CN108627486A

CN108627486A - 一种测定中药的有效物质及化学成分含量的方法

Info

Publication number: CN108627486A
Application number: CN201810443251.5A
Authority: CN
Inventors: 杨航; 朱纯; 李晓琳; 马海颖; 孙云玲; 王介
Original assignee: Jiangnan University
Current assignee: Jiangnan University
Priority date: 2018-05-10
Filing date: 2018-05-10
Publication date: 2018-10-09

Abstract

本发明公开了一种测定中药的有效物质及化学成分含量的方法，包括：步骤a、准备校正样本集和预测样本集；步骤b、对校正样本集和预测样本集进行三维荧光光谱的测量，得到校正样本集和预测样本集的三维荧光光谱图；步骤c、数据的预处理；利用小波变换对光谱数据进行小波降噪处理；之后将中药材的三维光谱信号扣除背景的三维光谱信号；步骤d、校正模型的建立；首先利用平行因子算法对校正样本集进行解析；之后建立定量回归模型，对预测样本集的浓度进行预测；本发明可快速、灵敏、准确地鉴别中药材的有效物质化学成分及其含量，并应用于中药材品质监控与评价。

Description

一种测定中药的有效物质及化学成分含量的方法

技术领域

本发明涉及医学领域，具体涉及一种使用三维荧光光谱结合PARAFAC算法测定中药的有效物质及化学成分含量的方法。

背景技术

近年来多种中药(包括中药材和中成药)的“安全隐患”连续被曝光，引发消费者的担忧，而海外多个国家也不断对中药“示警”，使得产自中国内地的中药海外市场持续受挫，整个中药行业面临巨大的信任危机。中药安全问题，主要来自两方面：一，掺杂掺假，即用廉价药材代替高价药材，或未按中药组方要求的比例配制；二，药代动力学过程不明，即所用药材有效成分不明、组分不明、不良反应未明，是中药难以融入现代医学体系的重要原因，也是海外市场对中药持有偏见的重要因素。传统的中药品质研究有“四大鉴别法”，即：基原鉴别、性状鉴别、显微鉴别、理化鉴别，随着分析技术的发展和对中药不断深入的研究，中药指纹图谱应运而生，它是目前能够为国内外广泛接受的一种中药质量评价模式，其中薄层扫描(TLCS)、高效液相色谱法(HPLC)、气相色谱法(GC)已成为公认的三种常规分析手段。但是，中药指纹图谱研究主要是针对单味药材提取而言，在植物制剂的整体性作用和药效相关性方面缺乏理论依据和相应的理论指导，并不适用于中成药的质量评价。因此，确定中药有效物质，提高对中药有效物质的定量分析水平，提升有效物质化学成分识别能力是目前急需解决的关键问题之一。寻找一种快速、便捷、稳定、可靠的食用中药有效物质及化学成分含量测量技术是十分有必要的。

发明内容

针对现有技术的不足，本发明公开了一种使用三维荧光光谱结合PARAFAC算法测定中药的有效物质及化学成分含量的方法。

本发明的技术方案如下：

一种测定中药的有效物质及化学成分含量的方法，包括以下步骤：

步骤a、准备校正样本集和预测样本集；对中药材料进行预处理，得到汤药，将汤药制成不同浓度的溶液，作为校正样本集和预测样本集；预处理方法为：首先将中药放入水中浸泡，之后用火煮沸；

步骤b、对校正样本集和预测样本集进行三维荧光光谱的测量，得到校正样本集和预测样本集的三维荧光光谱图；

步骤c、数据的预处理；利用小波变换对光谱数据进行小波降噪处理；之后将中药材的三维光谱信号扣除背景的三维光谱信号；

步骤d、校正模型的建立；首先利用平行因子算法对校正样本集进行解析；之后建立定量回归模型，对预测样本集的浓度进行预测；

在所述步骤d中，利用平行因子算法对校正样本集进行解析的迭代过程如下：

步骤1、确定体系因子数N；

步骤2、初始化负载矩阵A和负载矩阵B；

一般来说，可以将A和B分别用和的前N列奇异向量作为其初始化估计，A、B也可以随机初始化。本文采用前者。

其中，X是指大小为I×J×K的三维矩阵；A是荧光物质成分的激发光谱相对值矩阵，B是发射光谱相对值矩阵，C是相对浓度值矩阵；X_…k指X沿I,J,K三个方向中的K方向的第k个切片矩阵；

