CN104458647A - 利用近红外光谱在线检测复方醋酸地塞米松乳膏的方法 - Google Patents

Abstract

本发明涉及一种利用近红外光谱在线检测复方醋酸地塞米松乳膏中有效成分的方法，属于药物检测技术领域。本发明所述利用近红外光谱在线检测复方醋酸地塞米松乳膏的方法，用近红外光谱仪在线采集复方醋酸地塞米松乳膏标准品的近红外光谱图，并采用偏最小二乘法对特征光谱进行数据处理，再根据建立的数学模型得到所述标准品中有效成分含量的预测值，以此评价所述复方醋酸地塞米松的质量。本发明所述方法，能够实现样品中多组分、多种指标的同时测定，操作简单，不破坏样品；可实现在线实时测试，同时方法重现性、稳定性好，人为误差小。

Description

利用近红外光谱在线检测复方醋酸地塞米松乳膏的方法

技术领域

本发明涉及一种利用近红外光谱在线检测复方醋酸地塞米松乳膏中有效成分的方法，属于药物检测技术领域。

背景技术

复方醋酸地塞米松乳膏(即三九皮炎平“红色装”)为一种外用复方制剂，其原料药组分包括醋酸地塞米松、薄荷脑和樟脑。临床上可用于治疗皮肤瘙痒症、神经性皮炎、接触性皮炎、脂溢性皮炎、湿疹等皮肤科疾病。方中，薄荷脑和樟脑具有促进局部循环和轻度的消炎、止痛及止痒作用，醋酸地塞米松具有抗炎、抗过敏作用，能抑制结缔组织的增生，降低毛细血管壁和细胞膜的通透性，减少炎性渗出量，抑制组胺及其他毒性物质的形成和释放是方中的主要有效成分。因此，对方中醋酸地塞米松的检测，是控制复方醋酸地塞米松乳膏质量的关键步骤。

中国专利CN101574353A公开了一种治疗湿疹皮炎的消炎抗菌涂剂及其检测方法，该涂剂是由肾上腺皮质激素、广谱抗生素、消炎止痛药及药物透皮吸收促进剂组成，其中一种配方的主要药物组成为醋酸地塞米松；该方法中采用高效液相色谱法对其中的醋酸地塞米松含量进行检测。该方法实现了对该涂剂中的有效药物成分进行同时检测，然而，该检测方法需要样品进行复杂的前处理操作，难以实现在线检测。

近红外光谱(Near-Infrared Spectroscopy，NIRS)是可见光与中红外光谱之间的一段谱区，波长范围780nm-2526nm(12820cm^-1-3958cm^-1)。该段光谱区的主要信息来源是有机物分子中C-H，N-H和O-H等含氢基团的倍频与合频振动。与传统分析方法相比，近红外光谱具有特性稳定、吸收弱的特点，因此用于分析样品时具有快速分析、样品处理简单、无需消耗试剂等特点，是一种可实现在线检测的、快速无损的绿色分析技术。

发明内容

本发明所要解决的技术问题在于提供一种利用近红外光谱对复方醋酸地塞米松乳膏中的有效成分进行检测的方法，该方法可实现复方醋酸地塞米松乳膏的快速在线检测，且检测结果准确。

