屈 瓊，韓立柱，趙小梅，張 穎，魏 玄，唐瑩瑩，雷 璇，趙佩媛，張新博，邱金清，宋 逍, 2*

基于近紅外光譜技術(shù)的香菊片提取液膜分離過程評(píng)價(jià)

屈 瓊1，韓立柱1，趙小梅1，張 穎1，魏 玄1，唐瑩瑩1，雷 璇1，趙佩媛1，張新博1，邱金清1，宋 逍1, 2*

1. 陜西中醫(yī)藥大學(xué)，陜西 咸陽 712046 2. 中藥制藥與新藥開發(fā)教育部工程研究中心，北京 100029

采用近紅外光譜（near infrared spectrum，NIRS）技術(shù)結(jié)合偏最小二乘法（partial least-square，PLS）建立香菊片提取液膜分離過程中沒食子酸、鞣花酸、木犀草素3個(gè)成分的定量監(jiān)測(cè)模型。收集香菊片膜分離過濾液樣本53個(gè)，其中預(yù)測(cè)集38個(gè)，驗(yàn)證集15個(gè)，用HPLC法測(cè)定所有樣本中沒食子酸、鞣花酸、木犀草素3個(gè)成分的含量，同時(shí)采集NIRS數(shù)據(jù)。將得到的光譜數(shù)據(jù)與3個(gè)化學(xué)成分含量數(shù)據(jù)應(yīng)用PLS回歸分析建立定量模型，采用模型的校正集相關(guān)系數(shù)（correlation coefficient of calibration，C）、預(yù)測(cè)集相關(guān)系數(shù)（correlation coefficient of prediction，P）、校正集誤差均方根（root mean square error of calibration，RMSEC）、預(yù)測(cè)集誤差均方根（root mean square error of prediction，RMSEP）和預(yù)測(cè)集相對(duì)偏差（relative standard of errors of prediction，RSEP）對(duì)定量預(yù)測(cè)模型進(jìn)行評(píng)價(jià)。沒食子酸、鞣花酸、木犀草素近紅外定量模型RMSEC分別為0.561、1.256、0.342，C分別為0.981、0.992、0.986；RMSEP分別為0.557、1.157、0.367，P分別為0.987、0.994、0.979；RSEP分別為5.73%、4.23%和3.78%，均小于10%。建立的NIRS定量模型預(yù)測(cè)性良好，可用于香菊片提取液膜分離過程的成分含量測(cè)定和終點(diǎn)判斷。

香菊片；近紅外光譜；膜分離；沒食子酸；鞣花酸；木犀草素

中藥成分復(fù)雜，為了提高療效、減小劑量易于研制，中藥材在制備為成方制劑時(shí)往往需要經(jīng)過純化處理，純化工藝直接關(guān)系到藥材資源的充分利用和制劑的療效。膜分離技術(shù)是一種采用選擇性滲透膜作為分離媒介，利用化學(xué)位差或外部能量作為推動(dòng)力實(shí)現(xiàn)對(duì)某一類物質(zhì)的分離、提純和濃縮的分離工藝技術(shù)；膜分離技術(shù)能夠有效保留功效成分的活性，而且其選擇性強(qiáng)，操作過程簡(jiǎn)單，適用范圍廣，能耗低，已廣泛應(yīng)用于醫(yī)藥生產(chǎn)過程中[1]。

近紅外光譜（near infrared spectrum，NIRS）的波數(shù)為12 800～4000 cm?1，具有快速無損的優(yōu)點(diǎn)。NIRS吸收帶的信息主要是因?yàn)镃-H、O-H和N-H等含有氫原子基團(tuán)的吸收，所以，NIRS能夠?qū)芏嗌锘瘜W(xué)和化學(xué)樣品進(jìn)行檢測(cè)，然后利用光譜信息結(jié)合適當(dāng)?shù)膮⒖挤椒ń?shù)學(xué)模型，即可對(duì)樣品進(jìn)行定性或定量分析[2-3]，NIRS技術(shù)在中藥制備過程監(jiān)測(cè)中有較多的應(yīng)用，可用于香菊片藥液膜分離過程評(píng)價(jià)。

