不同產(chǎn)地甘草的近紅外指紋圖譜模式識(shí)別鑒別方法

楊天鳴，張 璐，付海燕，李鶴東，姜 杜，周 蓉

(中南民族大學(xué) 藥學(xué)院，湖北 武漢 430074)

?

不同產(chǎn)地甘草的近紅外指紋圖譜模式識(shí)別鑒別方法

楊天鳴，張 璐，付海燕*，李鶴東，姜 杜，周 蓉

(中南民族大學(xué) 藥學(xué)院，湖北 武漢 430074)

目的：對(duì)四種產(chǎn)地(新疆、內(nèi)蒙古(家種)、內(nèi)蒙古(野生)、甘肅)的甘草進(jìn)行鑒別。方法：利用近紅外漫反射(NIRDRS)技術(shù)結(jié)合歐氏距離判別分析方法(Euclidean distance discriminant analysis)和偏最小二乘判別分析方法(Partial least-squares discriminant analysis，PLSDA)對(duì)四種產(chǎn)地(新疆、內(nèi)蒙古(家種)、內(nèi)蒙古(野生)、甘肅)的甘草進(jìn)行鑒別。結(jié)果：PLSDA模型對(duì)不同產(chǎn)地甘草的訓(xùn)練集和預(yù)測(cè)集分類正確識(shí)別率均為100.0% 。結(jié)論：近紅外指紋圖譜技術(shù)結(jié)合偏最小二乘判別分析方法為中藥材產(chǎn)地的鑒別提供了一種簡(jiǎn)便、快速、準(zhǔn)確的鑒定方法。

甘草；近紅外光譜；歐氏距離判別分析；偏最小二乘判別分析；產(chǎn)地

甘草(GlycyrrhizauraiensisFisch)又名甜草根、粉草、靈通、國(guó)老，為豆科甘草屬多年生草本植物。甘草是臨床應(yīng)用最廣泛的中藥，以根莖入藥，味甘、性平，歸心、肺、脾、胃經(jīng)，具有補(bǔ)脾益氣、清熱解毒、祛痰止咳、緩急止痛、調(diào)和諸藥等多種功效。甘草資源主要分布在北緯38°以北的東西走向的帶狀區(qū)域內(nèi)，通常按照主產(chǎn)區(qū)分為東甘草、西甘草和新疆甘草3類，其中分布于內(nèi)蒙古、寧夏地區(qū)的西甘草藥材質(zhì)量最好，甘草酸含量高[1]，故以內(nèi)蒙古、甘肅、寧夏等地為道地產(chǎn)地。目前市面上采購(gòu)的甘草來(lái)源復(fù)雜，藥材質(zhì)量參差不齊。因此研究甘草產(chǎn)地快速簡(jiǎn)便準(zhǔn)確的鑒定方法具有重要的實(shí)際意義和應(yīng)用價(jià)值。本文將中藥近紅外指紋圖譜技術(shù)[2-3]與化學(xué)計(jì)量學(xué)方法結(jié)合，對(duì)四種產(chǎn)地的甘草進(jìn)行模式識(shí)別(歐氏距離判別分析和偏最小二乘判別分析)，實(shí)現(xiàn)了不同產(chǎn)地甘草的鑒別分析，現(xiàn)報(bào)道如下。

1 材料與儀器

1.1 材料

甘草藥材均購(gòu)買(mǎi)于武漢同仁堂大藥房，來(lái)源于四個(gè)不同產(chǎn)地：新疆、內(nèi)蒙古(家種)、內(nèi)蒙古(野生)、甘肅。

1.2 儀器

AntarisⅡ傅里葉變換近紅外光譜儀(美國(guó)Thermo Nicolet 公司，配有InGaAs檢測(cè)器和石英樣品杯，使用積分球漫反射采樣系統(tǒng)和Result軟件采集樣品光譜)； FW100型高速萬(wàn)能中藥粉碎機(jī)(天津市泰斯特儀器有限公司)；200 目標(biāo)準(zhǔn)檢驗(yàn)篩，孔徑0.074mm(浙江上虞五四紗篩廠)。

2 方法

2.1 樣品制備

實(shí)驗(yàn)所用藥材全部采用中藥粉碎機(jī)粉碎后過(guò)200目標(biāo)準(zhǔn)檢驗(yàn)篩，所得細(xì)粉置于60℃下真空干燥24h，儲(chǔ)存于干燥器內(nèi)備用。

