標題近紅外光譜對黃芩藥材浸出物的快速測定

【摘要】目的應用近紅外光譜（NIR）技術和數據分析軟件，對黃芩原藥材中醇浸出物的含量進行快速測定。方法應用偏最小二乘法（PLS）對黃芩醇浸出物的結果與NIR建立校正模型。結果內部交叉驗證和外部檢驗集樣品對模型驗證結果表明,校正模型中真實值與預測值之間的相關系數（R2）為92.52，內部驗證均方差RMSECV為1.58%。結論NIR的運用具有快速方便，結果準確的特點。此方法可以應用于黃芩藥材醇浸物的快速檢測中，對于其它的中藥材指標成分測定也有一定的參考價值。
　　
　　【關鍵詞】近紅外光譜偏最小二乘法快速測定黃芩浸膏
　　
　　近紅外光譜（NIR）區域按ASTM定義是指波長在780～2526nm范圍內的電磁波，是人們最早發現的非可見光區域［1］，距今已有近200年的歷史［2］。NIR區主要是含氫化學基團振動的泛頻和組頻所致。在NIR區產生吸收的官能團主要是含H基團，包括：C-H（甲基、亞甲基、甲氧基、羧基、芳基等），羥基O-H，巰基S-H，氨基N-H（伯胺、仲胺、叔胺和胺鹽）等。這些基團伸縮振動的各級倍頻以及這些基團伸縮振動和彎曲振動的合頻吸收是NIR定量分析的化學基礎［3］。
　　
　　唇形科植物黃芩ScutellariabaicalensisGeorgi主要產于我國東北、河北、山西、河南、陜西、內蒙古等地,以山西產量最大。黃芩味苦，性寒，歸肺、肝、膽、大腸、小腸經。功能清熱燥濕，瀉火解毒，止血，安胎［4］。黃芩為常用中藥，在臨床應用非常廣泛，需求量較大。因此原藥材的質量關系臨床用藥安全。黃芩醇浸出物的含量是控制藥材質量的重要指標之一，它關系著藥材的出膏率，反映了藥材的整體質量。醇浸出物的測定無論對于藥廠生產，還是個人用藥都有著重要的意義。但目前在醇浸出物測定方法的研究和改進上進展緩慢，其測定方法前處理費時、繁瑣，而且分析結果滯后，影響分析速度。
　　
　　在醇浸出物的測定中利用NIR分析技術可以使測定更加簡便、快捷。由于適合NIR測量的物質種類范圍和場合相當廣泛，目前該技術在藥物質量控制方面得到了廣泛應用［5～9］。NIR分析技術實時、在線、無損的特點更適合用于大規模的生產之中。本方法用NIR技術與化學計量學相結合對黃芩原藥材浸出物進行快速測定。
　　
　　1器材
　　
　　1.1儀器與試劑近紅外光譜儀：采用布魯克公司的VECTOR22-NIR型傅立葉變換近紅外光譜儀；CS101-2D型電熱鼓風干燥箱（中外合資重慶四達實驗儀器有限公司）；乙醇為色譜純。
　　
　　1.2樣品來源實驗中黃芩藥材來源于內蒙、湖北、河南、山東、四川、云南、甘肅、安徽、山西等10個省不同產地、不同品種、不同生長年限的栽培或野生黃芩，且都經過河南中醫學院陳隨清教授鑒定為唇形科（Labiatae）植物黃芩ScutellariabaicalensisGeorgi的干燥根。
　　
　　2方法與結果
　　
　　2.1黃芩原藥材浸出物真實值的測定采用《中國藥典》2005年版的方法測定黃芩的醇浸出物（熱浸法）。取黃芩原藥材粉末約2g，精密稱定，置100～250ml的錐形瓶中，精密加稀乙醇50ml，稱定重量，靜置1h后，連續回流冷凝管，加熱至沸騰，并保持微沸1h。放冷后，取下錐形瓶，密塞，再稱定重量，用稀乙醇補足減失的重量，搖勻，用干燥濾器濾過，精密量取續濾液25ml，置已干燥至恒重的蒸發皿中，在水浴上蒸干后，于105℃干燥3h，置干燥器中冷卻30min，迅速精密稱定重量。以干燥品計算供試品中醇溶性浸出物的含量（%）。
　　
　　2.2近紅外光譜采集將80個不同產地、不同采收時間采集的黃芩樣品在40℃下干燥，粉碎,過100目篩,取約5g過篩后的樣品粉末放入石英樣品杯中，混合均勻，輕輕壓平，按下述實驗條件進行掃描:測樣方式為積分球漫反射,分辨率8cm-1；掃描次數64次；掃描范圍12000～4000cm-1；溫度20℃；空氣濕度60%。
　　
　　每個樣品重復3次,求平均光譜,80個黃芩樣品的近紅外光譜見圖1。
