CN110514611B - 一种基于药效信息建立评价中药质量的化学模式识别方法 - Google Patents

一种基于药效信息建立评价中药质量的化学模式识别方法 Download PDF

Info

Publication number
CN110514611B
CN110514611B CN201910913203.2A CN201910913203A CN110514611B CN 110514611 B CN110514611 B CN 110514611B CN 201910913203 A CN201910913203 A CN 201910913203A CN 110514611 B CN110514611 B CN 110514611B
Authority
CN
China
Prior art keywords
samples
chemical
salvia
pattern recognition
characteristic
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.)
Active
Application number
CN201910913203.2A
Other languages
English (en)
Other versions
CN110514611A (zh
Inventor
王铁杰
鲁艺
王丽君
江坤
王洋
王珏
殷果
黄洋
金一宝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute For Drug Control (shenzhen Testing Center Of Medical Devices)
Original Assignee
Shenzhen Institute For Drug Control (shenzhen Testing Center Of Medical Devices)
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute For Drug Control (shenzhen Testing Center Of Medical Devices) filed Critical Shenzhen Institute For Drug Control (shenzhen Testing Center Of Medical Devices)
Priority to CN201910913203.2A priority Critical patent/CN110514611B/zh
Publication of CN110514611A publication Critical patent/CN110514611A/zh
Priority to PCT/CN2019/122425 priority patent/WO2021056814A1/zh
Priority to US17/779,835 priority patent/US11710541B2/en
Priority to EP19946314.2A priority patent/EP3907493A4/en
Application granted granted Critical
Publication of CN110514611B publication Critical patent/CN110514611B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
    • 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
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/6428—Measuring fluorescence of fluorescent products of reactions or of fluorochrome labelled reactive substances, e.g. measuring quenching effects, using measuring "optrodes"
    • G01N21/643—Measuring fluorescence of fluorescent products of reactions or of fluorochrome labelled reactive substances, e.g. measuring quenching effects, using measuring "optrodes" non-biological material
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N24/00—Investigating or analyzing materials by the use of nuclear magnetic resonance, electron paramagnetic resonance or other spin effects
    • G01N24/08—Investigating or analyzing materials by the use of nuclear magnetic resonance, electron paramagnetic resonance or other spin effects by using nuclear magnetic resonance
    • G01N24/088—Assessment or manipulation of a chemical or biochemical reaction, e.g. verification whether a chemical reaction occurred or whether a ligand binds to a receptor in drug screening or assessing reaction kinetics
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/62—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating the ionisation of gases, e.g. aerosols; by investigating electric discharges, e.g. emission of cathode
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/86—Signal analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • 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
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N2021/6417—Spectrofluorimetric devices
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N2030/022—Column chromatography characterised by the kind of separation mechanism
    • G01N2030/027—Liquid chromatography
    • 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
    • G01N21/33—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using ultraviolet light
    • 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
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/65—Raman scattering
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N24/00—Investigating or analyzing materials by the use of nuclear magnetic resonance, electron paramagnetic resonance or other spin effects
    • G01N24/08—Investigating or analyzing materials by the use of nuclear magnetic resonance, electron paramagnetic resonance or other spin effects by using nuclear magnetic resonance
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/86—Signal analysis
    • G01N30/8624—Detection of slopes or peaks; baseline correction
    • G01N30/8631—Peaks

Landscapes

  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Immunology (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Optics & Photonics (AREA)
  • Molecular Biology (AREA)
  • Electrochemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Medicines Containing Plant Substances (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明提供一种基于药效信息建立评价中药质量的化学模式识别方法，所述方法包括：采集中药材样品的化学信息，获取反映中药材临床疗效的药效信息，对化学信息和药效信息进行谱效关系分析，得到与药效显著相关的指标作为特征化学指标；将中药材样品划分为训练集和验证集；采用模式识别方法以所述特征化学指标为输入变量，对训练集样本提取特征变量；利用该特征变量，建立模式识别模型；将验证集样本的特征变量值代入该模型中，完成中药质量的化学模式识别评价。本发明方法无需化学标准品，以反映药效的特征化学指标为基础建立化学模式识别模型，克服现行标准的片面性和主观性，最终形成既能反映临床疗效又能兼顾化学成分信息的中药质量评价体系。

Description

一种基于药效信息建立评价中药质量的化学模式识别方法
技术领域
本发明属于中药质量评价领域，涉及一种基于药效信息建立评价中药质量的化学模式识别方法。
背景技术
我国是世界上中药材资源最丰富的国家，占据了近70％国际市场。随着经济全球化以及中药在临床应用中的杰出表现，使得中药获得了很大的发展机遇。也涌现出一些问题：对诸多药用价值及经济价值兼具的中药材，存在以次充好及掺伪现象；中药受产地、气候、土壤、地势、采收季节等诸多因素影响，中药质量常出现参差不齐现象；有些珍贵野生中药材由于过度的开采而处于濒危，亟需寻求新的药用部位和替代品种。中药本身是个复杂且庞大的混合体系，具有多成分、多靶点、多途径作用特点，这在一定程度上增加了中药质量评价的难度。前国内外对中药的质量评价主要是检测中药中的几个化学成分，并且所建立的评价方法均未依托药效。整体和全面可靠的中药质量评价体系的缺乏不但增加用药者的健康风险，甚至影响中药国际信誉度、竞争力和影响力。
CN108509997A公开了一种基于近红外光谱技术对中药皂角刺的真伪进行化学模式识别的方法，所述方法利用近红外光谱采集法、一阶导数预处理方法以及连续投影算法、Kennard-Stone算法以及步进算法的结合对中药皂角刺的真伪进行化学模式识别，使得模式识别方法的结果准确可靠，可以准确区分皂角刺及其伪品。然而，该方法仅仅是基于化学信息采集以及化学处理方法来获取特征波数点，该特征波数点与药品的药效学并不一定相关，多出的无关特征波数点导致判别模型较为复杂。
因此，为实现中药的现代化和国际化进程，迫切建立一种既尊重传统中医药理论，又能在现代科学药效实验的指导下，全面反映中药整体化学信息的中药质量评价方法。
发明内容
针对现有技术的不足，本发明的目的在于提供一种基于药效信息建立评价中药质量的化学模式识别方法。本发明的方法不需要化学标准品，能够全面反映中药的化学信息，以药效学信息进行化学模式识别模型的建立基础，使得判别模型更加准确，并且本发明克服鉴别的主观性，鉴别结果准确可靠。
为达到此发明目的，本发明采用以下技术方案：
本发明提供一种基于药效信息建立评价中药质量的化学模式识别方法，所述方法包括以下步骤：
(1)采集中药材样品的化学信息，获取反映中药材临床疗效的药效信息，对化学信息与药效信息进行谱效关系分析，得到与药效显著相关的指标作为特征化学指标；
(2)将中药材样品划分为训练集和验证集样本，采用有监督的模式识别方法以步骤(1)所述特征化学指标为输入变量，对训练集样本进行特征变量提取；
(3)利用步骤(2)提取的特征变量，建立模式识别模型；
(4)将验证集样本的特征变量值代入所述模式识别模型中，完成对所述中药质量的化学模式识别评价。
在本发明中，通过得到与药效显著相关的指标作为特征化学指标，并提取出有效的特征变量，进而建立模式识别模型，这些特征变量与药效显著相关，避免了无关变量的干扰以及造成的模式识别模型的复杂化，从而能够得到更为精准的模式识别模型，进行更为简单直接的中药材真伪鉴别、中药材质量分级等，结果准确可靠；并且本发明方法有助于为细贵中药寻找替代品。
在本发明中，所述中药材包括化橘红、丹参、皂角刺、砂仁、功劳木或三七。在本发明中，所述采集中药材样品的化学信息，是指针对中药材的识别目标来采取其化学特征信息。例如如果目标是对中药材真伪进行鉴别，那么就是采集中药材及其伪品样品的化学信息，如果目标是对中药材进行质量分级，那么就是采集能反映质量等级的各等级中药材的化学信息。
在本发明中，获取反映中药材临床疗效的药效信息采用中药药效研究中的常规手段进行。
优选地，步骤(1)所述采集中药材样品的化学信息后，将采集到的数据转化为m×n的矩阵，其中n为中药材样品的个数，m为每个中药材样品采集到的化学信息的数量。
在本发明中，采集中药材样品的化学信息的方法为光谱采集方法、色谱采集方法、质谱采集方法或核磁法；
优选地，所述光谱采集方法为紫外光谱、红外光谱、近红外光谱、拉曼光谱或荧光光谱中的任意一种；
优选地，所述色谱采集方法为高效液相色谱法或超高效液相色谱法。
在本发明中，所述采集化学信息即为采集中药材的特征化学信号，例如如果利用紫外光谱进行采集就是采集中药材的紫外特征吸收峰，如果利用高效液相进行采集就是采集中药材在高效液相中的明显出峰。
在本发明中，所述对化学信息进行药效相关性分析是指将采集的化学信息与药效之间进行相关性分析，选择与药效显著相关的化学信息作为药效指标，剔除与药效不相关的化学信息。
在本发明中，步骤(1)所述谱效关系分析的方法可为双变量相关分析法、回归分析法、灰度关联分析法、偏最小二乘法或主成分分析法。
在本发明中，步骤(2)所述有监督的模式识别方法为主成分分析、因子分析、逐步判别分析法、偏最小二乘判别法、支持向量机或人工神经网络算法。
优选地，步骤(2)所述特征变量提取时，去除k个无关化学信息，得到(m-k)×n的矩阵，其中n为中药材样品的个数，m为每个中药材样品采集到的化学信息的数量。
在本发明中，所述基于药效信息建立评价中药质量的化学模式识别方法的流程如附图1所示，其反映了方法整体的整体流程，在药效(即药理活性)指导下来完成模式识别，以能够对中药材进行质量评价以及对未知样品进行预测和分析。
优选地，所述基于药效信息建立中药质量的化学模式识别评价方法包括对中药丹参的真伪进行化学模式识别，对化橘红中毛橘红和光橘红进行化学模式区分或者对皂角刺的真伪进行化学模式识别。
优选地，所述对中药丹参的真伪进行化学模式识别或者对化橘红中毛橘红和光橘红进行化学模式区分的方法包括：
A、利用高效液相色谱法采集丹参及其伪品或者采集化橘红中毛橘红和光橘红的化学信息；对高效液相色谱中选取的特定吸收峰用Z标准化方法进行数据标准化，而后对标准化后的数据进行双变量谱效相关性分析，得到与及其伪品或者化橘红中毛橘红和光橘红的药效活性呈显著相关性的HPLC指纹数据，将该HPLC指纹数据作为反映药效的特征化学指标；
B、将丹参及其伪品或者化橘红样品随机划分为训练集和验证集样本，逐步判别分析法以步骤A所述特征化学指标为输入变量，对训练集样品的特征化学进行筛选，去除不相关的变量，筛选出特征变量；
C、利用步骤B得到的特征变量，针对丹参及其伪品的模式识别模型或者建立针对化橘红样品的模式识别模型；
D、将验证集样本的特征变量值代入所述模式识别模型中，以判别丹参及其伪品的判别准确率或者对化橘红中毛橘红和光橘红进行区分的准确率。
优选地，所述步骤A中丹参及其伪品的特定吸收峰的选取原则为满足如下至少一个条件的峰：(I)丹参、甘西鼠尾草和云南鼠尾草三者共有的峰；(II)丹参、甘西鼠尾草和云南鼠尾草各自特有的峰；(III)成分含量较大的峰。
优选地，步骤A中化橘红中毛橘红和光橘红的特定吸收峰的选取原则为毛橘红和光橘红二者共有的峰。
在本发明中，选取的这些特定吸收峰代表了丹参、甘西鼠尾草和云南鼠尾草这3个药材的主要化学信息。
优选地，在步骤B中所述随机划分为训练集和验证集的方法为利用随机算法进行随机划分。
优选地，步骤B所述丹参及其伪品的训练集包括20批样品，其中包括12批丹参、4批甘西鼠尾草和4批云南鼠尾草；所述验证集包括29批样品，其中包括26批丹参、2批甘西鼠尾草和1批云南鼠尾草。在本发明中划分为训练集和验证集是随机划分的，因此并不局限于此处所述的包括特定数量批次的样品的训练集和验证集。
优选地，步骤B所述化橘红样品训练集包括22批样品，其中包括10批毛橘红样品和12批光橘红样品，所述验证集包括9批样品，其中包括5批毛橘红样品和4批光橘红样品。
优选地，步骤B筛选出的特征变量为X6、X7和X13；也就是说在本申请的方法下虽然得到了很多与药效活性呈显著相关性的HPLC指纹数据，但是通过判别分析步进筛选得出的与分类相关的特征变量仅有3个，进而大大简化了模型函数。
优选地，步骤C所述的模式识别模型的函数如下：
F1＝0.492X6+8.762X7-1.249X13-1.869。
F2＝-2.571X6+4.521X7+3.277X13+1.288。
优选地，步骤B对化橘红样品筛选出的特征变量为X7、X8和X20。
优选地，步骤C所述建立的针对化橘红样品的模式识别模型的函数如下：
F1＝0.828X7+0.767X8-1.303X20-0.099。
优选地，本发明所述对皂角刺的真伪进行化学模式识别的方法包括以下步骤：
I、利用近红外光谱采集皂角刺及其伪品的化学信息，获取反映中药材临床疗效的药效信息；对化学信息与药效信息进行谱效关系分析，得到与药效显著相关的特征峰作为特征化学指标；
II、将皂角刺及其伪品随机划分为训练集和验证集样本，利用逐步判别分析法以步骤I所述特征化学指标为输入变量，对训练集样品的特征化学进行筛选，去除不相关的变量，筛选出特征变量；
III、利用步骤II得到的特征变量，建立模式识别模型；
IV、将验证集样品的特征变量值代入所述模式识别模型中，以判别皂角刺及其伪品的判别准确率。
优选地，步骤I所述利用近红外光谱采集皂角刺及其伪品的化学信息后还包括对化学信息进行光谱数据预处理：剔除原始光谱中的干扰峰以及水峰，得到11800～7500cm-1、6500～5500cm-1以及5000～4200cm-1谱段峰，选择5000～4200cm-1谱段峰作为模型分析峰，并采用一阶导数预处理方法对5000～4200cm-1谱段峰进行预处理，采用连续投影算法(SPA)进行特征峰提取。
优选地，所述干扰峰为12000～11800cm-1、4200～4000cm-1、7500～6500cm-1和5500～5000cm-1谱段的峰；所述水峰为7500～6500cm-1、5500～5000cm-1谱段的峰。
优选地，步骤II所述训练集包括32批样品，其中包括24批皂角刺、3批山皂角刺、2批野皂角刺和3批悬钩子，所述验证集样品包括11批样品，其中包括8批皂角刺、山1批皂角刺、1批野皂角刺和1批悬钩子。
优选地，步骤II筛选出的特征变量为X8、X10、X14和X21；
优选地，步骤III所述模式识别模型的函数为：
F1＝49050.801X8+8875.62X10-2798.314X14+21876.983X21+2.356；
F2＝-27730.331X8+34288.661X10-29368.865X14+10924.346X21+4.075。
相对于现有技术，本发明具有以下有益效果：
本发明的识别方法不需要化学标准品，能够全面反映中药的化学信息，以药效学信息进行化学模式识别模型的建立基础，使得判别模型与药效关系更加紧密，并且得到的化学模式识别模型函数较为简单，又能够保证鉴别的准确性，克服了现行标准中仅以一种或几种成分含量进行中药质量评价的片面性和主观性，最终形成一种既能反映临床疗效又能兼顾化学成分信息的中药质量评价体系，鉴别结果准确可靠。可以利用本发明所述方法进行更为简单直接的中药材真伪鉴别、中药材质量分级等，结果准确可靠；并且本发明方法有助于为细贵中药寻找替代品，本方法可以实现对未知样品分类的预测，基于本发明所述方法形成一种中药质量评价体系。
附图说明
图1为基于药效信息建立评价中药质量的化学模式识别方法的总体流程图；
图2为对丹参、甘西鼠尾草和云南鼠尾草采集到的高效液相色谱图，其中S1为DS 3丹参样品采集到的高效液相色谱，S2为GX 39甘西鼠尾草样品采集到的高效液相色谱，S3为YN 45云南鼠尾草样品采集到的高效液相色谱；
图3为丹参及其伪品的训练集样品以判别函数值(即F1和F2的值，即函数1和函数2)为横纵坐标的分布图；
图4为丹参及其伪品的训练集及验证集样品以判别函数值(即F1和F2的值，即函数1和函数2)为横纵坐标的分布图；
图5为毛橘红样品的高效液相色谱图；
图6为光橘红样品的高效液相色谱图；
图7为化橘红训练集样品以样本序号及判别函数值(即F1的值，即函数1得分值)为横纵坐标的分布图；
图8为化橘红训练集及验证集样品以样本序号及判别函数值(即F1的值，即函数1得分值)为横纵坐标的分布图；
图9为本发明对皂角刺及其伪品样品进行红外光谱采集得到的原始平均近红外光谱图；
图10为采用一阶导数(First Derivative,1st D)方法对原始平均近红外光谱进行预处理后得到的近红外光谱图；
图11为皂角刺及其伪品的训练集样品以判别函数值(即F1和F2的值，即函数1和函数2)为横纵坐标的分布图；
图12皂角刺及其伪品的训练集及验证集样品以判别函数值(即F1和F2的值，即函数1和函数2)为横纵坐标的分布图。
具体实施方式
下面通过具体实施方式来进一步说明本发明的技术方案。本领域技术人员应该明了，所述实施例仅仅是帮助理解本发明，不应视为对本发明的具体限制。
在本发明中，所述基于药效信息建立评价中药质量的化学模式识别方法的总体流程如图1所示，收集典型具有代表性的中药材，采集中药材样品的化学信息，获取能反映中药材临床疗效的药效信息，在药效指导下对化学信息进行的特征提取，获得能反映药效的特征化学指标，既对化学信息和药效信息进行药效相关性分析，得到与药效显著相关的化学信息指标作为特征指标；将中药材样品划分为训练集和验证集；采用有监督的模式识别方法以能反映临床药效的特征化学指标为输入变量，对训练集样本进行特征变量提取；利用提取的特征变量，建立模式识别模型；将验证集样品的特征变量值代入所述模式识别模型中，从而药效(即药理活性)指导下完成对中药材样品质量的化学模式识别评价。
实施例1
在本实施例中，使用的仪器与软件如下：
高效液相色谱：色谱柱：Zobax SB-aq(250mm×4.6mm，5μm，Agilent公司)；流动相：乙腈(A)-0.03％磷酸溶液(B)，梯度洗脱，洗脱程序见表1；检测波长：280nm，流速：0.8mL·min-1，柱温：30℃，进样量：20μL。
表1梯度洗脱程序
Figure BDA0002215304580000041
随机算法的运行采用SPSS软件(美国IBM公司)。
在本实施例中，使用的样品如下：
收集了不同产地丹参及同属植物甘西鼠尾草和云南鼠尾草样品共49批，所有样品均经北京中医药大学张继主任药师鉴定，1～38号丹参样品为鼠尾草属植物Salviamiltiorrhiza的干燥根和根茎，39～43号甘西鼠尾草样品为鼠尾草属植物Salviaprzewalskii的干燥根和根茎，44～49号云南鼠尾草样品为鼠尾草属植物Salviayunnanensis的干燥根和根茎，所有样品来源见表2。
表2样品信息
Figure BDA0002215304580000042
Figure BDA0002215304580000051
对中药丹参的真伪进行化学模式识别的方法具体包括以下步骤：
1、化学信息采集
49批样品按照如上所述的高效液相色谱条件进样分析，记录色谱图，选取其中23个峰作为变量指标，选择原则为满足如下至少一个条件的峰均选为变量指标：1、丹参、甘西鼠尾草、云南鼠尾草三者共有的峰；2、丹参、甘西鼠尾草、云南鼠尾草各自特有的峰；3、成分含量较大的峰。因此这23个峰变量代表了3个药材的主要化学信息。选取色谱峰如图2所示，其中S1为DS 3丹参样品采集到的高效液相色谱，S2为GX 39甘西鼠尾草样品采集到的高效液相色谱，S3为YN 45云南鼠尾草样品采集到的高效液相色谱，3个样品的高效液相色谱中均标出了选取的相应峰编号。
49批样品的23个峰面积结果见表3-1和表3-2。
表3-1
Figure BDA0002215304580000061
Figure BDA0002215304580000071
表3-2
Figure BDA0002215304580000072
Figure BDA0002215304580000081
2、数据的标准化
进行多元统计分析时，往往要收集不同量纲的数据，这表现为变量在数量级和计量单位上的差别，从而使各个变量之间不具有综合性。而多元统计分析大多对变量有特殊的要求，比如符合正态分布或者变量之间具有可比性。这时就必须采用某种方法对各变量数值进行标准化处理。Z标准化方法是目前多变量综合分析中使用最多的一种方法，在原始数据呈正态分布的情况下，需利用该方法进行数据无量纲处理。
本实验测定结果中不同峰面积的数值之间数量级差别较大，因此考虑用Z标准化方法计算，计算方法见如下公式，标准化后的新数据见表4-1和表4-2。
Figure BDA0002215304580000082
表4-1
Figure BDA0002215304580000083
Figure BDA0002215304580000091
表4-2
Figure BDA0002215304580000092
Figure BDA0002215304580000101
Figure BDA0002215304580000111
3.丹参及其伪品抗心肌缺血药效测定
以大鼠心肌细胞缺氧复氧模型，通过测定大鼠心肌细胞存活率、乳酸脱氢酶(LDH)活性、活性氧(ROS)水平和细胞内钙离子浓度，比较丹参和两种易混淆品的75％甲醇提取物抗心肌缺血的作用，结果如表5所示。
表5丹参及其伪品抗心肌缺血药效结果
Figure BDA0002215304580000112
4.谱效相关性分析
中药谱效关系研究是将化学成分即“谱”与药理作用即“效”相结合，从整体研究中药有效化学成分与其有效化学作用之间的关系。将49批中药材的药效信息与HPLC指纹图谱数据进行了双变量相关谱效相关性分析。结果如表6所示。
表6药效与指纹图谱数据相关分析结果
Figure BDA0002215304580000113
Figure BDA0002215304580000121
**显著水平为0.01
*显著水平为0.05.
从表6中以看出与丹参、甘西鼠尾草和云南鼠尾草药效活性呈显著相关性的HPLC指纹数据为A6、A7、A8、A10、A13、A14、A17、A18、A19、A20、和A21。
5.训练集和验证集的划分
利用随机算法随机将49批样品划分为训练集和验证集，结果如下：
训练集样本：DS2,DS3,DS4,DS6,DS7,DS13,DS15,DS16,DS18,DS20,DS22,DS35,GX39,GX42,GX43,GX44,YN46,YN47,YN48,YN49)；
验证集样本：DS1,DS5,DS8,DS9,DS10,DS11,DS12,DS14,DS17,DS19,DS21,DS23,DS24,DS25,DS26,DS27,DS28,DS29,DS30,DS31,DS32,DS33,DS34,DS36,DS37,DS38,GX40,GX41,YN45。
6.药效指导下特征提取
用逐步判别分析法，对谱效相关分析结果中与药效具有显著相关的变量(A6、A7、A8、A10、A10、A13、A14、A17、A18、A19、A20、和A21)进行变量的筛选来特征提取变量，筛选是通过F检验逐步进行的。每一步选取满足指定水平最显著的变量并剔除因新变量的引入而变得不显著的原引入的变量，直到既不能引入也不能剔除为止。采用逐步判别分析，对丹参、甘西鼠尾草和云南鼠尾草三者同时进行对比，筛选出特征的有代表性的峰变量。降维结果(即筛选出的特征变量)见表7。
表7组别和样品的特征峰
Figure BDA0002215304580000122
7.模式识别模型的判别函数的建立
根据逐步判别选入的特征变量及判别系数，见表8，建立两个判别函数如下：
表8典型区别函数系数
Figure BDA0002215304580000123
Figure BDA0002215304580000131
F1＝0.492X6+8.762X7-1.249X13-1.869。
F2＝-2.571X6+4.521X7+3.277X13+1.288。
8、模型验证
(1)模型的内部验证。对模型进行留一法内部交叉验证，结果表明，在本如上所建模型中，留一法内部交叉验证判别准确率为100％。
(2)应用验证集对模型进行外部验证，将验证集样品特征峰代入判别函数，获得样品判别得分和判别分类结果。结果见表9，模型判别结果均与性状鉴别结果一致，判别正确率为100％。
表9验证集样品判别结果表
Figure BDA0002215304580000132
8.结果可视化
以判别函数值为依据，做训练集和验证集样品的分布图。F1、F2分别为样品在分布图中的横纵坐标，分布图结果如图3(训练集)和图4(训练集及验证集)所示。在图3和图4中可以将训练集和验证集样品中丹参(DS)、甘西鼠尾草(GX)和云南鼠尾草(YN)进行有效区分。
因此，如上所述方法在药效指导下逐步判别分析进行特征提取，获取3个特征值，建立2个判别函数，可以对丹参、甘西鼠尾草和云南鼠尾草进行有效的区分。
实施例2
在本实施例中，使用的仪器如下：
高效液相色谱：色谱柱：Shiseido Capcell Pak C18(250mm×4.6mm，5μm，资生堂公司),
流动相：甲醇-0.5％冰醋酸梯度洗脱
洗脱梯度：采用二元梯度洗脱系统，溶剂A(甲醇)—溶剂B(0.5％冰醋酸)检测波长：320nm，流速：1.0mL·min-1，柱温：30℃，进样量：20μL。
梯度洗脱程序如下表10所示：
表10
Figure BDA0002215304580000141
在本实施例中，使用的样品如下：
实验共收集31批化橘红药材，其中15,7～16号为毛橘红，16～18,20-31号为光橘红，具体信息见表11(其中6号和19号为异常样本，进行了剔除)。
表11化橘红样品信息
Figure BDA0002215304580000142
Figure BDA0002215304580000151
对化橘红药材模式识别的具体方法包括以下步骤：
1、化学信息采集
将31批药材分别进行了HPLC色谱分析，获得了所有色谱峰数据，毛橘红样品的结果如图5所示，光橘红样品的结果如图6所示。
2、指纹图谱数据转化
获取橘红样品的共有峰数据，由于数据的个体间差异较大，甚至出现了不在同一数量级的问题，严重影响统计分析，因此有必要进行数据转化，使数值进行无量纲化，同时建立统一分析标准。采用标准化，得到结果如表12所示：
表12-1
Figure BDA0002215304580000152
Figure BDA0002215304580000161
表12-2
Figure BDA0002215304580000162
3、药效信息获得
根据临床应用，将31批药材分别进行了止咳、祛痰和抗炎实验，药效学指标分别为潜伏期(越短越好)和咳嗽次数(越少越好)、酚红排出量(越多越好)、耳肿胀度(越小越好)，表13为得到的化橘红药效试验数据。
表13化橘红药效实验数据
Figure BDA0002215304580000171
药效数据标准化由于各种药效指标的数值测量单位及数量级不同，不能同时进行统计分析，根据数据标准化后，数据都进行无量纲化转换，进行对应分析，得到表14所示标准化数据。
表14
Figure BDA0002215304580000172
Figure BDA0002215304580000181
4、有效峰值与药效相关性分析
为判断有效峰值与药效关系，需要先判断各峰值与药效的相关性，获得能反映药效的特征化学指标，分析结果如表15所示。
表15
Figure BDA0002215304580000182
Figure BDA0002215304580000191
**显著水平为0.01
*显著水平为0.05
由上表可知，各药效与各峰值的线性关系，与部分峰值有线性关系，但相关系数较小，大多数仅有0.7左右，与药效存在显著相关的峰有8个分别为X1、X7、X8、X10，X11、X14、X19和X20。
5、训练集和验证集的划分
采用随机算法将31批橘红样品划分训练集和验证集：
训练集样本：2、3、4、7、8、10、11、13、14、15、18、20、21、23、24、26、28、29、30、31、32、33。
验证集样本：1、5、9、12、16、17、22、25、27。
6、药效指导下特征提取
以与药效具有显著相关的指标峰组成的数据矩阵为依据(8*31的数据矩阵)采用逐步判别分析，筛选出对分类具有贡献的峰。采用逐步判别分析地方法，用Wilks'Lambda作为评价指标，采用相同概率在0.05以内选择为主要峰，保留该峰，相同概率大于0.1以上为无差异峰，剔除该峰，判别橘红的分类。
逐步判别变量特征提取结果如表16所示。
表16
Figure BDA0002215304580000192
从上表中可以看出对橘红其分类作用的特征变量为X7、X8和X20。
7.模式识别模型建立
以训练集样本为数据集，采用逐步判别分析中选出的特征变量X7、X8,X20为输入变量，见表17。根据判别函数系数建立判别函数方程式。
表17典型区别函数系数
Figure BDA0002215304580000193
Figure BDA0002215304580000201
判别函数方程式为：F1＝0.828X7+0.767X8-1.303X20-0.099
F1>0为毛橘红，F1<0为光橘红
8、模型验证
(1)模型的内部验证。对模型进行留一法内部交叉验证，结果表明，在本如上所建模型中，留一法内部交叉验证判别准确率为100％。
(2)应用验证集对模型进行外部验证，将验证集样品特征峰代入判别函数，获得样品判别得分和判别分类结果。结果见表18，模型判别结果均与性状鉴别结果一致，判别正确率为100％。
表18验证集样品判别结果表
Figure BDA0002215304580000202
9.结果可视化
以判别函数值和样品序号为依据，做训练集和验证集样品的分布图。判别函数值F1、样本序列号为样品在分布图中的纵横坐标，分布图结果如图7(训练集)和图8(训练集及验证集)所示。在图7和图8中可以将训练集和验证集样品中毛橘红和光橘红进行有效区分。
因此，如上所述方法在药效指导下逐步判别分析进行特征提取，获取3个特征值，建立1个判别函数，可以对毛橘红和光橘红进行有效的区分。
实施例3
在本实施例中，使用的仪器和软件如表19所示：
表19使用仪器及软件
Figure BDA0002215304580000203
样品收集与预处理
样品收集
本实施例收集了典型代表性皂角刺及其伪品样品43批，其中正品皂角刺Gleditsia sinensis Lam.(G.sinensis)32批(1～32号)，伪品山皂角刺Gleditsiajaponica Miq.(G.japonica)4批(33～36号)，伪品野皂角刺Gleditsia microphyllaGordon ex Y.T.Lee(G.microphylla)3批(37～39号)，伪品悬钩子Rubus cochinchinensisTratt.(R.cochinchinensis)4批(40～42号)，所有样品均经北京中医药大学张继主任药师鉴定为中药皂角刺正品及其各类典型伪品，样品信息见表20。
表20
Figure BDA0002215304580000211
Figure BDA0002215304580000221
样品预处理
所有样品均洗净后去灰屑，干燥，粉碎过50目筛，25℃条件下密封备用。
1、近红外光谱采集
使用光纤探头采集样品的近红外光谱，采集范围为12000～4000cm-1，仪器分辨率为4cm-1，扫描次数为32次。扣除内置参比背景，每批样品采集3处不同位置的光谱，求平均光谱作为代表光谱。使用OPUS 6.5工作站(德国Bruker公司)求平均光谱。实验温度平衡在25℃，湿度保持在60％左右。皂角刺及其伪品的原始平均近红外光谱如图9所示。
光谱数据预处理方法
采用SG平滑、矢量归一化、最大最小归一化、一阶导数、二阶导数方法对样本光谱预处理，考察不同预处理方法对建模准确率的影响。使用OPUS 6.5工作站(德国Bruker公司)进行光谱数据预处理，如图10所示，为采用一阶导数(First Derivative,1st D)方法对原始平均近红外光谱进行预处理后得到的近红外光谱图。
谱段划分
剔除12000～11800cm-1、4200～4000cm-1两区间的噪声干扰峰，剔除7500～6500cm-1、5500～5000cm-1两区间的水峰。剔除杂峰、水峰后的全谱段分成了三个区间，分别为11800～7500cm-1、6500～5500cm-1以及5000～4200cm-1。
提取特征波数
采用SPA算法提取了不同预处理条件下三个光谱区间内的特征波数。利用MatlabR2014a软件运行SPA算法，提取特征变量后大大降低了建模的复杂度。
通过前期研究发现采用5000～4200cm-1，一阶导数处理光谱建模分类识别正确率最优。因此本案例实施采用5000～4200cm-1，一阶导数处理光谱SPA特征提取数据(见表21-1、表21-2和表21-3)进行分析。
表21-1
Figure BDA0002215304580000222
Figure BDA0002215304580000231
表21-2
Figure BDA0002215304580000232
Figure BDA0002215304580000241
表21-3
Figure BDA0002215304580000242
Figure BDA0002215304580000251
2、皂角刺及其伪品药效数据的获取
(1)NO的测定-Griess法
巨噬细胞受到脂多糖(LPS)刺激后可激活细胞表面受体启动多种信号级联放大效应，导致一氧化氮(Nirtric Oxide,NO)、TNF-α、IL-6等促炎因子的产生，从而引起损伤。测定细胞上清液中NO水平可以检测炎症水平。
细胞培养上清液中NO极不稳定能很快被代谢生成相对稳定的亚硝酸根，亚硝酸根可以与Griess Reagent中对氨基苯磺酸和α-萘胺在酸性条件下反应，生成红色偶氮化合物在540nm处有最大吸收峰，并且产物浓度与NO浓度具有线性关系，因此可通过此原理测定细胞培养上清液中NO的含量。具体测定步骤如下：
I.配置亚硝酸钠标准品，准确配置10、20、40、60、80、100μM的亚硝酸钠溶液用于标准曲线测定；
II.取50μL/孔Griess reagent置96孔板中，加入I.步骤中的上清液或者不同浓度的亚硝酸钠标准品溶液50μL/孔，室温下反应30min后，除去孔中气泡，540nm下测定吸光度值；
III.根据亚硝酸钠标准溶液吸光度值制作标准曲线，将样品吸光度值代入标准曲线可得不用实验组中上清液中NO含量。
(2)抗氧化活性测定-ORAC法
ORAC法以荧光素钠(sodium flourescein，FL)为荧光探针，观察其与偶氮化合物2,2'-偶氮-双-(2-脒基丙烷)氯化二氢[2,2'-azobis(2-amidinopropane)dihydrochloride，AAPH]热分解产生的过氧化氢自由基作用后，荧光强度的衰退过程(在抗氧化物质存在时，其荧光衰退变缓)并且用抗氧化标准物质-水溶性维生素E类似物(6-hydro-2,5,7,8-tetramethylchroman-2-carboxylic acid，Trolox)当量来衡量体系中各种抗氧化物延缓探针荧光强度衰退的能力，以此评价抗氧化剂的抗氧化能力。
样品的NO抑制活性和ORAC抗氧化活性见表22。
表22.样本抗炎及抗氧化活性
Figure BDA0002215304580000261
“-”未检测
3、药效与近红外光谱的相关分析，寻找能反应药效的特征光谱
通过抗炎和抗氧化药效与SPA特征近红外进行皮尔逊双尾相关分析，从分析结果见表23，可以得出峰X1、X7、X8、X9、X10、X12、X13、X14、X20、X21、X22、X23、X24、X25、X26、X27、X28与皂角刺药效呈显著相关，为与药效相关的特征近红外光谱。
表23，皂角刺抗炎抗氧化与SPA特征近红外光谱相关分析结果
Figure BDA0002215304580000262
Figure BDA0002215304580000271
*0.05水平下显著相关，**0.01水平下显著相关
4、训练集和验证集划分
Kennard-Stone算法，训练集样品包括32批样品，其中包括24批皂角刺、3批山皂角刺、2批野皂角刺和3批悬钩子，所述验证集样品包括11批样品，其中包括8批皂角刺、山1批皂角刺、1批野皂角刺和1批悬钩子。
训练集样本：2，5，6，7，8，9，10，12，13，14，15，16，17，18，19，20，21，22，23，24，25，26，28，30，34，35，36，38，39,，41，42，43；
验证集样本：1，3，4，11，27，29，31，32，33，37，40。
5、药效指导下特征提取
用逐步判别分析法，对谱效相关分析结果中与药效具有显著相关的变量(X1、X7、X8、X9、X10、X12、X13、X14、X20、X21、X22、X23、X24、X25、X26、X27、X28)进行变量的筛选来特征提取变量，筛选是通过F检验逐步进行的。每一步选取满足指定水平最显著的变量并剔除因新变量的引入而变得不显著的原引入的变量，直到既不能引入也不能剔除为止。采用逐步判别分析，对皂角刺、山皂角刺、野皂角刺四者同时进行对比，筛选出特征的有代表性的峰变量。降维结果见表24。
表24组别和样品的特征峰
Figure BDA0002215304580000272
6.模式识别模型的判别函数的建立
根据逐步判别选入的特征变量及判别系数，见表25，建立两个判别函数如下：
表25典型判别函数系数
Figure BDA0002215304580000273
F1＝49050.801X8+8875.62X10-2798.314X14+21876.983X21+2.356。
F2＝-27730.331X8+34288.661X10-29368.865X14+10924.346X21+4.075。
7、模型验证
(1)模型的内部验证。对模型进行留一法内部交叉验证，结果表明，在本如上所建模型中，留一法内部交叉验证判别准确率为100％。
(2)应用验证集对模型进行外部验证，将验证集样品特征峰代入判别函数，获得样品判别得分和判别分类结果。结果见表26，模型判别结果均与性状鉴别结果一致，判别正确率为100％。
表26验证集样品判别结果表
Figure BDA0002215304580000274
Figure BDA0002215304580000281
8.结果可视化
以判别函数值为依据，做训练集和验证集样品的分布图。以F1、F2分别为样品在分布图中的横纵坐标，分布图结果如图11(训练集)和图12(训练集及验证集)所示。在图11和图12中可以将训练集和验证集样品中皂角刺(ZJC)、山皂角刺(SZJ)、野皂角刺(YZJ)和悬钩子(XGZ)进行有效区分。
因此，如上所述方法在药效指导下逐步判别分析进行特征提取，获取4个特征值，建立2个判别函数，可以对皂角刺、山皂角刺、野皂角刺和悬钩子刺进行有效的区分。
申请人声明，本发明通过上述实施例来说明本发明的方法，但本发明并不局限于上述工艺步骤，即不意味着本发明必须依赖上述工艺步骤才能实施。所属技术领域的技术人员应该明白，对本发明的任何改进，对本发明所选用原料的等效替换及辅助成分的添加、具体方式的选择等，均落在本发明的保护范围和公开范围之内。

Claims (5)

1.一种基于药效信息建立评价中药质量的化学模式识别方法，其特征在于，所述基于药效信息建立评价中药质量的化学模式识别方法包括对中药丹参的真伪进行化学模式识别，对化橘红中毛橘红和光橘红进行化学模式区分；
所述化学模式识别方法包括：
A、利用高效液相色谱法采集丹参及其伪品或者采集化橘红中毛橘红和光橘红的化学信息，获取反映中药材临床疗效的药效信息；对高效液相色谱中提取的特定吸收峰用Z标准化方法进行数据标准化，而后对标准化后的数据进行双变量谱效相关性分析，得到与丹参及其伪品或者化橘红中毛橘红和光橘红的药效活性呈显著相关性的HPLC指纹数据，将该HPLC指纹数据作为反映药效的特征化学指标；
其中，利用高效液相色谱法采集丹参及其伪品的化学信息的色谱条件为：
色谱柱：Zobax SB-aq，250mm×4.6mm，5μm，Agilent公司；流动相：乙腈(A)-0.03％磷酸溶液(B)，梯度洗脱；检测波长：280nm，流速：0.8mL·min-1，柱温：30℃，进样量：20μL；
洗脱程序如下所示：
Figure FDA0003918067690000011
其中，利用高效液相色谱法采集化橘红中毛橘红和光橘红的化学信息的色谱条件为：
色谱柱：Shiseido Capcell Pak C18，250mm×4.6mm，5μm，资生堂公司；流动相：甲醇-0.5％冰醋酸梯度洗脱；洗脱梯度：采用二元梯度洗脱系统，溶剂A甲醇，溶剂B 0.5％冰醋酸；检测波长：320nm，流速：1.0mL·min-1，柱温：30℃，进样量：20μL；
梯度洗脱程序如下所示：
Figure FDA0003918067690000021
B、将丹参及其伪品或者化橘红样品随机划分为训练集和验证集样本，利用逐步判别分析法以步骤A所述特征化学指标为输入变量，对训练集样品的特征化学信息进行筛选，去除不相关的变量，筛选出特征变量；
C、利用步骤B得到的特征变量，建立针对丹参及其伪品的模式识别模型或者建立针对化橘红样品的模式识别模型；
D、将验证集样品的特征变量值代入所述模式识别模型中，以判别丹参及其伪品的判别准确率或者对化橘红中毛橘红和光橘红进行区分的准确率；
所述步骤A中丹参及其伪品的特定吸收峰的选取原则为满足如下至少一个条件的峰：(I)丹参、甘西鼠尾草和云南鼠尾草三者共有的峰；(II)丹参、甘西鼠尾草和云南鼠尾草各自特有的峰；(III)成分含量较大的峰；
步骤B对丹参及其伪品筛选出的特征变量为X6、X7和X13；其筛选过程为：与丹参、甘西鼠尾草和云南鼠尾草药效活性呈显著相关性的HPLC指纹数据为A6、A7、A8、A10、A13、A14、A17、A18、A19、A20和A21，用逐步判别分析法，对谱效相关分析结果中与药效具有显著相关的变量A6、A7、A8、A10、A10、A13、A14、A17、A18、A19、A20和A21进行变量的筛选来特征提取变量，筛选是通过F检验逐步进行的；采用逐步判别分析，对丹参、甘西鼠尾草和云南鼠尾草三者同时进行对比，筛选出特征的有代表性的峰变量A6、A7和A13，即为对丹参及其伪品筛选出的特征变量X6、X7和X13；
步骤B对化橘红样品筛选出的特征变量为X7、X8和X20；其筛选过程为：与化橘红药效存在显著相关性的HPLC有效峰为X1、X7、X8、X10，X11、X14、X19和X20，以与药效具有显著相关的指标峰组成的数据矩阵为依据，采用逐步判别分析，筛选出对分类具有贡献的峰X7、X8和X20，作为化橘红样品的特征变量；
步骤C所述建立的针对丹参及其伪品的模式识别模型的函数如下：
F1＝0.492X6+8.762X7-1.249X13-1.869；
F2＝-2.571X6+4.521X7+3.277X13+1.288；
步骤C所述建立的针对化橘红样品的模式识别模型的函数如下：
F1＝0.828X7+0.767X8-1.303X20-0.099。
2.根据权利要求1所述的方法，其特征在于，步骤A中化橘红中毛橘红和光橘红的特定吸收峰的选取原则为毛橘红和光橘红二者共有的峰。
3.根据权利要求1所述的方法，其特征在于，在步骤B中所述随机划分为训练集和验证集的方法为利用随机算法进行随机划分。
4.根据权利要求1所述的方法，其特征在于，步骤B所述丹参及其伪品的训练集包括20批样品，其中包括12批丹参、4批甘西鼠尾草和4批云南鼠尾草；所述验证集包括29批样品，其中包括26批丹参、2批甘西鼠尾草和1批云南鼠尾草。
5.根据权利要求1所述的方法，其特征在于，步骤B所述化橘红样品训练集包括22批样品，其中包括10批毛橘红样品和12批光橘红样品，所述验证集包括9批样品，其中包括5批毛橘红样品和4批光橘红样品。
CN201910913203.2A 2019-09-25 2019-09-25 一种基于药效信息建立评价中药质量的化学模式识别方法 Active CN110514611B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201910913203.2A CN110514611B (zh) 2019-09-25 2019-09-25 一种基于药效信息建立评价中药质量的化学模式识别方法
PCT/CN2019/122425 WO2021056814A1 (zh) 2019-09-25 2019-12-02 一种基于药效信息建立评价中药质量的化学模式识别方法
US17/779,835 US11710541B2 (en) 2019-09-25 2019-12-02 Chemical pattern recognition method for evaluating quality of traditional Chinese medicine based on medicine effect information
EP19946314.2A EP3907493A4 (en) 2019-09-25 2019-12-02 CHEMICAL PATTERN RECOGNITION PROCEDURE FOR ASSESSING THE QUALITY OF TRADITIONAL CHINESE MEDICINE BASED ON DRUG EFFECT INFORMATION

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910913203.2A CN110514611B (zh) 2019-09-25 2019-09-25 一种基于药效信息建立评价中药质量的化学模式识别方法

Publications (2)

Publication Number Publication Date
CN110514611A CN110514611A (zh) 2019-11-29
CN110514611B true CN110514611B (zh) 2023-01-20

Family

ID=68632430

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910913203.2A Active CN110514611B (zh) 2019-09-25 2019-09-25 一种基于药效信息建立评价中药质量的化学模式识别方法

Country Status (4)

Country Link
US (1) US11710541B2 (zh)
EP (1) EP3907493A4 (zh)
CN (1) CN110514611B (zh)
WO (1) WO2021056814A1 (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108509997A (zh) * 2018-04-03 2018-09-07 深圳市药品检验研究院（深圳市医疗器械检测中心） 一种基于近红外光谱技术对中药皂角刺的真伪进行化学模式识别的方法
CN110514611B (zh) * 2019-09-25 2023-01-20 深圳市药品检验研究院（深圳市医疗器械检测中心） 一种基于药效信息建立评价中药质量的化学模式识别方法
CN111122635B (zh) * 2019-12-10 2023-05-12 北京农业智能装备技术研究中心 一种食用菌干燥状态在线评估方法及系统
CN110967428B (zh) * 2019-12-23 2021-11-19 深圳市药品检验研究院（深圳市医疗器械检测中心） 一种基于高效液相指纹图谱信息建立评价中药化橘红质量的模式识别方法
CN112666111A (zh) * 2020-10-01 2021-04-16 华中农业大学 奶牛奶与马奶的快速鉴别方法
CN113358774B (zh) * 2021-05-25 2023-10-03 广西民生中检联检测有限公司 一种凌云白毫绿茶识别方法
WO2022264138A1 (en) * 2021-06-14 2022-12-22 Neswell Group Ltd. Scoring and classifying extracts from a non-animal natural eukaryotic source
CN113239322A (zh) * 2021-06-25 2021-08-10 河北中烟工业有限责任公司 一种津巴布韦进口烟叶替代模块的构建方法
CN113567639B (zh) * 2021-07-13 2023-05-16 中国食品药品检定研究院 中药材质量综合评价方法
CN113740474A (zh) * 2021-08-27 2021-12-03 深圳市药品检验研究院（深圳市医疗器械检测中心） 一种结合抗新冠病毒效应的金银花和山银花鉴别模型及其构建方法和应用
CN114444946A (zh) * 2022-01-28 2022-05-06 荃豆数字科技有限公司 一种中药饮片精细化运营指导方法、装置及计算机设备
CN115239994B (zh) * 2022-07-12 2023-02-17 中关村科学城城市大脑股份有限公司 应用于甘草饮片的等级信息生成方法、装置和电子设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108195989A (zh) * 2018-02-01 2018-06-22 山西省医药与生命科学研究院 一种基于抗血栓谱效关系的黄刺玫化学成分评价方法
CN108509997A (zh) * 2018-04-03 2018-09-07 深圳市药品检验研究院（深圳市医疗器械检测中心） 一种基于近红外光谱技术对中药皂角刺的真伪进行化学模式识别的方法

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
UA78194C2 (en) * 2000-12-08 2007-03-15 Council Scient Ind Res Method for revealing and identification of active components in extracts by chromatographic fingerprinting of "fingerprints" and processor of program data processing chromatograms
AU2005208148A1 (en) * 2004-01-28 2005-08-11 Council Of Scientific And Industrial Research A method for standardization of chemical and therapeutic values of foods & medicines using animated chromatographic fingerprinting
US7710269B2 (en) * 2007-01-11 2010-05-04 University Of Southern California Systems and methods to prevent counterfeit, grey and black market proliferation of pharmaceutical, medical and other products
KR20090062323A (ko) 2007-12-12 2009-06-17 대한민국 (식품의약품안전청장) 대사지문법을 이용한 간독성 예측방법
CN105138861B (zh) * 2015-05-31 2018-10-12 青岛市食品药品检验研究院 一种大黄药材真伪及基源种属类别预测模型的构建方法
US11162892B2 (en) * 2016-01-27 2021-11-02 The Usa, As Represented By The Secretary, Dept. Of Health And Human Services Device and method for detection of counterfeit pharmaceuticals
CN106290643B (zh) 2016-08-17 2019-01-04 辽宁中医药大学 一种中药荆芥抗肺癌活性成分的质量控制方法
WO2018136465A1 (en) * 2017-01-20 2018-07-26 Western New England University System and method of inferring the quality level of medicines
CN108732126A (zh) * 2017-04-25 2018-11-02 天士力医药集团股份有限公司 一种采用近红外光谱法测定丹参药材中多成分含量的方法
CN107132194A (zh) * 2017-07-10 2017-09-05 天津工业大学 一种基于紫外可见光谱及化学模式识别的三七及其伪品鉴别方法
CN109507123A (zh) * 2018-11-22 2019-03-22 天津工业大学 一种基于紫外可见漫反射光谱及化学模式识别的当归及其相似品的鉴别方法
CN109856265B (zh) 2019-01-15 2022-01-25 广西中医药大学 基于抗氧化和降血糖谱效关系的龙眼叶化学成分评价方法
CN110110789A (zh) * 2019-05-08 2019-08-09 杭州麦迪特检测技术服务有限公司 一种基于多谱图信息融合技术的中草药品质鉴别方法
CN110187020A (zh) * 2019-05-17 2019-08-30 山西大学 基于治疗慢性萎缩性胃炎谱效关系的黄芪成分评价方法
CN110514611B (zh) 2019-09-25 2023-01-20 深圳市药品检验研究院（深圳市医疗器械检测中心） 一种基于药效信息建立评价中药质量的化学模式识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108195989A (zh) * 2018-02-01 2018-06-22 山西省医药与生命科学研究院 一种基于抗血栓谱效关系的黄刺玫化学成分评价方法
CN108509997A (zh) * 2018-04-03 2018-09-07 深圳市药品检验研究院（深圳市医疗器械检测中心） 一种基于近红外光谱技术对中药皂角刺的真伪进行化学模式识别的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
丹参品质鉴定和评价的HPLC指纹条形码技术;李磊等;《中草药》;20030725;第34卷(第07期);第649-652页 *
灰色系统理论在中药色谱指纹图谱模式识别中的应用研究;魏航等;《色谱》;20130228;第31卷(第02期);第127-132页 *

Also Published As

Publication number Publication date
CN110514611A (zh) 2019-11-29
WO2021056814A1 (zh) 2021-04-01
US11710541B2 (en) 2023-07-25
EP3907493A4 (en) 2023-02-15
US20230017825A1 (en) 2023-01-19
EP3907493A1 (en) 2021-11-10

Similar Documents

Publication Publication Date Title
CN110514611B (zh) 一种基于药效信息建立评价中药质量的化学模式识别方法
CN107677647B (zh) 基于主成分分析和bp神经网络的中药材产地鉴别方法
WO2019192433A1 (zh) 一种基于近红外光谱技术对中药皂角刺的真伪进行化学模式识别的方法
CN101961379B (zh) 丹参的近红外光谱鉴别方法
CN105138861A (zh) 一种大黄药材真伪及基源种属类别预测模型的构建方法
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
Liu et al. A fast multi-source information fusion strategy based on FTIR spectroscopy for geographical authentication of wild Gentiana rigescens
CN102288551A (zh) 利用高光谱数据鉴别中药材的方法
Chen et al. Rapid and automatic chemical identification of the medicinal flower buds of Lonicera plants by the benchtop and hand-held Fourier transform infrared spectroscopy
CN104730030A (zh) 基于近红外分析技术的党参真伪鉴别和产地判定的方法
CN113029999B (zh) 一种姜科中药配方颗粒的近红外光谱鉴别模型构建方法和鉴别方法
CN103364359A (zh) Simca模式识别法在近红外光谱识别大黄药材中的应用
Wang et al. Potential of near infrared spectroscopy and pattern recognition for rapid discrimination and quantification of Gleditsia sinensis thorn powder with adulterants
Li et al. Multi-information based on ATR-FTIR and FT-NIR for identification and evaluation for different parts and harvest time of Dendrobium officinale with chemometrics
Liu et al. Quality control strategies of medicine food homology materials based on fingerprint profiling and chemometrics: Citri Reticulata Pericarpium as an example
Zhang et al. Rapid quality assessment of Gentianae Macrophyllae Radix based on near‐infrared spectroscopy and capillary electrophoresis
Ronowicz et al. Chemometric analysis of antioxidant properties of herbal products containing Ginkgo biloba extract
CN102507829A (zh) 一种烟草hplc指纹图谱数据库的建立方法及应用
CN109975236A (zh) 一种利用近红外光谱技术鉴别金银花产地的方法
CN103076300B (zh) 专属性模式识别模型判别分析中药材资源指纹信息的方法
AU2018101606A4 (en) A method for identifying meconopsis quintuplinervia regel from different geographical origins
CN116541750A (zh) 一种薏苡仁产地的鉴别方法、终端设备及存储介质
CN116008245A (zh) 桑叶拉曼光谱指纹图谱的建立结合机器学习算法在桑叶属地来源鉴定中的应用
CN114911977A (zh) 一种中药药性识别方法、系统、计算机设备及存储介质
CN104713848A (zh) 一种基于近红外分析技术的白芍产地判别的方法

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
GR01 Patent grant
GR01 Patent grant