近紅外光譜技術快速測定西洋參飲片中水分的含量

呂亞新，左春芳，陳文舉，羅蔓菲

西洋參為五加科植物西洋參Panax quinquefolium L.的干燥根，性涼、味甘、微苦，具有滋陰補氣、寧神益智及清熱生津、降火消暑的雙重功效，在保護心腦血管、增強神經(jīng)系統(tǒng)功能、調(diào)節(jié)胰島素分泌及增強免疫力方面也有很好的效果。水分含量是影響飲片質(zhì)量的重要因素，適宜的水分含量，既可以保證藥材的藥效又對藥材的儲藏有利［1，2］，因此控制西洋參飲片的水分含量是控制西洋參飲片質(zhì)量的必要因素。

傳統(tǒng)判斷中藥飲片中水分含量的方法為“以手摸之干燥”這一感性的標準來判斷，遠遠達不到控制藥材質(zhì)量的目的?！吨袊幍洹分须m然也規(guī)定了準確測定西洋參飲片中水分含量的方法——烘干法［3］，但該方法過程煩瑣，不適合快速分析大量樣品，因此需要一種簡單快速的方法來測定飲片中的水分含量。近紅外光譜技術是一種投資及操作費用低、樣品前處理簡單、不用試劑、不污染環(huán)境、測定速度快且準確，既可定性也可定量的分析方法。因此該研究采用近紅外光譜技術對西洋參中的水分含量進行定量測定，以達到對西洋參進行質(zhì)量控制的目的［4-6］。

1 儀器與試藥

1.1 儀器近紅外光譜分析儀： 美國Thermo Nicolet 公司Nicolet 6700 型；分析軟件：TQ 8.0；分析天平：XS105 梅特勒-托利多；粉碎機：浙江溫嶺市大海藥材器械廠RT-01 型；電熱鼓風干燥箱：南京實驗儀器廠DGF30/4-ⅡA。

1.2 試藥西洋參為不同批次的西洋參飲片87份，記為S1、S2、S3、S4、S5、S6、S7、S8、S9、S10、S11…… S83、S84、S85、S86、S87，購自不同的藥店。經(jīng)相關專家鑒定為五加科人參屬西洋參。

2 結(jié)果

2.1 西洋參飲片中水分含量的測定根據(jù)2015 版《中國藥典》第四部通則0832 水分測定法中“烘干法”對西洋參中水分進行測定。具體方法：取供試品3 g，平鋪于干燥至恒重的稱量瓶中，精密稱定，樣品厚度不超過5 mm，在105 ℃條件下干燥5 h，將稱量瓶蓋好瓶蓋放于干燥器中放冷30 min，然后精密稱定，再在上述溫度下干燥1 h，放冷，稱重，直至連續(xù)兩次稱量的差異不超過5 mg。根據(jù)減失的重量，計算水分含量。結(jié)果見表1。

2.2 西洋參中水分的近紅外定量模型的建立及其驗證

2.2.1 近紅外光譜的采集 將87 批樣品粉碎，過四號篩，每批取約5 g，混合均勻，然后放入石英杯中，輕輕攤平，按下述實驗條件采集光譜。采樣方式：積分球漫反射；采集光譜范圍4000～12000 cm-1；分辨率8 cm-1；掃描次數(shù)32 次；溫度（25±2）℃，相對濕度45%～55%。每份樣品掃描3 次，87 份西洋參飲片的NIR 光譜見圖1。

圖1 見封三。

圖1 87 批西洋參飲片的近紅外光譜疊加圖

2.2.2 校正集和驗證集的選擇 將表1 中的測定結(jié)果輸入TQ8.0 分析軟件進行數(shù)據(jù)處理，隨機選擇70 份作為建立模型的校正集、17 份作為驗證集，同時保證驗證集樣品的含量在校正集含量的范圍內(nèi)。具體分布見表2。

2.2.3 光譜預處理方法的選擇 對光譜進行預處理，可以消除外部環(huán)境、儀器狀態(tài)等對模型的影響。結(jié)合偏最小二乘法（PLS）建立校正模型，對不同光譜預處理方法建模得到的內(nèi)部交叉驗證均方差（RMSECV）、決定系數(shù)（R2）進行比較，其中RMSECV 越小，R2越接近1 說明效果越好，詳見表3。從表3 可知，采用一階導數(shù)法對光譜進行預處理后效果最好。

