基于水-醇雙提方式下中藥復方粉末影響顆粒流動性的關鍵物性參數辨識研究

安雙鳳，閆 明, ，王團結 ，張 欣，王振中，肖 偉,

1.南京中醫藥大學，江蘇 南京 210023

2.江蘇康緣藥業股份有限公司，江蘇 連云港 222001

3.中藥制造過程新技術國家重點實驗室，江蘇 連云港 222001

自中醫藥行業“十三五”發展規劃提出將智能制造與信息化融合，建設全過程的質量追溯體系和數字化管理平臺以來[1]，中藥制劑生產全過程質量控制已經成為當前的研究熱點。粉末與顆粒作為中藥口服固體制劑生產過程的重要中間體，其質量控制是保證終產品質量穩定的關鍵部分[2]。然而由于中藥制劑組成成分的多樣性和復雜性以及不同提取方式、干燥方式、輔料等因素的影響，往往難以對中間體的化學成分進行有效控制，因此探究中間體的物理性質成為中藥制劑過程質量控制的重要內容。流動性作為評價顆粒質量的一個重要屬性，在實際生產中表現為流動性差的顆粒表面粗糙并且易黏結成塊，從而直接影響到膠囊劑的填充或片劑的成型。因此本實驗探究制粒前粉末物理性質參數與制粒后顆粒流動性的相關性并找出其關鍵因素將為中藥口服固體制劑的工藝技術改善及后續的過程質量控制研究提供有力參考。

正交偏最小二乘法-判別分析（orthogonal partial least-squares discriminate analysis，OPLS-DA）是偏最小二乘法-判別分析（partial least squares discriminant analysis，PLS-DA）與正交信號校正（orthogonal signal correction，OSC）結合發展起來的數據統計分析方法[3-4]，其特點是可以去除自變量中與因變量無關的數據變異，使分類信息主要集中在1 個主成分中，從而使模型變得簡單易于解釋。目前，廣泛應用于指紋圖譜研究[5]、代謝組學分析[6]、化學模式識別[7]等方面，但是在多品種中藥復方制劑中間體的預測模型構建中應用較少。本實驗以實際生產中的水-醇雙提工藝下的3 個復方品種桂枝茯苓膠囊（Guizhi Fuling Jiaonang，GFJ）、參烏益腎片（Shenwu Yishen Pian，SYP）、杏貝止咳顆粒（Xingbei Zhike Keli，XZK）為研究對象，對制粒前最后一步的粉末物理性質參數和制粒后顆粒的流動性進行統計學分析，在利用物理指紋圖譜和多元統計分析方法評價粉末質量一致性和顆粒流動性的基礎上，構建多品種OPLS-DA 模型，用以辨識影響顆粒流動性的粉末關鍵物性參數。

1 材料與儀器

1.1 材料

GFJ（軟材細粉GFJ-F1～GFJ-F15、顆粒GFJK1～GFJ-K15）；SYP（干膏粉SYP-F1～SYP-F15、顆粒SYP-K1～SYP-K15）；XZK（總混粉XZK-F1～XZK-F15、顆粒XZK-K1～XZK-K15）；以上樣品粉末與顆粒生產批次對應，均由江蘇康緣藥業股份有限公司生產并提供。

1.2 儀器

BT-1001 智能粉體特性測試儀、Bettersize2600激光粒度分析儀，丹東百特儀器有限公司；DHG-9145A 型電熱鼓風干燥箱、LHS-250HC-II 型恒溫恒濕箱，上海一恒科學儀器有限公司；Mettler Toledo 204 型電子分析天平，瑞士梅特勒-托利多儀器有限公司。

2 方法與結果

2.1 粉體物理性質的表征

根據粉體學評價方法，測定粉末的松裝密度（Da）、振實密度（Dc）、休止角（α）、豪斯納比（IH）、粒徑＜50 μm 百分比（Pf）、均勻性（HG）、均齊度（UN）、粒徑（D10、D50、D60、D90，分別指累積粒度分布百分數達到10%、50%、60%、90%時所對應的粒徑）、分布寬度（span）、分布范圍（width）、比表面積（SSA）、孔隙率（Ie）、卡爾指數（IC）、含水量（HR）、吸濕率（H）共18 個物理性質指標，參考文獻報道[8-9]及粉體特點，將物理屬性劃分為堆積性、流動性、均一性、可壓性和穩定性5 個一級指標，其中堆積性用Da和Dc表征；流動性用α、γ、IH 表征；均一性用Pf、HG、UN、span 表征；可壓性用SSA、Ie、IC 表征；穩定性用HR 和H表征[10]。各指標測定方法如下。

