CN110823828A - 一种鉴别不同产地五脉绿绒蒿的方法 - Google Patents
一种鉴别不同产地五脉绿绒蒿的方法 Download PDFInfo
- Publication number
- CN110823828A CN110823828A CN201810903210.XA CN201810903210A CN110823828A CN 110823828 A CN110823828 A CN 110823828A CN 201810903210 A CN201810903210 A CN 201810903210A CN 110823828 A CN110823828 A CN 110823828A
- Authority
- CN
- China
- Prior art keywords
- artemisia
- sample
- mid
- green
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 235000003261 Artemisia vulgaris Nutrition 0.000 title claims description 44
- 235000009051 Ambrosia paniculata var. peruviana Nutrition 0.000 title claims description 8
- 235000003097 Artemisia absinthium Nutrition 0.000 title claims description 8
- 235000017731 Artemisia dracunculus ssp. dracunculus Nutrition 0.000 title claims description 8
- 239000001138 artemisia absinthium Substances 0.000 title claims description 8
- KDYFGRWQOYBRFD-UHFFFAOYSA-N succinic acid Chemical compound OC(=O)CCC(O)=O KDYFGRWQOYBRFD-UHFFFAOYSA-N 0.000 title claims description 8
- 240000001851 Artemisia dracunculus Species 0.000 title 1
- 241000647439 Artemisia ordosica Species 0.000 claims abstract description 13
- 235000003826 Artemisia Nutrition 0.000 claims description 36
- 244000025254 Cannabis sativa Species 0.000 claims description 36
- 235000009052 artemisia Nutrition 0.000 claims description 36
- 238000001228 spectrum Methods 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 26
- 244000030166 artemisia Species 0.000 claims description 24
- 240000006891 Artemisia vulgaris Species 0.000 claims description 20
- 238000002329 infrared spectrum Methods 0.000 claims description 17
- 241001670235 Artemisia rupestris Species 0.000 claims description 13
- 235000015784 Artemisia rupestris Nutrition 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 11
- 238000002156 mixing Methods 0.000 claims description 2
- 241000173529 Aconitum napellus Species 0.000 claims 4
- 229940023019 aconite Drugs 0.000 claims 4
- 239000000463 material Substances 0.000 abstract description 18
- 241001168877 Artemisia selengensis Species 0.000 abstract description 7
- 235000015759 Artemisia selengensis Nutrition 0.000 abstract description 7
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 238000011161 development Methods 0.000 abstract description 3
- 241000218645 Cedrus Species 0.000 description 26
- IOLCXVTUBQKXJR-UHFFFAOYSA-M potassium bromide Chemical compound [K+].[Br-] IOLCXVTUBQKXJR-UHFFFAOYSA-M 0.000 description 24
- 238000012795 verification Methods 0.000 description 22
- 238000012549 training Methods 0.000 description 19
- 230000000694 effects Effects 0.000 description 18
- 238000003672 processing method Methods 0.000 description 16
- 238000012360 testing method Methods 0.000 description 14
- 238000005070 sampling Methods 0.000 description 13