步骤3、根据式(1)，由X、A和B计算负载矩阵C：

C_(k)＝(A^TA*B^TB)^-1diag(A^TX_…kB)_{(k＝1,2,…,K)} (1)

步骤4、根据式(2)，由X、C和B再次计算负载矩阵A：

步骤5、根据式(3)，由X、C和A再次计算负载矩阵B：

步骤6、重复步骤3到步骤5，直至收敛，即满足：

式(4)中，SSR(Sum Squares of Residual Error)指拟合所得残差，m是迭代次数。

其进一步的技术方案为，在所述步骤d中，定量回归模型为：

y＝Cb+ε；

其中，y为浓度向量，b为回归系数，ε为误差项。

其进一步的技术方案为，在所述步骤d中，对预测样品集的浓度进行预测的具体方法是：首先需经过步骤1～步骤6，得到满足收敛要求的矩阵A、矩阵B；其次通过步骤4中的式(2)，计算在此条件下的矩阵C，并计算出矩阵C的转置矩阵C’；最后，通过定量回归模型计算出浓度向量的预测值y′：

y′＝C′b+ε。

本发明的有益技术效果是：

本发明所用到的平行因子算法属于二阶校正算法，二阶校正算法根据统计学理论，从一组已知样本数据出发进行研究并寻找规律，然后利用规律对未知数据进行预测。这类方法分析能力强，有所谓的“二阶优势”，即能在未知干扰物存在下，同时分辨出多个性质相似分析物的响应信号，并可直接对感兴趣的分析物组分进行定量测定。本发明弥补了传统化学检测方法过程繁琐、检测耗时、检测成本较高等不足，快速、灵敏、准确地鉴别中药材的有效物质化学成分及其含量，并应用于中药材品质监控与评价。尝试拓展至其他常用中成药，为本领域后续研究药物代谢动力学等问题奠定基础。

附图说明

图1是本发明所述方法的流程图。

图2是浓度为1mg/mlDe地黄溶液的三维荧光光谱图。

图3是浓度为2mg/mlDe地黄溶液的三维荧光光谱图。

图4是浓度为3mg/mlDe地黄溶液的三维荧光光谱图。

图5是浓度为4mg/mlDe地黄溶液的三维荧光光谱图。

图6是浓度为5mg/mlDe地黄溶液的三维荧光光谱图。

图7是浓度为6mg/mlDe地黄溶液的三维荧光光谱图。

图8是浓度为7mg/mlDe地黄溶液的三维荧光光谱图。

图9是浓度为8mg/mlDe地黄溶液的三维荧光光谱图。

图10是浓度为9mg/mlDe地黄溶液的三维荧光光谱图。

图11是浓度为10mg/mlDe地黄溶液的三维荧光光谱图。

图12是地黄溶液三维荧光光谱通过平行因子算法解析后得到的荧光发射光谱图。

图13是地黄溶液三维荧光光谱通过平行因子算法解析后得到的荧光激发光谱图。

具体实施方式

图1是本发明所述方法的流程图。如图1所示，本方法的步骤是：

步骤a、准备校正样本集和预测样本集。对中药材料进行预处理，得到汤药，将汤药制成不同浓度的溶液，作为校正样本集和预测样本集。

预处理方法为：首先将中药放入水中浸泡，之后用火煮沸。进一步的，用火煮沸的过程是，先用武火煮沸，再用文火煮沸。

步骤b、对校正样本集和预测样本集进行三维荧光光谱的测量，得到校正样本集和预测样本集的三维荧光光谱图。

步骤c、数据的预处理。利用小波变换对光谱数据进行小波降噪处理。随后将中药材的三维光谱信号扣除背景的三维光谱信号。

步骤d、校正模型的建立。利用平行因子(PARAFAC)算法对校正集样本进行解析，并建立定量回归模型，实现对存有杂质的混合溶液中中药的有效物质及化学成分含量的快速测定。

