周 正 吳志生 史新元 王佳茜 喬延江,

(1 福建中醫(yī)藥大學藥學院,福州,350122; 2 北京中醫(yī)藥大學中藥學院,北京,100102; 3 國家中醫(yī)藥管理局中藥信息工程重點研究室,北京,100102;4煙臺市食品藥品檢驗檢測中心,煙臺,264000)

?

中藥研究

Bagging-PLS的黃柏中試提取過程在線近紅外質量監(jiān)測研究

周 正1吳志生2,3史新元2,3王佳茜4喬延江1,2,3

(1 福建中醫(yī)藥大學藥學院,福州,350122; 2 北京中醫(yī)藥大學中藥學院,北京,100102; 3 國家中醫(yī)藥管理局中藥信息工程重點研究室,北京,100102;4煙臺市食品藥品檢驗檢測中心,煙臺,264000)

目的:采用近紅外光譜技術,建立黃柏中試提取過程偏最小二乘法(PLS)定量模型,快速分析鹽酸小檗堿含量,以Bagging-PLS集成建模方法提高所建模型的預測性能。方法:以HPLC為參考方法測定黃柏提取液中鹽酸小檗堿含量,運用PLS建立與近紅外光譜(NIR)預測值之間的多元校正模型,并建立Bagging-PLS模型提高模型的穩(wěn)定性與預測性能。結果:鹽酸小檗堿定量模型的校正均方根誤差RMSEC為0.742 9,預測均方根誤差RMSEP為0.961 4,校正集相關系數(shù)rc為0.986 6,預測集相關系數(shù)rp為0.977 0;Bagging-PLS模型預測均方根誤差RMSEP均值為0.413 6,預測集相關系數(shù)rp均值為0.998 3,表現(xiàn)出了良好的穩(wěn)健性與預測性能。結論:所建立的近紅外定量模型擁有較好的預測性能,能夠實現(xiàn)快速實時檢測黃柏提取液中鹽酸小檗堿的含量;所建立的Bagging-PLS模型穩(wěn)健性與預測性能良好,可應用于中藥近紅外在線監(jiān)測過程中。

在線近紅外;提取過程;黃柏;偏最小二乘;Bagging-PLS

黃柏為蕓香科植物黃檗(PhellodendronamurenseRupr.)及黃皮樹(PhellodendronchinenseSchneid.)的干糙樹皮[1],是一種常用中藥,味苦性寒,歸腎、膀胱、大腸經(jīng),具有清熱燥濕、瀉火除蒸、解毒療瘡的功效?，F(xiàn)代藥理學研究表明,黃柏含有多種化學成分,具有抗菌、抗炎、降壓、免疫抑制等藥理作用[2-4]。目前有關黃柏中指標成分鹽酸小檗堿的含量測定多采用高效液相色譜法[5-7],分析結果存在滯后性,難以滿足在線分析的要求。近紅外光譜技術具有分析速度快、綠色無污染、實時分析等優(yōu)點,隨著化學計量學的發(fā)展,在過程分析中得到了廣泛應用[8-11]。但近紅外光譜存在光譜重疊及基線漂移等問題,需要借助化學計量學方法消除冗余信息,建立定量模型,而對于中藥復雜體系,目前多建立的是單一NIR模型,模型的穩(wěn)定性與預測性有待進一步提高。Bagging-PLS作為一種集成建模方法,通過抽樣重新選擇樣本集,不斷重復抽樣過程可得到多個回歸模型,共同預測未知樣本[12],可以提高模型的穩(wěn)健性與預測性能[13-15]。

1 材料

XDS Rapid Liquid Analyzer近紅外光譜儀及其透射光纖(美國Foss公司),VISION工作站(美國Foss公司);夾套式100 L多功能提取罐(天津隆業(yè)中藥設備有限公司);Waters 2695高效液相色譜儀及其Waters 2996二極管陣列檢測器(美國Waters公司),賽多利斯十萬分之一天平。黃柏藥材(購自北京本草方源藥業(yè)有限公司,批號20130820);鹽酸小檗堿標準品(中國食品藥品研究院,批號110713-201212);乙腈(色譜純,美國Fisher公司);磷酸(分析純);娃哈哈純凈水(杭州娃哈哈集團有限公司);提取用水為自制高純水。

2 方法

2.1 樣品制備 稱取黃柏飲片7 kg置于100 L夾套式多功能提取罐中,提取兩次,第1次加12倍水,提取2 h,第2次加10倍水,提取2 h。樣品采集時間間隔為5 min,按樣品采集時間編號共得65個樣品。