- 239000003814 drug Substances 0.000 description 12
- 238000002474 experimental method Methods 0.000 description 10
- 238000002835 absorbance Methods 0.000 description 8
- 238000010200 validation analysis Methods 0.000 description 7
- 241000218691 Cupressaceae Species 0.000 description 6
- 238000012850 discrimination method Methods 0.000 description 6
- 238000004451 qualitative analysis Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 239000002245 particle Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 241001249148 Artemisia scoparia Species 0.000 description 4
- 235000003069 Artemisia scoparia Nutrition 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000005457 ice water Substances 0.000 description 3
- 239000004615 ingredient Substances 0.000 description 3
- 239000006187 pill Substances 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 241001201008 Artemisia sieversiana Species 0.000 description 2
- 235000004040 Artemisia sieversiana Nutrition 0.000 description 2
- 241000219122 Cucurbita Species 0.000 description 2
- 235000009852 Cucurbita pepo Nutrition 0.000 description 2
- 241001247783 Meconopsis Species 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 239000004480 active ingredient Substances 0.000 description 2
- 238000000540 analysis of variance Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 239000003921 oil Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 235000015604 Artemisia caruifolia Nutrition 0.000 description 1
- 241000615735 Artemisia carvifolia Species 0.000 description 1
- 241000092666 Artemisia iwayomogi Species 0.000 description 1
- 235000007806 Artemisia iwayomogi Nutrition 0.000 description 1
- 241000238097 Callinectes sapidus Species 0.000 description 1
- 241000230612 Caulophyllum robustum Species 0.000 description 1
- 102000003712 Complement factor B Human genes 0.000 description 1
- 108090000056 Complement factor B Proteins 0.000 description 1
- 206010011224 Cough Diseases 0.000 description 1
- 240000003537 Ficus benghalensis Species 0.000 description 1
- 238000005033 Fourier transform infrared spectroscopy Methods 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 241000283953 Lagomorpha Species 0.000 description 1
- 241001047059 Meconopsis quintuplinervia Species 0.000 description 1
- 206010030113 Oedema Diseases 0.000 description 1
- 208000002193 Pain Diseases 0.000 description 1
- 241000218180 Papaveraceae Species 0.000 description 1
- 241000688197 Pilosa Species 0.000 description 1
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 1
- 235000011613 Pinus brutia Nutrition 0.000 description 1
- 241000018646 Pinus brutia Species 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 241000219100 Rhamnaceae Species 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 229930013930 alkaloid Natural products 0.000 description 1
