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

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

藥用輔料系指生產藥品和調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。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、提高穩定性外，還具有增溶、助溶等其他重要功能。現有藥品質量標準中，輔料質量問題往往被忽視。準確測定輔料含量是當前藥品質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展，近紅外光譜法由于其全面、快速、無損等優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，最終選擇一階導數為光譜預處理方法[7-8]。優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個批次產品)，藥用糊精(遼寧東源藥業有限公司，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，采集時旋轉樣品杯，每個樣品掃描64次。以儀器內置背景做參比，分辨率8 cm-1，波數范圍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生的散射對光譜的影響[10];對光譜數據進行基線校正、一階導數(1std)與二階導數(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]對光譜數據進行平滑處理，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果見表2。

由表2可看出，經一階導數處理后，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;選擇一階導數處理方法，預測集相關系數 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處理方法作為光譜預處理方法[14-15]。

3.3 最優潛變量因子數目的選擇 采用一階導數光譜預處理方法，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)。結合圖3可知，當潛變量因子數為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處理，建立潛變量因子數為8的定量模型。預測集決定系數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].高等學校化學學報，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.