2.1.1Da使用BT-1001 智能粉體特性測定儀測定。采用固定體積法，在天平上稱取空的100 mL 量杯質量（m1），將稱量后的空杯放到儀器中的接料盤上，樣品通過篩網、出料口落到量杯中，帶樣品充滿容器并溢出時停止進料，用刮板刮平容器口，毛刷掃除外壁黏附的樣品后，稱定容器和樣品總質量（m2），計算Da。

2.1.2Dc使用BT-1001 智能粉體特性測定儀測定。采用固定體積法，在天平上稱取空的100 mL 量杯質量（m1），將稱量后的空杯連接延長筒，裝入約至延長筒一半高度的樣品，蓋上蓋固定到振動組件上，“啟動振實”約5 min 至粉體表面不再下降，按照“2.1.1”項“用刮板刮平”之后的操作，讀取總質量（m2），通過公式計算Dc。

2.1.3Cp、Ie、IH、IC 通過Da與Dc計算得出。

2.1.4α使用BT-1001 智能粉體特性測定儀測定。測定前將待測物料充分混勻，通過下口徑為10 mm漏斗均勻流出，在載物臺上形成錐體，當粉體形成穩定且對稱的圓錐體并在平臺周圍都有樣品落下時停止加料，測量錐面與地面夾角，即為α。

2.1.5γ使用BT-1001 智能粉體特性測定儀測定。取適量待測樣品輕輕放置于樣品平板上，平板寬度為22 mm，埋沒平板并使樣品的厚度達到基準線，降低擋板后測量樣品坡面與底面夾角（θ1），敲擊1次后再次讀取夾角（θ2），計算公式如下。

2.1.6 粒徑、SSA、Pf、HG 使用激光粒度分析儀測定。取待測粉體置于激光粒度儀干法進樣器金屬盒上，選擇已建立的工作方法，調節進料高度和進料速度，控制遮光率在5%～10%，以空氣為分散媒介，顆粒折射率設為1.5，測定樣品D10、D50、D60、D90、Pf、SSA、HG。

2.1.7 UN、span、width 按照公式，由D10、D50、D60、D90計算得出。

2.1.8 HR 參考《中國藥典》2020 年版0832 水分測定法項下第二法（烘干法）[11]：精密稱取2 g 樣品（m0）平鋪于干燥至恒定質量的具塞扁形稱量瓶（m1）中，開啟瓶蓋在105 ℃的電熱鼓風干燥箱中干燥5 h，將瓶蓋蓋好移至干燥器中放涼精密稱定，再在上述溫度干燥1 h，放涼精密稱定（m2），2 次稱定質量差異不超過5 mg，根據減失的質量計算樣品中含水量。

2.1.9H試驗前打開恒溫恒濕箱預熱約30 min，取干燥的具塞扁形稱量瓶置于恒溫恒濕箱中，溫度25 ℃、濕度75%條件下平衡12 h，取出稱量瓶精密稱定空瓶質量（m1），精密稱取約1 g 樣品（m0）平鋪于稱量瓶中，開啟瓶蓋放置于相同條件的恒溫恒濕箱中，24 h 后蓋上瓶蓋精密稱定質量（m2），根據樣品增加的質量計算H。

以上每個物理性質參數均平行測定3 次，若3次數據的相對標準偏差（RSD）≤3.00%，再取平均值作為最終實驗數據，以保證數據的準確性。

2.2 粉末質量一致性評價

為了檢驗各品種粉末的批次間質量一致性，構建了粉末物理指紋圖譜，下文用簡稱GFJ-F、SYPF、XZK-F 分別表示GFJ、SYP 和XZK 的粉末。

根據粉體的物理性質并參考相關文獻資料[9]，選擇其中具有代表性的12 個指標（Da、Dc、α、IH、Pf、HG、span、SSA、Ie、IC、HR、H），由于各物理指標的實測數值量綱之間存在差異，直接用于分析會導致分析誤差較大，因此參考藥用輔料手冊[12]和歐洲藥典8.0 標準[13]，將各指標測量結果進行標準化處理至同一尺度，轉換后的數值控制在0～10[14]，部分檢測指標數據范圍及標準化轉換公式如表1 所示。

表1 粉末物理性質數值范圍及轉換方式Table 1 Limit values for physical properties of powder and conversion methods