- 208000006673 asthma Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003467 diminishing effect Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 229930003935 flavonoid Natural products 0.000 description 1
- 150000002215 flavonoids Chemical class 0.000 description 1
- 235000017173 flavonoids Nutrition 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 208000006454 hepatitis Diseases 0.000 description 1
- 231100000283 hepatitis Toxicity 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 239000002398 materia medica Substances 0.000 description 1
- 230000027939 micturition Effects 0.000 description 1
- 238000004476 mid-IR spectroscopy Methods 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
- 239000004570 mortar (masonry) Substances 0.000 description 1
- 230000000144 pharmacologic effect Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 208000017520 skin disease Diseases 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000013112 stability test Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 229910021642 ultra pure water Inorganic materials 0.000 description 1
- 239000012498 ultrapure water Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000000341 volatile oil Substances 0.000 description 1
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
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
本发明提供了一种检测不同产地藏药材五脉绿绒蒿的方法。本发明方法，可以简单、直观、快速、有效、准确的检测各产地五脉绿绒蒿药材，为其资源的保护与合理开发利用提供了科学依据。
Description
技术领域
本发明属于药材检测技术领域，具体涉及一种检测不同产地五脉绿绒蒿的方法。
背景技术
五脉绿绒蒿(Meconopsis quintuplinevria Regel.)，又名毛叶兔耳风、毛果七、野毛金等，为青藏高原特有种，是使用广泛且地位重要的青藏高原地道地产藏药材，藏名“欧贝完保”，是罂粟科(Papaveraceae)绿绒蒿属(MeconopsisVig.)多年生草本植物，集中分布于青藏高原地区，主要生长于海拔3200-3800米的高山草甸和阴坡灌丛，主要活性成分是生物碱类、黄酮类、挥发油类化合物。五脉绿绒蒿为藏医传统用药，常以单味或复方入药，具有清热、镇咳、平喘、利尿、消炎、止痛等功效，可用于治疗肺炎、肝炎、头痛、水肿、皮肤病、肝与肺的热症等。此外，藏医药经典典籍《月王药珍》、《四部医典》、《晶珠本草》等均对其进行了收载，在生态、形态及功效等方面均有详细描述，沿用至今仍为藏医的贵重药材，也是藏医特有的传统药材。《中华人民共和国卫生部药品标准(藏药)1995年版》中收载的200余种藏药处方中，以五脉绿绒蒿为组分入药的药方多达28种；治疗肝胆类疾病方剂中也几乎都包含该药材，例如二十五味绿绒蒿丸、十五味萝蒂明目丸、二十五味松石丸等，由此可见其资源用量极大、应用较广、药材品质优良，在藏医藏药中具有极高的药用地位和药用价值。
目前国内五脉绿绒蒿药材市场近年来的价格和需求走势一直呈现平稳或小幅度上扬趋势，市场需求量逐渐加大，市场应用前景良好。尽管该药材在传统藏医药中品质优良、用量较大、应用范围广泛，目前的研究报道仅限于其生物学特性、显微鉴别、活性成分鉴定与测定、药理药效以及某些遗传特性等方面的研究，围绕其药材资源整体质量评价的系统研究尚不完善，不利于五脉绿绒蒿资源的全面开发利用。
药材质量与其所在生态环境密切相关，适宜的产地是生产优质药材的重要因素。因此，有必要对五脉绿绒蒿的产地进行准确鉴别。目前对五脉绿绒蒿鉴别的文献仅见赵庆帅，青海省不同居群五脉绿绒蒿红外光谱特征分析，中国科学院大学，硕士学位论文，但其对五脉绿绒蒿不同居群分析时，仅测定了样品的红外光谱特征，然后根据吸收峰的强度差异区分不同样品。该方法由于仅根据吸收峰强度来区分五脉绿绒蒿，易受到随机因素影响对结果造成一定的误差，影响鉴别结果的准确性，需要进一步改进。
发明内容
针对上述问题，本发明的目的在于提供一种准确有效的检测不同产地五脉绿绒蒿的方法。
本发明首先提供了一种五脉绿绒蒿中红外谱图采集方法，步骤如下：五脉绿绒蒿样品，与KBr混合，压片，采集中红外光谱的数据；其中，样品与KBr比例1:100，颗粒度大小200目，扫描次数32次，分辨率4cm-1，压力1.9T。
优选地，所述光谱的采集范围为4000-400cm-1。
优选地，所述五脉绿绒蒿样品是五脉绿绒蒿的全草、花、茎或叶。
本发明还提供了一种不同产地绿绒蒿的模型建立方法，步骤如下：
(1)取不同产地的五脉绿绒蒿样品，按照前述方法采集中红外光谱数据；
(2)将采集的中红外光谱数据导入TQ软件，采用Discriminant analysis方法建立模型。