本发明提供了一种利用近红外光谱在线检测复方醋酸地塞米松乳膏的方法，包括如下步骤：

(1)用近红外光谱仪采集樟脑、薄荷脑以及醋酸地塞米松的近红外光谱图，并选择波数范围位于10000-4000cm^-1之间的光谱为特征光谱；

对所述特征光谱进行一阶微分和Norris平滑预处理，所述一阶微分和Norris平滑预处理的计算公式如下：

$\frac{\mathrm{dy}}{\mathrm{dx}}+P\left(x\right)y=Q\left(x\right)$

y＝Ｃe^-∫P(x)dx+e^-∫P(x)dx∫Q(x)e^∫P(x)dxdx

之后采用偏最小二乘法对特征光谱进行数据处理，建立樟脑、薄荷脑以及醋酸地塞米松的含量与采集的特征光谱之间关系的数学模型；

所述偏最小二乘法的计算公式如下：

X＝TP+E，

Y＝UQ+F；

式中T和U分别为X和Y的得分矩阵，而P和Q分别为X和Y的载荷矩阵，E和F分别为运用偏最小二乘法去拟合矩阵X和Y时所引进的误差；

(2)用近红外光谱仪在线采集复方醋酸地塞米松乳膏标准品的近红外光谱图，选择与步骤(1)中同样的光谱波段和数据处理方法，并根据步骤(1)中建立的数学模型得到所述标准品中有效成分含量的预测值，以此评价所述复方醋酸地塞米松的质量。

所述近红外光谱仪进行数据采集的步骤中，用于取样的取样口位于连接制膏罐和软膏储罐的连接管处。

所述方法中，所述取样口位于所述连接管上距离出膏口1/3-2/3连接管长度的位置处。

所述方法中，所述取样口位于所述连接管的中心点位置。

本发明还提供了一种在线检测复方醋酸地塞米松乳膏的系统，包括制备所述乳膏的制膏罐、储存所述乳膏成品的储膏罐、以及近红外光谱仪；其中，所述制膏罐和所述储膏罐通过连接管连接，并在所述连接管处设置有供所述近红外光谱仪的光线探头进行取样采集数据的取样口。

所述取样口位于所述连接管上距离出膏口1/3-2/3连接管长度的位置处。

所述取样口位于所述连接管的中心点位置。

所述取样口的内径为15-18nm。

所述取样口的内径为16.1nm。

本发明所述利用近红外光谱在线检测复方醋酸地塞米松乳膏的方法，通过先采集近红外光谱仪采集樟脑、薄荷脑以及醋酸地塞米松的近红外光谱图，建立樟脑、薄荷脑以及醋酸地塞米松的含量与采集的特征光谱之间关系的数学模型；之后根据所述数学模型得到标准品中有效成分含量的预测值，以此评价所述复方醋酸地塞米松的质量。较之现有技术中采用色谱法检测乳膏中樟脑、薄荷脑以及醋酸地塞米松含量时，样品需要预处理，分析过程繁杂，难以实现多组分的同时检测，本发明所述方法利用近红外光谱在线检测复方醋酸地塞米松乳膏中的樟脑、薄荷脑以及醋酸地塞米松的含量，样品不需进行预处理，每个测试点只需约15秒或更少就能得到非常准确的浓度值；能够实现样品中多组分、多种指标的同时测定，操作简单，不破坏样品；可实现在线实时测试，进而实时监控样品中各成分的浓度变化；不使用任何有机溶剂等消耗品。此外，上述检测方法的重现性、稳定性好，人为误差小，分析软件可保证操作人员在SOP指导下进行简单的操作，操作参数不会被修改，模型也能很安全地受到保护，不同人员操作均能保证得到相同的结果。

