CN108519348A - 甘草药材近红外定量分析模型及检测方法和标准 - Google Patents
甘草药材近红外定量分析模型及检测方法和标准 Download PDFInfo
- Publication number
- CN108519348A CN108519348A CN201810342604.2A CN201810342604A CN108519348A CN 108519348 A CN108519348 A CN 108519348A CN 201810342604 A CN201810342604 A CN 201810342604A CN 108519348 A CN108519348 A CN 108519348A
- Authority
- CN
- China
- Prior art keywords
- medicinal materials
- licorice medicinal
- content
- quantitative
- infrared
- 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.)
- Pending
Links
- 239000000463 material Substances 0.000 title claims abstract description 165
- 235000006200 Glycyrrhiza glabra Nutrition 0.000 title claims abstract description 157
- 235000001453 Glycyrrhiza echinata Nutrition 0.000 title claims abstract description 150
- 235000017382 Glycyrrhiza lepidota Nutrition 0.000 title claims abstract description 150
- 229940010454 licorice Drugs 0.000 title claims abstract description 150
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 238000004445 quantitative analysis Methods 0.000 title claims abstract description 19
- 244000303040 Glycyrrhiza glabra Species 0.000 title claims description 127
- 238000000034 method Methods 0.000 claims abstract description 140
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 88
- 230000003595 spectral effect Effects 0.000 claims abstract description 42
- 241000202807 Glycyrrhiza Species 0.000 claims abstract description 39
- 239000003814 drug Substances 0.000 claims abstract description 21
- 238000003908 quality control method Methods 0.000 claims abstract description 16
- 238000003556 assay Methods 0.000 claims abstract description 15
- 239000004615 ingredient Substances 0.000 claims abstract description 15
- 238000012795 verification Methods 0.000 claims abstract description 12
- LPLVUJXQOOQHMX-QWBHMCJMSA-N glycyrrhizinic acid Chemical compound O([C@@H]1[C@@H](O)[C@H](O)[C@H](O[C@@H]1O[C@@H]1C([C@H]2[C@]([C@@H]3[C@@]([C@@]4(CC[C@@]5(C)CC[C@@](C)(C[C@H]5C4=CC3=O)C(O)=O)C)(C)CC2)(C)CC1)(C)C)C(O)=O)[C@@H]1O[C@H](C(O)=O)[C@@H](O)[C@H](O)[C@H]1O LPLVUJXQOOQHMX-QWBHMCJMSA-N 0.000 claims description 48
- KSDSYIXRWHRPMN-UHFFFAOYSA-N 4'-O-beta-D-Galactopyranoside-6''-p-Coumaroylprunin-4',5,7-Trihydroxyflavanone Natural products OC1C(O)C(O)C(CO)OC1OC1=CC=C(C2OC3=CC(O)=CC(O)=C3C(=O)C2)C=C1 KSDSYIXRWHRPMN-UHFFFAOYSA-N 0.000 claims description 43
- DEMKZLAVQYISIA-ONJCETCRSA-N Liquiritin Natural products O([C@H]1[C@H](O)[C@@H](O)[C@H](O)[C@@H](CO)O1)c1ccc([C@@H]2Oc3c(C(=O)C2)ccc(O)c3)cc1 DEMKZLAVQYISIA-ONJCETCRSA-N 0.000 claims description 43
- DEMKZLAVQYISIA-UHFFFAOYSA-N Liquirtin Natural products OC1C(O)C(O)C(CO)OC1OC1=CC=C(C2OC3=CC(O)=CC=C3C(=O)C2)C=C1 DEMKZLAVQYISIA-UHFFFAOYSA-N 0.000 claims description 43
- DEMKZLAVQYISIA-ZRWXNEIDSA-N liquiritin Chemical compound O[C@@H]1[C@@H](O)[C@H](O)[C@@H](CO)O[C@H]1OC1=CC=C([C@H]2OC3=CC(O)=CC=C3C(=O)C2)C=C1 DEMKZLAVQYISIA-ZRWXNEIDSA-N 0.000 claims description 43
- GSZUGBAEBARHAW-UHFFFAOYSA-N sophoraflavone B Natural products OC1C(O)C(O)C(CO)OC1OC1=CC=C(C=2OC3=CC(O)=CC=C3C(=O)C=2)C=C1 GSZUGBAEBARHAW-UHFFFAOYSA-N 0.000 claims description 43
- VTAJIXDZFCRWBR-UHFFFAOYSA-N Licoricesaponin B2 Natural products C1C(C2C(C3(CCC4(C)CCC(C)(CC4C3=CC2)C(O)=O)C)(C)CC2)(C)C2C(C)(C)CC1OC1OC(C(O)=O)C(O)C(O)C1OC1OC(C(O)=O)C(O)C(O)C1O VTAJIXDZFCRWBR-UHFFFAOYSA-N 0.000 claims description 42
- LPLVUJXQOOQHMX-UHFFFAOYSA-N glycyrrhetinic acid glycoside Natural products C1CC(C2C(C3(CCC4(C)CCC(C)(CC4C3=CC2=O)C(O)=O)C)(C)CC2)(C)C2C(C)(C)C1OC1OC(C(O)=O)C(O)C(O)C1OC1OC(C(O)=O)C(O)C(O)C1O LPLVUJXQOOQHMX-UHFFFAOYSA-N 0.000 claims description 42
- 229960004949 glycyrrhizic acid Drugs 0.000 claims description 42
- UYRUBYNTXSDKQT-UHFFFAOYSA-N glycyrrhizic acid Natural products CC1(C)C(CCC2(C)C1CCC3(C)C2C(=O)C=C4C5CC(C)(CCC5(C)CCC34C)C(=O)O)OC6OC(C(O)C(O)C6OC7OC(O)C(O)C(O)C7C(=O)O)C(=O)O UYRUBYNTXSDKQT-UHFFFAOYSA-N 0.000 claims description 42