2.2 近紅外指紋圖譜采集

取上述甘草樣品粉末適量置于石英樣品測(cè)量杯內(nèi)，攤平，壓實(shí)，以空氣為空白參比扣除背景(每測(cè)定一種甘草粉末，均要以空氣為空白參比測(cè)試背景)，采集光譜圖。采集方式：積分球漫反射；掃描次數(shù)：32次；分辨率：8cm-1；采集光譜區(qū)間：10 000～4 000cm-1；相對(duì)濕度：(43.0±2.0)%；溫度：(24.0±1.0)℃。每個(gè)樣品采集100次，共得到400張近紅外光譜。隨機(jī)將400條近紅外光譜劃分為訓(xùn)練集和預(yù)測(cè)集，具體劃分信息見(jiàn)表1。

表1 樣品數(shù)據(jù)集劃分信息 (n)

2.3 光譜數(shù)據(jù)處理

所采集的光譜數(shù)據(jù)通過(guò)多元散射校正(MSC)或二階導(dǎo)數(shù)(SD)校正進(jìn)行光譜數(shù)據(jù)的預(yù)處理。歐氏距離判別分析(Euclidean distance discriminant analysis)、偏最小二乘判別分析(Partial least-squares discriminant analysis)程序均在MATLAB環(huán)境下自編及運(yùn)行。

3 結(jié)果與討論

3.1 近紅外光譜指紋圖譜采集及光譜預(yù)處理

在近紅外光譜的測(cè)試過(guò)程中，測(cè)試樣品顆粒度的均一性、光散射和噪聲干擾等因素均會(huì)對(duì)測(cè)試的光吸收度產(chǎn)生影響。因此在建立模型前，對(duì)樣品近紅外光譜進(jìn)行了多元散射校正(Multiplicative scatter correction)和二階導(dǎo)數(shù)(Second derivative)的光譜預(yù)處理。四個(gè)產(chǎn)地甘草供試品粉末的近紅外光譜如圖1所示。

從圖1可以看出，樣品的原始光譜重疊嚴(yán)重，很難直觀地通過(guò)光譜的峰強(qiáng)、峰形和峰位來(lái)進(jìn)行分辨鑒別。為建立更為可靠穩(wěn)定的應(yīng)用模型，可以對(duì)樣品原始光譜進(jìn)行預(yù)處理，采用多元散射校正(MSC)的方法可有效減少由于樣品固體顆粒度不均勻等物理因素引起的光譜散射影響，二階導(dǎo)數(shù)校正(SD)的預(yù)處理方法被用來(lái)消除光譜基線漂移和傾斜所產(chǎn)生的差異，從而改善光譜的分辨峰。

圖1 四個(gè)產(chǎn)地的甘草近紅外(NIR)光譜

注：(a)原始光譜；(b)多元散射校正(MSC)光譜；(c)二階導(dǎo)數(shù)(SD)光譜

3.2 甘草產(chǎn)地歐氏距離判別分析

對(duì)四種不同產(chǎn)地甘草的400條近紅外光譜的原始光譜、MSC光譜和SD光譜建立歐氏距離判別分析模型。圖2為歐氏距離判別分析對(duì)四種產(chǎn)地甘草的原始光譜(a)、MSC光譜(b)和SD光譜(c)數(shù)據(jù)的相似度比較結(jié)果。

從圖2可以看出，歐氏距離判別模型NIR原始光譜的數(shù)據(jù)處理結(jié)果中，新疆和甘肅產(chǎn)地的甘草最為相似，其次是內(nèi)蒙古(野生)甘草，內(nèi)蒙古(家種)甘草與其他3種甘草差異最大；NIR多元散射校正光譜的數(shù)據(jù)處理結(jié)果中，新疆和內(nèi)蒙古(家種)的甘草相似度最高，其次是甘肅甘草，內(nèi)蒙古(野生)甘草與其他3種甘草差異最大；NIR二階導(dǎo)數(shù)光譜的數(shù)據(jù)處理結(jié)果則表明內(nèi)蒙古的兩種甘草最相似，其次是新疆甘草，甘肅甘草與其他3種甘草差異最大。二階導(dǎo)數(shù)光譜能消除光譜噪聲和基線漂移，其判別結(jié)果更為合理。