优选地，所述不同产地的五脉绿绒蒿随机采自青海高原地区，具体可以是采自青海祁连油葫芦沟、青海祁连冰沟达坂、青海祁连扁都口、青海达坂山、青海门源仙米林场、青海门源仙米卡子沟、青海互助柏木峡、青海拉脊山、青海湟中县群加乡、青海化隆青沙山、青海循化刚察乡、青海循化达里加山、青海双朋西林场、青海同仁麦秀垭口、青海玛沁黑土山、青海果洛班玛、青海玉树仲达乡的五脉绿绒蒿。
优选地，所述五脉绿绒蒿样品是五脉绿绒蒿的全草、花、茎或叶。
本发明还提供了一种前述方法构建得到的不同产地五脉绿绒蒿的产地鉴别模型。
本发明还提供了一种绿绒蒿的产地鉴定方法，其特征在于：步骤如下：
1)取待检五脉绿绒蒿样品，按照前述方法采集中红外光谱数据；
2)将待检五脉绿绒蒿的中红外光谱数据导入前述的模型中，判定即可。
优选地，所述不同产地的绿绒蒿为随机产自青海高原地区的五脉绿绒蒿，具体可以是采自青海祁连油葫芦沟、青海祁连冰沟达坂、青海祁连扁都口、青海达坂山、青海门源仙米林场、青海门源仙米卡子沟、青海互助柏木峡、青海拉脊山、青海湟中县群加乡、青海化隆青沙山、青海循化刚察乡、青海循化达里加山、青海双朋西林场、青海同仁麦秀垭口、青海玛沁黑土山、青海果洛班玛、青海玉树仲达乡的五脉绿绒蒿。
优选地，所述五脉绿绒蒿样品是五脉绿绒蒿的全草、花、茎或叶。
利用光谱技术对药材进行检测时，由于除了药材自身信息外，常含有大量噪音和背景信息，如何从复杂、重叠的光谱中提取微弱的化学成分信息，提高测量精度是该技术的一个难点。要解决这个难点，样品预处理方法及光谱分析方法是关键因素。本发明提供了一种五脉绿绒蒿产地鉴别的中红外检测方法，可以用于准确检测。
本发明检测方法，通过特定的优选样品预处理及光谱分析方法，综合五脉绿绒蒿资源的整体化学品质特点，可准确检测不同产地五脉绿绒蒿，方法简单、直观、快速，准确性高，为五脉绿绒蒿的质量监控提供科学依据，为其资源的保护与合理开发利用提供保障，也为藏药材的质量标准的完善提供了有益的补充。
显然，根据本发明的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本发明上述基本技术思想前提下，还可以做出其它多种形式的修改、替换或变更。
以下通过实施例形式的具体实施方式，对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。凡基于本发明上述内容所实现的技术均属于本发明的范围。
附图说明
图1五脉绿绒蒿样点分布图；
图2理论最优组合与实际最优组合图谱比较；
图3不同判别方法所建的全草判别模型，其中，a：discriminant analysis处理模型结果；b：distance match处理模型结果；
图4不同谱图处理方法所建的全草判别模型，其中，a：原谱图模型结果；b：Log10处理模型结果；c：一阶导处理模型结果；d：二阶导处理模型结果；
图5两个不同随机样点全草部位中红外产地判别模型；注：红点代表第一个随机样点的训练集，红色“+”代表第一个随机样点的验证集；蓝点代表第二个随机样点的训练集，红色“+”代表第二个随机样点的验证集；
图6两个不同随机样点全草聚类分析，注：b代表柏木峡，D代表冰沟达坂；
图7两个不同随机样点花部位中红外产地判别模型，注：红色原点代表柏木峡的训练集，红色“+”代表柏木峡的验证集；蓝色原点代表冰沟达坂的训练集，红色“+”代表冰沟达坂的验证集；
图8两个不同随机样点花部位聚类分析，注：b代表柏木峡，D代表冰沟达坂；
图9两个不同随机样点茎部位产地判别模型，注：红色原点代表柏木峡的训练集，红色“+”代表柏木峡的验证集；蓝色原点代表冰沟达坂的训练集，红色“+”代表冰沟达坂的验证集；
图10两个不同随机样点茎部位聚类分析，注：b代表柏木峡，D代表冰沟达坂；
图11两个不同随机样点叶部位产地判别模型，注：红色原点代表柏木峡的训练集，红色“+”代表柏木峡的验证集；蓝色原点代表冰沟达坂的训练集，红色“+”代表冰沟达坂的验证；
图12两个不同随机样点叶部位聚类分析，注：b代表柏木峡，D代表冰沟达坂。
具体实施方式
下面以实施例作进一步说明，但本发明不局限于这些实施例。
本发明所用的实验材料与仪器如下：
1、仪器设备及试剂
傅里叶变换红外光谱分析仪(型号：IS 50，Thermo Nicolet公司)、DTGS检测器、粉碎机(天津市泰斯特有限公司)、烘箱(上海一恒科学仪器有限公司)、电子天平(ME104，0.0001g)、玛瑙研钵、压片模具(直径：13mm，美国PIKE公司)、纯水机(Millipore-QIntegral 3，Millipore公司)。溴化钾(光谱纯)。
2、实验材料
干燥粉碎后的五脉绿绒蒿植物样品。
实施例1不同地点五脉绿绒蒿的鉴定方法红外光谱实验
于5-6月花期期间，从地理分布尺度和生态分布梯度上开展采样，在青海省范围内共采集了17个不同地点的五脉绿绒蒿植物样品(表1)，样点分布见图1。样品采集时，同一居群内，株间距离至少为10-15m，每一居群内采集至少40-50株样品，混合，带回实验室用超纯水清洗干净，阴干，粉碎后过200目筛，待用。同时利用GPS记录采样点地理位置。原植物标本由中国科学院西北高原生物研究所卢学峰研究员鉴定为五脉绿绒蒿(Meconopsisquintuplinervia Regel.)。
表1五脉绿绒蒿植物样品采集信息
1、实验方法
1.1中红外一维光谱采集
1.1.1中红外光谱采集条件的优化
a正交试验
考虑可能影响红外光谱的因素，设计5因素4水平的正交实验表(表2)，共16组实验。取ML样品(即五脉绿绒蒿)进行全波段光谱扫描，按条件进行16组实验的光谱采集，计算各实验的平均图谱(n＝3)，根据最大吸光度选出实际最优组合。
表2中红外正交试验因素水平表
样品吸光度在0.8-1.2范围内1.0左右最好，结果显示1号(样品与KBr比例1:50，颗粒度大小80目，扫描次数8次，分辨率2cm-1，压力1T)和8号比较合适。由于1号相关系数的方差为0.0236，8号相关系数的方差为0.0001，且1号的相关系数较小(1.0000、0.8680、0.6935)，8号的相关系数较大(1.0000、0.9870、0.9787)，所以实际最佳实验组合为8号，即A2B4C3D2E1(样品与KBr比例1:100，颗粒度大小200目，扫描次数32次，分辨率4cm-1，压力1T)。
表3中红外正交试验表
b极差分析
对上述实验结果进行极差分析(表4)，A因素在2水平结果较好，B因素在2水平结果较好，C因素在4水平结果较好，D因素在2水平结果较好，E因素在2水平结果较好，所以理论最优组合为A2B2C4D2E2(即样品：KBr比例1:100，颗粒度100目，扫描次数64次，分辨率4cm-1，压力1.3T)；由R值大小知，各因素对吸光度的影响大小排序为：比例>颗粒度大小>分辨率>扫描次数>压力。
