熱毒寧注射液金銀花提取過程軌跡研究＊

王 磊，楊 越，潘紅燁，陳永杰，陳 勇

（1.浙江大學藥學院現代中藥研究所 杭州 310058;2.江蘇康緣藥業股份有限公司 連云港 222001）

熱毒寧注射液金銀花提取過程軌跡研究＊

王 磊1，楊 越1，潘紅燁1，陳永杰2，陳 勇＊＊

（1.浙江大學藥學院現代中藥研究所 杭州 310058;2.江蘇康緣藥業股份有限公司 連云港 222001）

目的：建立熱毒寧注射液金銀花提取過程軌跡，實現對提取過程的全程在線監控，為中藥生產批次間質量控制提供參考。方法：收集多批次金銀花提取過程的近紅外光譜（NIRs）數據，并使用多元統計過程控制技術（MSPC）建立提取過程軌跡，實現對提取過程的全程監控。結果：建立的熱毒寧注射液金銀花提取過程的主成分得分，Hotelling T2和DModX軌跡圖能夠檢測到過程的異常情況。結論：基于近紅外光譜數據和MSPC技術建立的過程軌跡圖可以反應中藥生產的過程變化，可以用于對中藥生產的全程監控。

熱毒寧注射液 金銀花提取 近紅外光譜 多元統計控制 過程監控

中藥生產多以批次生產為主，加強批次間產品的質量可靠性和一致性是保證中藥質量均一性、穩定性和安全性的基礎，為了實現這一目標，必須對批次生產的全程進行監管和控制[1]。目前中藥生產批次質量的檢驗仍以工段終點中間體的離線檢驗為主，這種離線檢驗的方法工作量繁雜，人工和時間成本巨大，造成資源的極大浪費。此外，離線抽檢只是對終點樣本進行檢測，但是終點樣本并不能夠反映過程變量的變化，即使檢測結果表明批次產品質量異常，也不能夠很好地回溯到生產過程尋找導致批次產品質量異常的原因。因此，為了找到異常發生的根本原因，對批次生產全程質量的監管和控制研究顯得尤為重要。

2004年，美國食品藥品監督管理局（Food and Drug Administration,FDA）提出過程分析技術（Process Analytical Technology,PAT）[2,3]，旨在將研究分析的重點從過程終點轉移到藥物設計和藥物生產的過程。PAT是以實時監測原材料、中間體和過程的關鍵質量和性能特征為手段，建立起來的一種設計、分析和控制生產的系統，PTA作為生產過程的分析和控制，是依據生產過程中的周期性檢測、關鍵質量參數的控制、原材料和中間產品的質量控制及生產過程，確保最終產品質量達到認可標準的程序。近年來，PAT已經成為實現生產過程實時測量的強大工具之一，其常用的方法有光譜法、色譜法、質譜法及其聯用方法等。其中，近紅外光譜技術（Near Infrared Spectrum,NIRs）是一種高效便捷的過程變量檢測技術[4]，NIRs具有檢測快速、操作簡便、單次樣品處理量大、樣品破壞性小、同時攜帶物理和化學過程變量信息等優點，被廣泛應用于各種藥物生產過程的在線質量控制[5-8]。

多變量統計過程控制(Multivariate Statistical Process Control，MSPC）技術能對過程進行有效的監控，及時發現過程中的生產異常，從而提高過程生產中的安全性。在藥物生產過程中，通過NIRs進行在線質量監控，在NIRs所得數據的基礎上，使用多變量統計過程控制方法[9,10]，基于主成分分析（Principal Component Analysis,PCA）[11]或者偏最小二乘（partial least squares,PLS）方法[12]，將NIR提供的高維數據通過投影的方式降維到少數變量定義的低維空間，從大量數據中提取反應過程運行的有效信息，即可建立變量隨時間有序變化的統計控制模型—過程軌跡圖。通過判斷生產過程是否在軌跡圖的控制限內合理地變化，實現對中藥生產全程的監控。本研究以熱毒寧注射液生產中金銀花提取過程為例，建立金銀花提取過程軌跡并用于對提取過程的實時監控，考察過程軌跡方法對藥物生產過程全程質量監控的可行性，為中藥生產的批次間質量控制提供方法參考。

