CN106353280A - 文拉法辛晶体的近红外光谱快速鉴别方法 - Google Patents

Abstract

本发明提供一种快速、无损的文拉法辛晶型鉴别方法。方法步骤包括：(1)收集文拉法辛不同晶型的样品；(2)使用近红外光谱仪以最优的光谱测量参数值采集文拉法辛不同晶型样品的近红外光谱(NIRS)；(3)以最优的化学计量学预处理方法对文拉法辛不同晶型样品的NIRS进行预处理；(4)采用最优建模光谱范围、适当的光谱数据维度建立文拉法辛晶型的化学计量学鉴别模型；(5)评价所建文拉法辛晶型化学计量学鉴别模型的性能；(6)应用所建文拉法辛晶型化学计量学鉴别模型鉴别未知文拉法辛晶体的晶型。

Description

文拉法辛晶体的近红外光谱快速鉴别方法

技术领域

本发明涉及一种文拉法辛晶型的近红外光谱快速无损鉴别方法，属于医药检测技术领域。

背景技术

文拉法辛(venlafaxine)具有抑制去甲肾上腺素重吸收和5-HT重吸收的双重作用，是一种被广泛使用的抗抑郁药，其化学名为(±)-1-[2-(二甲胺基)-1-(4-甲氧基苯基)-乙基]-环己醇，其结构式如下。文拉法辛存在多晶现象，其不同晶型的理化性质具有一定的差异。因此，文拉法辛的晶型研究具有重要意义。晶型研究常用的手段包括X-射线衍射法(X-ray)、红外光谱法(IR)、热分析法(TA)、光学显微法(LM)等。

近红外光谱(NIRS)中携带了被测有机分子丰富的理化信息，结合化学计量学技术，能够实现多种分析目的。近年来，近红外光谱法以其无损、操作简便、分析速度快、不需要复杂的样品预处理、不污染环境、可实现实时监控等优点被用于多种样品的绿色分析。

在本专利中，利用近红外光谱分析技术测定文拉法辛晶体样品的NIRS，应用化学计量学技术从所测光谱中提取与文拉法辛晶型相关的样品特征信息，建立文拉法辛晶型的鉴别模型，便能够应用所建模型实现文拉法辛晶型的准确、快速、无损鉴别。

发明内容

傅里叶变换近红外光谱法快速、无损鉴别文拉法辛晶型的方法，主要包括以下步骤：

1.收集文拉法辛不同晶型的样品；

2.使用近红外光谱仪以最优的光谱测量参数值采集文拉法辛不同晶型样品的NIRS；

3.以最优的化学计量学预处理方法对文拉法辛不同晶型样品的NIRS进行预处理；

4.采用最优建模光谱范围、适当的光谱数据维度建立文拉法辛晶型的化学计量学鉴别模型；

5.评价所建文拉法辛晶型化学计量学鉴别模型的性能；

6.应用所建文拉法辛晶型化学计量学鉴别模型鉴别未知文拉法辛晶体的晶型。

所述步骤1中晶体为文拉法辛晶体，包括但不限于B型和C型。

所述步骤2中近红外光谱测量仪器包括但不限于傅里叶变换近红外光谱仪；测量参数包括但不限于扫描次数、分辨率和光谱扫描范围；测量模式包括但不限于漫反射模式。

所述步骤3中对光谱数据的前处理方法包括但不限于多元散射校正、标准正态变换、一阶导数、二阶导数、Savitzky-Golay平滑或Norris平滑以及均值中心化中的一种或几种。

所述步骤4中最优的波数范围包括但不限于计算软件自动选择、手动选择、计算软件自动选择与人工选择相结合。

所述步骤4中光谱数据降维方法为主成分分析法(PCA)。

所述步骤4中建立的鉴别模型为用于鉴别文拉法辛晶体晶型的定性模型；所用的建模方法包括但不限于：判别分析(DA)和对向传播人工神经网络(CP-ANN)。

所述步骤5中评价所建文拉法辛晶型鉴别模型性能的参数包括但不限于校正集正判率、验证集正判率。

所述步骤6中应用所建模型鉴别未知文拉法辛晶体的晶型，所用的NIRS的光谱测量参数、光谱测量方法、化学计量学预处理方法、建模光谱范围、降维方法均与校正集样品一致；所用计算软件包括但不限于TQ Analyst和MATLAB。

本发明采用近红外光谱法准确鉴别文拉法辛晶型。与传统的鉴别方法相比，本发明实现了文拉法辛晶体的快速和无损鉴别，为文拉法辛多晶型的在线质量控制提供新方法。

附图说明

图18批文拉法辛样品的原始近红外漫反射光谱(NIR-DRS)。

图2鉴别文拉法辛样品晶型的最优DA模型结果图，B、C分别表示B型和C型晶型；大写字母(B、C)表示校正集样品；小写字母(b、c)表示验证集样品。

图3鉴别文拉法辛样品晶型的最优CP-ANN模型结果图，浅灰色方块表示B型晶型(B，b)；灰色方块表示C型晶型(C，c)；大写字母(B，C)表示校正集样品；小写字母(b，c)表示验证集样品。