在所述步骤d中，平行因子(PARAFAC)算法具体的迭代过程如下：

步骤1、确定体系因子数N，也即在PARAFAC算法中的组分数。

具体的，是通过核一致诊断法(The core consistency diagnostic)通过计算平行因子分析模型中的超对角阵T和truck3模型中的立方阵G之间的相似程度，即核一致值来估计组分数。

在上式中，F是模型的因子数，gdef为立方阵G的元素，tdef是立方阵T的元素。对于理想的PARAFAC模型，超对角阵T和truck3模型的立方阵G是非常相似，此时的核一致值将会等于100％。实际应用中，只要核一致值大于或等于60％，则可认为符合三线性模型，但当核一致值低于60％时，可认为偏离三线性。所以可以根据核一致值的变化情况来判断组分数。

步骤2、初始化负载矩阵A和负载矩阵B。

A和B分别用和的前N列奇异向量作为其初始化估计。

其中，X是指大小为I×J×K的三维矩阵；A，B，C为解析矩阵，具体的，矩阵A是荧光物质成分的激发光谱相对值矩阵，矩阵B是发射光谱相对值矩阵，矩阵C是相对浓度值矩阵、X_…k指X沿i,j,k三个方向中的k方向的切片矩阵。

步骤3、由X、A和B计算负载矩阵C：

步骤4、由X、C和B再次计算负载矩阵A：

步骤5、由X、C和A再次计算负载矩阵B：

步骤6、重复步骤3到步骤5，直至收敛，即满足：

以下由一个具体的实施例来阐述本发明的方法：

步骤a、准备校正样本集和预测样本集。

用电子天平称取地黄样品15g，放入水中浸泡30min，然后用武火煮沸，再用文火煮20min，配制10份地黄溶液，浓度分别是1mg/ml～10mg/ml。

在每次实验中，选取8个实验样本组成校正样本集，2个实验样本组成预测样本集。

步骤b、对校正样本集、预测样本集进行三维荧光光谱的测量。测量得到校正样本集、预测样本集的三维荧光光谱图。

经测量，得到校正样本集、预测样本集在激发波长范围为300～600nm，间隔为5nm，发射波长范围为315～700nm，间隔为1nm的三维荧光光谱图，入射和出射狭缝均设置为5nm，积分时间设置为0.01s。图1～图10分别为10份不同浓度地黄溶液的三维荧光光谱图，即等高线图。

10份不同浓度的地黄溶液的三维荧光光谱特征参数如表1所示。

表1三维荧光光谱特征参数

步骤c、数据的预处理。为了避免温度、湿度等对测量信噪比的影响，需要对光谱数据做降噪处理。小波变换在降噪方面有广泛的应用。利用小波变换对光谱数据进行降噪处理。将光谱数据利用小波做三阶分解，然后将三阶分解得到的高频信号归零，最后做小波反变换就得到了降噪后的光谱数据。随后将校正样本集和预测样本集的三维光谱信号扣除超纯水的三维光谱信号，尽可能地减少溶剂的拉曼散射影响；

步骤d、校正模型的建立。

首先，将经过预处理后的校正样本集的三维荧光光谱排列成三维矩阵，确定体系因子。因为平行因子算法的准确性比较高，所以用平行因子(PARAFAC)算法对由校正样本集的三维荧光光谱排列成的三维矩阵进行解析，得到负载矩阵A、B和C。

其次，负载矩阵C可以与浓度向量y进行关联，建立定量校正模型为：

y＝Cb+ε；

其中，b为回归系数，ε为误差项。回归系数b可通过最小二乘法得到。

最后，对未知样品进行预测。对于未知样品，也就是这里的预测样本集，首先需通过上文中得到的负载矩阵B、A来算出其对应的矩阵C′，也就是矩阵C的转置矩阵，再由回归系数b计算得到浓度向量的预测值y′＝C′b+ε。C'矩阵指预测样本相对应的浓度矩阵