- 239000001685 glycyrrhizic acid Substances 0.000 claims description 42
- 235000019410 glycyrrhizin Nutrition 0.000 claims description 42
- 238000001228 spectrum Methods 0.000 claims description 39
- 238000012545 processing Methods 0.000 claims description 22
- 238000012937 correction Methods 0.000 claims description 14
- 239000000843 powder Substances 0.000 claims description 14
- 239000000203 mixture Substances 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 7
- 235000011477 liquorice Nutrition 0.000 claims description 7
- 230000008676 import Effects 0.000 claims description 6
- 238000000643 oven drying Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000012797 qualification Methods 0.000 claims description 4
- 238000000862 absorption spectrum Methods 0.000 claims description 2
- 108090000623 proteins and genes Proteins 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 12
- 230000001276 controlling effect Effects 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 abstract description 3
- 238000002790 cross-validation Methods 0.000 description 27
- 101150061025 rseP gene Proteins 0.000 description 14
- 239000002253 acid Substances 0.000 description 7
- WEVYAHXRMPXWCK-UHFFFAOYSA-N Acetonitrile Chemical compound CC#N WEVYAHXRMPXWCK-UHFFFAOYSA-N 0.000 description 6
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 6
- 238000002835 absorbance Methods 0.000 description 6
- 229930182470 glycoside Natural products 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 239000000243 solution Substances 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 239000003153 chemical reaction reagent Substances 0.000 description 5
- 150000002338 glycosides Chemical class 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 238000002203 pretreatment Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000000047 product Substances 0.000 description 5
- 239000013558 reference substance Substances 0.000 description 5
- 235000009508 confectionery Nutrition 0.000 description 4
- 238000004611 spectroscopical analysis Methods 0.000 description 4
- QGZKDVFQNNGYKY-UHFFFAOYSA-O Ammonium Chemical compound [NH4+] QGZKDVFQNNGYKY-UHFFFAOYSA-O 0.000 description 3
- OKKJLVBELUTLKV-UHFFFAOYSA-N Methanol Chemical compound OC OKKJLVBELUTLKV-UHFFFAOYSA-N 0.000 description 3
- MUBZPKHOEPUJKR-UHFFFAOYSA-N Oxalic acid Chemical compound OC(=O)C(O)=O MUBZPKHOEPUJKR-UHFFFAOYSA-N 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 235000019441 ethanol Nutrition 0.000 description 3
- 238000004128 high performance liquid chromatography Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 240000008917 Glycyrrhiza uralensis Species 0.000 description 2
- 235000000554 Glycyrrhiza uralensis Nutrition 0.000 description 2
- NBIIXXVUZAFLBC-UHFFFAOYSA-N Phosphoric acid Chemical compound OP(O)(O)=O NBIIXXVUZAFLBC-UHFFFAOYSA-N 0.000 description 2
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 241000411851 herbal medicine Species 0.000 description 2
- LTINPJMVDKPJJI-UHFFFAOYSA-N iodinated glycerol Chemical compound CC(I)C1OCC(CO)O1 LTINPJMVDKPJJI-UHFFFAOYSA-N 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000001568 sexual effect Effects 0.000 description 2
- 239000012085 test solution Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 239000003390 Chinese drug Substances 0.000 description 1
- 206010011224 Cough Diseases 0.000 description 1
- 206010062717 Increased upper airway secretion Diseases 0.000 description 1
- 208000005392 Spasm Diseases 0.000 description 1
- 229910000147 aluminium phosphate Inorganic materials 0.000 description 1
- 238000004380 ashing Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003763 carbonization Methods 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001212 derivatisation Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003255 drug test Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000010828 elution Methods 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 239000000706 filtrate Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 235000021374 legumes Nutrition 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- -1 liquorice glycosides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 231100000252 nontoxic Toxicity 0.000 description 1
