基于紅芪芒柄花素保留率建立纖維性根莖藥材超濾預測模型

柳 春，劉曉霞，魏舒暢，王繼龍，宋曉春，金 輝，李子榮

甘肅中醫藥大學，蘭州 730000

超濾可通過膜濾過的方式使分子量不同的物質分離，在中藥提取液的純化過程中，與目前常用方法相比較，該技術具有過濾精度高、除雜效果好、綠色環保、成本低、適合工業化生產應用、能保持中藥方劑配伍等特點［1，2］。但由于基礎研究不足，目前該技術在用于同類藥材的純化時仍需反復進行工藝優化，因此如何快速、準確預測同一類藥材的超濾純化工藝具有十分重要的意義。

人工神經網絡(artificial neural network，ANN)是以有向圖為拓撲結構的動態系統，它通過對連續的輸入做出狀態響應而進行信息處理［3］，具有良好的自組織、自學習、自適應的非線性映射能力，以及高度的容錯性和魯棒性。BP(back propagation)神經網絡是目前理論最成熟、使用最廣泛的人工神經網絡，它是前向網絡的核心，體現了人工神經網絡最精華的部分，通常包含輸入層、隱含層和輸出層，其學習過程由信號的正向傳遞及誤差的反向傳播兩個過程組成，能對任意非線性函數進行無限逼近，在復雜體系的研究中具有獨特的優勢［4-9］。

本文以纖維性較強的紅芪為研究對象，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據，建立基于BP 神經網絡的芒柄花素保留率預測模型，為成分相近的纖維性根莖藥材在應用超濾純化技術時的工藝模擬提供依據。

1 儀器與材料

SJM-DGN-030 型多功能膜分離設備、SJM-FHM-02 型陶瓷復合膜分離設備，合肥世杰膜工程有限責任公司;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，成都唐氏康寧科技發展有限公司。

紅芪、黃芪藥材均來源于甘肅武都，經甘肅中醫藥大學藥學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 方法與結果

2.1 實驗數據的采集

2.1.1 供試品溶液的制備

按優選的提取工藝(酶用量3.40 mg/g、酶解時間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，不經濃縮(濃度:0.0551 g/mL)在臨界通量值以下改變超濾條件進行超濾。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，取續濾液，即得各供試品溶液。

2.1.2 芒柄花素保留率的測定

采用HPLC 對上述各供試品溶液進行測定，按回歸方程y=1.27 ×105x +1.80 ×104(r=0.9999;y:峰面積;x:質量濃度，μg/mL)計算提取液及各透過液中芒柄花素的含量，進一步計算得到不同超濾條件下的芒柄花素保留率數據。色譜條件為:Agilent ZORBAX SB-C18色譜柱(4.6 mm ×250 mm，5 μm)，檢測波長255 nm，流動相為甲醇-0.2%乙酸(60∶40)，柱溫31 ℃，流速1.0 mL/min，進樣量20 μL。

2.2 數據的整理分組

為防止訓練(學習)過程發生“過擬合”和評價所建模型的性能和泛化能力，從輸入輸出數據中隨機選取50 組數據作為網絡訓練數據，10 組數據作為網絡測試數據。

2.3 輸入/輸出變量的確定及其數據的預處理

為減少BP 網絡的輸入變量數，提高網絡學習速度，選取超濾過程中影響成分保留的主要參數膜孔徑、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、指標值數量級差異過大帶來網絡學習速度慢、神經元易進入飽和狀態的影響，訓練前需對輸入數據進行歸一化處理，使其與輸出數據均分布在(0.1，0.9)之間，數據歸一化公式為:

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 神經網絡拓撲結構的確定

網絡的拓撲結構包括隱含層的層數及各層的節點(神經元)數。為防止網絡復雜化導致網絡訓練時間的增加和“過擬合”的傾向，首先考慮通過增加隱含層節點數來獲得較低的誤差與較好的訓練效果，即采用3 層BP 網絡(有1 個隱含層)。因網絡有3 個輸入變量和1 個輸出變量，所以輸入層節點數為3，輸出層節點數為1。在綜合考慮網絡結構復雜程度與誤差大小的情況下用節點擴張法確定合理的隱層節點數，隱層節點數取誤差迅速減小后基本穩定時的節點數。在綜合考慮精度要求與網絡結構緊湊性后最終確定隱層節點數為6，因此網絡的拓撲結構為3-6-1，如圖1 所示。