　　
　　從圖1可以看出80份樣品的近紅外原始圖譜基本一致，很難看出藥材的光譜信息差別。其原因一方面是由于近紅外光譜譜帶自身嚴重重疊，另一方面是由于中藥成分眾多，組成復雜，因此很難從原始近紅外光譜中找出特定的吸收譜帶對其加以區分。
　　
　　圖180份黃芩樣品的近紅外圖（略）
　　
　　2.3建立黃芩藥材浸出物近紅外定量模型
　　
　　2.3.1建模譜段的選擇我們用同樣的PLS處理全譜信息，但由于所測的指標性成分不同，成分的結構也不同，因此測定不同物質需要選擇不同的波段。選擇比較合適的波段可以提高所建模型的性能。經過篩選（見表1）浸出物含量所對應的最佳波段范圍為11995.9～7498.4cm-1和5450.2～4246.8cm-1。
　　
　　表1光譜范圍的選擇對RMSECV和R2的影響（略）
　　
　　2.3.2光譜數據的預處理表2為光譜數據分析進行多種處理后模型的RMSECV和R2的比較。圖2為運用矢量歸一化對原始光譜預處理后的光譜圖。從表2中可以看出，對指標性成分不同的光譜預處理方法得到的RMSECV和R2有顯著不同，其中以VectorNormalization（矢量歸一化）處理效果最好。對原始光譜進行必要的預處理之后，更能真實細致地反映指標成分的光譜信息。
　　
　　表2采用PLS建模時預處理方法對RMSECV和R2的影響（略）
　　
　　2.3.3浸出物定量模型的建立本文運用BrukerOPUS/QUANT22定量分析軟件中PLS法進行數據處理,其中70份樣品作為校正樣品集建立模型,10份樣品作為預測樣品集。用校正樣品集進行內部交叉驗證RMSECV=1.66，R2=92.03（見圖3）,確定最佳主成分數為7（見圖4）。近紅外光譜法測定值與真實值之間的絕對誤差在-4%與3.5%之間（見圖5）。其中真實值是指用藥典中的法定方法對樣品進行測定的結果；測定值是指運用近紅外光譜的方法對樣品進行測定的結果。
　　
　　2.3.4浸出物定量模型的驗證從所有80份樣品中任意抽出8份樣品組成檢驗樣品集，對提出的模型進行檢驗。結果見表3。
　　
　　表3檢驗集樣品預測結果（略）
　　
　　經計算可以得到預測集平均相對誤差為1.92%�？梢钥闯鲱A測結果較為準確，模型的建立是成功的。
　　
　　圖2對原始光譜預處理后的光譜圖（略）
　　
　　Rank:7R2=92.03RMSECV=1.66
　　
　　圖3訓練集測定值與真實值之間的相關圖（略）
　　
　　3討論
　　
　　從本實驗結果可以看出，浸出物的定量模型參數為RMSECV=1.66，R2=92.03。其中R2為相關系數，它的值越接近1，就說明真實值與模型預測值越接近，模型的準確度也就會越高。RMSECV為交叉檢驗均方根誤差，它的值越接近0，說明模型預測值偏差越小。R2和RMSECV是評價模型建立是否成功的重要參數，本實驗結果較為滿意。
　　
　　Rank:7R2=92.03RMSECV=1.66
　　
　　圖4訓練集RMSECV與Rank之間的相關圖（略）
　　
　　Rank:7R2=92.03RMSECV=1.66
　　
　　圖5訓練集絕對誤差與真實值之間的相關圖（略）
　　
　　從實驗結果可以看出預測集相對偏差在5%之內。模型建立較為成功，預測結果較為準確，本方法可以運用到對藥材浸出物的快速檢測中，為開辟一條藥物分析的新途徑奠定了基礎。
　　
　　在模型的預處理方法中選擇了多元散射校正的方法，對每張光譜進行線性變換，使其與整個平均光譜最佳匹配。在測定固體樣品的過程中樣品顆粒一定會存在著不同程度的不均勻，為了消除顆粒不均勻帶來的影響，通常在測定固體樣品時首選多元散射校正的圖譜預處理方法。
　　
　　由于中藥材的組成十分復雜，含有多種化學成分，因此影響浸出物的因素就多種多樣。各種化學成分的近紅外圖譜難免重疊，這就對圖譜的分析造成了很大的困難。我們雖然盡可能的通過圖譜預處理，選擇合適波段等方法試圖來消除這些影響，但并不可能完全消除。因此在此方面還需要進一步地實驗、探索。