- 230000003000 nontoxic effect Effects 0.000 description 1
- YTJSFYQNRXLOIC-UHFFFAOYSA-N octadecylsilane Chemical compound CCCCCCCCCCCCCCCCCC[SiH3] YTJSFYQNRXLOIC-UHFFFAOYSA-N 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 150000002894 organic compounds Chemical class 0.000 description 1
- 235000006408 oxalic acid Nutrition 0.000 description 1
- 208000026435 phlegm Diseases 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000000377 silicon dioxide Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 210000000952 spleen Anatomy 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000004094 surface-active agent Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Medicines Containing Plant Substances (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明属于中药材分析检测技术领域及近红外光谱分析检测技术领域,涉及甘草药材近红外定量分析模型及建立方法、甘草药材的检测方法及标准。本发明所述模型的建立方法包括步骤:甘草药材样本的收集;甘草药材质量控制指标成分的含量测定;近红外光谱的采集;对原始近红外光谱进行预处理,确定最佳预处理方法和建模光谱波段;运用多元校正方法,对近红外光谱和其对应的甘草药材样本质量指标含量的实测值之间建立近红外定量校正模型;近红外定量校正模型的验证。本发明甘草药材检测方法为,采集甘草样品的近红外光谱,导入定量模型中,预测质量控制指标成分的含量。该方法实现了甘草药材的快速无损检测,可对药材真伪及质量进行快速定性、定量检测。
Description
技术领域
本发明属于中药材分析检测技术领域以及近红外光谱分析检测技术领域,涉及甘草药材近红外定量分析模型及建立方法、甘草药材的检测方法及检测标准。
背景技术
甘草为豆科植物甘草Glycyrrhiza uralensis Fisch.、胀果甘草 Glycyrrhizainflata Bat. 或光果甘草 Glycyrrhiza glabra L . 的干燥根和根茎。甘草Glycyrrhizauralensis Fisch. 的根和根茎是中药甘草的主要来源之一,具有补脾益气、清热解毒、祛痰止咳、缓急止痛、调和诸药的功效,素有“十方九草”之称。《中国药典》2015版一部中采用烘干法对甘草药材的水分进行测定,采用炽灼灰化然后高温炭化的方法对甘草药材的总灰分进行测定,采用高效液相色谱法(HPLC)对甘草中的甘草酸和甘草苷进行含量测定,该操作过程耗时长、成本高、操作繁琐,不便于对药材真伪、掺伪、产地及质量进行快速定性、定量检测。因此有必要建立一种快速、绿色的检测方法对甘草药材及饮片的质量进行评价和控制。
近红外光谱技术检测样品无需预处理,具有快速、价廉、无损等特点,与化学计量学结合,适用于实时在线分析,可用于中药材的定性和定量检测,对中药材真伪、掺伪、产地等进行分析检测。偏最小二乘法能够在小样本情况下实现多变量对多变量的回归模型,作为近红外定量建模分析的主要算法得到了广泛应用。
目前,尚未有基于近红外光谱技术建立甘草药材及饮片多指标同时快速检测的检测方法及检测标准的相关文献报道,因此,提供甘草药材质量指标快速定量分析方法及标准具有重要意义和前景。
发明内容
为了克服现有技术的不足,本发明引入近红外光谱技术对甘草药材、甘草饮片的质量指标成分进行含量检测,与传统方法相比,本发明建立的快速定量检测方法及标准能更快速地判断甘草药材及饮片的质量,以满足实际生产中对原材料质量检测快速、环保、高效的要求。
本发明的第一个目的在于提供一种甘草药材近红外定量分析模型及建立方法。本发明第二个目的是提供一种基于近红外光谱技术检测甘草药材及饮片的方法及检测标准。
本发明采用的技术方案是:甘草药材近红外定量分析模型的建立方法,包括如下步骤:
S01. 甘草药材样本的收集:收集不同批次的甘草药材样本;
S02. 甘草药材质量控制指标成分的含量测定:对步骤S01收集到的甘草药材的质量控制指标成分进行含量测定,得到各指标成分的含量的实测值;
S03. 近红外光谱的采集:采集步骤S01收集到的甘草药材样本的近红外光谱数据,即得原始近红外光谱;
S04. 近红外光谱数据的预处理:对步骤S03获得的原始近红外光谱进行预处理,确定最佳预处理方法,筛选最佳建模光谱波段;所述预处理方法为矢量归一化、最大最小归一化、多元信号修正、一阶导数、二阶导数、一阶导数+减去一条直线、一阶导数+矢量归一化、一阶导数+多元信号修正法中至少一种;
S05. 近红外定量校正模型的建立:采用步骤S04确定的最佳建模光谱波段和最佳光谱预处理方法,运用多元校正方法,对校正集的近红外光谱和其对应的甘草药材样本质量指标成分含量的实测值之间建立近红外定量校正模型;
S06. 近红外定量校正模型的验证:对外部未知含量样本进行预测,计算预测值与实测值的相关性。
进一步,步骤S02中,所述质量控制指标为水分含量、总灰分含量、甘草酸含量和甘草苷含量;所述含量测定的方法为:水分采用《中国药典》2015版第四部通则0832水分测定法中第二法(烘干法)进行测定,总灰分采用《中国药典》2015版第四部通则2302灰分测定法中的总灰分测定法测定,甘草酸含量和甘草苷含量采用《中国药典》2015版第一部甘草中含量测定的方法进行测定。
进一步,步骤S03中,所述光谱的采集具体为:取甘草药材,研成细粉;取甘草药材粉末3g,扫描近红外光谱,得到甘草药材的原始近红外吸收光谱图。
优选地,所述近红外光谱的扫描条件为:光谱范围为12000 cm-1 - 4000 cm-1,分辨率为8cm-1,扫描次数为32次;每个样品平行测定6次,取平均值作为该样品的原始光谱;检测方法为积分球漫反射,环境条件为温度23℃±0.5℃,相对湿度40%±2%。
进一步,步骤S04中, 所述预处理方法为:
以甘草水分含量为指标建立定量模型过程中,光谱预处理采用二阶导数处理,主因子数为7;
以甘草总灰分含量为指标建立定量模型过程中,光谱预处理采用一阶导数+减去一条直线处理,主因子数为10;
以甘草苷含量为指标建立定量模型过程中,光谱预处理采用最大最小归一化处理,主因子数为2 ;
以甘草酸含量为指标建立定量模型过程中,光谱预处理采用一阶导数+减去一条直线处理,主因子数为8 。
优选地,所述最佳建模光谱波段是基于最佳预处理方法筛选出的甘草药材各成分特征光谱波段;所述各成分特征光谱波段分别为:水分为7500-6100 cm-1,灰分为12000-4600 cm-1,甘草苷为5450-4250 cm-1,甘草酸为5450-4250 cm-1。
进一步,步骤S05中,所述建立模型是运用偏最小二乘法(PLS)对校正集的近红外光谱和其对应的甘草药材样本质量指标成分含量的实测值之间建立定量模型。
进一步,步骤S06中,验证近红外定量校正模型的具体方法为:采集外部未知含量样本的近红外光谱图,通过步骤S05所建立的各成分定量校正模型,得到甘草药材各成分含量的预测值,并按照步骤S02所述方法进行含量测定,得到实测值;计算预测值与实测值之间的相对偏差,验证定量校正模型的准确性。
在此基础上,本发明提供了一种采用上述方法建立的甘草药材及饮片近红外定量分析模型。
在此基础上,本发明还提供了一种基于近红外光谱技术快速检测甘草药材及饮片的方法,包括如下步骤:
ST1. 取待检测的甘草药材或饮片,按照上述方法中步骤S03的方法采集近红外光谱;
ST2. 将ST1得到的近红外光谱导入上述方法中步骤S05建立的定量校正模型中,测定甘草药材质量控制指标成分的含量。