表4中红外正交试验极差分析结果
c理论最优组合与实际最优组合的比较
理论最优组合3次试验结果相关系数分别为1.0000、0.9970、0.9903，RSD为0.501％；实际最优组合3次实验结果相关系数分别为1.000、0.9955、0.9954，RSD为0.264％，说明实际最优组合的重复性较好；同时由图2可知，理论图谱毛刺多且吸光度不如实际的高，所以实验时选用实际最优条件。
由于压力对吸光度的影响最小，样品：KBr比例对谱图的的影响是吸光度的14.2倍，为了更好地压片效果，同时节省压片时间，我们设定压片压力为1.9T。即在试验中我们采集红外一维图谱的条件为：样品：KBr比例1:100，颗粒度200目，扫描次数32次，分辨率4cm-1，压力1.9T。
d方差分析
若正交试验没有空白项，一般取极差最小的因素做误差项，由于C、D极差较小，且值相差不大，这里取C(扫描次数)、E(压力)做误差项。由方差分析知(表5)，样品与KBr的比例对结果的影响到了极显著水平，颗粒度大小、分辨率对结果的影响到了显著水平，而扫描次数、压力对结果的影响不大。而根据F值大小可知各因素对结果的影响力大小为：比例>颗粒度大小>分辨率>扫描次数>压力，与极差分析的结果一致。
表5中红外正交试验方差分析结果
注：**表示因素对结果的影响达到极显3著水平，*表示因素对结果的影响达到显著水平
1.1.2方法学验证
以五脉绿绒蒿为样品，在预实验确定的光谱采集条件下进行，即：样品：KBr比例1:100，颗粒度200目，扫描次数32次，分辨率4cm-1，压力1.9T。
a重复性试验
对同一样品连续压6次片，以其中一次为标准，测得6次的相关系数分别为1.0000、0.9953、0.9901、0.9865、0.9845、0.9824，RSD为0.682％，说明本试验的重复性好。
b精密度试验
对同一样品的同一压片连续测6次，以其中一次为标准，测得6次的相关系数为1.0000、0.9927、0.9926、0.9882、0.9885、0.9867，RSD为0.490％，说明本试验的精密度好。
c稳定性试验
对同一样品压一个片，放在干燥器里保存，每隔1h测一次，共测6次，以其中一次为标准，6次的相关系数为1.0000、0.9969、0.9924、0.9903、0.9901、0.9885，RSD为0.452％，说明本试验的稳定性好。
实验结果说明，本发明中红外光谱采集方法可以有效采集绿绒蒿的中红外光谱。
1.2红外光谱的采集
按正交试验优选出的中红外一维光谱采集条件，将五脉绿绒蒿各样品粉末(0.0030g)经KBr压片制样后，采集中红外一维光谱图。每个样品扫描3次，扫描时即时去除水和CO2的背景干扰，光谱的采集范围为4000-400cm-1。1.3不同模型处理方法的优选
以全草部位样品建模为例，以青海互助柏木峡和冰沟达坂地区的五脉绿绒蒿全草的平均图谱为例进行建模，选取波段4000-500cm-1，对中红外原光谱建立五脉绿绒蒿的产地判别模型。互助柏木峡共有37个全草样品，27个做训练集，10个做验证集；冰沟达坂共有15个全草样品，12个做训练集，3个做验证集。建模所用的判别方法为软件自带的定性分析方法—Discriminant analysis与distance match。
由图3知，两种处理方法建立的全草判别模型相差不大，且前3主成分对所构模型的贡献率相同(表6)，而且模型总的预测率也没有区别，但是不同的方法建立的模型对于两地的预测效果有区别，尤其是其中一个地方用Discriminant analysis处理预测率为66.67％，而用Distance match处理预测率为33.33％(表7)。所以建议用Discriminantanalysis处理。
表6不同处理方法前3主成分对所建全草判别模型的贡献率
表7不同处理方法所建全草判别模型效果
1.4不同谱图处理方法的优选
以五脉绿绒蒿全草为样品，用TQ软件对青海省前述两个地区所采集的五脉绿绒蒿的全草的平均光谱进行建模，选取波段4000-500cm-1，用Discriminant analysis方法处理，查看不同光谱处理方法所建判别模型的不同。两地共有样品52个，用39个做训练集，13个做验证集。谱图的处理方法有原谱图、对数(即Log10)、一阶导、二阶导。
由图4知，4种谱图处理方法的结果不同，a、b处理方法模型分类较好，c、d两种处理方法两地分类都有交叉，且一阶导、二阶导前3主成分对模型的贡献率较低，尤其是二阶导，前3主成分的贡献率为38.213％，而原图与Log10处理方法前3主成分对模型的贡献率相同(表8)，且对两地五脉绿绒蒿判别模型的预测率相同，但识别率略有不同(表9)。
表8不同处理方法前3主成分对所建全草判别模型的贡献率
表9不同谱图处理方法所建全草判别模型效果
1.5不同部位模型的建立
1.5.1全草产地判别模型的建立
利用TQ Analyst软件，以青海互助柏木峡和祁连冰沟大板地区的样品为例，将采集到的互助柏木峡和冰沟达坂地区的五脉绿绒蒿全草的中红外一维谱图数据导入软件，进行建模(图5)，建模波段为4000-500cm-1。互助柏木峡共有37个全草样品，27个做训练集，10个做验证集；冰沟达坂共有15个全草样品，11个做训练集，4个做验证集。建模所用的判别方法为软件自带的定性分析方法—Discriminant analysis。由模型知两地的样品分类明显，根据验证结果计算模型的预测率(表10)，可知柏木峡的预测率为90％，冰沟达坂的预测率为75％，总的模型预测率达到85.71％。
表10柏木峡及冰沟达坂全草部位中红外产地判别模型的验证结果
将五脉绿绒蒿全草部位的中红外一维光谱导入PC-ORD软件中，距离测定用correlation，组间联系方法为Median，得出全草的聚类结果(图6)。由图知，冰沟达坂有2个判别错误，柏木峡有8个判别错误，聚类的总正确率为80.77％。
表11柏木峡及冰沟达坂全草聚类正确率
结果表明，利用系统聚类分析同样可以对五脉绿绒蒿进行产地判别分析，但其判别效果不如建立的产地判别模型的效果，所以对五脉绿绒蒿进行产地判别的方法最终确定为利用Discriminant analysis方法建立产地判别模型。
1.5.2花部位产地判别模型的建立
