CN101118214A - 一种利用aotf近红外光谱仪检测中药中微生物的方法 - Google Patents
一种利用aotf近红外光谱仪检测中药中微生物的方法 Download PDFInfo
- Publication number
- CN101118214A CN101118214A CN 200710017123 CN200710017123A CN101118214A CN 101118214 A CN101118214 A CN 101118214A CN 200710017123 CN200710017123 CN 200710017123 CN 200710017123 A CN200710017123 A CN 200710017123A CN 101118214 A CN101118214 A CN 101118214A
- Authority
- CN
- China
- Prior art keywords
- sample
- microorganism
- near infrared
- model
- aotf
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种利用AOTF近红外光谱仪检测中药中微生物的方法,包括以下步骤:A.利用AOTF近红外光谱仪采集校正集样品的光谱数据;B.根据采集的光谱数据建立定性校正模型;C.根据光谱数据与微生物数据相关联建立定量校正模型;D.采集未知样品的近红外光谱数据;E.通过调用校正模型得出有关微生物的定性定量分析结果。本发明利用AOTF-NIR技术,实现实验室微生物的快速检测工作,同时也可以在线微生物的快速检测,还可以很容易地判别微生物的活性。本发明具有不需要样品的预处理,检测速度快(秒级速度),不消耗试剂、无污染绿色环保分析、准确度高等优点。
Description
技术领域
本发明涉及一种微生物的检测方法,具体地说是一种利用AOTF近红外光谱仪检测中药中微生物的方法。
背景技术
目前在中药制药行业,对细菌等微生物的的检测按照国家药典的规定是必须进行的一项检测项目,常规的检测方法是利用培养基培养计数的方式来进行检测,该方法操作复杂、费时费力,至少需要48小时才能得到最终的检测结果,不能够保持一个流畅的生产过程。
发明内容
本发明为克服上述现有技术的不足,提供一种不需要样品的预处理,检测速度快(秒级速度),不消耗试剂、无污染绿色环保分析、准确度高的利用AOTFAOTF近红外光谱仪检测中药中微生物的方法。
本发明的目的是采用下述技术方案实现的:
一种利用AOTF近红外光谱仪检测中药中微生物的方法,利用AOTF近红外分析技术,根据微生物菌群对近红外光产生特征吸收的原理,通过分析样品的近红外光谱数据,分别运用偏最小二乘法和主成分回归法建立定量、定性分析模型,对未知样品进行快速定性、定量检测,具体包括以下步骤:
A.利用AOTF近红外光谱仪采集校正集含微生物样品的近红外光谱数据,同时以不含微生物样品作参照;
B.根据采集的近红外光谱数据建立含微生物样品近红外光谱与不含微生物样品之间的定性校正模型;
C.进一步根据近红外光谱数据与微生物含量的相关联数据建立微生物定量校正模型;
D.采集待测中药样品的近红外光谱数据;
E.依据上述所建立的校正模型对待测中药样品中的微生物进行定性、定量分析,判定出待测中药样品中微生物的有无和/或其含量;
所述步骤A中的采集光谱数据采用漫反射或透射的测样方式,每一张光谱都是1~1000次扫描的平均结果,波长范围从780nm~2500nm,波长增量为0.3~20nm。
步骤A所述每一张光谱均为280~500次扫描的平均结果,波长范围是880nm~2300nm,波长增量为1~10nm。
所述漫反射测样方式适用于固体状态样品的测定,测定方法是:将固体颗粒状态的样品放置于样品盒的槽中后,再用盒盖将样品刮平,连同盒盖一起放置于支架上,光谱仪的探头卡在样品盒盖的圆孔中,垂直卡紧,然后采集样品的光谱数据。
所述的透射测样方式适用于液体状态样品的测样,透射方式是指仪器检测的光是透射光,透射光是指光进入样品内部,经样品内部多次折射、散射及吸收后穿过样品的光。
所述步骤B中的定性校正模型的建立方法是:将光谱数据经过一阶微分处理的5~13中的奇数点平滑,导入分析软件,然后利用主成分回归法对光谱数据进行计算建立而成。
所述步骤C中的定量校正模型的建立是将光谱数据经过一阶微分处理的5~13中的奇数点平滑,导入分析软件,将光谱数据与微生物的数据一一对应,采用偏最小二乘法进行计算建立而成。
所述的定性校正模型用于在线实现对半成品和成品药物的微生物合格与否以及是否具有活性的定性检测。
所述的定量校正模型用于在实验室快速对药品中的微生物数量进行检测,其包括三个与具体检测项目相匹配的模型。
所述的微生物是细菌、病毒、真菌、放线菌、立克次体、支原体、衣原体和螺旋体中的一种或多种。
本发明中的AOTF是Acousto-optic tunable filter的简称,中文名称是声光可调谐滤光器,属于现有的设备;AOTF近红外分析技术和透射测样方式都属于现有技术。
本发明所涉及的其它硬件设备、软件和数学处理方式都属于现有常规技术,在此不再赘述。
本发明利用AOTF近红外分析技术,根据微生物菌群对近红外光产生特征吸收的原理,通过分析样品的近红外光谱数据,运用PLS1(偏最小二乘法)和PCA(主成分分析)建立定量、定性分析模型,对未知样品进行快速定性、定量检测。
本发明可以实现实验室微生物的快速检测工作,同时也可以在线微生物的快速检测,还可以很容易地判别药品中的微生物的活性。本发明具有不需要样品的预处理,检测速度快(秒级速度),不消耗试剂、无污染绿色环保分析、准确度高等优点。
附图说明
图1是新癀片样品的原始吸收光谱;
图2是新癀片样品的一阶微分光谱;
图3是The Unscrambler软件中光谱数据与指标数据对应表;
图4是细菌的PLS1回归模型;
图5是霉菌的PLS1回归模型;
图6是霉菌个数100个以下的回归模型;