標準化后的數值采用Origin Pro 2023（美國Origin Lab）繪制成雷達圖，見圖1，由圖中各指標的網線分布可以看出，3 個品種物料粉末不同批次中表征均一性的Pf、HG、span，表征可壓性的SSA、Ie以及表征穩定性的HR、H均存在不同程度的差異。其中，SYP-F 第13、14、15 個樣品的雷達圖顯示部分指標明顯偏離整體趨勢，可能存在異常，為了證實這一問題，進一步采用Pearson 相關系數法比較3 個品種各批次間的相似度，相似度越接近于1 說明3 批次物理性質越接近[15]，結果表明，在GFJF 的15 個樣品中GFJ-F12、13 分別與其余7 個樣品相似度小于0.85，GFJ-F1、7 分別與其余6 個樣品的相似度小于0.85，GFJ-F2 與其余5 個樣品的相似度小于0.85，表明GFJ-F 批次間物理性質存在一定差異；SYP-F 除了13、14、15 號樣品外，其余批次間相似度均大于0.9，而SYP-F13 與其余15 個樣品的相似度范圍在0.48～0.66，該批次物理性質嚴重偏離整體，與雷達圖結果一致，SYP-F14、15 分別與其余13 個樣品的相似度小于0.85，而這2 個批次間的相似度達到0.99，具體原因需進行批次溯源查詢；XZK-F13 與XZK-F7、8 的相似度分別為0.76、0.84，其余批次間相似度均大于0.85，由此可見，XZK-F 各批次間物理性質差異較小，質量相對統一。

圖1 GFJ、SYP、XZK 各15 批粉末的疊加物理指紋圖譜Fig.1 Superimposed physical fingerprints of 15 batches of GFJ,SYP and XZK powders

綜上所述，物理指紋圖譜結合Pearson 相關系數較清晰的展示了3 個品種中粉末物理性質異常的批次，具體異常原因需要經過生產溯源查詢。而雷達圖中所顯示的粉末批次間差異顯著的均一性、可壓性和穩定性的部分指標對顆粒流動性是否有影響，將通過構建模型進一步驗證。

2.3 顆粒流動性評價

當前研究中表征粉體流動性的方法有多種，粒徑分布、休止角、平板角、壓縮度、均齊度等參數都可以直接描述粉體的流動性，但是因為受到人為主觀因素的干擾，單一參數表征流動性略顯粗糙且一定程度上誤差較大，本研究采用多元統計分析方法，采用SPSS 24（美國IBM 公司）、Minitab 19（美國Minitab 公司）對顆粒的Pf、span、SSA、UN、α、γ、Cp、IH 共8 個物理性質指標進行主成分分析（principal component analysis，PCA）和因子分析，降低因素維度從而客觀的評價3 個品種的顆粒流動性，下文用簡稱GFJ-K、SYP-K、XZK-K 分別表示GFJ、SYP、XZK 的顆粒。

2.3.1 PCA PCA 是通過線性組合將多個原變量的信息歸納為幾個主成分，在保證原始數據丟失較小的情況下找出貢獻率最大的主成分，即找出原始數據中的真實信號。本研究將顆粒的Pf、Span、SSA、UN、α、γ、Cp、IH 共8 個指標進行標準化處理后，形成相關性矩陣，并進一步求得矩陣的特征值、相應的單位特征向量及累計貢獻率，見表2，其中主成分1 與主成分2 特征值均大于1，且累積貢獻率達到90.48%，說明主成分1 和主成分2 可從低維度客觀地反映各因素作為評價流動性指標的質量；各主成分的貢獻率將進一步用于因子分析。

表2 相關矩陣的特征分析Table 2 Characteristic analysis of correlation matrix

2.3.2 因子分析 因子分析是把若干個變量看成由某些公共的因素所制約，并把這些公共因素分解出來的分析方法[16]，目的是找出能解釋多數原變量的少數幾個共性因子。在因子分析之前首先檢驗以上8 個變量是否適用于因子分析，進行了KMO 抽樣適合性檢驗（Kaiser-Meyer-Olkin measure of sampling adequacy）和巴特利特球形檢驗（Bartlett’s test of sphericity approx），結果如表3 所示，KMO=0.793＞0.5，巴特利特球形檢驗中顯著性P＜0.001，表明此8 個變量的因子分析成立。

表3 KMO 抽樣適合性檢驗和巴特利特球形檢驗Table 3 KMO measure of sampling adequacy and Bartlett’s test of sphericity approx

根據PCA 中各主成分的貢獻率進行因子分析。各主成分的貢獻率與8 個主成分的總貢獻率之比為權重系數，即第1 主成分的權重系數（W）為0.649 9/1=0.649 9，同理可得，第2～8 主成分的權重系數分別為0.254 9、0.054 3、0.019 5、0.010 5、0.006 8、0.003 8、0.000 4。