附图说明

为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中

图1为所述复方醋酸地塞米松乳膏的预处理后的近红外光谱图；

图2为所述复方醋酸地塞米松乳膏标准品中醋酸地塞米松的预测值与参考值之间的相关图及残差分布图；

图3为所述复方醋酸地塞米松乳膏标准品中薄荷脑的预测值与参考值之间的相关图及残差分布图；

图4为所述复方醋酸地塞米松乳膏标准品中樟脑的预测值与参考值之间的相关图及残差分布图；

图5为每个取样口的近红外光谱图到标准光谱图的马氏距离；

图6A、6B、6C分别为采集样品过程中实时显示樟脑、薄荷脑、醋酸地塞米松浓度变化趋势图；

图7为所述近红外光谱仪的光纤探头进行取样采集数据的取样口的示意图；

图8为本发明方法在制膏罐出口处采集到的光谱集合图；

图9为本发明方法在储膏罐入口处采集到的光谱集合图；

图10为本发明方法在制膏罐与储膏罐之间连接管处采集到的集合光谱图。

具体实施方式

1.样品检测

实施例1

本实施例提供一种利用近红外光谱在线检测复方醋酸地塞米松乳膏中醋酸地塞米松含量的方法，检测步骤如下：

(1)用近红外光谱仪在线采集60个复方醋酸地塞米松乳膏标准品的近红外光谱图，并选择醋酸地塞米松对应的波数范围为10000-4000cm^-1的光谱波段作为特征光谱，对所述特征光谱进行一阶微分和Norris平滑预处理，得到预处理后的近红外光谱图(见图1)，所述一阶微分和Norris平滑预处理的计算公式如下：

$\frac{\mathrm{dy}}{\mathrm{dx}}+P\left(x\right)y=Q\left(x\right)$

y＝Ce^-∫P(x)dx+e^-∫P(x)dx∫Q(x)e∫^P(x)dxdx

之后采用偏最小二乘法对所述预处理后的特征光谱进行数据处理，建立薄荷脑的含量与对应特征光谱之间关系的数学模型；所述偏最小二乘法的计算公式如下：

X＝TP+E，Y＝UQ+F；

式中T和U分别为X和Y的得分矩阵，而P和Q分别为X和Y的载荷矩阵，E和F分别为运用偏最小二乘法去拟合矩阵X和Y时所引进的误差；

(2)用近红外光谱仪在线采集17个复方醋酸地塞米松乳膏标准品的近红外光谱图，选择与步骤(1)中同样的光谱波段和数据处理方法，并根据步骤(1)中建立的数学模型分别得到所述17个复方醋酸地塞米松乳膏标准品中醋酸地塞米松的预测值。

同时，采用高效液相色谱法测定所述复方醋酸地塞米松乳膏标准品中醋酸地塞米松的含量作为参考值，测量步骤如下：

(1)色谱条件与系统适用性试验：

用十八烷基硅烷键合硅胶为填充剂；以甲醇-水(体积比70：30)为流动相；检测波长为240nm。理论板数按醋酸地塞米松峰计算不低于2000，醋酸地塞米松峰、内标物质峰与相邻杂质峰的分离度应符合要求；

(2)内标溶液的制备：

取甲睾酮，加甲醇溶解并稀释制成每1ml中约含0.20mg的溶液，即得；

(3)测定方法：

取本品适量(约相当于醋酸地塞米松1.35mg)，精密称定，置烧杯中，精密加内标溶液5ml，加甲醇20ml，在80℃水浴中加热搅拌使醋酸地塞米松溶解，在冰浴中冷却，待基质凝固后，滤过，基质再用甲醇提取两次，每次10ml，滤过，合并三次滤液置同一50ml量瓶中，用甲醇稀释至刻度，摇匀，置冰浴中冷却2小时以上，取出后迅速滤过，取续滤液20μl注入液相色谱仪，记录色谱图；另精密称取醋酸地塞米松对照品约13mg，置50ml量瓶中，加甲醇溶解并稀释至刻度，摇匀，精密量取该溶液与内标溶液各5ml，置50ml量瓶中，用甲醇稀释至刻度，摇匀，同法测定。按内标法以峰面积计算，即得。

将利用本发明方法检测得到标准品中醋酸地塞米松的预测值与采用高效液相色谱法测定的参考值进行对比，如图2所示，为所述复方醋酸地塞米松乳膏标准品中醋酸地塞米松的预测值与参考值之间的相关图及残差分布图，从图中可以看出，所建立的数学模型的相关系数(Corr.Coeff.)为0.97116，校正均方差(RMSEC)为0.396。

采用复方醋酸地塞米松乳膏标准品作为测定标准的检测方法中，视标准品中各成分的浓度均为100％，则样品中浓度高于标准品的成分视为超过100％，本测定方案中复方醋酸地塞米松乳膏标准品中含有醋酸地塞米松、樟脑、薄荷脑三个成分，分别对应三个标准品成分浓度(100％)。如表1所示，为所述复方醋酸地塞米松乳膏标准品中醋酸地塞米松的预测结果。