图7是霉菌个数1000个以下的回归模型;
图8是霉菌合格样品的PCA主成分空间分布图;
图9是霉菌不合格样品的PCA主成分空间分布图;
图10是两模型对合格样品的分类表格;
图11是两模型对不合格样品的分类表格;
图12是两模型对合格样品的距离视图;
图13是两模型对不合格样品的距离视图;
图14是活性菌体样品的PCA主成分空间分布图;
图15是life模型对1-4号样品的分类表格;
图16是life模型对1-4号样品的距离视图;
具体实施方式
下面结合附图和实施例对本发明进一步说明。
仪器条件和样品处理:
仪器:美国BRIMROSE公司产的Luminar 5030型便携式AOTF技术近红外光谱仪,主要部件包括:光学部分、控制部分、电源适配器、笔记本电脑。仪器波长范围为1100nm到2300nm,2nm的波长增量,扫描次数为300,采用InGaAs检测器。挪威CAMO公司TheUnscrambler分析软件。
样品:新癀片不规则颗粒状样品20个,编号为1-20,其中1号和2号样品中的微生物已经杀死,为非活性菌体,3-20号样品中的微生物为活性菌体。并提供每个样品细菌数和霉菌数的数据,单位为:个/克。
实验方法:
本次实验扫描新癀片样品数量20个,样品状态为不规则的颗粒状。使用美国Brimrose公司Luminar 5030型AOTF近红外光谱仪采集样品的光谱数据。将样品放置于样品盒的槽中,用盒盖将样品刮平,连同盒盖一起放置于支架上,光谱仪的探头卡在样品盒盖的圆孔中,垂直卡紧,采用漫反射的测样方式采集光谱。每一张光谱都是300次扫描的平均结果。波长范围从1100nm到2300nm,波长增量为2nm。每个样品均连续扫描5张光谱,共得到100张光谱。将100个光谱数据经过一阶微分处理(9点平滑),导入The Unscrambler分析软件,然后利用PCA对光谱数据进行计算创建定性校正模型;将细菌数和霉菌数的数据与样品一一对应,采用PLS1方式进行计算建立定量校正模型。
实验结果及分析:
1.光谱
新癀片样品的原始吸收光谱(见图1),从图1中可以看出,所有光谱排列整齐有序,没有异常的样品光谱。新癀片样品的一阶微分光谱(见图2),同样整齐有序,有比较明显的吸收峰,光谱排列更加紧密,光谱与光谱之间的相似性较强,采集到的光谱信息量大。
2.建立PLS1定量分析模型
(一)模型的建立
表1:样品的编号及微生物个数值
新癀片批号 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
细菌数(个/g) | 10 | 10 | 10 | 10 | 10 | 10 | 500 | 10 | 10 | 10 |
霉菌数(个/g) | 50 | 10 | 1050 | 1400 | 1630 | 170 | 100 | 10 | 10 | 50 |
新癀片批号 | 11 | 12 | 13 | 14 | 15 | 16 | 17 | 18 | 19 | 20 |
细菌数(个/g) | 300 | 1000 | 500 | 500 | 1000 | 1700 | 10 | 300 | 500 | 10 |
霉菌数(个/g) | 30 | 10 | 100 | 3550 | 600 | 250 | 4500 | 200 | 50 | 100 |
表1为所提供样品的编号及每个样品所对应的细菌数和霉菌数的数据。在The Unscrambler软件中,将每个样品的光谱数据与细菌和霉菌个数的数据一一对应,如图3所示。
采用偏最小二乘法(PLS1),完全交互验证(Full Cross Validation)的方式建立细菌和霉菌的回归定量分析模型。
(二)结果分析
从图4图5的细菌和霉菌的回归模型看:两者都有很好的相关性,相关系数分别为0.9791和0.9895。因此,我们可以初步判断利用近红外光谱可以得到微生物有效的信息。
因为建立模型所用的样品数量比较少,无法进行未知样品的验证,因此,我们用所建立的模型对所有扫描的光谱进行一个内部的验证,所得到的结果与外部验证相似,可以说明相同的问题。表2是调用模型对细菌和霉菌的一个验证结果:
表2.模型对细菌和霉菌的预测结果
样品编号 | 细菌预测值 | 细菌实际值 | 霉菌预测值 | 霉菌实际值 |
11 | 23 | 10 | 510 | 50 |
12 | -42 | 10 | 33 | 50 |
13 | 105 | 10 | 66 | 50 |
14 | 17 | 10 | 205 | 50 |
15 | 44 | 10 | 373 | 50 |
21 | -121 | 10 | -192 | 10 |
22 | 8 | 10 | 59 | 10 |
23 | 32 | 10 | -13 | 10 |
24 | 34 | 10 | -85 | 10 |
25 | -187 | 10 | -82 | 10 |
31 | 38 | 10 | 1086 | 1050 |
32 | 214 | 10 | 1117 | 1050 |
33 | 13 | 10 | 1255 | 1050 |
34 | -39 | 10 | 993 | 1050 |
35 | 52 | 10 | 1152 | 1050 |
41 | 41 | 10 | 1666 | 1400 |
42 | -126 | 10 | 1593 | 1400 |
43 | -61 | 10 | 1407 | 1400 |
44 | -256 | 10 | 1409 | 1400 |
45 | -9 | 10 | 1409 | 1400 |
51 | 59 | 10 | 1483 | 1630 |
52 | 32 | 10 | 1645 | 1630 |
53 | 45 | 10 | 1429 | 1630 |
54 | -27 | 10 | 1652 | 1630 |
55 | -17 | 10 | 1378 | 1630 |
61 | 13 | 10 | 84 | 170 |