利用TQ软件，还是以青海互助柏木峡和冰沟达坂地区的五脉绿绒蒿花部位的平均图谱进行建模(图7)，选取波段4000-500cm-1，对中红外原光谱建立五脉绿绒蒿花部位的产地判别模型。互助柏木峡共有34个花部位样品，24个做训练集，10个做验证集；冰沟达坂共有24个花部位样品，17个做训练集，7个做验证集。建模所用的判别方法为软件自带的定性分析方法—Discriminant analysis。由模型知两地的样品分类明显，根据验证结果计算模型的预测率(表12)，柏木峡的预测率为80％，冰沟达坂的预测率为100％，总的模型预测率达到88.24％。
表12柏木峡及冰沟达坂花部位中红外产地判别模型的验证结果
将五脉绿绒蒿花部位的中红外一维光谱导入PC-ORD软件中，距离测定用correlation，组间联系方法为Median，得出全草的聚类结果(图8)。由图知，冰沟达坂有7个判别错误，柏木峡有6个判别错误，聚类的总正确率为77.57％。
表13柏木峡及冰沟达坂花部位聚类正确率
1.5.3茎部位产地判别模型的建立
用TQ软件对互助柏木峡和冰沟达坂地区的五脉绿绒蒿茎部位的平均图谱进行建模(图9)，选取波段4000-500cm-1，对中红外原光谱建立五脉绿绒蒿的产地判别模型。互助柏木峡共有33个茎部位样品，23做训练集，10个做验证集；冰沟达坂共有24个茎部位样品，16个做训练集，8个做验证集。建模所用的判别方法为软件自带的定性分析方法—Discriminant analysis。由模型知两地的样品分类明显，根据验证结果计算模型的预测率(表14)，柏木峡的预测率为80％，冰沟达坂的预测率为87.5％，总的模型预测率达到83.33％。
表14柏木峡及冰沟达坂茎部位中红外产地判别模型的验证结果
将五脉绿绒蒿茎部位的中红外一维光谱导入PC-ORD软件中，距离测定用correlation，组间联系方法为Median，得出全草的聚类结果(图10)。由图知，冰沟达坂有16个判别错误，柏木峡有6个判别错误，聚类的总正确率仅为61.40％。
表15柏木峡及冰沟达坂茎部位聚类正确率
1.5.4叶部位产地判别模型的建立
用TQ软件对互助柏木峡和冰沟达坂地区的五脉绿绒蒿叶部位的平均图谱进行建模(图11)，选取波段4000-500cm-1，对中红外原光谱建立五脉绿绒蒿的产地判别模型。互助柏木峡共有34个叶部位样品，24个做训练集，10个做验证集；冰沟达坂共有25个叶部位样品，17个做训练集，8个做验证集。建模所用的判别方法为软件自带的定性分析方法—Discriminant analysis。由模型知两地的样品分类明显，根据验证结果计算模型的预测率(表16)，柏木峡的预测率为100％，冰沟达坂的预测率为87.5％，总的模型预测率达到94.44％。
表16柏木峡及冰沟达坂叶部位中红外产地判别模型的验证结果
将五脉绿绒蒿叶部位的中红外一维光谱导入PC-ORD软件中，距离测定用correlation，组间联系方法为Median，得出全草的聚类结果(图12)。由图知，冰沟达坂有7个判别错误，柏木峡有1个判别错误，聚类的总正确率为86.44％。
表17柏木峡及冰沟达坂叶部位聚类正确率
1.5.5五脉绿绒蒿不同部位产地判别模型的比较
由五脉绿绒蒿不同部位所建模型的预测结果知(表18)，分析柏木峡及冰沟达坂两个采样点各自的效果时，发现用不同部位所建模型两地的识别率和预测率都有差异，但总的来说，预测率的差异大于识别率的差异；分别用花、茎、叶三部分所建模型中两地的识别率相差不大，用全草所建模型与其他三个模型差距较大。分析模型的总体效果时发现，四个模型的总体识别率大体相同，预测率叶部位的模型效果最好，其余三个模型的预测效果相差不大。综合不同部位所建模型的效果，选择叶部位来建立产地判别模型。
表18五脉绿绒蒿不同部位产地判别模型验证结果对比表
1.5.6五脉绿绒蒿不同部位聚类分析的比较
五脉绿绒蒿不同部位的中红外光谱在相同的数据处理条件(距离测定用correlation，组间联系方法为Median)下得到的聚类结果不同，聚类的正确率也不相同，按正确率的大小排序为叶(86.44％)>全草(78.85％)>花(77.57％)>茎(61.40％)，用叶部位所做聚类的正确率最高，与产地判别模型的分析结果相同。
1.6主要结论
1.6.1光谱采集优化结果
考虑影响中红外光谱采集的因素，通过试验，极差分析最终确定中红外一维图谱的采集条件为：样品：KBr比例1:100，颗粒度200目，扫描次数32次，分辨率4cm-1，压力1.9T。
1.6.2建模方法的选择
根据TQ Analyst软件自带的定性分析方法—Discriminant analysis与distancematch，以全草为样品，考察两种方法建立模型的效果，结果用Discriminant analysis方法建立的模型效果较好。
1.6.3光谱处理方法的选择
以全草为样品，利用Discriminant analysis方法建模，考虑不同谱图处理方法—原谱图、对数(即Log10)、一阶导、二阶导—建立模型的效果，结果用原谱图建立的模型效果较好。
1.6.4不同部位建模的结果
利用五脉绿绒蒿的全草、花、茎、叶四部位建立产地判别模型，结果发现叶部位建立模型效果最好；同时利用四部位全光谱吸光度数据进行聚类分析，结果叶部位的聚类结果最好，与产地判别模型结果一致，最终确定利用叶部位进行产地判别模型的建立，对该植物资源原生生态环境及后续资源繁育不会造成破坏，有助于保护其原始生态环境和种质资源，符合当前生态环境保护优先的理念，具有较好的推广应用价值。
Claims (10)
1.一种五脉绿绒蒿的中红外检测方法，其特征在于：步骤如下：取五脉绿绒蒿样品，与KBr混合，压片，采集中红外光谱数据；其中，样品与KBr比例1:100，颗粒度大小200目，扫描次数32次，分辨率4cm-1，压力1.9T。
2.根据权利要求1所述的检测方法，其特征在于：所述光谱的采集范围为4000-400cm-1。
3.根据权利要求1所述的检测方法，其特征在于：所述五脉绿绒蒿样品是五脉绿绒蒿的全草、花、茎或叶。
4.一种不同产地五脉绿绒蒿的产地鉴别模型建立方法，其特征在于：步骤如下：
(1)取不同产地的五脉绿绒蒿样品，按照权利要求1～3任意一项所述方法检测，采用中红外光谱数据；
(2)将采集的中红外光谱数据导入TQ软件，采用Discriminant analysis方法分析，得到模型。
5.根据权利要求4所述的检测方法，其特征在于：所述不同产地的绿绒蒿为产自青海高原地区的五脉绿绒蒿。
6.根据权利要求4所述的检测方法，其特征在于：所述五脉绿绒蒿样品是五脉绿绒蒿的全草、花、茎或叶。
7.权利要求4～6任意一项所述的方法构建得到的不同产地五脉绿绒蒿的产地鉴别模型。
8.一种五脉绿绒蒿的产地鉴别方法，其特征在于：步骤如下：
1)取待检五脉绿绒蒿样品，按照权利要求1～3任意一项所述的方法检测，采用中红外光谱数据；