香菊片由化香樹果序、夏枯草、野菊花、黃芪、辛夷、防風(fēng)、白芷、甘草、川芎9味中藥組成，具有抗過敏、抗炎、鎮(zhèn)痛的效果，對(duì)急性、慢性鼻竇炎、鼻炎的治療效果效好[4]。本實(shí)驗(yàn)在課題組前期提取工藝優(yōu)化的基礎(chǔ)上，采用膜分離技術(shù)對(duì)香菊片提取液進(jìn)行純化，利用近紅外光譜儀結(jié)合化學(xué)計(jì)量學(xué)方法測(cè)定膜分離過程中藥液的有效成分的含量變化，可實(shí)現(xiàn)對(duì)膜分離終點(diǎn)的判斷，為香菊片除雜過程的質(zhì)量監(jiān)控提供方法和依據(jù)。

1 儀器與材料

1.1 儀器

Ulti Mate 3000高效液相色譜儀，賽默飛世爾科技有限公司；BSA224S型萬分之一電子天平，北京賽多利斯科學(xué)儀器有限公司；Tensor II型傅里葉變換紅外光譜儀，德國(guó)Bruker公司；LNG-CM-101型膜分離儀，上海朗極膜分離設(shè)備工程有限公司。

1.2 試藥與試劑

化香樹果序、夏枯草、野菊花、生黃芪、辛夷、防風(fēng)、白芷、甘草、川芎均購(gòu)自西安市浐灞中藥材市場(chǎng)，經(jīng)陜西中醫(yī)藥大學(xué)藥學(xué)院胡本祥教授鑒定，符合《中國(guó)藥典》2020年版相關(guān)項(xiàng)下規(guī)定，鑒定結(jié)果：化香樹果序基原為胡桃科化香樹屬植物化香樹Sieb. et Zucc.的干燥果實(shí)，夏枯草基原為唇形科夏枯草屬植物夏枯草L.的干燥果穗，野菊花基原為菊科菊屬植物野菊L.的干燥頭狀花序，生黃芪基原為豆科黃芪屬植物膜莢黃芪(Fisch.) Bge.的干燥根，辛夷基原為木蘭科木蘭屬植物玉蘭Desr.的干燥花蕾，防風(fēng)基原為傘形科防風(fēng)屬植物防風(fēng)(Turcz.) Schischk.的干燥根，白芷基原為傘形科當(dāng)歸屬植物白芷(Fisch. ex Hoffm.) Benth. et Hook. f.的干燥根，甘草基原為豆科甘草屬植物甘草Fisch.的干燥根和根莖，川芎基原為傘形科藁本屬植物川芎Hort.的干燥根莖。香菊片提取液（實(shí)驗(yàn)室自制，批號(hào)200115）；對(duì)照品木犀草素（批號(hào)ML918532，質(zhì)量分?jǐn)?shù)≥98%）和鞣花酸（批號(hào)21R3329，質(zhì)量分?jǐn)?shù)≥98%）均購(gòu)自合肥博美生物科技有限責(zé)任公司；對(duì)照品沒食子酸（批號(hào)110831-201605，質(zhì)量分?jǐn)?shù)≥98%）購(gòu)自中國(guó)食品藥品檢定研究院；甲醇，色譜純，F(xiàn)isher公司；其余試劑為分析純。

2 方法與結(jié)果

2.1 樣品的制備

按照處方量稱取化香樹果序、夏枯草等9味中藥共3.188 kg，置于提取罐中，加入13倍量水，提取2次，每次1 h，合并提取液，靜置后采用布氏漏斗初濾。將濾液置于膜分離儀中，微濾膜為Al2O3無機(jī)陶瓷膜，膜孔徑為0.2 μm，其中過膜壓力80 kPa，料液流速1 m/s。在膜分離儀器穩(wěn)定后開始收集樣品用于分析檢測(cè)，每3 min進(jìn)行取樣，共計(jì)得到53個(gè)樣本。圖1為實(shí)驗(yàn)過程裝置示意圖。

2.2 NIRS條件

采用Tensor II傅里葉變換紅外光譜儀采集香菊片膜分離過程中溶液的NIRS數(shù)據(jù)，設(shè)定波數(shù)為4000～10 000 cm?1，分辨率4 cm?1，以儀器的內(nèi)部空氣為參比，樣品以積分球模式掃描，設(shè)定儀器的掃描次數(shù)為16次，每1個(gè)膜分離過程中采集的樣品重復(fù)掃描3次[5]。