表1 西洋參水分的測定結(jié)果

表2 校正集和驗證集中水分的含量分布

表3 不同預處理方法對模型性能的影響

2.2.4 模型波段的選擇 通過比較不同的波段建模的R2和RMSECV 值，可以看出5601.22～9541.87 cm-1為最佳波段，詳見表4。

表4 建模區(qū)間的選擇對模型性能的影響

2.2.5 主因子數(shù)的選擇 主因子數(shù)對PLS 定量分析模型的RMSECV 的影響見圖2。從圖2 可以看出，RMSECV（0.06877）最小時的主因子數(shù)8 為最佳因子數(shù)。

圖2 校正集RMSECV 與Factor 之間相關圖

2.2.6 校正模型的建立 運用TQ 8.0 定量分析軟件，選擇一階導數(shù)法對光譜預處理、波段在5601.22～9541.87 cm-1、主因子數(shù)為8，結(jié)合PLS 法建立校正模型。70 份校正集樣品NIR 預測值與參考值的相關圖和偏差圖見圖3、圖4。由圖可知校正集樣品的預測值均勻地分布在回歸線的兩側(cè)，預測值接近參考值，該模型成功建立。

2.2.7 水分定量模型的驗證 將17 批驗證集樣品的NIR 圖譜輸入定量模型中，將得到的NIR 預測值與參考值進行比較，計算回收率，得平均回收率為100.52%，結(jié)果見表5。對預測值和實參考值進行t檢驗，t=-1.048，P=0.310>0.05，認為預測值和參考值之間的差異無統(tǒng)計學意義，證明該模型可以預測西洋參飲片中水分的含量。

圖3 水分的預測值與參考值之間相關圖

圖4 水分的預測值與參考值之間的偏差圖

3 討論

近紅外光譜技術是根據(jù)合適的化學計量方法把樣品的近紅外光譜與樣品的參考值關聯(lián)起來建立的校正模型，是一種間接的測定方法［7］。該方法需要收集足夠多的有代表性的樣品并獲得準確的樣品參考值，來建立準確可靠的模型，該研究收集了不同批次的西洋參飲片并按照藥典規(guī)定的烘干法進行測定，通過驗證證明該模型可以用于所收集批次的西洋參中水分的測定。

近紅外光譜技術定量模型建立常用分析方法有主成分分析法（PCA）、多元線性回歸法（MLR）和偏最小二乘法（PLS），而PLS 兼具MLR 和PCA 的優(yōu)點，所以是一種非常常用的校正方法［8］。因此該研究選擇PLS 法作為定量分析模型的校正方法。

近紅外光譜數(shù)據(jù)，除含有樣品本身的信息外，還摻雜了好多不需要的干擾信號，為了消除無關信息和噪聲，提高數(shù)據(jù)分析的準確性，必須對光譜進行預處理，常見的預處理方法有多元散射校正（MSC）、標準歸一化（SNV）和一階導數(shù)法等，不同光譜預處理方法得到的RMSECV 越小、R2越接近1，說明效果越好；另外合適的波段可以提取有效的圖譜信息，降低噪聲，減少干擾信息，提高靈敏度。該研究選擇R2為0.99189 和RMSECV 為0.06877 對應的一階導數(shù)法和波段 （5601.22～9541.87 cm-1）為最優(yōu)預處理方法和最佳波段。

表5 預測值與參考值結(jié)果比較

主因子數(shù)的選擇對所建模型有非常大的影響，主因子數(shù)多，噪聲等影響因素會增多，從而影響模型的預測能力，主因子數(shù)少，模型包含的信息又太少，也會影響模型的準確性。該研究選擇RMSECV（0.06877）最小時的主因子數(shù)8 為最佳因子數(shù)。

該研究采用決定系數(shù)（R2）、內(nèi)部交叉驗證均方差（RMSECV）對模型建立的精確度和準確度進行驗證評價，R2代表模型預測值與參考值之間的相關性，R2越接近1 說明模型建的越成功，RMSECV 為模型的校正標準偏差，RMSECV 越小，預測值越接近參考值［9］。

綜上所述，該方法簡單、安全無污染、預測結(jié)果準確，可以用于西洋參中水分的含量測定。