表1：醋酸地塞米松的预测结果

结果显示，醋酸地塞米松预测最大偏差为1.74％，平均预测偏差为0.90％，所述数学模型对所述复方醋酸地塞米松乳膏标准品的预测偏差非常小，均在接受范围内。

实施例2

本实施例提供一种利用近红外光谱在线检测复方醋酸地塞米松乳膏中薄荷脑和樟脑含量的方法，检测步骤如下：

(1)用近红外光谱仪在线采集80个复方醋酸地塞米松乳膏标准品的近红外光谱图，选择薄荷脑和樟脑对应波数范围为10000-4000cm^-1的光谱波段作为特征光谱，对所述特征光谱进行一阶微分和Norris平滑预处理，得到预处理后的近红外光谱图(见图1)，所述一阶微分和Norris平滑预处理的计算公式如下：

$\frac{\mathrm{dy}}{\mathrm{dx}}+P\left(x\right)y=Q\left(x\right)$

y＝Ce^-∫P(x)dx+e^-∫P(x)dx∫Q(x)e^∫P(x)dxdx

之后采用偏最小二乘法对所述预处理后的特征光谱进行数据处理，建立薄荷脑和樟脑的含量与对应特征光谱之间关系的数学模型；所述偏最小二乘法的计算公式如下：

X＝TP+E，Y＝UQ+F；

式中T和U分别为X和Y的得分矩阵，而P和Q分别为X和Y的载荷矩阵，E和F分别为运用偏最小二乘法去拟合矩阵X和Y时所引进的误差；

(2)用近红外光谱仪在线采集28个复方醋酸地塞米松乳膏标准品的近红外光谱图，选择与步骤(1)中同样的光谱波段和数据处理方法，并根据步骤(1)中建立的数学模型分别得到所述28个复方醋酸地塞米松乳膏标准品中薄荷脑和樟脑的预测值。

同时，采用气相色谱法测定所述复方醋酸地塞米松乳膏标准品中薄荷脑和樟脑的含量作为参考值，测量步骤如下：

(1)色谱条件与系统适用性试验：

以6％氰丙基苯基-94％二甲基硅氧烷共聚物为固定相(如DB-624或同等性能毛细管柱)，柱温为140℃；理论板数按薄荷脑峰计算不低于5000，薄荷脑峰与内标物质峰的分离度应大于4.0；

(2)内标溶液的制备：

取萘适量，用无水乙醇稀释制成每1ml中约含3.2mg的溶液，即得；

(3)测定方法：

取本品适量(约相当于樟脑20mg)精密称定，置50ml量瓶中，精密加内标溶液5ml，加无水乙醇适量，在80℃水浴加热使薄荷脑和樟脑溶解，放冷，用无水乙醇稀释至刻度，摇匀，置冰浴中冷却1小时，取出后用0.45μm滤膜滤过，取续滤液1μl注入气相色谱仪，记录色谱图；另取薄荷脑和樟脑对照品各约20mg，精密称定，置50ml量瓶中，精密加内标溶液5ml，加无水乙醇溶解并稀释至刻度，摇匀，同法测定，按内标法以峰面积计算，即得。

将利用本发明方法检测得到标准品中薄荷脑和樟脑的预测值与采用气相色谱法测定的参考值进行对比，如图3所示，为所述复方醋酸地塞米松乳膏标准品中薄荷脑和樟脑的预测值与参考值之间的相关图及残差分布图，

从图中可以看出，所建立的数学模型的相关系数(Corr.Coeff.)为0.99914，校正均方差(RMSEC)为0.0554。所述复方醋酸地塞米松乳膏标准品中薄荷脑和樟脑的预测结果见表2。

表2：薄荷脑和樟脑标准品的预测结果

结果显示，薄荷脑标准品预测最大偏差为1.5％，平均预测偏差为0.8％；樟脑标准品的预测最大偏差为2.8％，平均预测偏差为0.8％；因此，所述数学模型对标准品的预测偏差非常小，均在接受范围内。