62 | -29 | 10 | 366 | 170 |
63 | 16 | 10 | 388 | 170 |
64 | 14 | 10 | 182 | 170 |
65 | 263 | 10 | 570 | 170 |
71 | 759 | 500 | 218 | 100 |
72 | 487 | 500 | -709 | 100 |
73 | 704 | 500 | -50 | 100 |
74 | 548 | 500 | 57 | 100 |
75 | 761 | 500 | -311 | 100 |
81 | 211 | 10 | 114 | 10 |
82 | 38 | 10 | -97 | 10 |
83 | 80 | 10 | 377 | 10 |
84 | -44 | 10 | 394 | 10 |
85 | 18 | 10 | 78 | 10 |
91 | 3 | 10 | 648 | 10 |
92 | -9 | 10 | 108 | 10 |
93 | 129 | 10 | 646 | 10 |
94 | -216 | 10 | 479 | 10 |
95 | 28 | 10 | -56 | 10 |
101 | -9 | 10 | 527 | 50 |
102 | 80 | 10 | 340 | 50 |
103 | 1 | 10 | 102 | 50 |
104 | 5 | 10 | -32 | 50 |
105 | 9 | 10 | 70 | 50 |
111 | 235 | 300 | 77 | 30 |
112 | 257 | 300 | 52 | 30 |
113 | 240 | 300 | -136 | 30 |
114 | 299 | 300 | 59 | 30 |
115 | 286 | 300 | 129 | 30 |
121 | 986 | 1000 | 292 | 10 |
122 | 1147 | 1000 | 324 | 10 |
123 | 712 | 1000 | -47 | 10 |
124 | 975 | 1000 | 86 | 10 |
125 | 1032 | 1000 | 239 | 10 |
131 | 450 | 500 | 527 | 100 |
132 | 245 | 500 | 9 | 100 |
133 | 414 | 500 | 250 | 100 |
134 | 459 | 500 | 171 | 100 |
135 | 530 | 500 | 74 | 100 |
141 | 502 | 500 | 2525 | 3550 |
142 | 502 | 500 | 2776 | 3550 |
143 | 518 | 500 | 2125 | 3550 |
144 | 454 | 500 | 2626 | 3550 |
145 | 500 | 500 | 2427 | 3550 |
151 | 960 | 1000 | 721 | 600 |
152 | 718 | 1000 | 690 | 600 |
153 | 1036 | 1000 | 690 | 600 |
154 | 1001 | 1000 | 586 | 600 |
155 | 1002 | 1000 | 615 | 600 |
161 | 1674 | 1700 | -334 | 250 |
162 | 1729 | 1700 | -163 | 250 |
163 | 1675 | 1700 | -284 | 250 |
164 | 1720 | 1700 | -226 | 250 |
165 | 1518 | 1700 | -381 | 250 |
171 | 85 | 10 | 4231 | 4500 |
172 | -9 | 10 | 4386 | 4500 |
173 | -6 | 10 | 4424 | 4500 |
174 | 34 | 10 | 4499 | 4500 |
175 | -36 | 10 | 4496 | 4500 |
181 | 284 | 300 | 211 | 200 |
182 | 283 | 300 | 7 | 200 |
183 | 292 | 300 | 201 | 200 |
184 | 280 | 300 | 170 | 200 |
185 | 183 | 300 | -147 | 200 |
191 | 471 | 500 | -157 | 50 |
192 | 653 | 500 | -355 | 50 |
193 | 499 | 500 | -70 | 50 |
194 | 496 | 500 | -461 | 50 |
195 | 521 | 500 | 70 | 50 |
201 | 79 | 10 | 886 | 100 |
202 | 298 | 10 | 984 | 100 |
203 | 221 | 10 | 873 | 100 |
204 | 63 | 10 | 714 | 100 |
205 | 237 | 10 | 662 | 100 |
从表2可以看出:细菌数量大于300个的样品和霉菌数量大于1000个的样品的模型预测结果都接近于实际值,比较准确。但是对数量比较少的样品预测的结果差别非常大。这是因为两个模型的数据梯度非常大,数据从几个到几千,在这么宽的数据范围内,由于样品量有限,没有很好的梯度间隔,而且,微生物个数少的样品其信号反应也相对较弱,因此,很难预测其准确的个数。
(三)模型的改进
针对细菌而言,如果我们的最终结果只是要求将细菌的个数控制一个数量之下,比如少于7000个为合格,那么以上模型虽然对细菌少的样品预测不够准确,但能够达到控制的要求。对于霉菌来说,国家标准要求是少于100个为合格,那么我们换一个思路,用霉菌数量少于等于100个的样品建立霉菌的模型,看能够达到什么样的预测效果。在扫描的100个光谱中,霉菌数量100个以下的样品的光谱个数共为55个。利用这55个光谱数据和对应的霉菌个数值,建立100个以下霉菌的模型,见图6。
