CN108918460A - 一种基于近红外光谱技术测定中药材中马兜铃酸i含量的方法 - Google Patents
一种基于近红外光谱技术测定中药材中马兜铃酸i含量的方法 Download PDFInfo
- Publication number
- CN108918460A CN108918460A CN201811156323.4A CN201811156323A CN108918460A CN 108918460 A CN108918460 A CN 108918460A CN 201811156323 A CN201811156323 A CN 201811156323A CN 108918460 A CN108918460 A CN 108918460A
- Authority
- CN
- China
- Prior art keywords
- sample
- aristolochic acid
- qualitative
- content
- starch
- 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
- BBFQZRXNYIEMAW-UHFFFAOYSA-N aristolochic acid I Chemical compound C1=C([N+]([O-])=O)C2=C(C(O)=O)C=C3OCOC3=C2C2=C1C(OC)=CC=C2 BBFQZRXNYIEMAW-UHFFFAOYSA-N 0.000 title claims abstract description 95
- BBFQZRXNYIEMAW-UHFFFAOYSA-M Aristolochate I Natural products C1=C([N+]([O-])=O)C2=C(C([O-])=O)C=C3OCOC3=C2C2=C1C(OC)=CC=C2 BBFQZRXNYIEMAW-UHFFFAOYSA-M 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 56
- 239000003814 drug Substances 0.000 title claims abstract description 36
- 238000005259 measurement Methods 0.000 title claims abstract description 13
- 229920002472 Starch Polymers 0.000 claims abstract description 46
- 239000008107 starch Substances 0.000 claims abstract description 46
- 235000019698 starch Nutrition 0.000 claims abstract description 46
- 238000004445 quantitative analysis Methods 0.000 claims abstract description 28
- 241000903946 Clematidis Species 0.000 claims abstract description 25
- 238000004451 qualitative analysis Methods 0.000 claims abstract description 23
- 238000000513 principal component analysis Methods 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 238000002360 preparation method Methods 0.000 claims abstract description 4
- 239000000843 powder Substances 0.000 claims description 18
- 239000000463 material Substances 0.000 claims description 17
- 238000003556 assay Methods 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 16
- 238000001228 spectrum Methods 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 12
- 239000002253 acid Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 241000046585 Aristolochia clematitis Species 0.000 claims description 4
- 230000009514 concussion Effects 0.000 claims description 3
- 230000002070 germicidal effect Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims 1
- 238000003756 stirring Methods 0.000 claims 1
- 229940079593 drug Drugs 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 description 8
- 230000004069 differentiation Effects 0.000 description 6
- 238000010521 absorption reaction Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000002203 pretreatment Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 241000411851 herbal medicine Species 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 241000726094 Aristolochia Species 0.000 description 2