1-料液斗 2-膜分離設(shè)備 3-膜組件 4-濾過液收集斗 5-高效液相色譜儀 6-近紅外光譜儀 7-NIRS數(shù)據(jù)處理設(shè)備

2.3 指標(biāo)成分的含量測(cè)定

2.3.1 色譜條件 采用Agilent SB-C18色譜柱（250 mm×4.6 mm，5 μm）；進(jìn)樣量10 μL；設(shè)定柱溫為30 ℃；體積流量1 mL/min；以甲醇-0.2%磷酸水溶液為流動(dòng)相進(jìn)行梯度洗脫：0～10 min，10%～20%甲醇；10～20 min，20%～35%甲醇；20～30 min，35%～43%甲醇；30～40 min，43%～48%甲醇；40～50 min，48%～70%甲醇；50～70 min，70%～90%甲醇；檢測(cè)波長(zhǎng)254 nm。HPLC圖見圖2。

1-沒食子酸 2-鞣花酸 3-木犀草素

2.3.2 對(duì)照品溶液的制備 分別精密稱取沒食子酸、鞣花酸和木犀草素對(duì)照品適量，分別置于5 mL量瓶中，加甲醇定容至刻度，制備成質(zhì)量濃度分別為沒食子酸0.156 mg/mL、鞣花酸0.102 mg/mL、木犀草素0.178 mg/mL的單一對(duì)照品溶液。再分別精密稱取3種對(duì)照品溶液置于10 mL量瓶中，加入甲醇定容至刻度線，制得質(zhì)量濃度分別為沒食子酸162.8 μg/mL、鞣花酸162.0 μg/mL、木犀草素202.0 μg/mL的混合對(duì)照品溶液。

2.3.3 供試品溶液的制備 取香菊片提取液樣品，搖勻，吸取1 mL，過0.22 μm微孔濾膜，取續(xù)濾液，即得供試品溶液。

2.3.4 線性關(guān)系考察 分別精密吸取3種對(duì)照品溶液并依次稀釋，制得7個(gè)樣品系列對(duì)照品溶液。按照“2.3.1”項(xiàng)下色譜條件進(jìn)樣測(cè)定，以對(duì)照品質(zhì)量濃度為橫坐標(biāo)（），峰面積為縱坐標(biāo)（），繪制標(biāo)準(zhǔn)曲線，進(jìn)行線性回歸，得到回歸方程為沒食子酸1＝0.196 91＋0.067 2，＝0.999 8；鞣花酸2＝1.188 52－5.625 9，＝0.999 1；木犀草素3＝0.368 03－0.202 5，＝0.999 8；結(jié)果表明，沒食子酸在1.63～162.84 μg/mL、鞣花酸在1.62～162.01 μg/mL、木犀草素在4.04～202.21 μg/mL與峰面積呈良好的線性關(guān)系。

2.3.5 精密度試驗(yàn) 精密吸取3種對(duì)照品溶液適量，按“2.3.1”項(xiàng)下色譜條件連續(xù)進(jìn)樣6次，結(jié)果沒食子酸、鞣花酸和木犀草素峰面積的RSD分別為1.67%、0.71%、1.29%，結(jié)果表明儀器精密度良好。

2.3.6 重復(fù)性試驗(yàn) 精密稱取香菊片處方藥材6份，按照“2.1”項(xiàng)下方法制備供試品溶液，按照“2.3.1”項(xiàng)下色譜條件進(jìn)樣測(cè)定，結(jié)果表明香菊片供試品溶液中沒食子酸、鞣花酸和木犀草素質(zhì)量分?jǐn)?shù)的RSD分別為1.71%、1.28%、2.18%，表明該試驗(yàn)重復(fù)性良好。

2.3.7 穩(wěn)定性試驗(yàn) 取同一份香菊片供試品溶液（批號(hào)為200115的香菊片提取液膜分離開始時(shí)取的第1個(gè)樣品），在25 ℃下放置0、2、4、6、8、10、12 h，然后按照“2.3.1”項(xiàng)下色譜條件進(jìn)樣測(cè)定，結(jié)果顯示香菊片供試品溶液中沒食子酸、鞣花酸和木犀草素峰面積的RSD分別為1.05%、0.88%、1.68%，結(jié)果表明供試品溶液在室溫放置12 h內(nèi)較穩(wěn)定。

2.3.8 加樣回收率試驗(yàn) 精密量取同一份香菊片供試品溶液6份，每份1 mL，將各對(duì)照品按照樣品中所含該成分的1.0倍分別加入，用“2.3.3”項(xiàng)下方法制備供試品溶液，按照“2.3.1”項(xiàng)下色譜條件進(jìn)樣測(cè)定，得到?jīng)]食子酸、鞣花酸和木犀草素的平均加樣回收率分別為102.35%、99.83%、101.44%，RSD分別為1.17%、2.10%、2.14%。