具体的，在所述步骤d中，平行因子(PARAFAC)算法具体的迭代过程如下：

步骤1、将经过预处理后的校正样本集的三维荧光光谱排列成三维矩阵，确定体系因子数N。

步骤2、初始化矩阵A和B。

在本实施例中，A和B分别用和的前N列奇异向量作为其初始化估计。

步骤3、由X、A和B计算负载矩阵C：

步骤4、由X、C和B再次计算负载矩阵A:

步骤5、由X、C和A再次计算负载矩阵B:

步骤6、重复步骤2到步骤5，直至收敛，即：

在本实施例的步骤d中，校正样本集对预测样本集的预测结果如表2所示。

本实施例的实验原理是，一共准备10个样本，然后将其中8个作为校正样本，通过平行因子算法对由校正样本集的三维荧光光谱排列成的三维矩阵进行解析，之后建立校正模型，并对剩下2个预测样本的地黄溶液的浓度进行预测。按照这样的步骤，循环进行几组实验进行样本预测，每组实验中挑选的预测样本各不相同。最终得出预测样本溶度与实际配制浓度之间的相关系数，判断该方法的可靠性。

在本实施例中，共进行了四组实验进行样本预测。每组实验中，选取8个样本作为校正样本，其他2个样本作为预测样本。则四组实验就一共有8个样本被选做了预测样本。在本实施例中，四组实验依次选取了浓度为3mg/ml～10mg/ml的一共8个样本作为预测样本。

表2预测结果

在表2中列出了样本的实际浓度，和在四组实验中作为预测样本的8个样本的预测浓度。最后计算得到预测样本溶度与实际配制浓度之间的相关系数为0.996882，可以证明本发明所述方法的可靠性。

图11是地黄溶液三维荧光光谱通过平行因子算法解析后得到的荧光发射光谱图。图12是地黄溶液三维荧光光谱通过平行因子算法解析后得到的荧光激发光谱图。

综上所述，本发明将三维荧光光谱与一种二阶校正算法--平行因子(PARAFAC)算法相结合，创建基于荧光偏振光谱分析，快速、灵敏、准确地鉴别中药材的有效物质化学成分及其含量的方法，并应用于中药材品质监控与评价。尝试拓展至其他常用中成药，为本项目后续研究药物代谢动力学等问题奠定基础。

以上所述的仅是本发明的优选实施方式，本发明不限于以上实施例。可以理解，本领域技术人员在不脱离本发明的精神和构思的前提下直接导出或联想到的其他改进和变化，均应认为包含在本发明的保护范围之内。

Claims

1.一种测定中药的有效物质及化学成分含量的方法，其特征在于，包括以下步骤：

步骤1、确定体系因子数N；

步骤2、初始化负载矩阵A和负载矩阵B；

一般来说，可以将A和B分别用阳的前N列奇异向量作为其初始化估计，A、B也可以随机初始化。本文采用前者。

其中，X是指大小为I×J×K的三维矩阵；A是荧光物质成分的激发光谱相对值矩阵，B是发射光谱相对值矩阵，C是相对浓度值矩阵；X..._k指X沿I，J，K三个方向中的K方向的第k个切片矩阵；

步骤3、根据式(1)，由X、A和B计算负载矩阵C：

C_(k)＝(A^TA*B^TB)^-1diag(A^TX..._kB)_{(k＝1，2,...，K)} (1)

步骤4、根据式(2)，由X、C和B再次计算负载矩阵A：

步骤5、根据式(3)，由X、C和A再次计算负载矩阵B：

步骤6、重复步骤3到步骤5，直至收敛，即满足：

2.如权利要求1所述的测定中药的有效物质及化学成分含量的方法，其特征在于，在所述步骤d中，定量回归模型为：

y＝Cb+ε；

其中，y为浓度向量，b为回归系数，ε为误差项。

3.如权利要求2所述的测定中药的有效物质及化学成分含量的方法，其特征在于，在所述步骤d中，对预测样品集的浓度进行预测的具体方法是：首先需经过步骤1～步骤6，得到满足收敛要求的矩阵A、矩阵B；其次通过步骤4中的式(2)，计算在此条件下的矩阵C，并计算出矩阵C的转置矩阵C’；最后，通过定量回归模型计算出浓度向量的预测值y′：

y′＝C′b+ε。