在此基础上,本发明还提供了一种基于近红外光谱技术快速检测甘草药材及饮片的检测标准,当水分含量≤11.4%,总灰分≤6.6%,甘草苷≤0.48%,甘草酸≤1.9%时,则判断待测甘草药材样品为合格;当总灰分≤4.7%,甘草苷≤0.42%,甘草酸≤1.7%时,则判断待测甘草饮片样品为合格。
近红外原始光谱包含了样品自身信息、无关信息以及来源于仪器、样品及操作的噪声,因此,若以原始光谱直接进行定量分析会影响模型的准确度及稳定性。光谱预处理通过对原始光谱进行适当的变换以减弱或消除非目标因素对光谱的影响,进而提高模型的准确度及稳定性。常用的光谱预处理方法有平滑处理、导数化、SNV、MSC、矢量归一化、最大最小归一化等。平滑处理是近红外光谱分析中消除噪声最常用的方法,可以有效平滑高频噪音,提高信噪比;一阶导数和二阶导数是常用的基线校正和光谱分辨预处理方法,可以有效消除基线及其他背景干扰,分辨重叠峰,提高分辨率及灵敏度,但同时会引入噪声,降低信噪比;SNV可消除固体颗粒大小、表面散射及光程变化的影响;MSC则以消除颗粒分布不均匀及颗粒大小产生的散射影响为主;矢量归一化的校正过程与SNV基本相同;最大最小归一化是对原始数据的线性变换,使结果落到[0,1]区间。
近红外光谱主要是由含氢基团的倍频和组频吸收峰组成,几乎覆盖所有的有机化合物和混合物,具有广阔的应用领域和实用价值,但是由于其吸收弱,灵敏度相对较低,吸收带较宽,且重叠严重,依靠传统的建立工作曲线方法进行定量分析困难,采用化学计量学的方法进行光谱预处理,对建立准确、稳定的定量分析模型至关重要。偏最小二乘法集多元线性回归和主成分分析为一体,可以很好的处理多变量、少样本问题,具有预测能力强、模型相对简单等优点,得到了广泛的应用。
本发明的发明人考察了常用近红外光谱预处理方法单用或混合使用对甘草中《中国药典》规定的检测项及指标成分含量定量建模的影响,研究结果显示,不同预处理方法对不同成分预测模型的影响不同。其中,水分的预处理方法以二阶导数处理较优;总灰分和甘草酸的预处理方法则以一阶导数+减去一条直线较优,甘草酸的预处理方法以最大最小归一化处理较优。定量校正模型以校正及交叉验证的相关系数R2和校正均方根误差(RMSEC)、交叉验证均方根误差(RMSECV)进行模型优化,以外部预测结果与实测值的相关系数R2、预测值的均方根误差(RMSEP)及预测相对偏差(RSEP)评价模型对未知样品的预测效果。R2越接近1,RMSECV越小说明模型性能越好,RSEP越小说明模型预测能力越好,当RSEP小于5%时模型具有较好的预测能力。
本发明研究建立了甘草药典检测成分的近红外定量模型,实现了甘草各成分的快速检测。
本发明建模过程中的异常点包括建模样品集中甘草苷含量的极端值,光谱扫描过程中的异常样本及经模型获得的预测值与离线检测的实际值有较大误差的样本。通过SIMCA的主成分分析结合线性相关分析来剔除异常样本。
本发明的有益效果:
1、本发明基于近红外光谱技术结合化学计量学方法,在一定光谱范围内,建立了甘草药材近红外定量校正模型,同时也可以用于定性鉴别。
2、本发明将近红外技术引入到甘草药材质量控制中,无需对样品进行复杂的前处理,只将样品研成细粉即可,不涉及任何试剂,简便、快捷、经济、环保、安全、无毒,结果准确,实现对药材各控制指标的同时快速检测,在生产中有利于从源头控制药材质量,缩短检测时间,降低检测成本,提高生产效率和经济效益。
3、本发明建立了甘草药材中水分含量、总灰分含量、甘草酸含量和甘草苷含量4个指标的离线检测数据与近红外光谱信息之间的定量校正模型,同时建立了这4个指标成分的快速检测的方法,符合实际生产过程中对原药材检测提出的快速、环保、高效的要求。
4、本发明建立的甘草药材近红外定量校正模型稳定性好、结果准确,用于甘草药材中水分、总灰分、甘草苷和甘草酸的快速无损检测,可作为甘草药材质量监测的辅助手段,便于对药材真伪、掺伪及质量进行快速定性、定量检测。
5、药材测定总灰分的目的是保证中药品质和洁净程度,本发明将近红外技术引入到甘草药材的总灰分的质量控制中,与传统的灰分检测方法相比,极大程度上简化了检测程序,为甘草药材的品质和洁净度监控提供了便捷、高效的检测方法。
6、本发明为甘草药材品质的检测提供新的鉴定方法和检测标准,对市售甘草药材的质量监管提供科学依据,具有较好的应用前景。
附图说明
图1是实施例1所得的甘草药材粉末的近红外原始吸收光谱图;
图2是实施例2所得的校正集甘草药材中水分含量近红外模型预测值与实测值的线性关系图;
图3是实施例3所得的校正集甘草药材中总灰分含量近红外模型预测值与实测值的线性关系图;
图4是实施例4所得的校正集甘草药材中甘草苷分含量近红外模型预测值与实测值的线性关系图;
图5是实施例5所得的校正集甘草药材中甘草酸含量近红外模型预测值与实测值的线性关系图。
具体实施方式
下面结合附图对本发明的技术方案进行详细说明,但本发明的内容并不局限于此。
本发明的发明人采集了77批不同产地甘草近红外光谱,对近红外光谱进行不同的预处理。基于该77批校正集甘草药材中水分、总灰分、甘草苷和甘草酸含量的实测值,利用OPUS软件进行偏最小二乘建模,筛选甘草中各检测成分近红外建模的最佳预处理方法,旨在建立甘草质量控制指标成分的近红外定量模型,实现甘草各指标成分的快速定量检测。
本发明提供了甘草药材近红外定量分析模型及建立方法,利用该方法采用近红外光谱技术,可快速、无损检测甘草药材。具体包括如下步骤:
1)不同产地甘草样本的采集
从全国甘草产区收集多批次甘草药材样本77批。将样本分别粉碎,过40目筛。
2)甘草药材中质量控制指标成分的测定
选取水分含量、总灰分含量、甘草苷和甘草酸含量作为甘草药材的关键质量控制指标,水分采用《中国药典》2015版第四部通则0832第二法(烘干法)进行测定,总灰分采用《中国药典》2015版第四部通则2302测定,甘草酸含量和甘草苷含量采用《中国药典》2015版第一部甘草中含量测定的方法(高效液相色谱法)进行测定。
3)甘草药材近红外光谱采集
利用Bruker Matrix-F型傅里叶近红外光谱仪扫描各样本近红外光谱,分辨率8 cm-1,样本累积扫描次数32次,背景累积扫描次数32次,光谱范围12000 ~ 4000 cm-1,每个样品平行测定6次,取平均光谱值作为样本的近红外原始吸收光谱图。
4)异常样本的剔除
建模过程中的异常点包括建模样品集中甘草各质量指标成分的极端值,光谱扫描过程中的异常样本及经模型获得的预测值与离线检测的实测值有较大误差的样本。通过SIMCA的主成分分析结合线性相关分析来剔除异常样本。本发明实施例所涉样本中未发现异常样本。
5)近红外光谱预处理方法的选择
对步骤3)采集到的近红外光谱经异常剔除样本后剩余样本采用近红外光谱预处理方法进行处理。本发明建模前对原始近红外光谱分别进行了预处理,方法包括矢量归一化、最大最小归一化、多元信号修正、一阶导数、二阶导数、一阶导数+减去一条直线、一阶导数+矢量归一化、一阶导数+多元信号修正,以筛选最佳预处理方法。
6)建模过程最佳光谱波段的选择
近红外光谱的波长范围为12000~4000cm-1,主要是由含氢基团的倍频和组频吸收峰组成,几乎覆盖所有的有机化合物和混合物。偏最小二乘法能够在小样本情况下实现多变量对多变量的回归模型,本研究基于最佳预处理方法,筛选出甘草药材各成分特征光谱波段。
7)甘草药材各质量控制指标定量校正模型的建立
基于最佳预处理方法、光谱波段及甘草药材中各质量指标的含量数据,采用偏最小二乘法(PLS)建立校正集甘草药材样本的近红外光谱与校正集甘草药材样本中各质量指标的含量实测值之间的定量校正模型。定量校正模型以校正及交叉验证的相关系数(R2)和校正均方根误差(RMSEC)、交叉验证均方根误差(RMSECV)进行模型优化。
8)定量校正模型的验证
以外部未知含量甘草药材样品近红外光谱预定量校正模型预测值与实测值的相关系数R2、预测值的均方根误差(RMSEP)及预测相对偏差(RSEP)评价模型对未知样品的预测效果。R2越接近1,RMSECV越小说明模型性能越好,RSEP越小说明模型预测能力越好,当RSEP小于5%时模型具有较好的预测能力,能够满足甘草药材实时放行检测的需要。
9)确定甘草药材各质量控制指标的最优建模条件
以甘草水分含量为指标建立定量模型过程中,优选的光谱预处理方法为采用二阶导数处理,建模的光谱范围选取7500-6100cm-1为特征波段,主因子数7;
以甘草总灰分含量为指标建立定量模型过程中,优选的光谱预处理方法为采用一阶导数+减去一条直线处理,建模的光谱范围选取12000-4600cm-1为特征波段,主因子数10;
以甘草苷含量为指标建立定量模型过程中,优选的光谱预处理方法为采用一阶导数+多元信号修正(MSC)处理,建模的光谱范围选取5450-4250cm-1为特征波段,主因子数2;
以甘草酸含量为指标建立定量模型过程中,优选的光谱预处理方法为采用一阶导数+减去一条直线处理,建模的光谱范围选取5450-4250cm-1为特征波段,主因子数8。
10)基于甘草药材近红外光谱定量分析模型,建立甘草药材4个质量控制指标快速检测方法,并建立实时放行标准:当水分含量≤11.4%,总灰分≤6.6%,甘草苷≤0.48%,甘草酸≤1.9%时,则判断待测甘草药材样品为合格;当总灰分≤4.7%,甘草苷≤0.42%,甘草酸≤1.7%时,则判断待测甘草饮片样品为合格。
实施例1:
不同产地甘草样本的采集与质量指标水分、总灰分、甘草苷和甘草酸的含量测定。
从全国甘草产区收集多批次甘草药材样本77批,作为校正集样本。将样本分别粉碎,过40目筛。备用。按照《中国药典》2015年版甘草中规定的方法,检测水分、总灰分、甘草苷和甘草酸的含量。所用仪器、试剂、材料和实验方法如下。
SA1. 仪器、试剂及材料。
SA1.1 仪器:Agilent 1260高效液相色谱仪;梅特勒XS-205电子分析天平(十万分之一);Bruker Matrix-F型傅利叶变换近红外光谱仪;上海爱朗WFO-700W送风式恒温干燥箱。
SA1.2 试剂:甘草苷(批号:111610-201106)、甘草酸(110731-201418)对照品购于中国药品检定研究院;甲醇、乙腈色谱纯;娃哈哈纯净水;其它试剂均为分析纯。
SA1.3 材料:该77批甘草药材采自全国不同产区,经宁夏医科大学王汉卿副教授鉴定为豆科植物甘草Glycyrrhiza uralesis Fisch.,样本信息见表1。
SA2. 实验方法。
SA2.1 水分测定
按照《中国药典》2015版第四部通则0832水分测定法中第二法(烘干法)进行测定,具体操作步骤如下:取甘草药材粉末约2g,平铺于干燥至恒重的扁形称量瓶中,精密称定,开启瓶盖在100-105°C干燥5 小时,将瓶盖盖好,移置干燥器中,放冷30分钟,精密称定,再在上述温度干燥1小时,放冷,称重,至连续两次称重的差异不超过5mg为止。根据减失的重量,计算甘草药材中水分含量(%)。检测结果见表1。
SA2.2灰分测定
按照《中国药典》2015版第四部通则2302灰分测定法中的总灰分测定法测定,具体操作步骤如下:取甘草药材粉末约2g,置炽灼至恒重的坩埚中,称定重量(准确至0.01g ) ,缓缓炽热,注意避免燃烧,至完全炭化时,逐渐升高温度至500〜600 ℃,使完全灰化并至恒重。根据残渣重量,计算甘草药材中总灰分的含量(%)。检测结果见表1。
SA2.3 甘草苷含量测定
按照《中国药典》2015版一部甘草中含量测定项下的方法(髙效液相色谱法(通则0512))测定,具体操作步骤如下:
色谱条件与系统适用性试验以十八烷基硅烷键合硅胶为填充剂;以乙腈为流动相A,以0.05% 磷酸溶液为流动相B,按下表中的规定进行梯度洗脱;检测波长为237nm。理论板数按甘草苷峰计算应不低于5000。
对照品溶液的制备 取甘草苷对照品、甘草酸铵对照品适量,精密称定,加70%乙醇分别制成每1mL含甘草苷20 mg、甘草酸铵0.2 mg的溶液,即得(甘草酸重量=甘草酸铵重量/1.0207)。
供试品溶液的制备 取本品粉末(过三号筛)约0.2 g,精密称定,置具塞锥形瓶中,精密加入70%乙醇100 ml,密塞,称定重量,超声处理(功率250W,频率40kHz)30分钟,放冷,再称定重量,用70%乙醇补足减失的重量,摇匀,滤过,取续滤液,即得。
测定法 分别精密吸取对照品溶液与供试品溶液各l0 ml,注入液相色谱仪,测定,即得。检测结果见表1。
SA2.4 甘草酸含量测定
按照《中国药典》2015版一部甘草中甘草酸含量测定方法测定,具体操作步骤同步骤SA2.3所述。检测结果见表1。
实施例2
在实施例1的基础上,建立一种基于近红外光谱技术快速检测甘草药材水分含量的方法,具体包括如下步骤:
SB1. 近红外光谱的采集
取实施例1所述的校正集77批甘草药材样品粉末,每批各取约3g,分别装入具塞玻璃样品瓶中。利用Bruker Matrix-F型傅利叶变换近红外光谱仪扫描近红外光谱。分辨率:8cm-1;扫描次数:32Scans;光谱范围:12000 cm-1~4000 cm-1。每个样品平行测定6次,取平均值作为该样品的原始光谱,环境条件为:温度23℃±0.5℃,相对湿度40%±2%。得到甘草药材近红外原始吸收光谱图,见图1。
SB2. 采用偏最小二乘法(PLS)建立近红外光谱与水分的定量校正模型
基于实施例1所得77批甘草药材样本的水分含量,利用OPUS软件,采用偏最小二乘法(PLS)建立甘草药材样本的近红外光谱与水分含量的实测值之间的定量校正模型。以校正均方根误差(RMSEC)、交叉验证均方根误差(RMSECV)、校正和交叉验证相关系数(R2)为指标,筛选甘草中水分近红外建模的最佳预处理方法,基于最佳预处理方法,自动优化选取最佳建模光谱波段,建立较优的水分近红外定量模型。
近红外光谱经不同预处理方法处理后甘草中水分含量近红外定量建模结果见表2a。从表2a可以看出,近红外光谱数据经二阶导数处理后,主因子数为6对甘草中水分含量进行偏最小二乘建模,校正集相关系数(R2)为0.9457,校正集均方根误差(RMSEC)为0.269,且交叉验证相关系数(R2)为0.8451,交叉验证均方根误差(RMSECV)为0.423,整体比较,优于其他各预处理方法建模结果。
表2b是以水分为指标,近红外光谱预处理方法采用二阶导数法时,采用不同光谱波段建立模型的参数比较。从表2b可以看出,近红外光谱数据经二阶导数处理后,当选择7500-6100 cm-1波段建模时,校正集相关系数(R2)为0.9798和交叉验证相关系数(R2)为0.9523,最接近1;校正集均方根误差(RMSEC)为0.158,且交叉验证均方根误差(RMSECV)为0.226,均最小;整体比较,优于其他各光谱波段建模结果。
因此,甘草中水分偏最小二乘近红外定量模型以选择7个主因子数、光谱经二阶导数处理为佳,最佳建模光谱波段为7500-6100 cm-1。甘草药材中水分定量校正建模参数,见表2c。
SB3. 模型验证及未知样品的检测
随机选择 20批外部未知含量甘草药材样本,采用与校正集相同的最佳光谱波段和光谱预处理方法处理后的光谱数据导入定量校正模型中,快速测定甘草药材中水分的含量,得到预测值。采用实施例1所述检测方法对20批甘草药材样本的水分含量进行检测,得到水分含量的实测值。将预测值与实测值进行统计比较,计算预测相对偏差(RSEP)以验证模型的性能。结果见表2d和表2e。
由表2d可以看出,以水分为指标建立的定量校正模型对20个外部未知甘草药材样本中水分含量的预测值与实测值的相对偏差均小于5%,说明建立的定量校正模型具有较好的预测能力和预测精度。
由表2e可以看出,甘草药材4个质量指标近红外定量模型预测相关系数R2均在0.96以上,RMSEP均低于0.2,说明模型具有较好的稳定性;RSEP值均低于5%,说明建立的甘草药材水分定量校正模型具有较好的预测能力,可用于甘草药材中水分的快速检测。
由实施例2所得校正集甘草药材中水分含量近红外模型预测值与实测值的线性关系见图2。
实施例3
在实施例1的基础上,建立一种基于近红外光谱技术快速检测甘草药材总灰分含量的方法,具体包括如下步骤:
SC1. 近红外光谱的采集
取实施例1所述的校正集77批甘草药材样品粉末,每批各取约3g,分别装入具塞玻璃样品瓶中。利用Bruker Matrix-F型傅利叶变换近红外光谱仪扫描近红外光谱。分辨率:8cm-1;扫描次数:32Scans;光谱范围:12000 cm-1~4000 cm-1。每个样品平行测定6次,取平均值作为该样品的原始光谱,环境条件为:温度23℃±0.5℃,相对湿度40%±2%。得到甘草药材近红外原始吸收光谱图,见图1。
SC2. 采用偏最小二乘法(PLS)建立近红外光谱与总灰分的定量校正模型
基于实施例1所得77批甘草药材样本的总灰分含量,利用OPUS软件,采用偏最小二乘法(PLS)建立甘草药材样本的近红外光谱与总灰分含量的实测值之间的定量校正模型。以校正均方根误差(RMSEC)、交叉验证均方根误差(RMSECV)、校正和交叉验证相关系数(R2)为指标,筛选甘草中总灰分近红外建模的最佳预处理方法,基于最佳预处理方法,自动优化选取最佳建模光谱波段,建立较优的总灰分近红外定量模型。
近红外光谱经不同预处理方法处理后甘草中总灰分含量近红外定量建模结果见表3a。从表3a可以看出,近红外光谱数据经一阶导数+减去一条直线处理后,主因子数为10对甘草中总灰分含量进行偏最小二乘建模,校正集相关系数(R2)为0.997,校正均方根误差(RMSEC)为0.0652,交叉验证相关系数(R2)为0.9813,交叉验证均方根误差(RMSECV)为0.0652,整体比较,优于其他各预处理方法建模结果。
表3b是以总灰分为指标,近红外光谱预处理方法采用一阶导数+减去一条直线时,采用不同光谱波段建立模型的参数比较。从表3b可以看出,近红外光谱数据经一阶导数+减去一条直线后,当选择12000-4600 cm-1波段建模时,校正集相关系数(R2)为0.9977和交叉验证相关系数(R2)为0.9872,最接近1;校正集均方根误差(RMSEC)为0.0253,交叉验证均方根误差(RMSECV)为0.054,均最小;整体比较,优于其他光谱波段建模结果。
因此,甘草中总灰分偏最小二乘近红外定量模型以选择10个主因子数、光谱经一阶导数+减去一条直线处理为佳,最佳建模光谱波段为12000-4600 cm-1。甘草药材中总灰分定量校正建模参数,见表3c。
SB3. 模型验证及未知样品的检测
随机选择 20批外部未知含量甘草药材样本,采用与校正集相同的最佳光谱波段和光谱预处理方法处理后的光谱数据导入定量校正模型中,快速测定甘草药材中总灰分的含量,得到预测值。采用与实施例1所述检测方法对20批甘草药材样本的总灰分含量进行检测,得到总灰分含量的实测值。将预测值与实测值进行统计比较,计算预测相对偏差(RSEP)以验证模型的性能。结果见表3d和表3e。