- 238000004497 NIR spectroscopy Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 229940126678 chinese medicines Drugs 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 235000008216 herbs Nutrition 0.000 description 2
- 208000017169 kidney disease Diseases 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- LGZIKBZSCRORQN-UHFFFAOYSA-N 8-hydroxy-6-nitronaphtho[2,1-g][1,3]benzodioxole-5-carboxylic acid Chemical compound C12=C3C=CC=C(O)C3=CC([N+]([O-])=O)=C2C(C(=O)O)=CC2=C1OCO2 LGZIKBZSCRORQN-UHFFFAOYSA-N 0.000 description 1
- 241001369615 Aristolochia fangchi Species 0.000 description 1
- 241000758794 Asarum Species 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 206010062717 Increased upper airway secretion Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 241001377695 Polygonum arenastrum Species 0.000 description 1
- 235000006386 Polygonum aviculare Nutrition 0.000 description 1
- 208000004880 Polyuria Diseases 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000036592 analgesia Effects 0.000 description 1
- 230000003509 anti-fertility effect Effects 0.000 description 1
- 230000003110 anti-inflammatory effect Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 1
- 206010005084 bladder transitional cell carcinoma Diseases 0.000 description 1
- 201000001528 bladder urothelial carcinoma Diseases 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 208000020832 chronic kidney disease Diseases 0.000 description 1
- 208000022831 chronic renal failure syndrome Diseases 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000035619 diuresis Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009415 formwork Methods 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 206010073071 hepatocellular carcinoma Diseases 0.000 description 1
- 231100000844 hepatocellular carcinoma Toxicity 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 201000007270 liver cancer Diseases 0.000 description 1
- 208000014018 liver neoplasm Diseases 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 208000026435 phlegm Diseases 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 210000005239 tubule Anatomy 0.000 description 1
- 210000003741 urothelium Anatomy 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
- G01N1/38—Diluting, dispersing or mixing samples
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)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种基于近红外光谱技术测定中药材中马兜铃酸I含量的方法，首先，制备马兜铃酸I淀粉定性样品、川木通定性样本及关木通定性样本；制备关木通淀粉定量样品；然后，采集定性样品的近红外光谱图，利用主成分分析法，建立定性分析模型；采集定量样品的近红外光谱图，采用偏最小二乘法，建立定量分析模型；最后综合定性分析模型与定量分析模型，获得中药材中马兜铃酸I的含量；其中，近红外光谱图的获取条件为扫描范围为4000‑10000 cm‑1，在室温25℃下测定，以空气作为背景，分辨率为8 cm‑1，扫描次数为32。本发明构建一种无损、简便且适用性广的方法，为含马兜铃酸I的中药材以及中成药质量标准的建立及技术审评提供科学依据。