从图6可以看出,霉菌小范围模型有更好的相关性,相关系数达到了0.9913,利用这个模型对建模用的55个光谱进行预测,得到表3的结果。
表3.霉菌100以下小范围模型预测结果与实际值的比较
样品编号 | 预测值 | 实际值 | 绝对偏差 | 样品编号 | 预测值 | 实际值 | 绝对偏差 |
11 | 50 | 50 | 0 | 104 | 53 | 50 | -3 |
12 | 46 | 50 | 4 | 105 | 51 | 50 | -1 |
13 | 54 | 50 | -4 | 111 | 32 | 30 | -2 |
14 | 48 | 50 | 2 | 112 | 27 | 30 | 3 |
15 | 51 | 50 | -1 | 113 | 31 | 30 | -1 |
21 | 12 | 10 | -2 | 114 | 36 | 30 | -6 |
22 | 11 | 10 | -1 | 115 | 30 | 30 | 0 |
23 | 9 | 10 | 1 | 121 | 9 | 10 | 1 |
24 | 10 | 10 | 0 | 122 | 11 | 10 | -1 |
25 | 7 | 10 | 3 | 123 | 11 | 10 | -1 |
71 | 98 | 100 | 2 | 124 | 11 | 10 | -1 |
72 | 100 | 100 | 0 | 125 | 7 | 10 | 3 |
73 | 101 | 100 | -1 | 131 | 100 | 100 | 0 |
74 | 97 | 100 | 3 | 132 | 101 | 100 | -1 |
75 | 100 | 100 | 0 | 133 | 96 | 100 | 4 |
81 | 11 | 10 | -1 | 134 | 98 | 100 | 2 |
82 | 14 | 10 | -4 | 135 | 97 | 100 | 3 |
83 | 9 | 10 | 1 | 191 | 51 | 50 | -1 |
84 | 6 | 10 | 4 | 192 | 53 | 50 | -3 |
85 | 12 | 10 | -2 | 193 | 50 | 50 | 0 |
91 | 8 | 10 | 2 | 194 | 53 | 50 | -3 |
92 | 8 | 10 | 2 | 195 | 51 | 50 | -1 |
93 | 10 | 10 | 0 | 201 | 99 | 100 | 1 |
94 | 8 | 10 | 2 | 202 | 100 | 100 | 0 |
95 | 7 | 10 | 3 | 203 | 105 | 100 | -5 |
101 | 53 | 50 | -3 | 204 | 98 | 100 | 2 |
102 | 48 | 50 | 2 | 205 | 97 | 100 | 3 |
103 | 54 | 50 | -4 |
从表3可以看出:霉菌的100以下小范围模型对100个以下的样品预测的结果准确度非常高,只有正负几个数量的绝对偏差。
小范围模型预测霉菌数量少的样品比较准确,那么预测霉菌数量大于100个的样品的结果回怎么样?表4是霉菌数量大于100的样品的预测结果。
表4.小范围模型预测霉菌数量大于100的样品的结果
样品编号 | 预测值 | 实际值 | 样品编号 | 预测值 | 实际值 |
31 | 103 | 1050 | 141 | 90 | 3550 |
32 | 112 | 1050 | 142 | 97 | 3550 |
33 | 105 | 1050 | 143 | 102 | 3550 |
34 | 103 | 1050 | 144 | 90 | 3550 |
35 | 107 | 1050 | 145 | 94 | 3550 |
41 | 149 | 1400 | 151 | 89 | 600 |
42 | 151 | 1400 | 152 | 93 | 600 |
43 | 158 | 1400 | 153 | 90 | 600 |
44 | 149 | 1400 | 154 | 94 | 600 |
45 | 142 | 1400 | 155 | 93 | 600 |
51 | 92 | 1630 | 161 | 89 | 250 |
52 | 85 | 1630 | 162 | 89 | 250 |
53 | 91 | 1630 | 163 | 91 | 250 |
54 | 84 | 1630 | 164 | 84 | 250 |
55 | 90 | 1630 | 165 | 90 | 250 |
61 | 21 | 170 | 171 | 106 | 4500 |
62 | 15 | 170 | 172 | 91 | 4500 |
63 | 12 | 170 | 173 | 108 | 4500 |
64 | 17 | 170 | 174 | 103 | 4500 |
65 | 13 | 170 | 175 | 101 | 4500 |
从表4可以看出:霉菌数量小于100的样品所建立的小范围测试模型预测霉菌数量大于100的样品的结果与实际值相差很大,这是正常的,因为所测试的样品范围不在建模范围之内,预测的结果肯定是不准确的。我们可以尝试用霉菌的数量小于1000个的所有样品再建立一个模型。在扫描的100个光谱中,霉菌数量小于1000个的样品的光谱个数共为75个。利用这75个光谱数据和对应的霉菌个数值,建立1000个以下霉菌的模型,见图7。
从图7可以看出,霉菌1000个以下的模型也有很好的相关性,相关系数为0.9823,利用这个模型对建模用的75个光谱进行预测,得到表5的结果。
表5.霉菌1000个以下的模型预测霉菌数量小于1000个的样品的结果
样品编号 | 预测值 | 实际值 | 样品编号 | 预测值 | 实际值 |
11 | 69 | 50 | 114 | 32 | 30 |
12 | 50 | 50 | 115 | 56 | 30 |
