标题近红外光谱对黄芩药材浸出物的快速测定

【摘要】目的应用近红外光谱（NIR）技术和数据分析软件，对黄芩原药材中醇浸出物的含量进行快速测定。方法应用偏最小二乘法（PLS）对黄芩醇浸出物的结果与NIR建立校正模型。结果内部交叉验证和外部检验集样品对模型验证结果表明,校正模型中真实值与预测值之间的相关系数（R2）为92.52，内部验证均方差RMSECV为1.58%。结论NIR的运用具有快速方便，结果准确的特点。此方法可以应用于黄芩药材醇浸物的快速检测中，对于其它的中药材指标成分测定也有一定的参考价值。
　　
　　【关键词】近红外光谱偏最小二乘法快速测定黄芩浸膏
　　
　　近红外光谱（NIR）区域按ASTM定义是指波长在780～2526nm范围内的电磁波，是人们最早发现的非可见光区域［1］，距今已有近200年的历史［2］。NIR区主要是含氢化学基团振动的泛频和组频所致。在NIR区产生吸收的官能团主要是含H基团，包括：C-H（甲基、亚甲基、甲氧基、羧基、芳基等），羟基O-H，巯基S-H，氨基N-H（伯胺、仲胺、叔胺和胺盐）等。这些基团伸缩振动的各级倍频以及这些基团伸缩振动和弯曲振动的合频吸收是NIR定量分析的化学基础［3］。
　　
　　唇形科植物黄芩ScutellariabaicalensisGeorgi主要产于我国东北、河北、山西、河南、陕西、内蒙古等地,以山西产量最大。黄芩味苦，性寒，归肺、肝、胆、大肠、小肠经。功能清热燥湿，泻火解毒，止血，安胎［4］。黄芩为常用中药，在临床应用非常广泛，需求量较大。因此原药材的质量关系临床用药安全。黄芩醇浸出物的含量是控制药材质量的重要指标之一，它关系着药材的出膏率，反映了药材的整体质量。醇浸出物的测定无论对于药厂生产，还是个人用药都有着重要的意义。但目前在醇浸出物测定方法的研究和改进上进展缓慢，其测定方法前处理费时、繁琐，而且分析结果滞后，影响分析速度。
　　
　　在醇浸出物的测定中利用NIR分析技术可以使测定更加简便、快捷。由于适合NIR测量的物质种类范围和场合相当广泛，目前该技术在药物质量控制方面得到了广泛应用［5～9］。NIR分析技术实时、在线、无损的特点更适合用于大规模的生产之中。本方法用NIR技术与化学计量学相结合对黄芩原药材浸出物进行快速测定。
　　
　　1器材
　　
　　1.1仪器与试剂近红外光谱仪：采用布鲁克公司的VECTOR22-NIR型傅立叶变换近红外光谱仪；CS101-2D型电热鼓风干燥箱（中外合资重庆四达实验仪器有限公司）；乙醇为色谱纯。
　　
　　1.2样品来源实验中黄芩药材来源于内蒙、湖北、河南、山东、四川、云南、甘肃、安徽、山西等10个省不同产地、不同品种、不同生长年限的栽培或野生黄芩，且都经过河南中医学院陈随清教授鉴定为唇形科（Labiatae）植物黄芩ScutellariabaicalensisGeorgi的干燥根。
　　
　　2方法与结果
　　
　　2.1黄芩原药材浸出物真实值的测定采用《中国药典》2005年版的方法测定黄芩的醇浸出物（热浸法）。取黄芩原药材粉末约2g，精密称定，置100～250ml的锥形瓶中，精密加稀乙醇50ml，称定重量，静置1h后，连续回流冷凝管，加热至沸腾，并保持微沸1h。放冷后，取下锥形瓶，密塞，再称定重量，用稀乙醇补足减失的重量，摇匀，用干燥滤器滤过，精密量取续滤液25ml，置已干燥至恒重的蒸发皿中，在水浴上蒸干后，于105℃干燥3h，置干燥器中冷却30min，迅速精密称定重量。以干燥品计算供试品中醇溶性浸出物的含量（%）。
　　
　　2.2近红外光谱采集将80个不同产地、不同采收时间采集的黄芩样品在40℃下干燥，粉碎,过100目筛,取约5g过筛后的样品粉末放入石英样品杯中，混合均匀，轻轻压平，按下述实验条件进行扫描:测样方式为积分球漫反射,分辨率8cm-1；扫描次数64次；扫描范围12000～4000cm-1；温度20℃；空气湿度60%。
　　
　　每个样品重复3次,求平均光谱,80个黄芩样品的近红外光谱见图1。