由表3d可以看出,以总灰分为指标建立的定量校正模型对20个外部未知甘草药材样本中总灰分含量的预测值与实测值的相对偏差均小于5%,说明建立的定量校正模型具有较好的预测能力和预测精度。
由表3e可以看出,甘草药材总灰分质量指标近红外定量模型预测相关系数R2为0.9766,RMSEP低于0.2,说明模型具有较好的稳定性;RSEP值均低于5%,说明建立的甘草药材总灰分定量校正模型具有较好的预测能力,可用于甘草药材中总灰分的快速检测。
由实施例3所得校正集甘草药材中总灰分含量近红外模型预测值与实测值的线性关系见图3。
实施例4
在实施例1的基础上,建立一种基于近红外光谱技术快速检测甘草药材甘草苷含量的方法,具体包括如下步骤:
SD1. 近红外光谱的采集
取实施例1所述的校正集77批甘草药材样品粉末,每批各取约3g,分别装入具塞玻璃样品瓶中。利用Bruker Matrix-F型傅利叶变换近红外光谱仪扫描近红外光谱。分辨率:8cm-1;扫描次数:32Scans;光谱范围:12000 cm-1~4000 cm-1。每个样品平行测定6次,取平均值作为该样品的原始光谱,环境条件为:温度23℃±0.5℃,相对湿度40%±2%。得到甘草药材近红外原始吸收光谱图,见图1。
SD2. 采用偏最小二乘法(PLS)建立近红外光谱与甘草苷的定量校正模型
基于实施例1所得77批甘草药材样本的总灰分含量,利用OPUS软件,采用偏最小二乘法(PLS)建立甘草药材样本的近红外光谱与甘草苷含量的实测值之间的定量校正模型。以校正均方根误差(RMSEC)、交叉验证均方根误差(RMSECV)、校正和交叉验证相关系数(R2)为指标,筛选甘草中甘草苷近红外建模的最佳预处理方法,基于最佳预处理方法,自动优化选取最佳建模光谱波段,建立较优的甘草苷近红外定量模型。
近红外光谱经不同预处理方法处理后甘草中甘草苷含量近红外定量建模结果见表4a。从表4a可以看出,近红外光谱数据经最大最小归一化处理后,主因子数为5对甘草中甘草苷含量进行偏最小二乘建模,校正集相关系数(R2)为0.9726,校正均方根误差(RMSEC)为0.0536,交叉验证相关系数(R2)为0.9614,交叉验证均方根误差(RMSECV)为0.0604,整体比较,优于其他各预处理方法建模结果。
表4b是以甘草苷为指标,近红外光谱预处理方法采用最大最小归一化时,采用不同光谱波段建立模型的参数比较。从表4b可以看出,近红外光谱数据经最大最小归一化后,当选择5450-4520 cm-1波段建模时,校正集相关系数(R2)为0.9682和交叉验证相关系数(R2)为0.9643,最接近1;校正集均方根误差(RMSEC)为0.0563,交叉验证均方根误差(RMSECV)为0.0582,均最小;整体比较,优于其他光谱波段建模结果。
因此,甘草中甘草苷偏最小二乘近红外定量模型以选择2个主因子数、光谱经一阶导数+减去一条直线处理为佳,最佳建模光谱波段为12000-4600 cm-1。甘草药材中甘草苷定量校正建模参数,见表4c。
SD3. 模型验证及未知样品的检测
随机选择 20批外部未知含量甘草药材样本,采用与校正集相同的最佳光谱波段和光谱预处理方法处理后的光谱数据导入定量校正模型中,快速测定甘草药材中甘草苷的含量,得到预测值。采用与实施例1所述检测方法对20批甘草药材样本的甘草苷含量进行检测,得到甘草苷含量的实测值。将预测值与实测值进行统计比较,计算预测相对偏差(RSEP)以验证模型的性能。结果见表4d和表4e。
由表4d可以看出,以甘草苷为指标建立的定量校正模型对20个外部未知甘草药材样本中甘草苷含量的预测值与实测值的相对偏差均小于5%,说明建立的定量校正模型具有较好的预测能力和预测精度。
由表4e可以看出,甘草药材甘草苷质量指标近红外定量模型预测相关系数R2为0.9627,RMSEP低于0.2,说明模型具有较好的稳定性;RSEP值均低于5%,说明建立的甘草药材甘草苷定量校正模型具有较好的预测能力,可用于甘草药材中甘草苷的快速检测。
由实施例4所得校正集甘草药材中甘草苷含量近红外模型预测值与实测值的线性关系见图4。
实施例5
在实施例1的基础上,建立一种基于近红外光谱技术快速检测甘草药材甘草酸含量的方法,具体包括如下步骤:
SE1. 近红外光谱的采集
取实施例1所述的校正集77批甘草药材样品粉末,每批各取约3g,分别装入具塞玻璃样品瓶中。利用Bruker Matrix-F型傅利叶变换近红外光谱仪扫描近红外光谱。分辨率:8cm-1;扫描次数:32Scans;光谱范围:12000 cm-1~4000 cm-1。每个样品平行测定6次,取平均值作为该样品的原始光谱,环境条件为:温度23℃±0.5℃,相对湿度40%±2%。得到甘草药材近红外原始吸收光谱图,见图1。
SE2. 采用偏最小二乘法(PLS)建立近红外光谱与甘草酸的定量校正模型
基于实施例1所得77批甘草药材样本的甘草酸含量,利用OPUS软件,采用偏最小二乘法(PLS)建立甘草药材样本的近红外光谱与甘草酸含量的实测值之间的定量校正模型。以校正均方根误差(RMSEC)、交叉验证均方根误差(RMSECV)、校正和交叉验证相关系数(R2)为指标,筛选甘草中甘草酸近红外建模的最佳预处理方法,基于最佳预处理方法,自动优化选取最佳建模光谱波段,建立较优的甘草酸近红外定量模型。
近红外光谱经不同预处理方法处理后甘草中甘草酸含量近红外定量建模结果见表5a。从表5a可以看出,近红外光谱数据经一阶导数+减去一条直线处理后,主因子数为8对甘草中甘草酸含量进行偏最小二乘建模,校正集相关系数(R2)为0.9616,校正均方根误差(RMSEC)为0.188,交叉验证相关系数(R2)为0.8739,交叉验证均方根误差(RMSECV)为0.314,整体比较,优于其他各预处理方法建模结果。
表5b是以甘草酸为指标,近红外光谱预处理方法采用一阶导数+减去一条直线时,采用不同光谱波段建立模型的参数比较。从表5b可以看出,近红外光谱数据经一阶导数+减去一条直线后,当选择5450-4520 cm-1波段建模时,校正集相关系数(R2)为0.9601和交叉验证相关系数(R2)为0.9257,最接近1;校正集均方根误差(RMSEC)为0.191,交叉验证均方根误差(RMSECV)为0.241,均最小;整体比较,优于其他光谱波段建模结果。
因此,甘草中甘草酸偏最小二乘近红外定量模型以选择8个主因子数、光谱经一阶导数+减去一条直线处理为佳,最佳建模光谱波段为5450-4250 cm-1。甘草药材中甘草酸定量校正建模参数,见表5c。
SE3. 模型验证及未知样品的检测
随机选择 20批外部未知含量甘草药材样本,采用与校正集相同的最佳光谱波段和光谱预处理方法处理后的光谱数据导入定量校正模型中,快速测定甘草药材中甘草酸的含量,得到预测值。采用与实施例1所述检测方法对20批甘草药材样本的甘草酸含量进行检测,得到甘草酸含量的实测值。将预测值与实测值进行统计比较,计算预测相对偏差(RSEP)以验证模型的性能。结果见表5d和表5e。
由表5d可以看出,以甘草酸为指标建立的定量校正模型对20个外部未知甘草药材样本中甘草酸含量的预测值与实测值的相对偏差均小于5%,说明建立的定量校正模型具有较好的预测能力和预测精度。
由表5e可以看出,甘草药材甘草酸质量指标近红外定量模型预测相关系数R2为0.9909,RMSEP低于0.2,说明模型具有较好的稳定性;RSEP值均低于5%,说明建立的甘草药材甘草酸定量校正模型具有较好的预测能力,可用于甘草药材中甘草酸的快速检测。
由实施例5所得校正集甘草药材中甘草酸含量近红外模型预测值与实测值的线性关系见图5。
以上所述,仅是本发明的较佳实施例,并非用以限制本发明的权利范围。任何以本申请专利范围所涵盖的权利范围实施的技术方案,或者任何熟悉本领域的技术人员,利用上述揭示的方法内容做出许多可能的变动和修饰的方案,均属于本发明的保护范围。
Claims (10)
1.甘草药材近红外定量分析模型的建立方法,包括如下步骤:
S01. 甘草药材样本的收集:收集不同批次的甘草药材样本;
S02. 甘草药材质量控制指标成分的含量测定:对步骤S01收集到的甘草药材的质量控制指标成分进行含量测定,得到各指标成分的含量的实测值;
S03. 近红外光谱的采集:采集步骤S01收集到的甘草药材样本的近红外光谱数据,即得原始近红外光谱;
S04. 近红外光谱数据的预处理:对步骤S03获得的原始近红外光谱进行预处理,确定最佳预处理方法,筛选最佳建模光谱波段;所述预处理方法为矢量归一化、最大最小归一化、多元信号修正、一阶导数、二阶导数、一阶导数+减去一条直线、一阶导数+矢量归一化、一阶导数+多元信号修正法中至少一种;
S05. 近红外定量校正模型的建立:采用步骤S04确定的最佳建模光谱波段和最佳光谱预处理方法,运用多元校正方法,对校正集的近红外光谱和其对应的甘草药材样本质量指标成分含量的实测值之间建立近红外定量校正模型;
S06. 近红外定量校正模型的验证:对外部未知含量样本进行预测,计算预测值与实测值的相关性。