通過SPSS 因子分析可得到各個樣品在每個主成分上的得分（S），再將各個樣品在每個主成分的得分S與權重系數W的乘積F相加，進而可以計算得出主成分的綜合因子得分（total factor scores，TFS）[17]，即TFS=F1+F2+…+F8，結果見表4。有相關研究表明[18]，TFS 值與中藥粉體流動性呈負相關，即TFS 越小，粉體的流動性越好，對各品種TFS 作排序處理后可以看出，GFJ-K 的15 個批次的流動性TFS 波動范圍為0.124 4～1.378 5，其中有13 個批次的TFS 大于0.5，說明GFJ-K 整體流動性較差；SYP-K 的流動性TFS 波動范圍為-0.481 5～0.432 2；XZK-K 的流動性TFS 波動范圍為-1.120 8～-0.574 1。整體來看品種間顆粒流動性差異明顯，其中XZK-K 流動性最好，GFJ-K 流動性最差；從TFS波動范圍寬度分析，GFJ-K 約為1.25，SYP-K 約為0.91，XZK-K 約為1.07，以此作為顆粒流動性的批次間一致性評價指標來看，SYP-K 的一致性最優，GFJ-K 的一致性較差。該結果相對客觀且明確的反映了各批次間及品種間顆粒流動性的差異，同時也為下一步模型構建提供了數據支持。

表4 總因子得分結果Table 4 Total factor score results

2.4 粉末關鍵物性參數與顆粒流動性的OPLS-DA模型構建

為了快速便捷的篩選出多品種粉末影響顆粒流動性的關鍵物性參數，本研究采用多變量統計建模方法，從探索共性技術角度出發，建立多品種水-醇雙提工藝下粉末的物理性質對顆粒流動性影響的OPLS-DA 模型。模型數據來源于上述實驗測定的3個品種的45 個批次，以粉末的18 個物理性質指標為自變量，以所統計的顆粒流動性評價的總因子得分TFS 為因變量，進行“粉末-顆粒”OPLS-DA。

2.4.1 關鍵物性參數篩選及辨識 采用SIMCA 14.1（瑞典Umetrics 公司）進行關鍵物性參數篩選和辨識。以品種作為分組依據，GFJ 作為第1 組，SYP 作為第2 組，XZK 作為第3 組，潛變量因子數設定為2，采用模型校正決定系數R2X、預測決定系數R2Y和交叉驗證決定系數Q2評價模型質量，其中，校正決定系數表示模型累積解釋自變量的能力，預測決定系數表示模型累積解釋因變量的能力，交叉驗證決定系數表示模型通過交叉驗證后的預測能力[20]。初始模型結果顯示R2X為0.963，R2Y為0.947，Q2為0.909＞0.5 表示模型擬合效果較好，預測性能較高。

進一步采用變量投影重要性（variable importance in the projection，VIP）指數評價各變量的重要程度，由VIP 值排序圖（圖2）可知H、HR、UN、SSA 的VIP 值均大于1，且相關回歸系數顯示HR、H、UN、SSA 及D10大于0.2，說明這4 個變量對模型貢獻程度較大。

圖2 初始模型變量投影重要性 (VIP 值) 排序Fig.2 Initial model variable importance in projection (VIP value) ordination plot

為了檢驗各變量之間的相互作用，運用SPSS 24軟件進行了共線性診斷，以方差膨脹因子（varianceinflation factor，VIF）評價上述18 個變量之間的共線性，結果見表5，其中D60和width 的容差過小、VIF 值過大被排除。有研究表明[19]，VIF＜10 表示各指標間共線程度較弱；VIF 在10～100 表明共線性較強；VIF＞100 表明存在嚴重多重共線性。經分析可知，18 個變量中只有α和HR 的VIF 小于10，其余變量之間多重共線性嚴重。

