24

國家科技重大專項：基于功效成分群的中藥口服固體制劑先進制藥與信息化技術融合示范應用（2018ZX09201010-004）；康緣中藥智能化固體制劑工廠項目（KYYY190820）

張永超（1995—），女，碩士研究生，研究方向為中藥制藥技術與工程。E-mail: zyc020896@163.com

肖 偉，研究員級高級工程師，博士，研究方向為中藥新藥的研究與開發(fā)。Tel: (025)87181851 E-mail: kanionlunwen@163.com

徐芳芳，博士，研究方向為過程分析技術。E-mail: 879164331@qq.com

[責任編輯 鄭禮勝]