2.异常点的排查

本发明所述检测方法还可用于复方醋酸地塞米松乳膏生产工艺中异常点的排查，具体分析过程如下：

选用107个复方醋酸地塞米松乳膏的近红外光谱图建立数学模型，以此作为标准光谱图建立定性模型，并参考上述定性模型得出的马氏距离设置异常点的阈值，然后选用一个标准品的所有在线取样口的近红外光谱图进行预测，以此考察上述定性模型判断的准确度。该定性模型采用TQ软件里判别分析法(Discriminat Analysis)，建立模型如图5所示，图5表示每个取样口的近红外光谱图到标准光谱图的马氏距离。

从图中可以看出，最大距离为1.4474，因此在设定阈值时应大于该数值。本实验设置的阈值为2.0，对所述标准品的所有在线取样口的近红外光谱图进行预测结果见表3。

表3：定性判别预测结果

取样口编号	马氏距离	判断结果
			1	2.68	Fail
2	2.35	Fail
			3	1.52	Pass
4	1.62	Pass
			5	1.44	Pass
6	1.06	Pass
			7	1.49	Pass
8	1.44	Pass
			9	1.36	Pass
10	1.29	Pass
			11	1.23	Pass
12	1.18	Pass
			13	1.25	Pass
14	1.27	Pass
			15	1.05	Pass
16	2.31	Fail
			17	2.99	Fail
18	3.63	Fail
			19	4.27	Fail

从表3预测出的马氏距离数值趋势来看符合实际生产情况，因为刚开始的时候膏体并没有充满整个管道，导致在光纤探头测试到的膏体较薄，从而影响光谱图；膏体输送快结束时也是同样道理，越接近完成输送，则管道里的膏体越少，光纤探头照射的膏体也就越薄。表3中，从最后四个光谱图的判断结果(分别为2.31、2.99、3.63、4.27)可以看出，越趋于打膏完成，则马氏距离越大，说明该光谱图同标准光谱图差别越大。开始采集的1、2以及最后采集到的16、17、18、19共六个样品光谱图的马氏距离较大，均大于设定值2.0，判断结果为Fail。

因此，通过TQ软件里的判别分析法(Discriminat Analysis)可以判断膏体输送是否完成。同样，该判别方法也可以用来判别异常情况，如加错物料等。

3.浓度变化趋势

在Result软件里可以实时显示样品中各种有效成分含量的变化曲线，并设定极值，同时可以设置预警信号，图6A-6C所示分别被物采集样品过程中实时显示的樟脑、薄荷脑、醋酸地塞米松的浓度变化趋势图。

4.取样口位置对检测结果的影响

实施例3

本发明还提供一种用于在线检测复方醋酸地塞米松乳膏的系统，如图7所示，包括制备所述乳膏的制膏罐、储存所述乳膏成品的储膏罐、以及近红外光谱仪；其中，所述制膏罐和所述储膏罐通过连接管连接，并在所述连接管上距离出膏口1/3-2/3连接管长度的位置处设置有供所述近红外光谱仪的光纤探头进行取样采集数据的取样口，并优选所述取样口位于所述连接管的中心点位置。

所述取样口的内径为15-18mm，并优选16.1nm。

需要说明的是，由于近红外光谱通过短时间内多次扫描的方式来获取光谱数据，因此对于被检测样品的性状有比较严格的要求。按照实施例1和2中所述在线检测方法，被检测样品的性状对光谱数据的影响有以下考察：

制膏罐出口处：从制膏罐输送出的膏体温度在50℃以上，此时为液体状态，流动性好但因刚结束搅拌有较多气泡，对光谱有很大影响，此时在该点所采集光谱无法进行数据分析建模，无法提供有效的检测结果。采集到的光谱图集合如图8所示。