3.3 甘草產(chǎn)地的偏最小二乘判別分析

偏最小二乘判別分析(PLSDA)[4-6]方法分解數(shù)據(jù)矩陣得到的特征向量與被測(cè)組分的性質(zhì)相關(guān)，而不是與數(shù)據(jù)矩陣中變化最大的變量相關(guān)。該方法首先對(duì)四種產(chǎn)地的甘草進(jìn)行虛擬的矩陣編碼，通過(guò)對(duì)用于訓(xùn)練模型的中藥材資源進(jìn)行虛擬編碼，每一行代表一個(gè)樣品，將其虛擬編碼為隸屬于第k種藥性的矢量code=fk，其編碼原則為第k個(gè)元素為1，其余元素均為0的矢量。由此，可將用于訓(xùn)練PLSDA模型的不同藥性藥材編碼為一個(gè)矩陣In×m，該矩陣的行數(shù)等于建模所用的藥材樣本數(shù)n，列數(shù)等于藥材不同產(chǎn)地的種類數(shù)m。對(duì)In×m的每一列對(duì)獲得的特征信息矩陣Xn×q進(jìn)行PLS回歸，回歸矩陣Bp×m的每一列為PLS的回歸系數(shù)量，即In×m=Xn×qBq×m。其中，q是近紅外光譜指紋信息區(qū)間所含的波長(zhǎng)數(shù)，m是產(chǎn)地種類數(shù)，最佳隱變量數(shù)由n-重交互驗(yàn)證確定。

圖2 四種甘草近紅外(NIR)原始光譜(a)、多元散射校正(MSC)光譜(b)和二階導(dǎo)數(shù)(SD)光譜(c)歐氏距離判別分析

采用PLSDA模型可將四個(gè)產(chǎn)地的甘草每個(gè)樣品分別編碼為fl(1,0,0,0)；f2(0,1,0,0)；f3(0,0,1,0)；f4(0,0,0,1)， PLSDA 使用f1～f4的虛擬碼關(guān)聯(lián)整個(gè)光譜變量，可獲得與被測(cè)組分或性質(zhì)相關(guān)的特征數(shù)據(jù)矩陣。PLSDA模型對(duì)原始光譜數(shù)據(jù)以及經(jīng)過(guò)多元散射校正(MSC)和二階導(dǎo)數(shù)校正(SD)預(yù)處理過(guò)的光譜數(shù)據(jù)分別進(jìn)行5-倍交互驗(yàn)證，每個(gè)PLSDA模型最小的模型訓(xùn)練和預(yù)測(cè)錯(cuò)判數(shù)在隱變量取6時(shí)獲得。圖3是隱變量等于6時(shí)，PLSDA模型基于近紅外原始光譜數(shù)據(jù)對(duì)4種甘草樣品中136個(gè)訓(xùn)練集樣本和264個(gè)預(yù)測(cè)集樣品類別的虛擬編碼歸屬圖，圖中f1～f4分別代表產(chǎn)地為新疆、內(nèi)蒙古(家種)、內(nèi)蒙古(野生)、甘肅的甘草樣品。

圖3 四種來(lái)源甘草近紅外(NIR)光譜PLSDA模型

續(xù)圖3 四種來(lái)源甘草近紅外(NIR)光譜PLSDA模型

注：(a)原始光譜訓(xùn)練集判別結(jié)果；(b)原始光譜預(yù)測(cè)集集判別結(jié)果；(c)多元散射校正(MSC)光譜訓(xùn)練集判別結(jié)果；(d)多元散射校正(MSC)光譜預(yù)測(cè)集判別結(jié)果；(e)二階導(dǎo)數(shù)(SD)光譜訓(xùn)練集判別結(jié)果；(f)二階導(dǎo)數(shù)(SD)光譜預(yù)測(cè)集判別結(jié)果

采用PLSDA方法，在取隱變量為6時(shí)，分別基于NIR原始光譜和兩種校正光譜獲得模型的訓(xùn)練和預(yù)測(cè)結(jié)果，見(jiàn)表2。

由表2可知，基于NIR光譜的原始、MSC、SD光譜的PLSDA模型對(duì)不同產(chǎn)地的四種甘草樣品的訓(xùn)練和預(yù)測(cè)結(jié)果正確率均為100.0%。結(jié)果表明該模式識(shí)別方法可以提取出樣品中最能代表各類樣本分類性質(zhì)及特征的信息量，消除了一些無(wú)關(guān)信息變量的干擾，實(shí)現(xiàn)了對(duì)不同產(chǎn)地的四種甘草的準(zhǔn)確判別。