2.4 光譜預(yù)處理[6]

本實(shí)驗(yàn)選用的NIRS預(yù)處理方法有：一階求導(dǎo)（first derivative，1D）、二階求導(dǎo)（second derivative，2D）、平滑濾波（Savitzky-Golay，SG）以及標(biāo)準(zhǔn)正則變換（standard normal variate，SNV）。1D可以消除背景的常數(shù)平移；2D可以消除線性背景平移；SG是通過多項(xiàng)式來對(duì)移動(dòng)窗口內(nèi)的數(shù)據(jù)進(jìn)行多項(xiàng)式最小二乘擬合以消除噪聲；SNV可降低樣本中固體顆粒分布不均、大小不同和附加的散射對(duì)光譜的影響。

2.5 數(shù)據(jù)處理

采用Unscrambler 10.4軟件對(duì)試驗(yàn)中采集的香菊片膜分離過濾液的光譜信息進(jìn)行預(yù)處理以消除樣品特征、儀器的精準(zhǔn)度和測(cè)量環(huán)境變化帶來的誤差。對(duì)不同預(yù)處理方式進(jìn)行篩選用于NIRS模型的建立。采用MATLAB R2018b（美國(guó)MathWorks公司）軟件進(jìn)行光譜偏最小二乘（partial least squares，PLS）、組合區(qū)間偏最小二乘法（synery interval patial least squares，SiPLS）模型的建立，間隔偏最小二乘（interval partial least squares，iPLS）算法工具包從http://models.kvl.dk網(wǎng)站獲取[7-8]。采用SIMCA 14.1軟件對(duì)模型進(jìn)行可視化處理和樣品集和校正集的參數(shù)對(duì)比。

PLS法是一種多元因子回歸方法，對(duì)光譜矩陣進(jìn)行分解以消除無用的噪聲信息，對(duì)濃度矩陣也進(jìn)行分解，并且在分解光譜矩陣時(shí)考慮濃度矩陣的影響。PLS對(duì)光譜矩陣和濃度矩陣的模型如下。

式（1）（2）中，t(×1)為吸光度矩陣的第個(gè)主因子的得分；p(1×)為吸光度矩陣的第個(gè)主因子的載荷；u(×1)為濃度矩陣的第個(gè)主因子得分；q(1×)為濃度矩陣的第個(gè)主因子的載荷。為主因子數(shù)。即和分別為和矩陣的得分矩陣，和分別為和矩陣的載荷矩陣，E和E分別為和的PLS擬合殘差矩陣。

采用校正集誤差均方根（root mean square error of calibration，RMSEC）、預(yù)測(cè)集誤差均方根（root mean square error of prediction，RMSEP）、校正集相關(guān)系數(shù)（correlation coefficient of calibration，C）、預(yù)測(cè)集相關(guān)系數(shù)（correlation coefficient of prediction，P）、預(yù)測(cè)集相對(duì)偏差（relative standard of errors of prediction，RSEP）作為評(píng)價(jià)指標(biāo)，考察建模方法的模型性能[9-10]。C越大，RMSEC值越小，所對(duì)應(yīng)的模型擬合效果越好。P越大，RMSEP值越小所對(duì)應(yīng)的模型預(yù)測(cè)能力越好[11-12]。

3 結(jié)果

3.1 訓(xùn)練集和預(yù)測(cè)集的劃分

為消除NIR樣本集劃分過程中人員選擇時(shí)主觀因素的影響，本試驗(yàn)利用MATLAB R2018b軟件中，Kennard-Stone算法進(jìn)行香菊片膜分離光譜樣本集的劃分[13]。設(shè)定樣本訓(xùn)練集35個(gè)，預(yù)測(cè)集18個(gè)。對(duì)香菊片提取液進(jìn)行純化時(shí)掃描其抽濾后、膜分離純化后以及膜分離截留液的顯微圖，可以看出過膜后提取液的雜質(zhì)明顯減少，達(dá)到了較好的除質(zhì)目的，結(jié)果見圖3。膜分離過程的化學(xué)成分含量的變化曲線見圖4。K-S算法首先選擇歐氏距離最遠(yuǎn)的2個(gè)樣本進(jìn)入訓(xùn)練集，然后通過計(jì)算剩下的每1個(gè)樣品到訓(xùn)練集內(nèi)每1個(gè)已知樣品的歐式距離，找到距已選樣本最遠(yuǎn)以及最近的2個(gè)樣本，并將這2個(gè)樣本選入訓(xùn)練集，重復(fù)上述步驟直到選擇的樣本數(shù)量達(dá)到目標(biāo)要求[14-16]。訓(xùn)練集和預(yù)測(cè)集樣本中各成分質(zhì)量濃度分布范圍見表1。

3.2 光譜預(yù)處理方法的篩選

采用Unscrambler軟件對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理和模型計(jì)算。由于環(huán)境和儀器等因素的干擾，信號(hào)中容易出現(xiàn)基線漂移以及噪聲干擾，因此對(duì)香菊片提取液膜分離樣品的NIRS進(jìn)行適當(dāng)?shù)念A(yù)處理，能夠提高模型的性能。常用的NIRS預(yù)處理方法有：一階求導(dǎo)、二階求導(dǎo)、平滑濾波、多元散射校正法（multivariate scatter correction，MSC）以及標(biāo)準(zhǔn)正則變換等[17]，并以C、RMSEC評(píng)價(jià)模型性能，C越接近1，RMSEC越小，說明所建模型越穩(wěn)定，預(yù)測(cè)準(zhǔn)確度越高。香菊片膜分離樣品原始光譜圖見圖5，膜分離溶液中水分子的O-H在5155、6944 cm?1附近有較強(qiáng)的對(duì)稱和反對(duì)稱伸縮振動(dòng)的組合頻吸收；在4500～5500 cm?1有反對(duì)稱彎曲振動(dòng)和伸縮振動(dòng)的組合頻吸收。由此可見，香菊片膜分離過程中原始NIRS的整體變化包含了水分子特征吸收光譜。

A-抽濾液樣本 B-膜分離后樣本 C-膜分離截留液 a-抽濾液樣本顯微圖 b-膜分離后樣本顯微圖 c-膜分離截留液顯微圖

圖4 膜分離過程過濾液的化學(xué)成分含量的變化曲線

表1 訓(xùn)練集和預(yù)測(cè)集數(shù)據(jù)統(tǒng)計(jì)結(jié)果

3.3 潛變量因子數(shù)的篩選

考察原始光譜（Raw）、SG、1D、2D、SNV預(yù)處理之后對(duì)NIRS定量模型的影響，評(píng)價(jià)5種不同處理方式后所建立的PLS模型參數(shù)見表2。可見采用SNV處理后，沒食子酸和木犀草素光譜建立模型效果最好，此時(shí)沒食子酸的RMSEC最小，C最大（0.990）；木犀草素的RMSEC為0.397，C為0.992；使用原始光譜建立鞣花酸PLS模型效果較好，鞣花酸的RMSEC為1.456，C為0.988；其他預(yù)處理方式下所建立模型的C為0.872～0.981，模型的預(yù)測(cè)性能一般。因此，沒食子酸和木犀草素選擇SNV預(yù)處理方式，鞣花酸選擇原始光譜為最佳預(yù)處理方式以提高模型預(yù)測(cè)性能。

構(gòu)建PLS模型時(shí)，潛變量因子數(shù)選擇過多或過少都會(huì)顯著影響所建立數(shù)學(xué)模型的預(yù)測(cè)性能。潛變量因子數(shù)過少則建模信息不全，出現(xiàn)光譜數(shù)據(jù)的“欠擬合”，導(dǎo)致模型精度和穩(wěn)健性下降[18-19]；過多則會(huì)在擬合出正確規(guī)則的前提下，進(jìn)一步擬合噪聲，導(dǎo)致光譜數(shù)據(jù)“過擬合”，使模型預(yù)測(cè)能力和穩(wěn)健性下降[20]，各組分的潛變量因子數(shù)和評(píng)價(jià)值見圖6，由圖知，沒食子酸和木犀草素的PLS模型選取潛變量因子數(shù)為5，鞣花酸的潛變量因子數(shù)選擇6時(shí)，PLS模型預(yù)測(cè)性能較好。

圖5 膜分離過程中原始NIRS圖

3.4 PLS模型的建立和驗(yàn)證

基于上述優(yōu)化過程，建立了沒食子酸、鞣花酸和木犀草素的PLS定量校正模型。3個(gè)化學(xué)成分的PLS模型的校正集和預(yù)測(cè)集中的參考值和NIRS預(yù)測(cè)值的相關(guān)性見圖7。從圖中可以看出，NIRS預(yù)測(cè)值與參考值表現(xiàn)出良好的擬合度，3個(gè)定量模型的C和P均大于0.9，沒食子酸、鞣花酸和木犀草素的RMSEC分別為0.561、1.256、0.342；RMSEP分別為0.557、1.157、0.367，每個(gè)模型的RMSEC和RMSEP較小且較為接近，并且沒食子酸、鞣花酸和木犀草素的RSEP分別為5.73%、4.23%和3.78%，均在10%以內(nèi)。表明模型的預(yù)測(cè)精度較高，可準(zhǔn)確預(yù)測(cè)香菊片膜分離過程中沒食子酸、鞣花酸和木犀草素的含量。根據(jù)上述相關(guān)評(píng)價(jià)參數(shù)和所建立的定量模型，進(jìn)一步驗(yàn)證模型的預(yù)測(cè)能力[21]，利用已校正的模型預(yù)測(cè)新的一批香菊片膜分離樣品。結(jié)果見圖8所示，可看出模型給出的NIRS預(yù)測(cè)值與參考值十分接近，變化趨勢(shì)基本保持一致，表明采用NIRS結(jié)合PLS模型可以用于香菊片膜分離過程中的3種化學(xué)成分含量的測(cè)定。

表2 不同光譜預(yù)處理方法對(duì)PLS模型性能的影響

圖6 不同光譜預(yù)處理方法的潛變量因子

4 討論

本實(shí)驗(yàn)采用NIRS分析結(jié)合PLS算法建立香菊片膜分離過濾液定量校正模型，并考察了不同預(yù)處理方法對(duì)建模的影響，最后所建定量模型的值均在0.9以上，RSEP在10%以內(nèi)，模型的預(yù)測(cè)精度較高。該方法實(shí)現(xiàn)了香菊片膜分離液中沒食子酸、鞣花酸和木犀草素3種成分的快速測(cè)定和膜分離終點(diǎn)判斷。實(shí)驗(yàn)共收集了53個(gè)香菊片膜分離液的NIRS信息，沒食子酸、鞣花酸和木犀草素為化學(xué)指標(biāo)，將得到的光譜數(shù)據(jù)與3個(gè)化學(xué)成分含量數(shù)據(jù)應(yīng)用PLS回歸分析建立定量模型，對(duì)比不同的預(yù)處理方法與潛變量因子數(shù)用于優(yōu)化模型。

圖7 預(yù)測(cè)值與參考值的相關(guān)性圖

圖8 NIRS驗(yàn)證結(jié)果與參考方法測(cè)定結(jié)果的比較

在本實(shí)驗(yàn)的定量模型中，訓(xùn)練集樣本數(shù)為35個(gè)，預(yù)測(cè)集樣本數(shù)為18個(gè)。經(jīng)過對(duì)比，沒食子酸和木犀草素最佳處理方式為SNV，鞣花酸最佳處理方式為選擇原始光譜。將進(jìn)行最佳預(yù)處理后的NIRS用于構(gòu)建PLS模型時(shí)，沒食子酸和木犀草素選取潛變量因子數(shù)為5，鞣花酸潛變量因子數(shù)為6時(shí)，PLS模型預(yù)測(cè)性能較好。通過對(duì)模型的性能進(jìn)行驗(yàn)證，未知樣本的預(yù)測(cè)結(jié)果和真實(shí)值相比具有很小的偏差，具有良好的線性關(guān)系。以上結(jié)果說明NIRS結(jié)合PLS的方法能夠用于香菊片膜分離過程的指標(biāo)成分含量的快速測(cè)定，以及實(shí)現(xiàn)對(duì)膜分離過程終點(diǎn)的評(píng)價(jià)。

膜分離技術(shù)在中藥領(lǐng)域中的研究已有近五十年，研究應(yīng)用范圍涉及中藥的分離、純化、濃縮等操作單元，取得了一系列研究成果與應(yīng)用經(jīng)驗(yàn)。NIRS分析方法操作快速、成本較低，不破壞樣本，彌補(bǔ)了常規(guī)分析方法檢測(cè)樣品制備復(fù)雜和對(duì)樣品破壞性的不足，可以推廣應(yīng)用于中藥提取、純化、濃縮和檢驗(yàn)過程的在線質(zhì)量控制，這對(duì)于節(jié)約資源、提升中藥質(zhì)量控制水平具有借鑒意義[22]。但本實(shí)驗(yàn)采用的樣本量較少，考察的膜分離過程化學(xué)成分?jǐn)?shù)量范圍較窄，且采用的是離線式NIRS，與現(xiàn)實(shí)生產(chǎn)工藝中的在線檢測(cè)，在儀器配備、檢測(cè)方式、控制途徑、取樣模式、數(shù)據(jù)處理與分析等方面存在一定的差別，相關(guān)研究將進(jìn)一步繼續(xù)，后續(xù)將增加樣本數(shù)量、擴(kuò)大化學(xué)成分?jǐn)?shù)量范圍以及采用在線近紅外光譜對(duì)膜分離過程進(jìn)行進(jìn)一步探索研究。

利益沖突 所有作者均聲明不存在利益沖突

[1]張麗華, 葉世莉, 劉思美, 等. 白及多糖的超濾陶瓷膜分離工藝研究 [J]. 陜西中醫(yī)藥大學(xué)學(xué)報(bào), 2022, 45(6): 34-39.

[2]馮艷春, 易夏, 胡昌勤. 制藥工業(yè)中近紅外光譜分析技術(shù)的重要標(biāo)準(zhǔn)和指導(dǎo)原則簡(jiǎn)介 [J]. 中國(guó)醫(yī)藥工業(yè)雜志, 2016, 47(7): 957-962.

[3]Poke F S, Raymond C A. Predicting extractives, lignin, and cellulose contents using near infrared spectroscopy on solid wood inglobulus [J]., 2006, 26(2): 187-199.

[4]孫建設(shè), 李曉華, 王凱, 等. 香菊片聯(lián)合鹽酸羥甲唑啉噴霧劑治療慢性鼻竇炎的臨床研究 [J]. 現(xiàn)代藥物與臨床, 2019, 34(5): 1422-1425.

[5]吳志生, 史新元, 隋丞琳, 等. 清開靈注射液中間體銀黃液中黃芩苷含量近紅外測(cè)定方法的建立和驗(yàn)證 [J]. 中華中醫(yī)藥雜志, 2012, 27(4): 1021-1024.

[6]王晴, 徐芳芳, 張欣, 等. 在線近紅外光譜監(jiān)測(cè)桂枝茯苓膠囊流化床干燥過程水分的方法研究 [J]. 中草藥, 2019, 50(22): 5429-5438.

[7]杜敏, 吳志生, 林兆洲, 等. 光程對(duì)清開靈注射液中黃芩苷近紅外定量模型的影響 [J]. 藥物分析雜志, 2012, 32(10): 1796-1800.

[8]Gong H Y, Hu Y N, Xie C X,. Fast determination of active components in fructus corni by near infrared spectroscopy [J]., 2013, 807/808/809: 2054-2058.

[9]徐敏, 張磊, 岳洪水, 等. 基于近紅外光譜技術(shù)和多變量統(tǒng)計(jì)過程控制的五味子提取生產(chǎn)過程監(jiān)測(cè)方法 [J]. 中國(guó)中藥雜志, 2017, 42(20): 3906-3911.

[10]Yoon W L, Jee R D, Charvill A,. Application of near-infrared spectroscopy to the determination of the sites of manufacture of proprietary products [J]., 2004, 34(5): 933-944.

[11]周雨楓, 周立紅, 張鳳蓮, 等. 近紅外光譜技術(shù)在三七提取過程中的在線控制 [J]. 中藥材, 2019, 42(10): 2367-2370.

[12]Dou Y, Qu N, Wang B,. Simultaneous determination of two active components in compound aspirin tablets using principal component artificial neural networks (PC-ANNs) on NIR spectroscopy [J]., 2007, 32(3): 193-199.

[13]Zeng J Q, Zhou Z, Liao Y,. System optimisation quantitative model of on-line NIR: A case ofFisch. extraction process [J]., 2021, 32(2): 165-171.

[14]杜晨朝, 吳志生, 趙娜, 等. 基于兩類誤差檢測(cè)理論金銀花提取過程的MEMS-NIR在線分析建模方法研究 [J]. 中國(guó)中藥雜志, 2016, 41(19): 3563-3568.

[15]裴艷玲, 吳志生, 史新元, 等. 厚樸酚近紅外光譜的2D-COS解析及其在藿香正氣口服液模型中應(yīng)用 [J]. 光譜學(xué)與光譜分析, 2015, 35(8): 2119-2123.

[16]Wu Z S, Zhou X Z, Yu F L,. NIR rapid assessments of Chinese material medica: Simultaneous determination of three major active components of licorice [C]//,:, 2014, 9300: 182-188.