2.如权利要求1所述的甘草药材近红外定量分析模型的建立方法,其特征在于,步骤S02中,所述质量控制指标为水分含量、总灰分含量、甘草酸含量和甘草苷含量;所述含量测定的方法为:水分采用《中国药典》2015版第四部通则0832水分测定法中第二法-烘干法,进行测定,总灰分采用《中国药典》2015版第四部通则2302灰分测定法中的总灰分测定法测定,甘草酸含量和甘草苷含量采用《中国药典》2015版第一部甘草中含量测定的方法进行测定。
3.如权利要求1所述的甘草药材近红外定量分析模型的建立方法,其特征在于,步骤S03中,所述光谱的采集具体为:取甘草药材,研成细粉;取甘草药材粉末3g,扫描近红外光谱,得到甘草药材的原始近红外吸收光谱图;所述近红外光谱的扫描条件为:光谱范围为12000 cm-1~4000 cm-1,分辨率为8cm-1,扫描次数为32次;每个样品平行测定6次,取平均值作为该样品的原始光谱;检测方法为积分球漫反射 ,环境条件为温度23℃±0.5℃,相对湿度40%±2%。
4.如权利要求1所述的甘草药材近红外定量分析模型的建立方法,其特征在于,步骤S04中,所述预处理方法为:
以甘草水分含量为指标建立定量模型过程中,光谱预处理采用二阶导数处理,主因子数为7;
以甘草总灰分含量为指标建立定量模型过程中,光谱预处理采用一阶导数+减去一条直线处理,主因子数为10;
以甘草苷含量为指标建立定量模型过程中,光谱预处理采用最大最小归一化处理,主因子数为2 ;
以甘草酸含量为指标建立定量模型过程中,光谱预处理采用一阶导数+减去一条直线处理,主因子数为8 。
5.如权利要求4所述的甘草药材近红外定量分析模型的建立方法,其特征在于,步骤S04中,所述最佳光谱波段是基于最佳预处理方法筛选出的甘草药材各成分特征光谱波段;所述各成分特征光谱波段分别为:水分为7500-6100 cm-1,灰分为12000-4600 cm-1,甘草苷为5450-4250 cm-1,甘草酸为5450-4250 cm-1。
6.如权利要求1所述的甘草药材近红外定量分析模型的建立方法,其特征在于,步骤S05中,所述多元校正法为偏最小二乘法,所述模型的建立是运用偏最小二乘法对校正集的近红外光谱和其对应的甘草药材样本质量指标成分含量的实测值之间建立定量模型。
7.如权利要求1所述的甘草药材近红外定量分析模型的建立方法,其特征在于,步骤S06中,验证近红外定量校正模型的具体方法为:采集外部未知含量样本的近红外光谱图,通过步骤S05所建立的各成分定量校正模型,得到甘草药材各成分含量的预测值,并按照步骤S02所述方法进行含量测定,得到实测值;计算预测值与实测值之间的相对偏差,验证定量校正模型的准确性。
8.采用权利要求1-7任一项所述方法建立的甘草药材近红外定量分析模型。
9.一种基于近红外光谱技术快速检测甘草药材及饮片的方法,包括如下步骤:
ST1. 取待检测的甘草药材或饮片,按照权利要求1-7任一项所述步骤S03中的方法采集近红外光谱;
ST2. 将ST1得到的近红外光谱导入权利要求1-7任一项所述步骤S05建立的定量校正模型中,测定甘草药材质量控制指标成分的含量。
10.一种基于近红外光谱技术快速检测甘草药材及饮片的检测标准,其特征在于:当水分含量≤11.4%,总灰分≤6.6%,甘草苷≤0.48%,甘草酸≤1.9%时,则判断待测甘草药材样品为合格;当总灰分≤4.7%,甘草苷≤0.42%,甘草酸≤1.7%时,则判断待测甘草饮片样品为合格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810342604.2A CN108519348A (zh) | 2018-04-17 | 2018-04-17 | 甘草药材近红外定量分析模型及检测方法和标准 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810342604.2A CN108519348A (zh) | 2018-04-17 | 2018-04-17 | 甘草药材近红外定量分析模型及检测方法和标准 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108519348A true CN108519348A (zh) | 2018-09-11 |
Family
ID=63428744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810342604.2A Pending CN108519348A (zh) | 2018-04-17 | 2018-04-17 | 甘草药材近红外定量分析模型及检测方法和标准 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108519348A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109932336A (zh) * | 2019-04-26 | 2019-06-25 | 中国疾病预防控制中心营养与健康所 | 一种全麦粉的快速鉴别方法 |
CN110609010A (zh) * | 2019-09-06 | 2019-12-24 | 华润三九医药股份有限公司 | 一种快速测定两面针中药用成分含量的方法 |
CN110907387A (zh) * | 2019-11-22 | 2020-03-24 | 南开大学 | 一种金花茶叶中冲山茶苷含量的近红外快速检测方法 |
CN111380832A (zh) * | 2018-12-27 | 2020-07-07 | 广州白云山光华制药股份有限公司 | 复方甘草片有效成分含量测定校正模型构建、检测方法 |
CN112461784A (zh) * | 2020-11-16 | 2021-03-09 | 山东大学 | 一种基于近红外光谱的药物共晶检测方法及其应用 |
CN112540058A (zh) * | 2020-12-24 | 2021-03-23 | 苏州泽达兴邦医药科技有限公司 | 一种近红外光谱分析无损鉴别中药材真伪的方法及其装置 |
CN112945900A (zh) * | 2021-02-03 | 2021-06-11 | 广东药科大学 | 一种快速检测莪术质量的检测模型及方法 |
CN112964690A (zh) * | 2021-02-04 | 2021-06-15 | 浙江工业大学 | 一种基于拉曼光谱实时监测中药配方颗粒提取过程的方法 |
CN113008805A (zh) * | 2021-02-07 | 2021-06-22 | 浙江工业大学 | 基于高光谱成像深度分析的白芷饮片质量预测方法 |
CN113466169A (zh) * | 2021-06-10 | 2021-10-01 | 湖北民族大学 | 近红外光谱测定黄精皂苷含量的方法 |
CN114199818A (zh) * | 2021-12-02 | 2022-03-18 | 广东一方制药有限公司 | 苍耳子中药配方颗粒的近红外定量检测模型的构建方法及其定量检测方法 |
CN114813627A (zh) * | 2022-04-24 | 2022-07-29 | 广东省农业科学院环境园艺研究所 | 一种基于近红外光谱的金钗石斛甘露糖含量检测方法 |
CN115128036A (zh) * | 2022-07-18 | 2022-09-30 | 山东大学 | 一种手持式近红外光谱检测方法及装置 |
CN115184298A (zh) * | 2022-05-26 | 2022-10-14 | 广东美味鲜调味食品有限公司 | 一种基于近红外光谱在线监测酱油品质的方法 |
CN116046714A (zh) * | 2023-01-18 | 2023-05-02 | 大连理工大学 | 杂萘联苯聚芳醚类热塑性预浸带中树脂和/或挥发分含量的检测模型建立方法和应用 |
CN116165165A (zh) * | 2023-04-25 | 2023-05-26 | 四川威斯派克科技有限公司 | 一种药品原辅料在线实时放行的检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103776777A (zh) * | 2014-01-09 | 2014-05-07 | 北京中医药大学 | 一种用近红外光谱技术识别不同生长方式人参及对人参中组分含量测定的方法 |
CN104568822A (zh) * | 2014-12-19 | 2015-04-29 | 浙江大学 | 一种连翘药材多指标同时快速检测方法 |
CN104568813A (zh) * | 2014-12-19 | 2015-04-29 | 浙江大学 | 一种山茱萸药材多指标快速检测方法 |
CN105277511A (zh) * | 2014-06-06 | 2016-01-27 | 广州白云山中一药业有限公司 | 近红外光谱法快速测定葛根中浸出物含量的方法 |
-
2018
- 2018-04-17 CN CN201810342604.2A patent/CN108519348A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103776777A (zh) * | 2014-01-09 | 2014-05-07 | 北京中医药大学 | 一种用近红外光谱技术识别不同生长方式人参及对人参中组分含量测定的方法 |