圖1 提取罐改造圖

表1 金銀花提取批次設計表

圖2 近紅外光譜數據矩陣的展開方式

1 材料和方法

1.1 儀器和藥材

Luminar3060 AOTF-NIR光譜儀（BRIMROSE USA）；SNAP光譜采集軟件；小型中試提取罐（40 L）。金銀花藥材由江蘇省康緣藥業提供。

1.2 提取工藝和提取罐改造

稱取一定量金銀花藥材，加水適量，調節至一定pH，進行回流提取。金銀花提取過程約90 min，每5 min采集一次光譜，每個批次采集18個點，提取罐改造見圖1。在提取罐底部進行改造，采集光譜時，首先打開閥門1、2、3、4、5，開啟變頻微型泵，讓藥液充滿流通池所在管道，關閉閥門4和5，使藥液靜止在流通池所在的管道，采集光譜。循環采集光譜時，打開閥門4和5，同時關閉閥門3，使新鮮藥液持續通過流通池，采集光譜。如需取樣，關閉閥門4和5時，打開閥門6和7，破除閥門4和5之間管道的真空狀態即可取樣。

1.3 批次設計

提取實驗批次見表1，其中批次1～6的光譜數據來源于熱毒寧注射液的正常生產批次（NOC），用于建立正常的過程軌跡。批次7～9來源于小型提取車間的模擬生產。批次7模擬正常生產，批次8～9模擬異常生產批次。在自動化生產中，加水量和提取時間由程序控制，本研究不作考察。為了保證金銀花提取質量的穩定性，金銀花提取一般需要在弱酸性條件下提取[13]，未調酸提取會導致金銀花中成分的轉化，異常批次8在提取前不進行調酸操作，主要考察在非弱酸性條件下金銀花提取過程的異常軌跡以及驗證建立的正常批次軌跡模型對此類異常批次的監控能力。在實際生產中，中間體的質量往往還受到前一個工段中間體或者生產原料的影響，當多批次物料的生產過程軌跡圖均處于過程軌跡圖上下限附近時，提醒質管人員加強對前一工段中間體或者原料的質量控制，異常批次9主要考察使用劣質藥材（指標成分含量約為正常藥材的一半）為原料條件下金銀花提取過程的異常軌跡以及驗證建立的正常批次軌跡模型對此類異常批次的監控能力。

1.4 光譜采集

光譜采集方式為透射法，以提取溶劑水為參比，光譜掃描范圍1 100～2 300 nm，波長增量2 nm，掃描次數300次，分辨率2 nm。

1.5 過程軌跡圖的建立

1.5.1 數據預處理

采集的近紅外光譜是一個三維矩陣X（I×J×K），其中I代表批次，J代表時間，K代表變量即波長。在建立MSPC模型之前，首先需要對矩陣進行展開并降維，常見的矩陣展開方式有按變量方向展開和按批次展開（見圖2），不同的展開方式有不同的目的，按批次展開方式是把矩陣X轉化為二維矩陣X1（I×KJ），每一行代表一個生產批次中所有時間點的所有光譜變量響應值。按變量展開則是把矩陣X分解為二維矩陣X2（IJ×K），每一列代表一個光譜變量在所有生產批次中的所有時間點上的響應值[14]。建立過程軌跡圖的目的是監控不同批次整個過程變量的變化，所以本研究選擇將矩陣按變量方向展開。

展開后的矩陣仍然存在大量高度相關的變量，需要使用PCA和PLS等方法對數據進行降維，簡化過程監控的研究，并且通過選擇投影的主成分數，去除原始數據中的噪聲，提高模型的性能。本研究使用主成分貢獻率累計和百分比（CPV）選擇需要投影的主成分數。CPV達到80%以上為宜，這樣既能夠降低損失的信息，又能夠達到減少變量、簡化問題的目的。

1.5.2 MSPC控制圖的選擇

本研究選擇主成分得分、Hotelling T2和DModX建立過程軌跡圖[15]。Hotelling T2控制圖和DModX控制圖二者相互補充，在實際應用中常聯合使用以提高判斷準確性。T2統計量反應的是主成分模型內部的變化，表征樣本到主成分模型的距離，在變量間相互關系結構不發生改變的情況下，若某個時間點的樣本T2值超出控制限時，說明該時間點樣本的輸入變量具有較大的變化；DModX統計量反映主成分模型外部的變化，主要通過考察模型對樣本點的擬合殘差來監控輸入變量間的數據結構，當DModX值超出控制限，表明被監控變量間的相關關系發生改變或者當前DModX模型不再適用[16,17]。

2 結果和討論

2.1 NIR光譜分析

一個典型的金銀花提取過程NOC批次光譜見圖3，從圖中可以看出，原始光譜在1 450 nm附近有強吸收峰，主要是酚酸類物質和水的-OH的一級伸縮。1 920 nm附近吸收峰主要是提取溶劑水的合頻區，為了減少水分對過程光譜的影響，去除掉該特征波段。最后，波段選取1 100～1 900 nm，同時使用1stderivative對光譜進行處理，以去除光譜中的噪聲信息。

