本站小編為你精心準備了黃連中小檗堿的近紅外檢測技術探析參考范文，愿這些范文能點燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

《分析試驗室》2016年第10期

摘要:

以黃連中的黃連素為研究對象，采用了65個樣品進行研究，建立了黃連中小檗堿的近紅外快速檢測方法。針對在近紅外光譜分析研究中，樣品的光譜中常常包含由光散射導致的干擾信息，采用了一種新穎的預處理方法光程估計與校正(OPLEC)對光譜進行處理，并與原始光譜建立的模型進行比較，研究了消除黃連顆粒近紅外漫反射光譜散射的最佳預處理方法。實驗表明，光譜預處理后建立的模型在穩(wěn)健性上均有提升，其中光程估計與校正預處理法對消除光散射有著顯著的效果。模型的交叉驗證均方根誤差(RMSECV)從0.1485降低到0.0369，相關系數R從0.9513提高到0.9854，預防均方根誤差(RMSEP)從0.1145降低到0.0578。

關鍵詞:

近紅外;黃連;OPLEC;散射校正;小檗堿

黃連素別名小檗堿，是黃連的主要藥理活性成分，小檗堿的含量直接決定了黃連的藥效。但是在傳統的中藥流通環(huán)節(jié)中，通常通過傳統的觀感進行判斷，效果不佳，而且對操作者的經驗依賴較高，不具有通用性。隨著現代檢測方法的發(fā)展，色譜法和光譜法等逐漸應用到了重要活性成分的檢測中［1～3］。近紅外光譜分析技術(NIR)具有快速、無損、不需要前處理、無污染等優(yōu)點，近年來成功的應用于中藥分析領域［4～13］。但是樣品的近紅外光譜會受到嚴重的散射影響，降低模型的效果［14］。本研究提出了一種新穎的消除光散射的預處理方法———光程估計與校正法(OPLEC)，它是一種通過校正光譜的乘法效應，采用網格搜索法進行參數優(yōu)選，通過參數的調節(jié)，可以使預處理的應用范圍更大，得到更好的預測模型［15］。實驗以黃連作為研究對象，基于近紅外光譜技術，建立小檗堿的定量檢測模型，研究消除光散射的最佳預處理方法。

1實驗部分

1.1儀器

BrukerVECTOR22/N傅里葉變換近紅外光譜儀(德國布魯克公司);U-3010紫外可見分光光度計(日本日立公司)。

1.2實驗方法

總共收集了65個來自石柱的黃連樣品，將它們分成38個校正樣本，27個預測樣本，然后將所有的樣品粉碎之后過150μm篩，以便達到所需樣本的標準，再用近紅外光譜儀進行近紅外掃描，從而獲取到黃連的近紅外光譜圖。對每一份樣品稱取2.0g，加入等量的去離子水進行浸泡1h，然后再對樣品進行超聲提取1h。再對提取液進行冷凍離心，取上清液，將上清液用去離子水稀釋50倍，然后對樣本進行過濾，取其清液。配制小檗堿的標準溶液，然后再掃描其紫外光譜圖并繪制其標準曲線，收集其小檗堿的紫外光譜圖。

1.3OPLEC預處理方法原理

OPLEC方法的提出是為了解決乘法散射效應［16，17］。具體的過程如下:測量光譜(Aj，行向量)j由T個化學成分組成的測量光譜。可表示為Aj=Pj∑Tt=1Cj，tat，j=1，2，3N，Pj是樣本光譜數據的乘法因子，是第j個樣品物理性質的變化而產生的乘法效應，代表了光線在樣品中的光程變化，Cj，t表示的是第j個樣品中第t個化學成分的濃度，at表示第t個化學成分的純光譜，假設第一個成分為目標分析物，∑Tt=1Cj，t=1，則Aj=PjCj，1Δa1+Pja2+∑Tt=1Cj，tΔat，Aj和Pj，及Aj和PjCj，1之間存在著線性關系，可以用偏最小二乘法(PLS)方法建立雙校正模型，兩個模型中的隱藏變量數是相同的。雙校正模型可以用多元回歸求解。校正集的乘法因子向量P是修正乘法效應的關鍵點，OPLEC為求P提供了一種精確的方法，把矩陣A分解為得分矩陣和載荷矩陣，由r列組成(r代表活躍化學成分的個數)，因此無需知道P的確切的值，P可以通過求f(P)的最小值估算到，r也可以在求P的過程中估算出。在OPLEC方法中，r是一個重要的參數，光譜的主要信息都包含在r個主成分中。調節(jié)r在一定范圍內變化，對應每一個r可以得到一個minf(p)值，根據minf(p)曲線得出最優(yōu)的r值，由r值可以得到對應的P及預處理后的光譜。然后，把參數r和PLS的因子數聯合優(yōu)選，每個r對各個因子數都得到一個RMSECV值，由最小值選出最優(yōu)的模型。

1.4定量校正模型及評價標準

通過PLS法建立模型比較不同預處理方法的效果。主要交叉驗證均方根誤差(RMSECV)來進行對建模效果的評價。根據RMSECV來確定主因子數，因為主因子數的選取小了很容易造成信息的丟失，大了又會包含過多的干擾信息［17］，故設定最大的主因子數為20。本文采用預測均方根誤差(RMSEP)和相關系數(R)來評價不同預處理方法的效果。在此基礎上，綜合考量定標模型的效果和預測結果來比較不同預處理方法建立PLS模型的效果。

2結果與討論

2.1黃連樣品

近紅外光譜圖實驗得到的近紅外的原始光譜圖如下圖1。從圖1中可以看出，波數范圍12500～7000cm－1的波段有著嚴重的毛刺，這會影響建立模型的精度和穩(wěn)定性。波數7000～4000cm－1的波段幾乎沒有受到毛刺影響，且波數7000～4000cm－1之間中包含了含氫基團化學鍵縮振動的全部一級倍頻和合頻區(qū)域，包含了足夠的有效信息。因此，本文選取波數7000～4000cm－1的波段，建立定量檢測模型。

2.2不同光譜預處理方法的比較

所用的光譜數據，共有65個過150μm篩后的黃連樣品的近紅外吸收光譜組成，選取波數7000～4000cm－1。表1是黃連中小檗堿含量分布的信息。首先建立原始光譜的定量模型。校正集光譜圖如圖2。采用的是偏最小二乘法(PLS)建立定標模型。根據RMSECV的值，選取了8個主因子數進行建立黃連的小檗堿的定量模型，其相應的RMSECV=0.1485，內部相關系數Rc=0.9054。RMSECV與主因子數的關系圖如圖3。 分別采用SNV法、MSC法和團隊提出的OPLEC法對參與建模光譜進行預處理后，結合PLS法建立定量模型，它們各自對應的RMSECV值和Rc如表2，其中OPLEC采用網格搜索法得到最優(yōu)參數r=6，選取的主因子數為8。由表2可知，對光譜進行預處理后建立的模型，相比于原始光譜建立的模型效果均有不同程度的改善。尤其是本團隊提出的OPLEC預處理方法在模型的穩(wěn)健性上比其他兩種預處理方法有著更為顯著的優(yōu)勢。

2.3不同方法的預測結果檢驗

為了驗證模型的預測能力，隨機選取了27個獨立樣本對模型進行檢驗。相應模型預測效果的指標如表3。從表3中的Rp和RMSEP數據中可知，傳統的MSC和SNV方法在模型的預測能力上并未有明顯的提升，而本研究團隊中提出的新穎的OPLEC預處理方法所建模型在預測能力上有著顯著的提升，相關系數更高，而誤差更小。這表明新穎的OPLEC預處理方法效果更優(yōu)。本方法具有通用性，可以適用于其他的顆粒狀物料在近紅外漫反射中的應用。圖4和圖5分別為小檗堿的參考值與原光譜和OPLEC預處理后模型的預測值的關系圖。

3總結

以重慶石柱的特色黃連樣品為研究對象，研究了不同預處理方法對顆粒狀樣品的效果。收集了65個黃連樣本，38個作為校正集，27個作為預測集。所有樣品均過150μm篩，文章中優(yōu)選出的波段波數范圍是7000～4000cm－1。采用了常見的兩種散射消除的預處理方法和本團隊提出的新方法OPLEC法對光譜預處理，分別建立小檗堿預測模型同原始光譜建立的小檗堿的預測模型進行模型的比較。實驗表明，各種預處理后的模型在穩(wěn)健性上都有不同程度的提高，其中OPLEC預處理法不僅在模型穩(wěn)健性上有顯著的提升，在預測精度上也有明顯的提升。與原始光譜建模效果相比，RMSECV從0.1485降低到0.0369，相關系數Rp從0.9513提高到0.9854，RMECP從0.1145降低到0.0578。實驗表明新的OPLEC方法相對于傳統的散射消除預處理方法更適用于固體顆粒的散射消除。OPLEC方法具有通用性，可推廣到其他同性狀物料的近紅外檢測中。

參考文獻：

［1］陳紅英，孟君．中國醫(yī)藥導報，2009，6(16):67

［2］蘇亞，盧敏．海峽藥學，2009，16(3):44

［3］王友新．中國醫(yī)藥導報，2009，13(6):33

［11］袁明洋，黃必勝，余馳，等．中國中藥雜志，2014，39(2):267［12］江燕，楊眉，張學博，等．藥物分析雜志，2013，33(9):1572

［13］申云霞，趙艷麗，張霽，等．世界科學技術:中醫(yī)藥現代化，2015，17(3):664

［14］劉莉，黃嵐，嚴衍祿，等．光譜學與光譜分析，2008，28(10):2290

作者:劉振堯 徐鋒 溫江北 陳華舟 單位:中國科學院長春光學精密機械與物理研究所應用光學國家重點實驗室 廣州市光機電技術研究院 廣東星創(chuàng)眾譜儀器有限公司