2.2 在線NIR采集光譜 光譜采集條件:在光程2 mm下,采用透射模式在線采集提取液吸收光譜,光譜范圍為800～2 200 nm,掃描次數(shù)32次,分辨率0.5 nm,實驗采用空氣作為參比,采集的近紅外光譜圖見圖1。

2.3 HPLC分析黃柏提取液中鹽酸小檗堿含量 取鹽酸小檗堿對照品配制成一系列不同濃度的標準溶。DIKMA Diamonsil C18色譜柱(4.6 mm×250 mm,5 μm);流動相A為0.1%磷酸水溶液,B為乙腈,梯度洗脫,0～20 min,10%～30%B,20～30 min,30%～50% B,30～45 min,50%～90% B,45～50 min,90%～10% B;柱溫30 ℃;流速為1.0 mL/min;進樣量10 μL;檢測波長265 nm。將獲得的樣品用25%甲醇溶液稀釋,過0.45 μm濾膜,取續(xù)濾液進行高效液相分析。

圖1 黃柏在線近紅外原始光譜

2.4 數(shù)據(jù)處理 數(shù)據(jù)處理均在Unscrambler數(shù)據(jù)分析軟件(version9.6,挪威CAMO軟件公司)和MATLAB(version7.0,美國Math Works公司)軟件上完成。采用Kennard-Stone法(KS)將樣本集劃分為校正集與驗證集。之后采用不同的光譜預處理方法,運用留一交叉驗證法,以交叉驗證驗證均方根差RMSECV作為評價指標,選出最優(yōu)預處理方法,建立全波段偏最小二乘(PLS)模型。采用組合間隔偏最小二乘法(SiPLS)對建模波段進行篩選,建立偏最小二乘模型,以校正均方根誤差RMSECV、校正集相關系數(shù)rc、預測均方根誤差RMSEP、預測集相關系數(shù)rp最為指標評價模型性能。在篩選出的最佳建模波段上采用Bagging-PLS集成建模方法建立Bagging-PLS模型,以預測均方根誤差RMSEP、預測集相關系數(shù)r最為指標評價模型性能。

3 結果與討論

3.1 提取液中鹽酸小檗堿HPLC測定結果 采用2.3中所建立的液相方法對樣品中的鹽酸小檗堿進行含量測定,圖2為對照品與黃柏樣品的色譜圖。方法學考察主要參數(shù)參照藥典與已經(jīng)報道的文獻,其分離度、精密度、重復性和穩(wěn)定性均符合分析要求。所建立的線性方程為，R2為0.999 5。

3.2 近紅外校正模型的建立

3.2.1 光譜預處理 在近紅外光譜采集過程中,近紅外光譜受環(huán)境因素影響較大,溫度、濕度等變化都會使其基線漂移噪音增大,因此再對近紅外光譜進行分析之前,一般需要對原始光譜進行預處理來消除基線漂移,提高信噪比。本文比較了Savitzky-Golay(SG)平滑法,標準正則變換(SNV),多元散射校正(MSC),一階導數(shù)(1D)以及它們的組合。表1為各預處理方法所建立的模型的性能指標。采用留一交叉驗證法,通過考察潛變量因子數(shù)對預測殘差平方和(Press)的影響,確定最佳預處理方法,如圖3所示。對于本文中黃柏提取液,采用SG11點平滑預處理方法后RMSECV值最小,因此采用SG11點平滑法建立鹽酸小檗堿的近紅外定量模型。

圖2 對照品與黃柏提取液HPLC圖

注：a.鹽酸小檗堿對照品,b.黃柏樣品,1.鹽酸小檗堿

表1 不同光譜預處理方法的定量模型的性能指標

圖3 不同預處理方法的Press值與潛變量數(shù)的相關關系圖

3.2.2 波段選擇 近紅外光譜通常譜峰重疊嚴重,冗余信息過多,影響最終的建模結果,因此有必要對建模波段進行篩選來消除這些干擾因素。本文采用組合間隔偏最小二乘法(SiPLS)對黃柏提取液中鹽酸小檗堿的建模波段進行篩選,間隔數(shù)20,最大潛變量因子數(shù)10,組合數(shù)3。篩選出的最優(yōu)波段為1 080～1 150 nm,1 290～1 360 nm,1 710～1 780 nm,如圖4所示。

3.2.3 模型的建立與校正 以SG11點預處理方法為最佳預處理方法,SiPLS篩選出的最優(yōu)波段為建模波段,運用偏最小二乘法建立鹽酸小檗堿的近紅外定量模型,并采用內部樣本集對建立的模型的預測性能進行驗證。鹽酸小檗堿NIR預測值與HPLC測定值的之間的線性關系良好,如圖5所示。所建立的模型參數(shù)如下:交叉驗證驗證均方根差RMSECV為0.952 4,校正均方根誤差RMSEC為0.742 9,預測均方根誤差RMSEP為0.961 4,校正集相關系數(shù)rc為0.986 6,預測集相關系數(shù)rp為0.977 0,表明所建立的模型預測性能良好。