Description
技术领域
本发明涉及中药材中马兜铃酸I检测技术领域，特别是一种基于近红外光谱技术测定中药材中马兜铃酸I含量的方法。
背景技术
中草药在我国已历经数千年，经过我们祖先祖祖辈辈的长期使用被证明是有效的，从而形成了灿烂的中医药文化。其中，马兜铃、关木通、广防己、朱砂莲、大叶马兜铃、汉中防己、寻骨风等药用的马兜铃科马兜铃属植物因其具有镇痛、消炎、祛痰、利尿、调节血压、抗生育活性等作用在临床上得到了广泛的应用。然而，这些中药含有马兜铃酸I(aristolochic acid,AA)及其衍生物，长期服用可能造成慢性肾衰竭以及肾小管病变(又称“中草药肾病”)。而且，马兜铃酸I的累积剂量是尿路上皮癌的一个重要危险因素，致使晚期中草药肾病的尿路上皮癌发病率较高。因此，部分中草药和中成药在国外遭到禁用，中药国际化进程受到巨大影响。2017年Science子刊Science Translational Medicine封面文章报道了马兜铃酸I可以诱发肝癌，致使亚洲地区肝癌患病率高于其它地区。越来越多关于马兜铃酸I类物质对人体危害性的报道，引起人们对马兜铃酸I类物质检测技术的重视。马兜铃酸I主要存在于马兜铃科马兜铃属、细辛属植物中，包括马兜铃酸I和马兜铃酸Ⅱ，还含少量的马兜铃酸Ⅲ。目前，已有文献对于含多种中药材中马兜铃酸I含量测定方法的报道，但一般是一种检测方法只针对一种药材，缺乏比较系统的研究，又或者测定前期处理复杂，测定成本高且效率较低。因此，建立一种准确可靠、简便易行、低成本且适用于多数中药材中马兜铃酸I含量测定的方法，对于指导临床采取防范措施以及更合理用药具有重大意义。
与传统分析技术相比，近红外光谱(Near infrared spectroscopy，NIR)技术能在几十秒甚至几秒内，仅通过对样品的一次红外简单测量，就能同时测定一个样品的几种甚至几十种物质的浓度数据，而且具有被测样品用量很少、无破坏、无污染、无损伤、操作简单、分析成本低等优势。近红外光谱技术最早应用于农副产品分析，后逐渐被应用到石油化工、制药与临床医学、生物化工、环境科学、食品工业等领域，并逐步发展到精确检测食品中所含有氨基酸、葡萄糖、微量元素等的含量，但其在马兜铃酸I检测中的应用目前并未见诸报道。这主要由于中药材样本成分复杂，其近红外光谱出现重叠，限制了近红外光谱的在中药材成分检测方面的应用。
发明内容
有鉴于此，本发明的目的是提出一种基于近红外光谱技术测定中药材中马兜铃酸I含量的方法，利用近红外光谱(NIR)结合主成分分析法(Principal ComponentsAnalysis，PCA)对中药材中马兜铃酸Ⅰ含量进行定性分析，并利用近红外光谱结合偏最小二乘法(Partial Least Squares，PLS)对不同浓度的马兜铃酸I含量进行检测并建立定量分析模型，构建一种无损、简便且适用性广、成本低的方法。
本发明采用以下方案实现：一种基于近红外光谱技术测定中药材中马兜铃酸I含量的方法，包括以下步骤：
步骤S1：制备马兜铃酸I淀粉定性样品、川木通定性样本及关木通定性样本；
步骤S2：制备关木通淀粉定量样品；
步骤S3：采集定性样品的近红外光谱图，利用主成分分析法，建立定性分析模型；
步骤S4：采集定量样品的近红外光谱图，采用偏最小二乘法，建立定量分析模型；
步骤S5：综合步骤S3的定性分析模型与步骤S4的定量分析模型，获得中药材中马兜铃酸I的含量；
其中，近红外光谱图的获取条件为扫描范围为4000-10000cm-1，在室温25℃下测定，以空气作为背景，分辨率为8cm-1，扫描次数为32。
进一步地，步骤S1具体包括以下步骤：
步骤S11：制备不同浓度的马兜铃酸I淀粉定性样品：用分析天平准确称取50mg的马兜铃酸I样品，加入950mg淀粉，以2800r/min转速搅拌混匀5分钟，配制成马兜铃酸I含量为0.05％的混合样品1，共1000mg；将混合样品1运用近红外光谱扫描后，取1000mg混合样品1，加入111mg淀粉以2800r/min转速搅拌混匀5分钟，配制成马兜铃酸I含量为0.045％的混合样品2，共1111.11mg；继而重复以上步骤分别配置浓度为0.04％、0.035％、0.03％、0.025％、0.02％、0.015％、0.01％、0.005％、0.001％、0％的混合样品，总计12组不同浓度的马兜铃酸I淀粉样品。
步骤S12：制备川木通定性样本：取川木通药材，粉碎成细粉，用分析天平准确称取50g的药材粉末，标记为定性样品1，其中马兜铃酸I的含量为0％；每次取2.000g的样品1作为样品进行近红外光谱扫描；
步骤S13：制备关木通定性样本：取关木通药材，粉碎成细粉，用分析天平准确称取50g的的药材粉末，标记为定性样品2，其中马兜铃酸I的含量为4％；每次取2.000g的样品2进行近红外光谱扫描。
进一步地，步骤S2具体为：取关木通药材，粉碎成细粉，用分析天平准确称取6.000g的药材粉末，标记为定量样品1，其中马兜铃酸I的含量为4％。样品1扫描后，取6g定量样品1，加入0.857g淀粉震荡摇匀，配制成马兜铃酸I含量为3.5％的定量样品2，共6.857g；继而重复以上步骤分别配置浓度为3％、2.5％、2％、1.5％、1％、0.5％、0.45％、0.4％、0.35％、0.3％、0.25％、0.2％、0.15％、0.1％、0.095％、0.09％、0.085％、0.08％、0.075％、0.07％、0.065％、0.06％、0.055％、0.05％、0.045％、0.04％、0.035％、0.03％、0.025％、0.02％、0.015％、0.01％、0.009％、0.008％、0.007％、0.006％、0.005％、0.004％、0.003％、0.002％、0.001％、0％的混合样品，总计44组不同浓度的关木通淀粉样本。
进一步地，步骤S3所述定性分析模型的建立方法为：
步骤S31：取步骤S1中的不同浓度的马兜铃酸I淀粉定性样品12个，采用近红外漫反射采集光谱，每个样本扫描3次，共计36次；
步骤S32：取步骤S1所制备的川木通定性样本20个，采用近红外漫反射采集光谱，每个样本扫描5次，共计100次；
步骤S33：取步骤S1所制备的关木通定性样本20个，采用近红外漫反射采集光谱，每个样本扫描5次，共计100次；
步骤S34：采用主成分分析法对上述定性样品进行判别。