表2 基于NIR光譜PLSDA模型判別分析 (%)

4 結(jié)論

采用二階導(dǎo)數(shù)校正甘草的近紅外光譜后，歐氏距離判別分析方法能清晰地反映不同來(lái)源甘草的相似程度。內(nèi)蒙古的兩種甘草(野生、家種)最為相似，與其接近的是新疆甘草，甘肅甘草與其他3種甘草差異較大。采用偏最小二乘判別分析方法建立的判別模型對(duì)訓(xùn)練集已知甘草樣本的分類準(zhǔn)確率達(dá)到100.0%，對(duì)預(yù)測(cè)集未知甘草樣本的預(yù)測(cè)正確率也達(dá)到100.0%，表明該模型具有很好的預(yù)測(cè)性能，可用于甘草藥材不同種植產(chǎn)地的分類鑒別。該方法為中藥材的產(chǎn)地鑒定、基源判別提供了全面可靠、準(zhǔn)確真實(shí)、迅速簡(jiǎn)便的檢測(cè)手段。

[1] 姚靜慧,楊柏燦.從產(chǎn)地及生長(zhǎng)環(huán)境探析甘草的功能特性[J].中成藥,2014,36(9):1941-1944.

[2] 楊天鳴,吳燕,蘇蕊,等.中藥材及炮制品的近紅外指紋圖譜模式識(shí)別快速鑒別方法[J].化學(xué)與生物工程, 2014,31(9):67-70.

[3] 孫麗英,楊天鳴,王云英.不同產(chǎn)地黃柏的近紅外指紋圖譜鑒別分析[J].計(jì)算機(jī)與應(yīng)用化學(xué),2008,25(3):329-332.

[4] MEHMOOD T, LILAND KH, SNIPEN L,et al.A Review of Variable Selection Methods in Partial Least Squares Regression[J].Chemom Intell Lab Syst,2012,118(1):62-69.

[5] RITTHIRUANGDEJ P,KASEMSUMRAN S,SUWONSICHON T, et al. Determination of total nitrogen content, pH, density, refractive index, and brix in Thai fish sauces and their classification by near-infrared spectroscopy with searching combination moving window partial least squares[J].Analyst, 2005,130(10):1439-1445.

[6] LUTZ U, LUTZ R W, LUTZ W K. Metabolic Profiling of Glucuronides in Human Urine by LC-MS/MS and Partial Least-Squares Discriminant Analysis for Classification and Prediction of Gender[J].Analytical Chemistry,2006,78(13):4564-4571.

(責(zé)任編輯：尹晨茹)

Rapid Identification of Different Origin of Licorice by Near Infrared Spectroscopy and Pattern Recognition Method

Yang Tianming, Zhang Lu, Fu Haiyan*, Li Hedong, Jiang Du, Zhou Rong

(College of pharmacy, South-Central University for Nationalities, Wuhan 430074, China)

Objective:To indentify Xinjiang, Inner Mongolia (seed), four (wild) in Inner Mongolia, gansu origin of radix glycyrrhizae.Methods:The similarity of four different origin (Sinking, Nei monggol (cultivatted) , Nei monggol (agrestal) and Gansu) of licorice were rapidly calculated by near-infrared diffuse reflectance spectroscopy (NIRDRS) combined with Euclidean distance discriminant analysis and Partial least-squares discriminant analysis (PLSDA). Meanwhile, four different origin of licorice were rapidly identified by NIRDRS coupled with PLSDA.Results:Perfect classification ratio with 100% was obtained for the NIR fingerprint information based on PLSDA model, which indicated that the model had good classification performance.Conclusion:An efficient, nondestructive and accurate detection method was established for identification of origin of Chinese herbs by NIRDRS combined with PLSDA.

Licorice;NIR Spectroscopy;Euclidean Distance Discriminant Analysis;Partial Least-squares Discriminant Analysis;Place of Origin

2015-05-21

國(guó)家自然科學(xué)基金資助項(xiàng)目(21205145)；中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目(CZZ10005，CZZ12028，CZY13019)

楊天鳴(1962-)，男，中南民族大學(xué)教授，研究方向?yàn)樗幬锓治觥⒒瘜W(xué)生物學(xué)。

付海燕(1983-)，女，中南民族大學(xué)副教授，研究方向?yàn)樗幬锓治觥-mail:fuhaiyan@mail.scuec.edu.cn

R284.1

A

1673-2197(2015)14-0011-04

10.11954/ytctyy.201514005