13 | 44 | 50 | 121 | -2 | 10 |
14 | 30 | 50 | 122 | 48 | 10 |
15 | 52 | 50 | 123 | -76 | 10 |
21 | 18 | 10 | 124 | 18 | 10 |
22 | -92 | 10 | 125 | -3 | 10 |
23 | 30 | 10 | 131 | 111 | 100 |
24 | 7 | 10 | 132 | 38 | 100 |
25 | -96 | 10 | 133 | 123 | 100 |
61 | 179 | 170 | 134 | 73 | 100 |
62 | 189 | 170 | 135 | 112 | 100 |
63 | 173 | 170 | 151 | 607 | 600 |
64 | 147 | 170 | 152 | 589 | 600 |
65 | 165 | 170 | 153 | 597 | 600 |
71 | 190 | 100 | 154 | 606 | 600 |
72 | 101 | 100 | 155 | 589 | 600 |
73 | 97 | 100 | 161 | 231 | 250 |
74 | 97 | 100 | 162 | 246 | 250 |
75 | 147 | 100 | 163 | 226 | 250 |
81 | 124 | 10 | 164 | 272 | 250 |
82 | 17 | 10 | 165 | 247 | 250 |
83 | 31 | 10 | 181 | 217 | 200 |
84 | 28 | 10 | 182 | 131 | 200 |
85 | -7 | 10 | 183 | 180 | 200 |
91 | 31 | 10 | 184 | 201 | 200 |
92 | 16 | 10 | 185 | 190 | 200 |
93 | 13 | 10 | 191 | 43 | 50 |
94 | -4 | 10 | 192 | 46 | 50 |
95 | -23 | 10 | 193 | 36 | 50 |
101 | 50 | 50 | 194 | 38 | 50 |
102 | 101 | 50 | 195 | -1 | 50 |
103 | 70 | 50 | 201 | 183 | 100 |
104 | 69 | 50 | 202 | 204 | 100 |
105 | 26 | 50 | 203 | 100 | 100 |
111 | 15 | 30 | 204 | 95 | 100 |
112 | 58 | 30 | 205 | 108 | 100 |
113 | 10 | 30 |
从表5可以看出:霉菌1000个以下的模型对霉菌数量为170、200、250、600个的四个样品预测的结果准确度很高;对霉菌数量100个以下的样品预测准确度降低,但每个样品的平均值仍然能够接近于实际值。
(四)综合解决方案
综合以上的分析,在如此大的数据梯度范围内,我们没有办法只用一个模型就能够测量准确所有的样品。但是,分析本次实验我们可以发现建立三个模型就可以准确预测每一个样品的霉菌数量(细菌与此类似,不再作详细分析),这三个模型是:所有样品参与建立的宽数据范围的综合模型,我们不妨称其为model-all;霉菌数量小于1000个样品建立的模型称为model-1000;霉菌数量小于100个样品建立的小范围模型称为model-100。
分析表2,霉菌个数在1000个以上的样品预测的非常准确,个数在1000个以下的样品预测值没有超过1000的,因此,通过model-all的预测,可以有效地将霉菌个数在1000个以上的样品进行准确检测。
分析表5,利用model-1000模型,可以准确预测霉菌数量100个以上的样品。霉菌数量100个以下的样品预测不够准确。
分析表3,利用model-100模型,对霉菌数量在100个以下的样品预测的准确度非常高。
根据以上分析总结,完全可以利用AOTF-NIR技术,实现快速菌检的工作。步骤如下:扫描未知样品的光谱,首先用model-all模型进行预测,预测值大于1000,那么,该样品的霉菌数量即为该数值;如果样品的预测值小于1000,用model-1000模型再对该样品的光谱进行预测,如果预测值在200~1000范围之内,那么我们可以肯定该样品的预测值为该样品的真实值,如果预测值在100~200范围内,那么我们需要对该样品重复扫描5次,用model-1000模型预测5次光谱的平均值,即为该样品的真实值;如果用model-1000模型预测该样品光谱的预测值小于100,那么,再调用model-100模型对该样品进行准确的预测,得到的结果就是该样品的实际值。
3.建立PCA定性分析模型
(一)定性模型的建立
多模型分步快速菌检法非常适合AOTF-NIR技术在实验室快速对药品中的微生物进行检测,但是,该方法相对复杂,不能够适应在线的快速微生物检测,下面我们来探讨一下用定性分析的方法,能否解决在线菌检的难题。
还是以霉菌为例。定性分析和定量分析是两个不同的概念,定量分析可以检测到一个样品中含有的霉菌的具体个数;定性分析是判断是与否的问题,假设规定药品中含有霉菌的个数超过100个为不合格,少于100个为合格品,那么定性分析就是判断所检测的药品是否合格的问题。
在已有的20个样品中,11个样品的霉菌个数不超过100,9个样品的霉菌个数在100个以上。利用主成分分析(PCA)对11个样品的一阶微分光谱数据进行聚类,作为合格样品集;对9个样品的一阶微分光谱数据进行聚类,作为合不格样品集。因为每个样品我们扫描了5张光谱,我们可以将每个样品的第一张光谱分出来,作为验证用,其余的4个光谱参与建立定性分析的模型。这样,合格样品集有11张验证光谱,不合格样品集有9张验证光谱。44张合格品光谱建立的定性模型为yes,36个不合格品样品建立的定性模型为no,见图8和图9。
(二)预测