CN105277511A (zh) * | 2014-06-06 | 2016-01-27 | 广州白云山中一药业有限公司 | 近红外光谱法快速测定葛根中浸出物含量的方法 |
CN104568822A (zh) * | 2014-12-19 | 2015-04-29 | 浙江大学 | 一种连翘药材多指标同时快速检测方法 |
CN104568813A (zh) * | 2014-12-19 | 2015-04-29 | 浙江大学 | 一种山茱萸药材多指标快速检测方法 |
Non-Patent Citations (4)
Title |
---|
刘薇 等: "近红外光谱法应用于蒲黄总灰分的定量预测研究", 《药物分析杂志》 * |
狄天云 等: "基于指标成分与近红外光谱对宁夏野生和栽培甘草的比较鉴别研究", 《中国中药杂志》 * |
王遥琼 等: "近红外光谱用于甘草中甘草苷、甘草酸及水分测定", 《中国实验方剂学杂志》 * |
陈乐 等: "淫羊藿水分和灰分的近红外快速检测", 《中草药》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111380832A (zh) * | 2018-12-27 | 2020-07-07 | 广州白云山光华制药股份有限公司 | 复方甘草片有效成分含量测定校正模型构建、检测方法 |
CN109932336A (zh) * | 2019-04-26 | 2019-06-25 | 中国疾病预防控制中心营养与健康所 | 一种全麦粉的快速鉴别方法 |
CN110609010A (zh) * | 2019-09-06 | 2019-12-24 | 华润三九医药股份有限公司 | 一种快速测定两面针中药用成分含量的方法 |
CN110907387A (zh) * | 2019-11-22 | 2020-03-24 | 南开大学 | 一种金花茶叶中冲山茶苷含量的近红外快速检测方法 |
CN112461784A (zh) * | 2020-11-16 | 2021-03-09 | 山东大学 | 一种基于近红外光谱的药物共晶检测方法及其应用 |
CN112540058A (zh) * | 2020-12-24 | 2021-03-23 | 苏州泽达兴邦医药科技有限公司 | 一种近红外光谱分析无损鉴别中药材真伪的方法及其装置 |
CN112945900A (zh) * | 2021-02-03 | 2021-06-11 | 广东药科大学 | 一种快速检测莪术质量的检测模型及方法 |
CN112945900B (zh) * | 2021-02-03 | 2022-12-30 | 广东药科大学 | 一种快速检测莪术质量的检测模型及方法 |
CN112964690A (zh) * | 2021-02-04 | 2021-06-15 | 浙江工业大学 | 一种基于拉曼光谱实时监测中药配方颗粒提取过程的方法 |
CN112964690B (zh) * | 2021-02-04 | 2024-03-26 | 浙江工业大学 | 一种基于拉曼光谱实时监测中药配方颗粒提取过程的方法 |
CN113008805A (zh) * | 2021-02-07 | 2021-06-22 | 浙江工业大学 | 基于高光谱成像深度分析的白芷饮片质量预测方法 |
CN113008805B (zh) * | 2021-02-07 | 2024-03-26 | 浙江工业大学 | 基于高光谱成像深度分析的白芷饮片质量预测方法 |
CN113466169A (zh) * | 2021-06-10 | 2021-10-01 | 湖北民族大学 | 近红外光谱测定黄精皂苷含量的方法 |
CN114199818A (zh) * | 2021-12-02 | 2022-03-18 | 广东一方制药有限公司 | 苍耳子中药配方颗粒的近红外定量检测模型的构建方法及其定量检测方法 |
CN114199818B (zh) * | 2021-12-02 | 2024-05-14 | 广东一方制药有限公司 | 苍耳子中药配方颗粒的近红外定量检测模型的构建方法及其定量检测方法 |
CN114813627A (zh) * | 2022-04-24 | 2022-07-29 | 广东省农业科学院环境园艺研究所 | 一种基于近红外光谱的金钗石斛甘露糖含量检测方法 |
CN115184298A (zh) * | 2022-05-26 | 2022-10-14 | 广东美味鲜调味食品有限公司 | 一种基于近红外光谱在线监测酱油品质的方法 |
CN115184298B (zh) * | 2022-05-26 | 2024-04-16 | 广东美味鲜调味食品有限公司 | 一种基于近红外光谱在线监测酱油品质的方法 |
CN115128036A (zh) * | 2022-07-18 | 2022-09-30 | 山东大学 | 一种手持式近红外光谱检测方法及装置 |
CN116046714A (zh) * | 2023-01-18 | 2023-05-02 | 大连理工大学 | 杂萘联苯聚芳醚类热塑性预浸带中树脂和/或挥发分含量的检测模型建立方法和应用 |
CN116046714B (zh) * | 2023-01-18 | 2024-04-05 | 大连理工大学 | 杂萘联苯聚芳醚类热塑性预浸带中树脂和/或挥发分含量的检测模型建立方法和应用 |
CN116165165A (zh) * | 2023-04-25 | 2023-05-26 | 四川威斯派克科技有限公司 | 一种药品原辅料在线实时放行的检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108519348A (zh) | 甘草药材近红外定量分析模型及检测方法和标准 | |
Yin et al. | A review of the application of near-infrared spectroscopy to rare traditional Chinese medicine | |
Li et al. | Quality control of Lonicerae Japonicae Flos using near infrared spectroscopy and chemometrics | |
CN103487395B (zh) | 一种重楼药材多指标快速检测方法 | |
CN102539566B (zh) | 运用近红外光谱技术快速测定盾叶薯蓣中薯蓣皂苷含量的方法 | |
CN1982872B (zh) | 快速检测滴丸剂水分含量的近红外漫反射光谱法 | |
CN103776777B (zh) | 一种用近红外光谱技术识别不同生长方式人参及对人参中组分含量测定的方法 | |
CN101231274B (zh) | 近红外光谱快速测定山药中尿囊素含量的方法 | |
CN103091274B (zh) | 近红外漫反射光谱测定注射用丹参多酚酸水分含量的方法 | |
CN102914596B (zh) | 一种利用近红外光谱快速测定片仔癀质量的方法 | |
CN111007032B (zh) | 一种快速无损鉴别甘草及其伪品刺果甘草的近红外光谱法 | |
CN103033486A (zh) | 陈皮及广陈皮药材质量的近红外光谱监控方法 | |
CN101780141A (zh) | 一种近红外光谱测定丹参提取液中鞣质含量的方法 | |
CN104568822A (zh) | 一种连翘药材多指标同时快速检测方法 | |
CN103411895B (zh) | 珍珠粉掺伪的近红外光谱鉴别方法 | |
CN108760677A (zh) | 一种基于近红外光谱技术的法半夏掺伪鉴别方法 | |
CN107024447B (zh) | 一种生药粉在线检测装置和检测方法 | |
CN108562556A (zh) | 一种桔梗药材的近红外光谱检测方法 | |
CN108663337A (zh) | 一种测定丹参酮类成分的方法及其应用 | |
CN106074695A (zh) | 一种丹参颗粒及其中药制剂 | |
CN106074700B (zh) | 一种黄芩颗粒的检测方法 | |
CN105181637A (zh) | 利用近红外漫反射光谱快速测定红参质量指标含量的方法 | |
CN109406447A (zh) | 一种高粱中单宁的近红外检测方法 | |
CN1982873B (zh) | 快速检测滴丸剂外观质量的近红外漫反射光谱法 | |
CN107036997A (zh) | 利用近红外光谱法快速检测气滞胃痛颗粒的制备过程的方法及应用 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180911 |
|
WD01 | Invention patent application deemed withdrawn after publication |