2.2 提取過程軌跡的建立

將預處理后的光譜矩陣按變量方向展開，使用PLS方法對矩陣進行降維。以光譜采樣時間點的相對順序作為響應變量Y，建立基于6個NOC批次光譜數據的軌跡圖監控模型。前兩個主成分的CPV達到82.8%，說明前兩個主成分已經可以解釋大部分的模型變化。

圖3 金銀花提取過程近紅外光譜圖

圖4 金銀花提取過程趨勢

為了直觀的表示提取過程變化的趨勢，對前兩個主成分得分進行作圖，見圖4，箭頭方向即為提取進程的趨勢。設置置信限為95%,計算各個樣本的Hotelling T2和DModX的值和控制限[14]，結果如圖5所示，圖A、圖B和圖C分別為提取過程的Hotelling T2控制圖、DModX控制圖和主成分得分（主成分1）軌跡圖的監控模型。

金銀花提取過程監控模型見圖5。提取過程初始，主成分軌跡圖和DModX控制圖波動較大，這是因為提取開始各種過程變量變化較大，如工藝參數尚未穩定，提取初始各種成分溶出速度不一致，導致變量結構尚未穩定。隨著時間的變化，軌跡圖逐漸變得穩定平滑，說明輸入過程變量和過程變量的結構已經趨于穩定。

2.3 過程軌跡圖的驗證

圖5 金銀花提取過程監控模型

圖6 金銀花提取過程監控模型-批次7

金銀花提取過程軌跡圖監控模型建立后，嵌入可以實時讀取過程變量的PKS[18]系統，即可以實現對金銀花提取過程新的生產批次進行實時監控。但是在正式投入使用前，還要對建立的統計模型的監控能力進行驗證。測試批次7為模擬正常生產批次，用于考察所建模型對正常生產批次的監控能力，其提取過程軌跡圖見圖6，在3種監控模型中，批次7沒有采樣點落在控制限之外，同時批次7的過程軌跡與6個NOC批次建立的監控模型軌跡基本一致，說明所建軌跡圖監控模型可以很好地用于對正常生產批次過程軌跡的監控。

圖7 金銀花提取過程監控模型-批次8～9

批次8（未調酸提取）和批次9（藥材質量不合格）用于考察所建軌跡圖監控模型對異常生產批次的監控能力，其過程軌跡圖見圖7。批次8沒有進行調酸提取，導致提取液pH較高。金銀花中含有綠原酸、隱綠原酸等多種成分，在中性和堿性條件下，這些成分很容易降解轉化[19]，這會導致變量的數據結構發生較大的變化。在主成分軌跡圖和Hotelling T2軌跡圖中，批次8在提取初始仍有部分采樣點在控制圖的控制限內，但隨著時間的變化，批次8的過程軌跡與監控模型的過程軌跡的偏離不斷變大，說明過程變量在不斷變化。在DModX控制圖中，批次8所有采樣點都在控制限外，且與控制限差異巨大，說明在檢測數據結構變化方面，DModX控制圖更為靈敏。批次9藥材質量不合格，藥材中成分含量較低，但批次9無其他異常工藝操作，所以有部分采樣點落在3種模型的控制限之內，且批次9的過程軌跡和NOC批次建立的過程軌跡偏離不大。但是批次9大部分采樣點在控制限之外，因此仍可判斷為異常批次。批次8和批次9的驗證結果說明所建軌跡圖模型可以很好地用于對異常生產批次過程軌跡的監控。

3 結論

本研究以熱毒寧注射液金銀花提取過程為例，建立了一種NIR光譜結合MSPC方法建立中藥提取過程軌跡和監控模型的方法，實驗結果表明過程軌跡可以很好地反應中藥生產的過程變化，檢測出異常批次。說明該方法可以很好地實現對中藥生產的全程監控，這為工段放行提供判斷依據，為中藥生產全程實時監控、智能診斷以及智能放行的研究奠定基礎。

本研究也有許多可以改進的地方，影響中藥生產的因素眾多，本研究使用NIR光譜來綜合表征提取過程的變量變化，但并未將提取溫度，提取真空度等過程參數考慮在內，后續研究可以將過程參數和近紅外光譜數據聯合使用建立過程軌跡圖；本研究以金銀花提取過程為例，所以在異常批次設計時，選擇藥材質量不合格為異常因素，推廣到其他工段應為研究原料或者前一個工段的中間體的質量；建立主成分得分軌跡圖時，本研究只以第一主成分為例建立過程軌跡，但是不同的主成分代表著不同的信息，參與建立過程軌跡的主成分應該根據具體生產工段和生產需求進行選擇。針對不同的監控需求建立相應的過程軌跡圖監控模型后，即可對中藥生產全程的各個方面進行監控，極大地提高中藥生產過程的風險管控能力。

1 熊皓舒.中藥質量及制藥過程一致性評價方法研究.浙江大學博士學位論文,2013.