　　
　　从图1可以看出80份样品的近红外原始图谱基本一致，很难看出药材的光谱信息差别。其原因一方面是由于近红外光谱谱带自身严重重叠，另一方面是由于中药成分众多，组成复杂，因此很难从原始近红外光谱中找出特定的吸收谱带对其加以区分。
　　
　　图180份黄芩样品的近红外图（略）
　　
　　2.3建立黄芩药材浸出物近红外定量模型
　　
　　2.3.1建模谱段的选择我们用同样的PLS处理全谱信息，但由于所测的指标性成分不同，成分的结构也不同，因此测定不同物质需要选择不同的波段。选择比较合适的波段可以提高所建模型的性能。经过筛选（见表1）浸出物含量所对应的最佳波段范围为11995.9～7498.4cm-1和5450.2～4246.8cm-1。
　　
　　表1光谱范围的选择对RMSECV和R2的影响（略）
　　
　　2.3.2光谱数据的预处理表2为光谱数据分析进行多种处理后模型的RMSECV和R2的比较。图2为运用矢量归一化对原始光谱预处理后的光谱图。从表2中可以看出，对指标性成分不同的光谱预处理方法得到的RMSECV和R2有显著不同，其中以VectorNormalization（矢量归一化）处理效果最好。对原始光谱进行必要的预处理之后，更能真实细致地反映指标成分的光谱信息。
　　
　　表2采用PLS建模时预处理方法对RMSECV和R2的影响（略）
　　
　　2.3.3浸出物定量模型的建立本文运用BrukerOPUS/QUANT22定量分析软件中PLS法进行数据处理,其中70份样品作为校正样品集建立模型,10份样品作为预测样品集。用校正样品集进行内部交叉验证RMSECV=1.66，R2=92.03（见图3）,确定最佳主成分数为7（见图4）。近红外光谱法测定值与真实值之间的绝对误差在-4%与3.5%之间（见图5）。其中真实值是指用药典中的法定方法对样品进行测定的结果；测定值是指运用近红外光谱的方法对样品进行测定的结果。
　　
　　2.3.4浸出物定量模型的验证从所有80份样品中任意抽出8份样品组成检验样品集，对提出的模型进行检验。结果见表3。
　　
　　表3检验集样品预测结果（略）
　　
　　经计算可以得到预测集平均相对误差为1.92%。可以看出预测结果较为准确，模型的建立是成功的。
　　
　　图2对原始光谱预处理后的光谱图（略）
　　
　　Rank:7R2=92.03RMSECV=1.66
　　
　　图3训练集测定值与真实值之间的相关图（略）
　　
　　3讨论
　　
　　从本实验结果可以看出，浸出物的定量模型参数为RMSECV=1.66，R2=92.03。其中R2为相关系数，它的值越接近1，就说明真实值与模型预测值越接近，模型的准确度也就会越高。RMSECV为交叉检验均方根误差，它的值越接近0，说明模型预测值偏差越小。R2和RMSECV是评价模型建立是否成功的重要参数，本实验结果较为满意。
　　
　　Rank:7R2=92.03RMSECV=1.66
　　
　　图4训练集RMSECV与Rank之间的相关图（略）
　　
　　Rank:7R2=92.03RMSECV=1.66
　　
　　图5训练集绝对误差与真实值之间的相关图（略）
　　
　　从实验结果可以看出预测集相对偏差在5%之内。模型建立较为成功，预测结果较为准确，本方法可以运用到对药材浸出物的快速检测中，为开辟一条药物分析的新途径奠定了基础。
　　
　　在模型的预处理方法中选择了多元散射校正的方法，对每张光谱进行线性变换，使其与整个平均光谱最佳匹配。在测定固体样品的过程中样品颗粒一定会存在着不同程度的不均匀，为了消除颗粒不均匀带来的影响，通常在测定固体样品时首选多元散射校正的图谱预处理方法。
　　
　　由于中药材的组成十分复杂，含有多种化学成分，因此影响浸出物的因素就多种多样。各种化学成分的近红外图谱难免重叠，这就对图谱的分析造成了很大的困难。我们虽然尽可能的通过图谱预处理，选择合适波段等方法试图来消除这些影响，但并不可能完全消除。因此在此方面还需要进一步地实验、探索。