表5 初始模型的變量共線性診斷Table 5 Variable collinearity diagnosis of initial model

為了刪減冗余信息以減弱變量間的共線性，同時提高模型預測能力，按照自變量的VIP 值從小到大的順序，逐步刪減變量并重新建立OPLS-DA 模型。將每個模型所對應的R2X、R2Y、Q2進行記錄，結果見圖3。由圖3 可知，隨著自變量數目的減少，模型的預測性能整體呈先上升后下降趨勢。以span、D10、SSA、UN、H、HR 等6 個變量與顆粒的TFS再次構建OPLS-DA 模型，此時模型中R2X為0.998、R2Y為0.940、Q2為0.928，模型綜合性能達到最高；VIP＞1 的變量有H、UN、SSA、HR（表6），此結果與初始模型一致，表示對少數的關鍵質量屬性進行控制仍然能夠得到較好的預測模型；優化模型的共線性診斷結果顯示，共線性較弱（VIF＜10）的變量有HR、H、span，而UN、D10、SSA 的VIF 顯著降低，模型變量間交互影響作用較小。圖4 顯示，VIP 值大于1 的4 個變量均與因變量顆粒流動性成負相關。

表6 優化模型的變量投影重要性 (VIP 值) 與變量共線性診斷 (VIF 值)Table 6 Variable projection importance (VIP value) and variable collinearity diagnosis (VIF value) of optimization model

圖3 自變量數遞減的模型R2X、R2Y、Q2 趨勢圖Fig.3 Trend chart of R2X,R2Y,Q2 models with decreasing independent variables

圖4 優化后自變量與顆粒流動性回歸系數圖Fig.4 Regression coefficient diagram of independent variable and particle fluidity after optimization

綜上所述，粉末的H、UN、SSA、HR 是影響3 個品種顆粒流動性的關鍵物性參數，其中H、HR表征粉末的穩定性，UN 可表征粉末均一性，SSA 表征粉末的可壓性，此結果與“2.2”項中所呈現的現象相對應，即粉末各批次間存在顯著差異的物理指標部分會影響顆粒流動性，但并非全部會造成影響，比如雷達圖中所展示的3 個品種均具有明顯差異的指標span，其在模型中的VIP 值小于1，表明其對模型貢獻程度較小，即對顆粒流動性的影響較小。簡而言之，OPLS-DA 模型的構建從科學的角度分析辨識了影響顆粒流動性的粉末關鍵物性參數為H、UN、SSA、HR。

2.4.2 模型驗證 為了驗證模型的有效性，將樣本分組標記打亂后進行200 次隨機置換檢驗，結果顯示，數據隨機打亂后模型的Q2為0.683 小于分組優化后模型Q2的0.928，表明該模型可靠性較高；置換檢驗圖（圖5）中R2和Q2回歸線斜率為正，Q2在Y軸上的截距小于0，表明模型不存在過度擬合。綜上所述該模型有效可靠。

圖5 置換檢驗圖Fig.5 Permutation test plot

3 討論

中藥粉末和顆粒是影響制劑質量的重要中間體。本實驗以實際生產中水-醇雙提工藝下的GZJ、SYP、XZK 3 個品種的粉末物理性質對顆粒流動性的影響為研究方向，進行了3 個方面的研究。首先，通過物理指紋圖譜和Pearson 相關系數評價了粉末批次間質量一致性，結果顯示SYP-F 13、14、15 號樣品嚴重偏離整體，批次間存在一定質量差異，GFJ-F 和XZK-F 的質量一致性相對較好；其次，采用主成分分析和因子分析評價了顆粒的流動性，并計算得出顆粒流動性總因子得分TFS，結果顯示流動性XZK-K 優于SYP-K 再優于GFJ-K，一致性方面SYP-K 優于XZK-K 再優于GFJ-K；最后，構建了多品種中間體的OPLS-DA 模型，辨識出影響顆粒流動性的粉末關鍵物性參數為H、UN、SSA 和HR，置換檢驗結果表明模型有效可靠。

該4 個指標與顆粒流動性的回歸系數均為負值，即與顆粒流動性呈負相關。一般來說，在對某一種粉體物料其本身的流動性分析中，SSA 越大吸濕性越強，同時粉體粒子的相互接觸面積增多，表面摩擦力增大，從而導致流動性變差；H、HR 的增大導致粒子表面的黏附作用增強而影響流動性，有研究發現HR 在一定范圍內對流動性的影響呈負相關，低于一定的限度則會造成粒子之間靜電引力作用增強從而降低流動性[21]；UN 越接近于1，粒度分布越均勻，流動性越好。而本文中的粉末與顆粒為兩種不同中間體，同時顆粒的流動性本身在一定程度上受到制粒過程的影響，因此后續研究在增加品種和樣本量對關鍵物性參數辨識結果進一步驗證的基礎上，將結合制粒工藝參數構建粉末物性參數-制粒工藝-顆粒流動性的預測分析模型，以期為提高生產過程中工藝技術改善效率和過程質量控制智能化提供參考。

利益沖突所有作者均聲明不存在利益沖突