2 Peterson J J,Lief K.The ICH Q8 Definition of Design Space：A Comparison of the Overlapping Means and the Bayesian Predictive Approaches.Stat Biopharm Res,2010,2(2)：249-259.

3 董芹,臧恒昌,劉愛華,等.過程分析技術在制藥領域的應用及對我國制藥行業的啟示.中國藥學雜志,2010,45(12)：881-884.

4 劉全.近紅外光譜技術在中藥生產過程質量分析中的應用研究.浙江大學碩士學位論文,2004.

5 段焰青,王家俊,楊濤,等.FT-NIR光譜法定量分析煙草薄片中5種化學成分.激光與紅外,2007,349(10)：1058-1061.

6 許春瑾,張睿,于修燭,等.基于近紅外光譜的中寧枸杞子判別分析.食品科學,2014,471(2)：164-167.

7 劉紹勇,薛東升,潘建超,等.基于近紅外光譜技術的連翹藥材質量控制方法研究.藥物分析雜志,2014,34(4)：681-685.

8 涂瑤生,全智慧,孫冬梅,等.近紅外光譜法快速測定制川烏提取濃縮過程中單酯型生物堿.中草藥,2013,44(7)：839-844.

9 封波.多變量統計過程控制的應用研究.浙江大學碩士學位論文,2002.10時瑞研.多變量統計過程控制在煉油生產過程中的應用.北京化工大學碩士學位論文,2003.

11 李康順,李凱,張文生.一種基于改進BP神經網絡的PCA人臉識別算法.計算機應用與軟件,2014,31(01)：158-161.

12 劉媛媛,彭彥昆,王文秀,等.基于偏最小二乘投影的可見/近紅外光譜豬肉綜合品質分類.農業工程學報,2014,249(23)：306-313.

13 高春榮,胡錦蓉,孫君社.金銀花中綠原酸的提取工藝.中國農業大學學報,2003,8(4)：5-8.

14 周海燕,徐冰,史新元,等.統計過程控制在梔子前處理生產工藝中的應用.中國實驗方劑學雜志,2012,18(11)：16-20.

15 唐翠,印春華.肺部給藥系統的研究進展.中國醫藥工業雜志,2001,32(12)：560-564.

16 黃紅霞,李文龍,瞿海斌,等.丹紅注射液提取過程軌跡及質量在線監控研究.中國中藥雜志,2013,38(11)：1663-1666.

17 黃紅霞.丹參注射劑生產全程質量控制技術研究.浙江大學博士學位論文,2013.

18 陸旅星.借力“互聯網+”完善醫藥質量標準.中國醫藥報,2016,1(13)：006.

19 朱鵬,苗瀟磊,陳勇.綠原酸、隱綠原酸和新綠原酸在中性和堿性pH條件下的降解動力學.藥學學報,2016,51(1)：122-126.

Study on Extraction Process Trajectory for In-line Monitoring of Extraction Process of Lonicera Japonica of Re-Du-Ning Injection

Wang Lei1,Yang Yue1,Pan Hongye1,Chen Yongjie2,Chen Yong
(1.Institute of Modern Traditional Chinese Medicine,College of Pharmacy,Zhejiang University,Hangzhou 310058,China;2.Jiangsu Kanion Pharmaceutical Co.,Ltd.,Lianyungang 222001,China)

This study was aimed to develop in-line monitoring of extraction process ofLonicera japonicain the extraction process trajectory ofRe-Du-Ning(RDN)injection.Several batches of near-infrared(NIR)spectrum dates were collected and multivariate statistical process control(MSPC)method was in conjunction with.The results showed that using score,Hotelling T2and DModX control chart,various normal and abnormal behaviors of the test batches were detected in time by comparison with the extraction process trajectory.It was concluded that the process trajectory for in-line quality control based on NIR spectrum dates and MSPC could indicate the changes of process.It was a feasible technology tool of the total process quality control during traditional Chinese medicine(TCM)manufacturing process.

Re-Du-Ninginjection,Lonicera japonicaextraction,near-infrared spectrum,multivariate statistical process control,process monitor

10.11842/wst.2017.08.003

R282

A

2017-03-14

修回日期：2017-06-19

＊ 國家科技部“國家重大新藥創制”項目（2013ZX09402203）：現代中藥創新集群與數字制藥技術平臺，負責人：蕭偉。

＊＊ 通訊作者：陳勇，男，博士，研究員，研究方向：中藥生產自動化控制。

（責任編輯：張 靜，責任譯審：王 晶）