利用建立好的yes模型(图10)和no模型(图11)分别对合格品的验证集样品和不合格品的验证集样品进行预测。结果如图12、13所示:分类表格中有“*”号的表示被测样品与模型属于同一类,没有的表示不同类。
图12、13中,“○”表示不合格样品的模型点阵,“●”表示合格样品的模型点阵,“△”表示用来验证的11个合格样品或9个不合格样品。
从图10、图11的分类表格分析,11个用来验证的合格样品全部被确定属于合格品,没有一个属于不合格品范围。而9个用来验证的不合格样品,有7个被确定属于不合格品,有2个无法确定是属于合格还是不合格,但从图13可以看出,这2个样品更靠近不合格品的区域,应该属于不合格品。
(三)结论
通过以上的结果,我们可以很容易的通过定性分析的方法,将合格和不合格的样品区分开来,从而可以应用AOTF-NIR定性分析的方法,在线实现对半成品和成品药物的微生物检测的工作,快速判断微生物的指标是否合格,如果合格马上进入下一个工序,不合格立即采取相应的处理措施。对中药生产过程的稳定流畅具有重大的意义,节省大量的时间,降低成本,增加效益。
4.活性和非活性菌体的定性判别
目前,尚未有仪器能够判别药品中的菌体为活性菌体还是非活性菌体。本次实验中提供的20个样品中,1号和2号样品中的菌体为非活性菌体(已经通过某种方式杀死的菌体),其余18个样品中菌体为活性菌体。利用AOTF-NIR技术能否有效地判别菌体的活性,通过下面的实验来进行验证。
(一)定性模型的建立
将5号至20号共16个样品作为活性菌体集合,建立活性菌体的定性分析模型,然后用来验证1-4号样品,看是否能够将1-2号的非活性菌体样品和3-4号活性菌体的样品进行有效的判别。利用主成分分析(PCA)对16个活性菌体样品的一阶微分光谱数据进行聚类,得到图14所示的活性菌体样品主成分空间分布图,模型名称为life。
(二)预测
利用建立好的life模型对1-4号样品进行预测。结果见图15和图16:
从图15中可以看出,1号2号样品全部不带有*号,说明1、2号样品不属于活性菌体样品;3号4号样品全部标有*号,说明3、4号样品完全属于活性菌体样品。从图16也可以很明显地看出,1、2号样品落在模型之外,3、4号样品在模型区域之内。
(三)结论
利用AOTF-NIR技术可以很容易地判别药品中的微生物的活性!
Claims (10)
1.一种利用AOTF近红外光谱仪检测中药中微生物的方法,其特征在于,利用近红外分析技术,根据微生物菌群对近红外光产生特征吸收的原理,通过分析样品的近红外光谱数据,分别运用偏最小二乘法和主成分回归法建立定量、定性分析模型,对未知样品进行快速定性、定量检测,具体包括以下步骤:
A.利用AOTF近红外光谱仪采集校正集含微生物样品的近红外光谱数据,同时以不含微生物样品作参照;
B.根据采集的近红外光谱数据建立含微生物样品近红外光谱与不含微生物样品之间的定性校正模型;
C.进一步根据近红外光谱数据与微生物含量的相关联数据建立微生物定量校正模型;
D.采集待测中药样品的近红外光谱数据;
E.依据上述所建立的校正模型对待测中药样品中的微生物进行定性、定量分析,判定出待测中药样品中微生物的有无和/或其含量。
2.根据权利要求1所述的一种利用AOTF近红外光谱仪检测中药中微生物的方法,其特征在于:所述步骤A中的采集光谱数据采用漫反射或透射的测样方式,每一张光谱都是1~1000次扫描的平均结果,波长范围从780nm~2500nm,波长增量为0.3~20nm。
3.根据权利要求1所述的一种利用AOTF近红外光谱仪检测中药中微生物的方法,其特征在于:步骤A所述每一张光谱均为280~500次扫描的平均结果,波长范围是880nm~2300nm,波长增量为1~10nm。
4.根据权利要求2或3所述的一种利用AOTF近红外光谱仪检测中药中微生物的方法,其特征在于,所述漫反射测样方式适用于固体状态样品的测定,测定方法是:将固体颗粒状态的样品放置于样品盒的槽中后,再用盒盖将样品刮平,连同盒盖一起放置于支架上,光谱仪的探头卡在样品盒盖的圆孔中,垂直卡紧,然后采集样品的光谱数据。
5.根据权利要求2或3所述的一种利用AOTF近红外光谱仪检测中药中微生物的方法,其特征在于:所述的透射测样方式适用于液体状态样品的测样,透射方式是指仪器检测的光是透射光,透射光是指光进入样品内部,经样品内部多次折射、散射及吸收后穿过样品的光。
6.根据权利要求1所述的一种利用AOTF近红外光谱仪检测中药中微生物的方法,其特征在于,所述步骤B中的定性校正模型的建立方法是:将光谱数据经过一阶微分处理的5~13中的奇数点平滑,导入分析软件,然后利用主成分回归法对光谱数据进行计算建立而成。
7.根据权利要求1所述的一种利用AOTF近红外光谱仪检测中药中微生物的方法,其特征在于:所述步骤C中的定量校正模型的建立是将光谱数据经过一阶微分处理的5~13中的奇数点平滑,导入分析软件,将光谱数据与微生物的数据一一对应,采用偏最小二乘法进行计算建立而成。
8.根据权利要求1或6所述的一种利用AOTF近红外光谱仪检测中药中微生物的方法,其特征在于:所述的定性校正模型用于在线实现对半成品和成品药物的微生物合格与否以及是否具有活性的定性检测。
9.根据权利要求1或7所述的一种利用AOTF近红外光谱仪检测中药中微生物的方法,其特征在于:所述的定量校正模型用于在实验室快速对药品中的微生物数量进行检测,其包括三个与具体检测项目相匹配的模型。
10.根据权利要求1所述的一种利用AOTF近红外光谱仪检测中药中微生物的方法,其特征在于:所述的微生物是细菌、病毒、真菌、放线菌、立克次体、支原体、衣原体和螺旋体中的一种或多种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200710017123 CN100561194C (zh) | 2007-09-04 | 2007-09-04 | 一种利用aotf近红外光谱仪检测中药中微生物的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200710017123 CN100561194C (zh) | 2007-09-04 | 2007-09-04 | 一种利用aotf近红外光谱仪检测中药中微生物的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101118214A true CN101118214A (zh) | 2008-02-06 |