储罐入口处：此处的膏体温度在42℃以下，此时膏体已经变为半固体状态，流动性差会在探头表面形成聚集，导致在长时间膏体的输送过程中探头表面的被检测样品没有发生变化，得到的光谱也没有变化。此时在该点所采集光谱已经没有进行数据分析建模的意义，无法提供有效的检测结果。采集到的光谱图集合如图9所示。

制膏罐与储罐之间连接管处：从制膏罐输到储罐的三通连接管处，膏体温度在42～45℃左右，此时膏体依然为液体状态，流动性好且因经过一段不锈钢管道的输送过程，温度有所降低气泡显著减少。通过对在该点所采集光谱进行数据分析建模，该点采集到的光谱质量优异，可以提供准确的检测结果。采集到的光谱图集合如图10所示。

可见，本发明所述在线检测系统，将取样口设置在从制膏罐输到储罐的三通连接管处，可有效控制膏体的形状，获得较为理想的质量控制结果。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (9)

1.一种利用近红外光谱在线检测复方醋酸地塞米松乳膏的方法，其特征在于，包括如下步骤：

(1)用近红外光谱仪采集樟脑、薄荷脑以及醋酸地塞米松的近红外光谱图，并选择波数范围位于10000-4000cm^-1之间的光谱为特征光谱；

对所述特征光谱进行一阶微分和Norris平滑预处理，所述一阶微分和Norris平滑预处理的计算公式如下：

$\frac{\mathrm{dy}}{\mathrm{dx}}+P\left(x\right)y=Q\left(x\right)$

y＝Ce^-∫P(x)dx+e^-∫P(x)dx∫Q(x)e^∫P(x)dxdx

之后采用偏最小二乘法对特征光谱进行数据处理，建立樟脑、薄荷脑以及醋酸地塞米松的含量与采集的特征光谱之间关系的数学模型；

所述偏最小二乘法的计算公式如下：

X＝TP+E，

Y＝UQ+F；

式中T和U分别为X和Y的得分矩阵，而P和Q分别为X和Y的载荷矩阵，E和F分别为运用偏最小二乘法去拟合矩阵X和Y时所引进的误差；

(2)用近红外光谱仪在线采集复方醋酸地塞米松乳膏标准品的近红外光谱图，选择与步骤(1)中同样的光谱波段和数据处理方法，并根据步骤(1)中建立的数学模型得到所述标准品中有效成分含量的预测值，以此评价所述复方醋酸地塞米松的质量。

2.根据权利要求1所述的利用近红外光谱在线检测复方醋酸地塞米松乳膏的方法，其特征在于，所述近红外光谱仪进行数据采集的步骤中，用于取样的取样口位于连接制膏罐和软膏储罐的连接管处。

3.根据权利要求2所述的利用近红外光谱在线检测复方醋酸地塞米松乳膏的方法，其特征在于，所述方法中，所述取样口位于所述连接管上距离出膏口1/3-2/3连接管长度的位置处。

4.根据权利要求3所述的利用近红外光谱在线检测复方醋酸地塞米松乳膏的方法，其特征在于，所述方法中，所述取样口位于所述连接管的中心点位置。

5.一种在线检测复方醋酸地塞米松乳膏的系统，包括制备所述乳膏的制膏罐、储存所述乳膏成品的储膏罐、以及近红外光谱仪；其特征在于，所述制膏罐和所述储膏罐通过连接管连接，并在所述连接管处设置有供所述近红外光谱仪的光线探头进行取样采集数据的取样口。

6.根据权利要求5所述的在线检测复方醋酸地塞米松乳膏的系统，其特征在于，所述取样口位于所述连接管上距离出膏口1/3-2/3连接管长度的位置处。

7.根据权利要求6所述的在线检测复方醋酸地塞米松乳膏的系统，其特征在于，所述取样口位于所述连接管的中心点位置。

8.根据权利要求5-7任一所述的在线检测复方醋酸地塞米松乳膏的系统，其特征在于，所述取样口的内径为15-18nm。

9.根据权利要求8所述的在线检测复方醋酸地塞米松乳膏的系统，其特征在于，所述取样口的内径为16.1nm。