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，该实施例为本发明的举例，不应解释为对本发明的限制。

实施例

1.文拉法辛样品的收集

收集8批文拉法辛晶体作为样品，其晶型包括B型和C型。

2.文拉法辛样品近红外光谱的测量

仪器：美国Thermo公司的Antaris II傅里叶变换近红外光谱仪，采样装置为积分球漫反射附件，信号采集软件为Result 3.0，数据处理软件为TQ Analyst 8.0和MATLAB 2012b。

光谱测量条件：分辨率为4cm^-1，扫描次数为64，光谱扫描范围为10000-4000cm^-1，每次扫描前均采用相同参数扫描并扣除背景。

光谱采集方法：取文拉法辛样品适量，置于密封圆柱形瓶中，操作中避免外部污染；以选定的光谱采集参数测定文拉法辛样品的NIR-DRS，每个批号的样品重复装量5次测定5张光谱，共测量得到40张光谱。

测得8批文拉法辛样品的原始NIR-DRS如图1所示。

3.DA和CP-ANN鉴别文拉法辛晶型

将8批文拉法辛样品共40张光谱分为校正集和验证集。校正集样品6批，30张光谱，其中B型晶体4批，C型晶体2批；验证集样品2批，10张光谱，其中B型晶体1批，C型晶体1批。

所建模型性能由以下参数来评定：校正集正判率、验证集正判率。经筛选后，建立文拉法辛晶体晶型鉴别的最佳模型的光谱前处理方法为一阶导数和Norris平滑。采用PCA对光谱数据进行降维，通过模型正判率确定建模的最佳主成分个数为6个(累积贡献率为99.98％)，建模所用光谱范围由TQAnalyst 8.0软件自动筛选为9879-4119cm^-1。TQAnalyst 8.0软件用于建立DA校正模型，最佳模型图见图2，校正集和验证集正判率均为100％。以校正集样品光谱数据的6个主成分为输入变量，建立神经网络结构为10×10×6(100次训练)的文拉法辛晶型鉴别的CP-ANN模型。MATLAB 2012b用于建立CP-ANN模型，最佳模型图见图3。校正集正判率、交叉验证正判率均为100.0％。

4.未知样品的预测

取2批未知晶型的文拉法辛样品按照步骤2进行近红外光谱扫描，将光谱信息导入建立的晶型鉴别模型中，预测文拉法辛样品的晶型。

5.结论

近红外光谱法结合化学计量学技术所建立的模型能够准确地鉴别文拉法辛晶型，方法快速、无损，为文拉法辛多晶型的在线质量控制提供了新方法。

Claims (9)

1.近红外光谱法快速无损鉴别文拉法辛晶型的方法，主要包括以下步骤：

(1)收集文拉法辛不同晶型的样品；

(2)使用近红外光谱仪以最优的光谱测量参数值采集文拉法辛不同晶型样品的近红外光谱；

(3)以最优的化学计量学预处理方法对文拉法辛不同晶型样品的近红外光谱进行预处理；

(4)采用最优建模光谱范围、适当的光谱数据维度建立文拉法辛晶型的化学计量学鉴别模型；

(5)评价所建文拉法辛晶型化学计量学鉴别模型的性能；

(6)应用所建文拉法辛晶型化学计量学鉴别模型鉴别未知文拉法辛晶体的晶型。

2.如权利要求1所述方法，其特征在于：晶体为文拉法辛晶体，包括但不限于B型和C型。

3.如权利要求1所述方法，其特征在于：所述步骤(2)中近红外光谱测量仪器包括但不限于傅里叶变换近红外光谱仪；测量参数包括但不限于扫描次数、分辨率和光谱扫描范围；测量模式包括但不限于漫反射模式。

4.如权利要求1所述方法，其特征在于：所述步骤(3)中对光谱数据的前处理方法包括但不限于多元散射校正、标准正态变换、一阶导数、二阶导数、Savitzky-Golay平滑或Norris平滑以及均值中心化中的一种或几种。

5.如权利要求1所述方法，其特征在于：所述步骤(4)中最优的波数范围包括但不限于计算软件自动选择、手动选择、计算软件自动选择与手动选择相结合。

6.如权利要求1所述方法，其特征在于：所述步骤(4)中光谱数据降维方法包括但不限于主成分分析法。

7.如权利要求1所述的方法，其特征在于：所述步骤(4)中文拉法辛晶型的化学计量学鉴别模型，建模算法包括但不限于判别分析和对向传播人工神经网络。

8.如权利要求1所述的方法，其特征在于：所述步骤(5)中评价所建文拉法辛晶型鉴别模型性能的参数包括但不限于校正集正判率和验证集正判率。

9.如权利要求1所述的方法，其特征在于：所述步骤(6)中应用所建模型鉴别未知文拉法辛晶体的晶型，所用的近红外光谱的光谱测量参数、光谱测量方法、化学计量学预处理方法、建模光谱范围、降维方法均与校正集样品一致；所用计算软件包括但不限于TQ Analyst和MATLAB。