CN100561194C CN100561194C (zh) | 2009-11-18 |
Family
ID=39054415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 200710017123 Active CN100561194C (zh) | 2007-09-04 | 2007-09-04 | 一种利用aotf近红外光谱仪检测中药中微生物的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100561194C (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101620178B (zh) * | 2009-06-19 | 2011-02-16 | 广东省药品检验所 | 基于近红外光谱技术快速检测中成药、保健食品或食品中添加化学成分的方法 |
CN101556242B (zh) * | 2009-05-22 | 2014-04-16 | 中国食品药品检定研究院 | 用傅立叶红外光谱鉴别微生物的方法 |
CN103792204A (zh) * | 2014-01-20 | 2014-05-14 | 郑州市中食农产品加工研究院 | 一种基于太赫兹时域光谱技术的微生物快速检测技术 |
CN104034706A (zh) * | 2013-03-05 | 2014-09-10 | 阿自倍尔株式会社 | 微生物检测装置以及微生物检测方法 |
CN104792686A (zh) * | 2014-01-22 | 2015-07-22 | 重庆医科大学 | 近红外光谱法检测半固体制剂中微生物数量和药物含量 |
CN105548030A (zh) * | 2015-12-17 | 2016-05-04 | 江西汇仁药业有限公司 | 一种脑心舒口服液质量控制模型的建立方法及应用 |
CN106404842A (zh) * | 2016-11-29 | 2017-02-15 | 国网浙江省电力公司电力科学研究院 | 一种金相组织评估测试方法 |
CN106596450A (zh) * | 2017-01-06 | 2017-04-26 | 东北大学秦皇岛分校 | 基于红外光谱分析物质成分含量的增量式方法 |
CN106680238A (zh) * | 2017-01-06 | 2017-05-17 | 东北大学秦皇岛分校 | 基于红外光谱分析物质成分含量的方法 |
CN106770004A (zh) * | 2016-11-22 | 2017-05-31 | 福建医科大学 | 基于近红外光谱技术检测乳制品中微生物的种类和含量的方法 |
CN108572157A (zh) * | 2018-05-03 | 2018-09-25 | 苏州高新区建金建智能科技有限公司 | 一种具有医用近红外光的病毒立体照射装置 |
CN108760679A (zh) * | 2018-08-24 | 2018-11-06 | 西南林业大学 | 一种基于近红外光谱技术的乌天麻鉴别方 |
CN108844916A (zh) * | 2018-05-03 | 2018-11-20 | 苏州高新区建金建智能科技有限公司 | 一种近红外线800-1400光谱照射细胞病毒的管道结构 |
CN111060476A (zh) * | 2019-12-19 | 2020-04-24 | 中山大学附属第一医院 | 一种用于检测创面或lb培养液细菌感染的近红外光谱系统及其检测方法 |
WO2022109833A1 (zh) * | 2020-11-25 | 2022-06-02 | 深圳先进技术研究院 | 基于表面增强红外光谱和主成分分析的新冠病毒核酸检测模型的构建方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101021471A (zh) * | 2007-03-13 | 2007-08-22 | 山东医学高等专科学校 | 声光可调滤光器近红外光谱技术用于中成药快速定量分析的方法 |
CN101021470A (zh) * | 2007-03-13 | 2007-08-22 | 山东医学高等专科学校 | 声光可调滤光器近红外光谱技术用于中成药快速定性分析的方法 |
-
2007
- 2007-09-04 CN CN 200710017123 patent/CN100561194C/zh active Active
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101556242B (zh) * | 2009-05-22 | 2014-04-16 | 中国食品药品检定研究院 | 用傅立叶红外光谱鉴别微生物的方法 |
CN101620178B (zh) * | 2009-06-19 | 2011-02-16 | 广东省药品检验所 | 基于近红外光谱技术快速检测中成药、保健食品或食品中添加化学成分的方法 |
CN104034706A (zh) * | 2013-03-05 | 2014-09-10 | 阿自倍尔株式会社 | 微生物检测装置以及微生物检测方法 |
CN103792204A (zh) * | 2014-01-20 | 2014-05-14 | 郑州市中食农产品加工研究院 | 一种基于太赫兹时域光谱技术的微生物快速检测技术 |