2)将待检五脉绿绒蒿的中红外光谱数据导入权利要求7所述的模型中，判定即可。
9.根据权利要求8所述的检测方法，其特征在于：所述不同产地的绿绒蒿为产自青海高原地区的五脉绿绒蒿。
10.根据权利要求8所述的检测方法，其特征在于：所述五脉绿绒蒿样品是五脉绿绒蒿的全草、花、茎或叶。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810903210.XA CN110823828A (zh) | 2018-08-09 | 2018-08-09 | 一种鉴别不同产地五脉绿绒蒿的方法 |
| AU2018101606A AU2018101606A4 (en) | 2018-08-09 | 2018-10-25 | A method for identifying meconopsis quintuplinervia regel from different geographical origins |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810903210.XA CN110823828A (zh) | 2018-08-09 | 2018-08-09 | 一种鉴别不同产地五脉绿绒蒿的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110823828A true CN110823828A (zh) | 2020-02-21 |
Family
ID=64565028
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810903210.XA Pending CN110823828A (zh) | 2018-08-09 | 2018-08-09 | 一种鉴别不同产地五脉绿绒蒿的方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110823828A (zh) |
| AU (1) | AU2018101606A4 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114112983A (zh) * | 2021-10-18 | 2022-03-01 | 中国科学院西北高原生物研究所 | 一种基于Python数据融合的藏药全缘叶绿绒蒿产地判别方法 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111259626A (zh) * | 2020-01-16 | 2020-06-09 | 上海国民集团健康科技有限公司 | 一种中医实体识别算法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101498661A (zh) * | 2008-01-30 | 2009-08-05 | 香港浸会大学 | 高精度分辨中药材品种、产地及生长方式的红外光谱特征提取方法 |
| CN101532954A (zh) * | 2008-03-13 | 2009-09-16 | 天津天士力现代中药资源有限公司 | 一种用红外光谱结合聚类分析鉴定中药材的方法 |
| CN102243170A (zh) * | 2010-05-12 | 2011-11-16 | 天津天士力现代中药资源有限公司 | 用近红外光谱技术鉴别麦冬药材产地的方法 |
| CN104089921A (zh) * | 2014-06-30 | 2014-10-08 | 四川新绿色药业科技发展股份有限公司 | 一种淫羊藿药材基源和产地的鉴定方法 |
| CN107607485A (zh) * | 2017-08-30 | 2018-01-19 | 浙江医药高等专科学校 | 一种鉴别三叶青产地的方法 |
-
2018
- 2018-08-09 CN CN201810903210.XA patent/CN110823828A/zh active Pending
- 2018-10-25 AU AU2018101606A patent/AU2018101606A4/en not_active Ceased
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101498661A (zh) * | 2008-01-30 | 2009-08-05 | 香港浸会大学 | 高精度分辨中药材品种、产地及生长方式的红外光谱特征提取方法 |
| CN101532954A (zh) * | 2008-03-13 | 2009-09-16 | 天津天士力现代中药资源有限公司 | 一种用红外光谱结合聚类分析鉴定中药材的方法 |
| CN102243170A (zh) * | 2010-05-12 | 2011-11-16 | 天津天士力现代中药资源有限公司 | 用近红外光谱技术鉴别麦冬药材产地的方法 |
| CN104089921A (zh) * | 2014-06-30 | 2014-10-08 | 四川新绿色药业科技发展股份有限公司 | 一种淫羊藿药材基源和产地的鉴定方法 |
| CN107607485A (zh) * | 2017-08-30 | 2018-01-19 | 浙江医药高等专科学校 | 一种鉴别三叶青产地的方法 |
Non-Patent Citations (6)
| Title |
|---|
| 史春香 等: "近红外技术鉴别黄芪产地", 《天津药学》 * |
| 梁红: "《化学工程与工艺》", 30 April 2009 * |
| 谢友亮: "正交法优选阿魏酸钠红外光谱鉴别中压片条件", 《海峡药学》 * |
| 谭颖 等: "水溶液中Cr3+的火焰原子吸收光谱法测试条件的优化", 《光谱实验室》 * |
| 赵庆帅 等: "藏药五脉绿绒蒿不同部位红外光谱的识别", 《天然产物研究与开发》 * |
| 赵庆帅: "青海省不同居群五脉绿绒蒿红外光谱特征分析", 《万方医学网》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114112983A (zh) * | 2021-10-18 | 2022-03-01 | 中国科学院西北高原生物研究所 | 一种基于Python数据融合的藏药全缘叶绿绒蒿产地判别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| AU2018101606A4 (en) | 2018-12-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Species authentication and geographical origin discrimination of herbal medicines by near infrared spectroscopy: A review | |
| US11710541B2 (en) | Chemical pattern recognition method for evaluating quality of traditional Chinese medicine based on medicine effect information | |
| Bunaciu et al. | Recent applications of fourier transform infrared spectrophotometry in herbal medicine analysis | |
| Cheng et al. | Infrared spectroscopic studies of Chinese medicines | |
| Ding et al. | A fast and effective way for authentication of Dendrobium species: 2DCOS combined with ResNet based on feature bands extracted by spectrum standard deviation | |
| CN102539566A (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 | |
| 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 | |
| CN109490246A (zh) | 一种前胡药材质量的快速检测方法 | |
| CN106198446A (zh) | 近红外光谱快速测定艾纳香叶粉中左旋龙脑含量的方法 | |
| Liu et al. | Quality control strategies of medicine food homology materials based on fingerprint profiling and chemometrics: Citri Reticulata Pericarpium as an example | |
| CN113759003B (zh) | 一种基于uplc指纹图谱和化学计量法的甘草产地判别方法 | |
| Zou et al. | Progress in quality control of herbal medicine with IR fingerprint spectra | |
| CN107917896A (zh) | 基于近红外光谱和聚类分析技术的甘草快速鉴别方法 | |
| Shikanga et al. | A novel approach in herbal quality control using hyperspectral imaging: discriminating between Sceletium tortuosum and Sceletium crassicaule | |
| Wang et al. | Original plant traceability of Dendrobium species using multi-spectroscopy fusion and mathematical models | |
| Yue et al. | Evaluation of ecological suitability and quality suitability of panax notoginseng under multi-regionalization modeling theory | |
| CN110823828A (zh) | 一种鉴别不同产地五脉绿绒蒿的方法 | |
| CN110297060B (zh) | 一种山苦荬药材指纹图谱检测方法及其指纹图谱 | |
| Zhao et al. | Identification of Gentiana rigescens from different geographical origins based on HPLC and FTIR fingerprints | |
| Li et al. | Non-targeted analytical technology in herbal medicines: Applications, challenges, and perspectives | |
| Chen et al. | Trends in digital detection for the quality and safety of herbs using infrared and Raman spectroscopy | |
| Wang et al. | Pattern recognition: An effective tool for quality assessment of herbal medicine based on chemical information | |
| CN113419000B (zh) | 一种基于非靶向代谢组学鉴别25头与80头以下三七的方法 | |
| Liu et al. | Study of the suitable climate factors and geographical origins traceability of Panax notoginseng based on correlation analysis and spectral images combined with machine learning | |
| Yang et al. | Characterization of Paris polyphylla var. yunnanensis by infrared and ultraviolet spectroscopies with chemometric data fusion |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200221 |