[17]楊越, 楊留長(zhǎng), 紀(jì)曉亮, 等. 近紅外光譜法快速測(cè)定柴胡提取過程中的藥效成分 [J]. 分析測(cè)試學(xué)報(bào), 2020, 39(11): 1311-1319.

[18]Li W L, Yan X, Pan J C,. Rapid analysis of the Tanreqing injection by near-infrared spectroscopy combined with least squares support vector machine and Gaussian process modeling techniques [J]., 2019, 218: 271-280.

[19]安思宇, 張磊, 尚獻(xiàn)召, 等. 紅參提取物總皂苷近紅外定量分析建模中的變量篩選 [J]. 光譜學(xué)與光譜分析, 2021, 41(1): 206-209.

[20]Xu B, Wu Z S, Lin Z Z,. NIR analysis for batch process of ethanol precipitation coupled with a new calibration model updating strategy [J]., 2012, 720: 22-28.

[21]解育靜, 張家楠, 朱冬寧, 等. 肉桂中4種成分近紅外定量分析模型的建立 [J]. 中國(guó)實(shí)驗(yàn)方劑學(xué)雜志, 2020, 26(2): 119-123.

[22]陳述. 基于近紅外光譜技術(shù)的不同產(chǎn)地中藥有效成分含量檢測(cè)方法 [J]. 激光雜志, 2020, 41(12): 22-26.

Evaluation of membrane separation process of Xiangju Tablets extract based on near-infrared spectrum technology

QU Qiong1, HAN Li-zhu1, ZHAO Xiao-mei1, ZHANG Ying1, WEI Xuan1, TANG Ying-ying1, LEI Xuan1, ZHAO Pei-yuan1, ZHANG Xin-bo1, QIU Jin-qing1, SONG Xiao1, 2

1. Shaanxi University of Chinese Medicine, Xianyang 712046, China 2. Engineering Research Center for Pharmaceutics of Chinese Materia Medica and New Drug Development, Ministry of Education, Beijing 100029, China

The quantitative monitoring model of gallic acid, ellagic acid and luteolin in the membrane separation process of Xiangju Tablets extract was established by near infrared spectrum (NIRS) combined with partial least-square (PLS).A total of 53 samples of filtrate separated by Xiangju Tablets membrane were collected, including 38 prediction sets and 15 validation sets. The contents of gallic acid, ellagic acid and luteolin in all samples were determined by HPLC, and the near-infrared spectral data were collected at the same time. The obtained spectral data and the content data of three chemical components were used to establish a quantitative model by PLS regression analysis. Correlation coefficient of calibration (C), correlation coefficient of prediction (P), root mean square error of calibration (RMSEC), root mean square error of prediction (RMSEP), and relative standard of errors of prediction (RSEP) were used to evaluate the quantitative prediction model.The RMSEC of gallic acid, ellagic acid and luteolin was 0.561, 1.256 and 0.342, respectively, and theCwas 0.981, 0.992 and 0.986, respectively. The RMSEP was 0.557, 1.157 and 0.367, respectively, and thePwas 0.987, 0.994 and 0.979, respectively. The RSEP was 5.73%, 4.23% and 3.78%, respectively, which were all less than 10%.The established near-infrared quantitative model has good predictability and can be used for the determination of component content and terminus judgment in the membrane separation process of Xiangju Tablets extract.

Xiangju Tablets; near-infrared spectrum; membrane separation; gallic acid; ellagic acid; luteolin

R283.6

A

0253 - 2670(2023)21 - 7017 - 08

10.7501/j.issn.0253-2670.2023.21.010

2023-05-16

陜西省中醫(yī)藥管理局（2021-04-ZZ-007）；陜西省教育廳項(xiàng)目（21JC011）；國(guó)家重點(diǎn)研發(fā)計(jì)劃（2019YFC1711204）

屈 瓊（1999—），女，漢，四川省達(dá)州市人，碩士研究生，研究方向?yàn)橹兴幹苿┕に嚺c新產(chǎn)品開發(fā)。Tel: 13281262252 E-mail: 2720345499@qq.com

通信作者：宋 逍（1979—），男，漢，陜西省乾縣，教授，碩士研究生導(dǎo)師，博士，研究方向?yàn)橹兴幹苿┕に嚺c新產(chǎn)品開發(fā)。Tel: 15319015083 E-mail: song-xiaoyao@163.com

[責(zé)任編輯 鄭禮勝]