CN104792686A (zh) * | 2014-01-22 | 2015-07-22 | 重庆医科大学 | 近红外光谱法检测半固体制剂中微生物数量和药物含量 |
CN105548030A (zh) * | 2015-12-17 | 2016-05-04 | 江西汇仁药业有限公司 | 一种脑心舒口服液质量控制模型的建立方法及应用 |
CN106770004A (zh) * | 2016-11-22 | 2017-05-31 | 福建医科大学 | 基于近红外光谱技术检测乳制品中微生物的种类和含量的方法 |
CN106404842A (zh) * | 2016-11-29 | 2017-02-15 | 国网浙江省电力公司电力科学研究院 | 一种金相组织评估测试方法 |
CN106680238A (zh) * | 2017-01-06 | 2017-05-17 | 东北大学秦皇岛分校 | 基于红外光谱分析物质成分含量的方法 |
CN106596450A (zh) * | 2017-01-06 | 2017-04-26 | 东北大学秦皇岛分校 | 基于红外光谱分析物质成分含量的增量式方法 |
CN106596450B (zh) * | 2017-01-06 | 2019-04-05 | 东北大学秦皇岛分校 | 基于红外光谱分析物质成分含量的增量式方法 |
CN108572157A (zh) * | 2018-05-03 | 2018-09-25 | 苏州高新区建金建智能科技有限公司 | 一种具有医用近红外光的病毒立体照射装置 |
CN108844916A (zh) * | 2018-05-03 | 2018-11-20 | 苏州高新区建金建智能科技有限公司 | 一种近红外线800-1400光谱照射细胞病毒的管道结构 |
CN108760679A (zh) * | 2018-08-24 | 2018-11-06 | 西南林业大学 | 一种基于近红外光谱技术的乌天麻鉴别方 |
CN111060476A (zh) * | 2019-12-19 | 2020-04-24 | 中山大学附属第一医院 | 一种用于检测创面或lb培养液细菌感染的近红外光谱系统及其检测方法 |
WO2022109833A1 (zh) * | 2020-11-25 | 2022-06-02 | 深圳先进技术研究院 | 基于表面增强红外光谱和主成分分析的新冠病毒核酸检测模型的构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN100561194C (zh) | 2009-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100561194C (zh) | 一种利用aotf近红外光谱仪检测中药中微生物的方法 | |
CN103018195B (zh) | 近红外光谱测定pbx炸药中pctfe含量的方法 | |
CN101609042A (zh) | 基于近红外光谱的手持式土壤养分无损测量系统 | |
CN101216419A (zh) | 一种快速检测黄酒品质指标的方法 | |
CN106124445A (zh) | 一种快速、无损鉴别转基因大豆方法 | |
CN102252972A (zh) | 基于近红外光谱快速鉴别油茶籽油真实属性的检测方法 | |
CN108760647A (zh) | 一种基于可见/近红外光谱技术的小麦带菌量线检测方法 | |
CN103033486A (zh) | 陈皮及广陈皮药材质量的近红外光谱监控方法 | |
CN201503392U (zh) | 基于近红外光谱的手持式土壤养分无损测量装置 | |
CN101339150A (zh) | 基于介电谱技术测定汽油辛烷值的方法 | |
CN107024447B (zh) | 一种生药粉在线检测装置和检测方法 | |
CN104297206A (zh) | 一种液态牛奶品牌快速鉴别方法 | |
WO2014087374A1 (pt) | Método e sonda de monitorização da fermentação alcoólica com espectroscopia uv-vis-swnir | |
CN101769867A (zh) | 一种堆肥产品品质的无损检测方法 | |
IT201800002353A1 (it) | Procedimento di identificazione batterica tramite analisi multivariata di profili spettrali | |
CN103760130B (zh) | 近红外光谱测定复方麝香注射液中吐温-80含量的方法 | |
CN101566569A (zh) | 一种通过特征参量鉴别多种荧光光谱混叠物质的系统和方法 | |
CN103487398A (zh) | 一种赖氨酸发酵液的分析方法 | |
CN102967557B (zh) | 基于近红外光谱的生物气溶胶含水量测定及其分类方法 | |
CN204008454U (zh) | 用于检测贮藏稻谷中霉菌指标的便携式近红外光谱分析仪 | |
CN101140225B (zh) | 一种利用声光可调滤光器近红外光谱仪检测香料中铅的方法 | |
CN101650306A (zh) | 快速检测分析绢云母质量的方法 | |
CN105866065B (zh) | 一种乌洛托品-醋酸溶液中乌洛托品含量分析方法 | |
RU93990U1 (ru) | Устройство для мультисубстратной флуоресцентной идентификации биологических микрообъектов и их биологических свойств | |
CN104374740A (zh) | 一种蜂产品的检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |