【摘要】目的應(yīng)用近紅外光譜（NIR）技術(shù)和數(shù)據(jù)分析軟件，對(duì)黃芩原藥材中醇浸出物的含量進(jìn)行快速測(cè)定。方法應(yīng)用偏最小二乘法（PLS）對(duì)黃芩醇浸出物的結(jié)果與NIR建立校正模型。結(jié)果內(nèi)部交叉驗(yàn)證和外部檢驗(yàn)集樣品對(duì)模型驗(yàn)證結(jié)果表明,校正模型中真實(shí)值與預(yù)測(cè)值之間的相關(guān)系數(shù)（R2）為92.52，內(nèi)部驗(yàn)證均方差RMSECV為1.58%。結(jié)論NIR的運(yùn)用具有快速方便，結(jié)果準(zhǔn)確的特點(diǎn)。此方法可以應(yīng)用于黃芩藥材醇浸物的快速檢測(cè)中，對(duì)于其它的中藥材指標(biāo)成分測(cè)定也有一定的參考價(jià)值。
　　
　　【關(guān)鍵詞】近紅外光譜偏最小二乘法快速測(cè)定黃芩浸膏
　　
　　近紅外光譜（NIR）區(qū)域按ASTM定義是指波長在780～2526nm范圍內(nèi)的電磁波，是人們最早發(fā)現(xiàn)的非可見光區(qū)域［1］，距今已有近200年的歷史［2］。NIR區(qū)主要是含氫化學(xué)基團(tuán)振動(dòng)的泛頻和組頻所致。在NIR區(qū)產(chǎn)生吸收的官能團(tuán)主要是含H基團(tuán)，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(tuán)伸縮振動(dòng)的各級(jí)倍頻以及這些基團(tuán)伸縮振動(dòng)和彎曲振動(dòng)的合頻吸收是NIR定量分析的化學(xué)基礎(chǔ)［3］。
　　
　　唇形科植物黃芩ScutellariabaicalensisGeorgi主要產(chǎn)于我國東北、河北、山西、河南、陜西、內(nèi)蒙古等地,以山西產(chǎn)量最大。黃芩味苦，性寒，歸肺、肝、膽、大腸、小腸經(jīng)。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(yīng)用非常廣泛，需求量較大。因此原藥材的質(zhì)量關(guān)系臨床用藥安全。黃芩醇浸出物的含量是控制藥材質(zhì)量的重要指標(biāo)之一，它關(guān)系著藥材的出膏率，反映了藥材的整體質(zhì)量。醇浸出物的測(cè)定無論對(duì)于藥廠生產(chǎn)，還是個(gè)人用藥都有著重要的意義。但目前在醇浸出物測(cè)定方法的研究和改進(jìn)上進(jìn)展緩慢，其測(cè)定方法前處理費(fèi)時(shí)、繁瑣，而且分析結(jié)果滯后，影響分析速度。
　　
　　在醇浸出物的測(cè)定中利用NIR分析技術(shù)可以使測(cè)定更加簡(jiǎn)便、快捷。由于適合NIR測(cè)量的物質(zhì)種類范圍和場(chǎng)合相當(dāng)廣泛，目前該技術(shù)在藥物質(zhì)量控制方面得到了廣泛應(yīng)用［5～9］。NIR分析技術(shù)實(shí)時(shí)、在線、無損的特點(diǎn)更適合用于大規(guī)模的生產(chǎn)之中。本方法用NIR技術(shù)與化學(xué)計(jì)量學(xué)相結(jié)合對(duì)黃芩原藥材浸出物進(jìn)行快速測(cè)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(fēng)干燥箱（中外合資重慶四達(dá)實(shí)驗(yàn)儀器有限公司）；乙醇為色譜純。
　　
　　1.2樣品來源實(shí)驗(yàn)中黃芩藥材來源于內(nèi)蒙、湖北、河南、山東、四川、云南、甘肅、安徽、山西等10個(gè)省不同產(chǎn)地、不同品種、不同生長年限的栽培或野生黃芩，且都經(jīng)過河南中醫(yī)學(xué)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(jié)果
　　
　　2.1黃芩原藥材浸出物真實(shí)值的測(cè)定采用《中國藥典》2005年版的方法測(cè)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(xù)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(bǔ)足減失的重量，搖勻，用干燥濾器濾過，精密量取續(xù)濾液25ml，置已干燥至恒重的蒸發(fā)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(jì)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(gè)不同產(chǎn)地、不同采收時(shí)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(shí)驗(yàn)條件進(jìn)行掃描:測(cè)樣方式為積分球漫反射,分辨率8cm-1；掃描次數(shù)64次；掃描范圍12000～4000cm-1；溫度20℃；空氣濕度60%。
　　