进一步地，步骤S4所述定量分析模型建立方法为：
步骤S41：选择44个关木通淀粉样品，采用近红外漫反射采集光谱，每个样本扫描9次，共计396次，得到近红外数据；
步骤S42：数据预处理：选取4000-10000cm-1波段区间的近红外数据，采用中心化、多元散射校正、标准正态变量、SG卷积平滑一阶、SG卷积平滑二阶、以及标准化六种预处理方法进行数据优化；
步骤S43：建立定量分析模型：采用偏最小二乘法建立近红外数据与马兜铃酸I之间的定量分析模型，引入四个参数作为模型评定指标；所述四个参数为预测均方根误差RMSEP、校正均方根误差RMSEC、预测相关系数R2p以及校正相关指数R2c。
进一步地，步骤S43所述采用偏最小二乘法建立模型时，采用留一交互检验法确定最佳因子数，而最佳因子数的确定由预测残差平方和PRESS来做指标，预测残差平方和PRESS的计算公式为：
其中xi为每个样本的实验观察值，为每个样本的模型拟合值，n表示检测样本的总数。
进一步地，步骤S43中所述预测均方根误差RMSEP、校正均方根误差RMSEC、预测相关系数R2p、校正相关指数R2c计算公式如下：
其中，yi为任意一组样本的仪器观察值，为任意一组模型的拟合值，是平均值，是校正集的样本数目，mp是预测集的样本数目，m表示所测样本总数。
进一步地，本发明所述的方法在测定中药材中马兜铃酸I含量中的应用。
与现有技术相比，本发明有以下有益效果：
本发明利用近红外光谱技术结合主成分分析法对中药材中马兜铃酸I定性分析，并利用近红外光谱技术结合偏最小二乘法对不同浓度的马兜铃酸I进行检测并建立定量分析模型，解决了中药材样品中由于成分复杂，近红外光谱重叠导致无法检测的现象，实现了利用近红外光谱法检测中药材中的马兜铃酸I含量，构建一种无损、简便且适用性广的方法，为含马兜铃酸I的中药材以及中成药质量标准的建立及技术审评提供科学依据。
附图说明
图1为本发明实施例的关木通、川木通、马兜铃酸I淀粉样品的近红外光谱图。
图2为本发明实施例的关木通、川木通、马兜铃酸I淀粉样品得分分布图。
图3为本发明实施例的不同马兜铃酸I含量的关木通淀粉样本近红外光谱图。。
图4为本发明实施例的不同预处理方式下的近红外光谱图：其中(a)为中心化预处理方式下的近红外光谱图，(b)为标准化预处理方式下的近红外光谱图，(c)为多元散射校正预处理方式下的近红外光谱图，(d)为标准正态变量预处理方式下的近红外光谱图，(e)为SG卷积平滑一阶预处理方式下的近红外光谱图，(f)为SG卷积平滑二阶预处理方式下的近红外光谱图。
图5为本发明实施例的不同预处理方式下的PLS模型的预测值和真实值分布图：其中(a)为中心化预处理方式下的PLS模型的预测值和真实值分布图，(b)为标准化预处理方式下的PLS模型的预测值和真实值分布图，(c)为多元散射校正预处理方式下的PLS模型的预测值和真实值分布图，(d)为标准正态变量预处理方式下的PLS模型的预测值和真实值分布图，(e)为SG卷积平滑一阶预处理方式下的PLS模型的预测值和真实值分布图，(f)为SG卷积平滑二阶预处理方式下的PLS模型的预测值和真实值分布图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。本实施例提供一种基于近红外光谱技术测定中药材中马兜铃酸I含量的方法，包括以下步骤：
步骤S1：制备马兜铃酸I淀粉定性样品、川木通定性样本及关木通定性样本；
步骤S2：制备关木通淀粉定量样品；
步骤S3：采集定性样品的近红外光谱图，利用主成分分析法，建立定性分析模型；
步骤S4：采集定量样品的近红外光谱图，采用偏最小二乘法，建立定量分析模型；
步骤S5：综合步骤S3的定性分析模型与步骤S4的定量分析模型，获得中药材中马兜铃酸I的含量；
其中，近红外光谱图的获取条件为扫描范围为4000-10000cm-1，在室温25℃下测定，以空气作为背景，分辨率为8cm-1，扫描次数为32。
在本实施例中，步骤S1具体包括以下步骤：
步骤S11：制备不同浓度的马兜铃酸I淀粉定性样品：用分析天平准确称取50mg的马兜铃酸I样品，加入950mg淀粉，以2800r/min转速搅拌混匀5分钟，配制成马兜铃酸I含量为0.05％的混合样品1，共1000mg；将混合样品1运用近红外光谱扫描后，取1000mg混合样品1，加入111mg淀粉以2800r/min转速搅拌混匀5分钟，配制成马兜铃酸I含量为0.045％的混合样品2，共1111.11mg；继而重复以上步骤分别配置浓度为0.04％、0.035％、0.03％、0.025％、0.02％、0.015％、0.01％、0.005％、0.001％、0％的混合样品，总计12组不同浓度的马兜铃酸I淀粉样品。
步骤S12：制备川木通定性样本：取川木通药材，粉碎成细粉，用分析天平准确称取50g的药材粉末，标记为定性样品1，其中马兜铃酸I的含量为0％；每次取2.000g的样品1作为样品进行近红外光谱扫描；
步骤S13：制备关木通定性样本：取关木通药材，粉碎成细粉，用分析天平准确称取50g的的药材粉末，标记为定性样品2，其中马兜铃酸I的含量为4％；每次取2.000g的样品2进行近红外光谱扫描。
在本实施例中，步骤S2具体为：取关木通药材，粉碎成细粉，用分析天平准确称取6.000g的药材粉末，标记为定量样品1，其中马兜铃酸I的含量为4％。样品1扫描后，取6g定量样品1，加入0.857g淀粉震荡摇匀，配制成马兜铃酸I含量为3.5％的定量样品2，共6.857g；继而重复以上步骤分别配置浓度为3％、2.5％、2％、1.5％、1％、0.5％、0.45％、0.4％、0.35％、0.3％、0.25％、0.2％、0.15％、0.1％、0.095％、0.09％、0.085％、0.08％、0.075％、0.07％、0.065％、0.06％、0.055％、0.05％、0.045％、0.04％、0.035％、0.03％、0.025％、0.02％、0.015％、0.01％、0.009％、0.008％、0.007％、0.006％、0.005％、0.004％、0.003％、0.002％、0.001％、0％的混合样品，总计44组不同浓度的关木通淀粉样本。
在本实施例中，利用主成分分析法，建立定性分析模型，主成分分析技术，是一种常用的定性处理标本的统计分析方法，旨在利用降维的思想，把多指标转化为少数几个综合指标，从而实现对标本的定性分析，故本实验采用PCA法对所有标本进行定性分析。
步骤S3所述定性分析模型的建立方法为：
步骤S31：取步骤S1中的不同浓度的马兜铃酸I淀粉定性样品12个，采用近红外漫反射采集光谱，每个样本扫描3次，共计36次；
步骤S32：取步骤S1所制备的川木通定性样本20个，采用近红外漫反射采集光谱，每个样本扫描5次，共计100次；
步骤S33：取步骤S1所制备的关木通定性样本20个，采用近红外漫反射采集光谱，每个样本扫描5次，共计100次；
步骤S34：采用主成分分析法对上述定性样品进行判别。
本实施例中所有中药材样品以及马兜铃酸I淀粉样本的近红外光谱如图1所示，可观察到在4800cm-1、5100cm-1以及6900cm-1附近有3个明显吸收峰，其中位于5100cm-1附近的吸收峰为C-H的倍频吸收，6900cm-1为O-H或N-H的二级倍频，8300cm-1为C-H拉伸三级倍频。关木通、川木通以及马兜铃酸I淀粉样本的峰位置和峰强度具有较高的相似性。
为实现对关木通样品、川木通样品以及含有不同浓度的马兜铃酸I淀粉样品进行准确定性分析，本实施例采用PCA进行大类及小类定性分析，所得结果如图2所示，其准确判别率如表1所示。为实现对关木通样品、川木通样品以及含有不同浓度的马兜铃酸I淀粉样品进行准确定性分析，本实施例采用PCA进行大类及小类定性分析，所得结果如图2所示，其准确判别率如表1所示。如图2所示，川木通、关木通以及含有不同浓度的马兜铃酸I淀粉样本处于不同维度位置中，且同一产品所处位置较为集中，不同产品之间分离清晰，判别率可达100％。实验表明川木通、关木通以及含有不同浓度的马兜铃酸I淀粉样本进行有效判定，可用于准确鉴别中药材等。
随后，进行关木通、川木通以及马兜铃酸I淀粉样本的定性分析，将各样品按上述方法操作，采用PCA进行判别，所得结果如图2所示，不同形状分别代表关木通、川木通以及马兜铃酸I淀粉样本。同样，结果表明，PCA可对关木通、川木通以及马兜铃酸I淀粉样本进行有效判别，且判别率达到100％。
从图2PCA方法所得的得分分布图中可以看出，不同样本在三维图中的位置不同，可初步认为PCA可对不同样品进行有效分离。为了更直观的判断PCA性能，计算校正集和预测集的判别率，如表1所示，其中预测值与真实值的准确判别率达到100％，说明运用PCA方法可以对川木通、关木通以及马兜铃酸I标准品进行判别分析，进行有效判定。
表1.不同样品判别结果
在本实施例中，步骤S4所述定量分析模型建立方法为：
步骤S41：选择44个关木通淀粉样品，采用近红外漫反射采集光谱，每个样本扫描9次，共计396次，得到近红外数据；
步骤S42：数据预处理：选取4000-10000cm-1波段区间的近红外数据，采用中心化、多元散射校正、标准正态变量、SG卷积平滑一阶、SG卷积平滑二阶、以及标准化六种预处理方法进行数据优化；
步骤S43：建立定量分析模型：采用偏最小二乘法建立近红外数据与马兜铃酸I之间的定量分析模型，引入四个参数作为模型评定指标；所述四个参数为预测均方根误差RMSEP、校正均方根误差RMSEC、预测相关系数R2p以及校正相关指数R2c。
在本实施例中，步骤S43所述采用偏最小二乘法建立模型时，采用留一交互检验法确定最佳因子数，而最佳因子数的确定由预测残差平方和PRESS来做指标，预测残差平方和PRESS的计算公式为：
其中xi为每个样本的实验观察值，为每个样本的模型拟合值，n表示检测样本的总数。
在本实施例中，步骤S43中所述预测均方根误差RMSEP、校正均方根误差RMSEC、预测相关系数R2p、校正相关指数R2c计算公式如下：
其中，yi为任意一组样本的仪器观察值，为任意一组模型的拟合值，是平均值，是校正集的样本数目，mp是预测集的样本数目，m表示所测样本总数。
在本实施例中，本发明所述的方法在测定中药材中马兜铃酸I含量中的应用。
特别的，本实施例的定量分析中具体包括如下分析内容：
(1)波段分析
为了实现对不同马兜铃酸属中草药中马兜铃酸I含量进行准确定量检测，本实施例按照步骤S2中设置的马兜铃酸I含量进行配制关木通淀粉样本，扫描所得样品的近红外光谱。为减少因仪器误差所带来的干扰，每个样品扫描3次，取其平均值作为样品的近红外光谱，如图3所示。关木通淀粉样本的近红外谱图在4800cm-1附近、5100cm-1附近和6900cm-1有3个明显吸收峰，且在5400-6000cm-1处和8400cm-1有2个较弱的吸收峰。其中5100cm-1为水分子中O-H伸缩和弯曲振动的合频，6900cm-1附近为水分子中O-H伸缩振动的一级倍频吸收带，而8400cm-1附近为C-H基团的二级倍频与组合频，这3个主要吸收峰，是定量分析的基础，但仅凭肉眼无法准确辨别，需要借助PLS进行定量分析。
(2)数据预处理
在用NIR近红外光谱计算结果时，待测样品本身的颗粒大小、样品内部结构的均匀性、样本自身稳定性等因素会对结果有一定的影响。同时，仪器检测样品时本身的噪声等因素会降低所得样品的近红外谱图的有效信息。为降低仪器本身固有因素和待测样品自身因素对所建定量分析模型的准确性、稳定性等的影响，需要先运用高选择性的方法对近红外光谱数据进行预处理，在此基础上建立相应的定量分析模型。
为使数据更好的呈现，本实施例采用6种不同的预处理方法对数据进行优化，分别为中心化(Center)，多元散射校正(multiplicative scatter correction，MSC)，标准正态变量(standard normal variate，SNV)，SG卷积平滑一阶(Savitzky-Golay first-derivative，1st)，SG卷积平滑二阶(Savitzky-Golay second derivative，2st)，标准化(Normalize，Nor.)[12]。实验选取光谱段区间为4000-10000cm-1，采用PLS(偏最小二乘)建立模型。预处理过后所得光谱图如图4所示，由图可知经过Normalize(归一化函数)、SNV与MSC预处理过后减小了不同样本之间的差异，因其降低了样品镜面反射等因素引起的误差，而经SG-SD与SG-FD预处理过后的谱图较为分散、模糊，且毛刺较多，因此采用微分处理，信号被放大的同时，噪声也被放大，且经SG-SD预处理过后的毛刺较SG-FD预处理过后的毛刺更多，噪声信号放大更为明显。因而经此两种方法所得预测结果可能不及其他预处理结果理想，不同光谱预处理方法对模型准确性、稳健性的影响需相关参数进一步验证。
(3)定量分析模型的建立
本实施例随机选择其中的22个关木通淀粉样本做为校正集，22个关木通淀粉样本作为预测集来建立并完善马兜铃酸I浓度梯度模型。在PLS建立定量分析模型时，对此6种不同方法所得数据做进一步处理，所得模型结果如图5所示。其中，预测值与真实值分布越趋近于图中拟合直线则表明所建模型越准确，其中图5(d)与(e)较其他分布图而言，较为分散，猜测其模型性能不佳，而图(a)与(b)相似且较(c)与(f)更趋向于拟合直线，因而可说明经中心化预处理与标准正态变量变换预处理后所得模型较好。为了更直观地评定模型性能的好坏，引入参数预测均方根误差(RMSEP)，校正均方根误差(RMSEC)，预测相关系数(R2p)，校正相关指数(R2c)作为模型评定指标。
较佳的，偏最小二乘法是一种数学优化技术，它通过最小化误差的平方和找到一组数据的最佳函数匹配。用最简的方法求得一些绝对不可知的真值，而令误差平方之和为最小。为了更好、更直观地评价模型的泛化能力，本实施例主要采用校正均方根误差(RMSEC)、预测均方根误差(RMSEP)、校正相关系数(R2C)、预测相关系数(R2P)作为模型的评价指标。
选择关木通粉末淀粉样本取44个样本，采用近红外漫反射采集光谱，每个样本扫描9次，共计396次。本实施例，采用PLS法对数据进行定量分析，旨在找到最优回归曲线，建立从0％～4％含不同浓度马兜铃酸I梯度的定量分析模型。
较佳的，本实施例结合近红外光谱(NIR)技术和化学计量学方法的优势，构建定性、定量分析模型对关木通马兜铃酸I含量进行检测分析，为含马兜铃酸的中药材中马兜铃酸I含量的检测提供一种准确可靠、简便易行、成本低、适用性广的新方法。首次尝试应用NIRs结合主成分分析法(Principle Component Analysis，PCA)对关木通(含有AA)、川木通(不含AA)以及含有不同浓度的马兜铃酸I淀粉样本进行定性分析。结果表明，对以上三种物质的定性分析的准确判别率均达到100％。继而，实验小组采用NIRs结合偏最小二乘法(Partial Least Squares,PLS)对含有不同浓度的关木通淀粉样本中马兜铃酸I的含量进行定量分析。为保证所建模型的稳健性、准确性等性能，消除由噪声、基线漂移等因素所带来的干扰，本文采用6种预处理方法对光谱图其进行优化，结果表明经过SG卷积平滑二阶(Savitzky-Golay second derivative，2st)预处理得到的模型最佳，其预测相关系数(Correlation Coefficient of Prediction，R2p)达到0.9602，预测均方根误差(RootMean Square Errors of Prediction，RMSEP)达到0.2616，校正相关系数(CorrelationCoefficient of Calibration，R2c)达到0.9427，校正均方根误差(Root mean squarederror of calibration，RMSEC)达到0.3586。本实施例的近红外光谱技术对含马兜铃酸中药材的质量监控和评价具有重要的应用价值。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。
Claims (8)
1.一种基于近红外光谱技术测定中药材中马兜铃酸I含量的方法，其特征在于，包括以下步骤：
步骤S1：制备马兜铃酸I淀粉定性样品、川木通定性样本及关木通定性样本；
步骤S2：制备关木通淀粉定量样品；
步骤S3：采集定性样品的近红外光谱图，利用主成分分析法，建立定性分析模型；
步骤S4：采集定量样品的近红外光谱图，采用偏最小二乘法，建立定量分析模型；
步骤S5：综合步骤S3的定性分析模型与步骤S4的定量分析模型，获得中药材中马兜铃酸I的含量；
其中，近红外光谱图的获取条件为扫描范围为4000-10000cm-1，在室温25℃下测定，以空气作为背景，分辨率为8cm-1，扫描次数为32。
2.根据权利要求1所述的一种基于近红外光谱技术测定中药材中马兜铃酸I含量的方法，其特征在于，步骤S1具体包括以下步骤：
步骤S11：制备不同浓度的马兜铃酸I淀粉定性样品：用分析天平准确称取50mg的马兜铃酸I样品，加入950mg淀粉，以2800r/min转速搅拌混匀5分钟，配制成马兜铃酸I含量为0.05％的混合样品1，共1000mg；将混合样品1运用近红外光谱扫描后，取1000mg混合样品1，加入111mg淀粉以2800r/min转速搅拌混匀5分钟，配制成马兜铃酸I含量为0.045％的混合样品2，共1111.11mg；继而重复以上步骤分别配置浓度为0.04％、0.035％、0.03％、0.025％、0.02％、0.015％、0.01％、0.005％、0.001％、0％的混合样品，总计12组不同浓度的马兜铃酸I淀粉样品。
步骤S12：制备川木通定性样本：取川木通药材，粉碎成细粉，用分析天平准确称取50g的药材粉末，标记为定性样品1，其中马兜铃酸I的含量为0％；每次取2.000g的样品1作为样品进行近红外光谱扫描；
步骤S13：制备关木通定性样本：取关木通药材，粉碎成细粉，用分析天平准确称取50g的的药材粉末，标记为定性样品2，其中马兜铃酸I的含量为4％；每次取2.000g的样品2进行近红外光谱扫描。
3.根据权利要求1所述的一种基于近红外光谱技术测定中药材中马兜铃酸I含量的方法，其特征在于，其特征在于，步骤S2具体为：取关木通药材，粉碎成细粉，用分析天平准确称取6.000g的药材粉末，标记为定量样品1，其中马兜铃酸I的含量为4％。样品1扫描后，取6g定量样品1，加入0.857g淀粉震荡摇匀，配制成马兜铃酸I含量为3.5％的定量样品2，共6.857g；继而重复以上步骤分别配置浓度为3％、2.5％、2％、1.5％、1％、0.5％、0.45％、0.4％、0.35％、0.3％、0.25％、0.2％、0.15％、0.1％、0.095％、0.09％、0.085％、0.08％、0.075％、0.07％、0.065％、0.06％、0.055％、0.05％、0.045％、0.04％、0.035％、0.03％、0.025％、0.02％、0.015％、0.01％、0.009％、0.008％、0.007％、0.006％、0.005％、0.004％、0.003％、0.002％、0.001％、0％的混合样品，总计44组不同浓度的关木通淀粉样本。
4.根据权利要求1所述的一种基于近红外光谱技术测定中药材中马兜铃酸II含量的方法，其特征在于，其特征在于，步骤S3所述定性分析模型的建立方法为：
步骤S31：取步骤S1中的不同浓度的马兜铃酸I淀粉定性样品12个，采用近红外漫反射采集光谱，每个样本扫描3次，共计36次；
步骤S32：取步骤S1所制备的川木通定性样本20个，采用近红外漫反射采集光谱，每个样本扫描5次，共计100次；
步骤S33：取步骤S1所制备的关木通定性样本20个，采用近红外漫反射采集光谱，每个样本扫描5次，共计100次；
步骤S34：采用主成分分析法对上述定性样品进行判别。
5.据权利要求3所述的一种基于近红外光谱技术测定中药材中马兜铃酸I含量的方法，其特征在于，步骤S4所述定量分析模型建立方法为：
步骤S41：选择44个关木通淀粉样品，采用近红外漫反射采集光谱，每个样本扫描9次，共计396次，得到近红外数据；
步骤S42：数据预处理：选取4000-10000cm-1波段区间的近红外数据，采用中心化、多元散射校正、标准正态变量、SG卷积平滑一阶、SG卷积平滑二阶、以及标准化六种预处理方法进行数据优化；
步骤S43：建立定量分析模型：采用偏最小二乘法建立近红外数据与马兜铃酸I之间的定量分析模型，引入四个参数作为模型评定指标；所述四个参数为预测均方根误差RMSEP、校正均方根误差RMSEC、预测相关系数R2p以及校正相关指数R2c。
6.据权利要求5所述的一种基于近红外光谱技术测定中药材中马兜铃酸I含量的方法，其特征在于，步骤S43所述采用偏最小二乘法建立模型时，采用留一交互检验法确定最佳因子数，而最佳因子数的确定由预测残差平方和PRESS来做指标，预测残差平方和的计算公式为：
其中xi为每个样本的实验观察值，为每个样本的模型拟合值，n表示检测样本的总数。
7.据权利要求5所述的一种基于近红外光谱技术测定中药材中马兜铃酸I含量的方法，其特征在于，步骤S43中所述预测均方根误差RMSEP、校正均方根误差RMSEC、预测相关系数R2p、校正相关指数R2c计算公式如下：
其中，yi为任意一组样本的仪器观察值，为任意一组模型的拟合值，是平均值，mc是校正集的样本数目，mp是预测集的样本数目，m表示所测样本总数。
8.如权利要求1所述的方法在测定中药材中马兜铃酸I含量中的应用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811156323.4A CN108918460A (zh) | 2018-09-30 | 2018-09-30 | 一种基于近红外光谱技术测定中药材中马兜铃酸i含量的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811156323.4A CN108918460A (zh) | 2018-09-30 | 2018-09-30 | 一种基于近红外光谱技术测定中药材中马兜铃酸i含量的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108918460A true CN108918460A (zh) | 2018-11-30 |
Family
ID=64409004
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811156323.4A Pending CN108918460A (zh) | 2018-09-30 | 2018-09-30 | 一种基于近红外光谱技术测定中药材中马兜铃酸i含量的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108918460A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113536927A (zh) * | 2021-06-15 | 2021-10-22 | 南昌海关技术中心 | 一种赣南脐橙鉴别方法、系统及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101299022A (zh) * | 2008-06-20 | 2008-11-05 | 河南中医学院 | 利用近红外光谱技术评价中药药材综合质量的方法 |
| CN102288572A (zh) * | 2011-05-09 | 2011-12-21 | 河南中医学院 | 利用近红外光谱技术快速检测中药药材指标性成分含量的方法 |
| CN102485249A (zh) * | 2010-12-03 | 2012-06-06 | 上海雷允上科技发展有限公司 | 用于西红花质量评价的检测方法 |
| CN103033486A (zh) * | 2012-11-23 | 2013-04-10 | 广东药学院 | 陈皮及广陈皮药材质量的近红外光谱监控方法 |
| CN103376242A (zh) * | 2012-04-25 | 2013-10-30 | 天津天士力之骄药业有限公司 | 一种芍药苷的检测方法 |
| CN104062260A (zh) * | 2014-06-19 | 2014-09-24 | 涂瑶生 | 一种含有柚皮苷中药生产过程中的近红外在线检测方法 |
| CN105640893A (zh) * | 2015-12-29 | 2016-06-08 | 广东方制药有限公司 | 一种龙胆泻肝汤配方颗粒的制备方法及其质量控制方法 |
-
2018
- 2018-09-30 CN CN201811156323.4A patent/CN108918460A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101299022A (zh) * | 2008-06-20 | 2008-11-05 | 河南中医学院 | 利用近红外光谱技术评价中药药材综合质量的方法 |
| CN102485249A (zh) * | 2010-12-03 | 2012-06-06 | 上海雷允上科技发展有限公司 | 用于西红花质量评价的检测方法 |
| CN102288572A (zh) * | 2011-05-09 | 2011-12-21 | 河南中医学院 | 利用近红外光谱技术快速检测中药药材指标性成分含量的方法 |
| CN103376242A (zh) * | 2012-04-25 | 2013-10-30 | 天津天士力之骄药业有限公司 | 一种芍药苷的检测方法 |