圖1 BP 神經網絡拓撲結構Fig.1 Topological structure of BP neural network

2.5 網絡的訓練

將訓練樣本數據代入神經網絡，采用Matlab7.2軟件，利用L-M(Levenberg-Marquardt)改進算法對網絡反復進行訓練，直到輸出誤差達到可以接受的程度或預先設定的訓練次數為止。網絡的參數選取為:最大訓練次數為1000 次，目標誤差為0.001，學習率為0.01，隱含層與輸出層傳遞函數為logsig，訓練函數為trainlm，結果見圖2。

圖2 BP 神經網絡收斂曲線Fig.2 Convergent curve of BP neural network

由圖2 可知，所設計的芒柄花素保留率神經網絡模型用50 個訓練樣本進行訓練，當訓練達到指定訓練次數1000 次時，平均誤差率較小。

2.6 模型的預測

用訓練好的神經網絡對測試樣本數據進行預測，以測試樣本誤差來評價模型的預測精度，結果見圖3、4。

由圖3、4 可知，芒柄花素保留率的預測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 神經網絡具有較高的預測精度和較好的預測效果，可用于預測紅芪酶解提取液超濾的芒柄花素保留率。

圖3 BP 神經網絡預測輸出Fig.3 Predicted output of BP neural network

圖4 BP 神經網絡預測誤差Fig.4 Predicted error of BP neural network

2.7 模型的適用性考察

為進一步考察所建網絡模型對同類藥材的適用性，選用黃芪作為考察藥材，將按最優提取工藝［10］制得的酶解提取液不經濃縮(濃度:0.0585 g/mL)在不同條件下超濾，測定芒柄花素保留率，用所建神經網絡計算各條件下的保留率預測值，結果見表1。

表1 預測值與實測值結果Table 1 Results of predictive value and measured value

由表1 可知，黃芪酶解提取液經超濾后芒柄花素保留率的預測值與實測值也有較好的吻合性，表明研究所得預測模型具有較好的實用價值。

2.8 各條件對芒柄花素保留率的影響

利用已建立的神經網絡對各工藝條件組合進行預測，得最優超濾工藝條件為: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，采用神經網絡預測出變動單個條件下的芒柄花素保留率，得到各條件對芒柄花素保留率的影響規律，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。其中，濾過溫度對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

本研究首次提出對纖維性根莖類藥材的超濾純化工藝建立數學模型，該數學模型的建立可實現對符合使用條件藥材的超濾純化工藝的數學模擬試驗，有效解決質地和成分相近的同類藥材采用該技術時需要反復優化工藝的問題，降低工藝優化成本、縮短工藝研究周期，為陶瓷膜超濾技術在中藥純化領域的廣泛應用起到一定的推動作用。

本研究以甘肅道地藥材紅芪為建立模型時的研究對象，由于建立模型時需要收集大量數據，需反復研究其在不同條件下的超濾情況，在建立數學模型的同時得到該藥材的精制工藝資料，為其精加工和下游產品開發提供有力的技術支撐。

膜污染現象嚴重是制約超濾技術在中藥工業化生產應用的主要因素。由于膜組件在臨界通量以下運行可避免膜表面污染的形成，課題組對實驗用陶瓷膜在不同超濾條件下的臨界通量進行了預測，保證本文的濾過過程始終在低于臨界通量的條件下進行，從而可達到降低膜使用費用、提高生產效率的目的。

課題組將在今后工作中對模型繼續進行完善，以確保模型有較強的實用性，利于該技術的推廣使用。

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(消費導刊)，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(藥學學報)，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(膜科學與技術)，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(武漢工業大學學報)，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 (計算機仿真)，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(膜科學與技術)，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(中國糧油學報)，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.