　　每個(gè)樣品重復(fù)3次,求平均光譜,80個(gè)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(yán)重重疊，另一方面是由于中藥成分眾多，組成復(fù)雜，因此很難從原始近紅外光譜中找出特定的吸收譜帶對(duì)其加以區(qū)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(cè)的指標(biāo)性成分不同，成分的結(jié)構(gòu)也不同，因此測(cè)定不同物質(zhì)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(jīng)過篩選（見表1）浸出物含量所對(duì)應(yīng)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(duì)RMSECV和R2的影響（略）
　　
　　2.3.2光譜數(shù)據(jù)的預(yù)處理表2為光譜數(shù)據(jù)分析進(jìn)行多種處理后模型的RMSECV和R2的比較。圖2為運(yùn)用矢量歸一化對(duì)原始光譜預(yù)處理后的光譜圖。從表2中可以看出，對(duì)指標(biāo)性成分不同的光譜預(yù)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(duì)原始光譜進(jìn)行必要的預(yù)處理之后，更能真實(shí)細(xì)致地反映指標(biāo)成分的光譜信息。
　　
　　表2采用PLS建模時(shí)預(yù)處理方法對(duì)RMSECV和R2的影響（略）
　　
　　2.3.3浸出物定量模型的建立本文運(yùn)用BrukerOPUS/QUANT22定量分析軟件中PLS法進(jìn)行數(shù)據(jù)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(yù)測(cè)樣品集。用校正樣品集進(jìn)行內(nèi)部交叉驗(yàn)證RMSECV=1.66，R2=92.03（見圖3）,確定最佳主成分?jǐn)?shù)為7（見圖4）。近紅外光譜法測(cè)定值與真實(shí)值之間的絕對(duì)誤差在-4%與3.5%之間（見圖5）。其中真實(shí)值是指用藥典中的法定方法對(duì)樣品進(jìn)行測(cè)定的結(jié)果；測(cè)定值是指運(yùn)用近紅外光譜的方法對(duì)樣品進(jìn)行測(cè)定的結(jié)果。
　　
　　2.3.4浸出物定量模型的驗(yàn)證從所有80份樣品中任意抽出8份樣品組成檢驗(yàn)樣品集，對(duì)提出的模型進(jìn)行檢驗(yàn)。結(jié)果見表3。
　　
　　表3檢驗(yàn)集樣品預(yù)測(cè)結(jié)果（略）
　　
　　經(jīng)計(jì)算可以得到預(yù)測(cè)集平均相對(duì)誤差為1.92%�？梢钥闯鲱A(yù)測(cè)結(jié)果較為準(zhǔn)確，模型的建立是成功的。
　　
　　圖2對(duì)原始光譜預(yù)處理后的光譜圖（略）
　　
　　Rank:7R2=92.03RMSECV=1.66
　　
　　圖3訓(xùn)練集測(cè)定值與真實(shí)值之間的相關(guān)圖（略）
　　
　　3討論
　　
　　從本實(shí)驗(yàn)結(jié)果可以看出，浸出物的定量模型參數(shù)為RMSECV=1.66，R2=92.03。其中R2為相關(guān)系數(shù)，它的值越接近1，就說明真實(shí)值與模型預(yù)測(cè)值越接近，模型的準(zhǔn)確度也就會(huì)越高。RMSECV為交叉檢驗(yàn)均方根誤差，它的值越接近0，說明模型預(yù)測(cè)值偏差越小。R2和RMSECV是評(píng)價(jià)模型建立是否成功的重要參數(shù)，本實(shí)驗(yàn)結(jié)果較為滿意。
　　
　　Rank:7R2=92.03RMSECV=1.66
　　
　　圖4訓(xùn)練集RMSECV與Rank之間的相關(guān)圖（略）
　　
　　Rank:7R2=92.03RMSECV=1.66
　　
　　圖5訓(xùn)練集絕對(duì)誤差與真實(shí)值之間的相關(guān)圖（略）
　　
　　從實(shí)驗(yàn)結(jié)果可以看出預(yù)測(cè)集相對(duì)偏差在5%之內(nèi)。模型建立較為成功，預(yù)測(cè)結(jié)果較為準(zhǔn)確，本方法可以運(yùn)用到對(duì)藥材浸出物的快速檢測(cè)中，為開辟一條藥物分析的新途徑奠定了基礎(chǔ)。
　　
　　在模型的預(yù)處理方法中選擇了多元散射校正的方法，對(duì)每張光譜進(jìn)行線性變換，使其與整個(gè)平均光譜最佳匹配。在測(cè)定固體樣品的過程中樣品顆粒一定會(huì)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(cè)定固體樣品時(shí)首選多元散射校正的圖譜預(yù)處理方法。
　　
　　由于中藥材的組成十分復(fù)雜，含有多種化學(xué)成分，因此影響浸出物的因素就多種多樣。各種化學(xué)成分的近紅外圖譜難免重疊，這就對(duì)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(yù)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(jìn)一步地實(shí)驗(yàn)、探索。