| CN103033486A (zh) * | 2012-11-23 | 2013-04-10 | 广东药学院 | 陈皮及广陈皮药材质量的近红外光谱监控方法 |
| CN104062260A (zh) * | 2014-06-19 | 2014-09-24 | 涂瑶生 | 一种含有柚皮苷中药生产过程中的近红外在线检测方法 |
| CN105640893A (zh) * | 2015-12-29 | 2016-06-08 | 广东方制药有限公司 | 一种龙胆泻肝汤配方颗粒的制备方法及其质量控制方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113536927A (zh) * | 2021-06-15 | 2021-10-22 | 南昌海关技术中心 | 一种赣南脐橙鉴别方法、系统及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| De Bruyne et al. | Applications of mid-infrared spectroscopy in the clinical laboratory setting | |
| Bunaciu et al. | Vibrational spectroscopy in body fluids analysis | |
| Huck | Advances of infrared spectroscopy in natural product research | |
| Cuadrado et al. | Comparison and joint use of near infrared spectroscopy and Fourier transform mid infrared spectroscopy for the determination of wine parameters | |
| CN102608057A (zh) | 一种测定混合物中拉米夫定和齐多夫定含量的方法 | |
| CN106092962A (zh) | 一种用近红外光谱法快速检测谷子粗蛋白含量的方法 | |
| Li et al. | Simultaneous quantification of deoxymyoglobin and oxymyoglobin in pork by Raman spectroscopy coupled with multivariate calibration | |
| CN110308108A (zh) | 基于太赫兹时域光谱技术的黄芩苷含量检测方法及系统 | |
| CN114235742B (zh) | 基于呼吸气体大类标志物复合光谱检测系统及方法 | |
| Wulandari et al. | Application of chemometrics using direct spectroscopic methods as a QC tool in pharmaceutical industry and their validation | |
| Xue et al. | Rapid and nondestructive measurement of glucose in a skin tissue phantom by near-infrared spectroscopy | |
| CN106018320A (zh) | 一种基于近红外光谱分析的类胡萝卜素检测方法 | |
| Fan et al. | Geographical-origin discrimination and volatile oil quantitative analysis of Zanthoxylum bungeanum Maxim. with a portable near-infrared spectrometer | |
| CN103792205B (zh) | 片剂杂质和抗张强度的高通量近红外灵敏快速无损分析 | |
| CN108663337A (zh) | 一种测定丹参酮类成分的方法及其应用 | |
| CN108918460A (zh) | 一种基于近红外光谱技术测定中药材中马兜铃酸i含量的方法 | |
| Domján et al. | Rapid analysis of whole blood and blood serum using near infrared spectroscopy | |
| CN106770016A (zh) | 单粒稻谷种子的蛋白质定量分析nir透射光谱测量方法 | |
| Chen et al. | Study of modeling optimization for hyperspectral imaging quantitative determination of naringin content in pomelo peel | |
| Reeves et al. | Mid-infrared diffuse reflectance spectroscopy for discriminant analysis of food ingredients | |
| CN107703074A (zh) | 一种用于四元掺伪三七快速准确的定量分析方法 | |
| Lan et al. | Efficient Detection of Limonoid From Citrus Seeds by Handheld NIR: Compared with Benchtop NIR | |
| Drennen et al. | Pharmaceutical applications of near-infrared spectrometry | |
| CN112945900A (zh) | 一种快速检测莪术质量的检测模型及方法 | |
| CN114076745A (zh) | 一种基于云端-互联便携式近红外技术的西红花鉴别方法及其掺伪品定量预测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181130 |
|
| RJ01 | Rejection of invention patent application after publication |