圖4 鹽酸小檗堿最優(yōu)建模波段結果圖

3.3 Bagging-PLS應用于黃柏提取過程NIR定量模型 Bagging是一種集成學習算法,應用在在分類與回歸樹種,能夠提高模型的精度。本文中,在篩選出最佳建模波段的基礎上建立Bagging-PLS模型,模型參數(shù)設置如下:校正集樣本數(shù)與原始樣本集相同,迭代次數(shù)為1 000,潛變量為6。圖6為Bagging-PLS模型預測均方根誤差RMSEP隨迭代次數(shù)的變化趨勢圖,在迭代次數(shù)大于500的時候趨于穩(wěn)定,均值為0.413 6;圖7為Bagging-PLS模型預測集相關系數(shù)rp隨迭代次數(shù)的變化趨勢圖,均值為0.998 3,相較于SiPLS模型,Bagging-PLS所建立的集成模型擁有更好的預測性能。

圖5 鹽酸小檗堿預NIR預測值與HPLC測定值

圖6 RMSEP值變化趨勢圖

圖7 rp變化趨勢圖

4 結論

本研究采用近紅外光譜技術對黃柏的中試提取過程進行了實時監(jiān)測,建立了相應的近紅外定量模型用于快速分析鹽酸小檗堿的含量變化,且所得的模型預測性能良好。在此基礎上所建立的Bagging-PLS集成模型預測均方根誤差RMSEP均值0.413 6,預測集相關系數(shù)rp均值為0.998 3,可以顯著提高單一PLS模型的預測性能,且表現(xiàn)出較強的穩(wěn)健性。本研究結果為中藥NIR在線監(jiān)測與定量模型的建立提供了可供借鑒的新方法。

[1]國家藥典委員會.中華人民共和國藥典[M].一部.北京:化學工業(yè)出版社,2010:286-287.

[2]李丹丹,江培,楊書美,等.黃柏的化學成分,藥理作用及臨床應用研究進展[J].黑龍江醫(yī)藥，2014,27(3)：601-605.

[3]陳興文.黃柏的化學成分分析和藥理作用研究[J].內蒙古中醫(yī)藥，2014,33(31):69.

[4]吳嘉瑞,張冰,張光敏.黃柏藥理作用研究進展[J].亞太傳統(tǒng)醫(yī)藥，2009,5(11):160-162.

[5]李紅英,向極釬,龍瀾,等.HPLC法測定恩施黃柏藥材中黃柏堿與小檗堿的含量[J].湖北民族學院學報：自然科學版，2013(1):101-103.

[6]李紅玲,莫炫永.HPLC法同時測定川黃柏中鹽酸黃柏堿和鹽酸小檗堿的含量[J].黑龍江醫(yī)藥，2014,27(3):601-605.

[7]Yang Q,Zhang F,Gao S,et al.Determination of bioactive compounds in Cortex Phellodendri by high-performance liquid chromatography[J].Journal of AOAC International,2010,93(3):855-861.

[8]Li Y,Shi X,Wu Z,et al.Near-infrared for on-line determination of quality parameter of Sophora japonica L.(formula particles):From lab investigation to pilot-scale extraction process[J].Pharmacognosy magazine,2015,11(41):8.

[9]Wu Y,Jin Y,Ding H,et al.In-line monitoring of extraction process of scutellarein from Erigeron breviscapus (vant.)Hand-Mazz based on qualitative and quantitative uses of near-infrared spectroscopy[J].Spectrochimica Acta Part A：Molecular and Biomolecular Spectroscopy,2011,79(5):934-939.

[10]Wu Y,Jin Y,Li Y,et al.NIR spectroscopy as a process analytical technology (PAT) tool for on-line and real-time monitoring of an extraction process[J].Vibrational Spectroscopy,2012，58:109-118.

[11]李洋,吳志生,史新元,等.中試規(guī)模和不同提取時段的黃芩配方顆粒質量參數(shù)在線NIR監(jiān)測研究[J].中國中藥雜志,2014,39(19):3753-3756.

[12]陳昭,吳志生,史新元,等.Bagging偏最小二乘和Boosting偏最小二乘算法的金銀花醇沉過程近紅外光譜定量模型預測能力研究[J].分析化學,2014,42(11):1679-1686.

[13]Shao X,Bian X,Cai W.An improved boosting partial least squares method for near-infrared spectroscopic quantitative analysis[J].Analytica chimica acta，2010,666(1):32-37.

[14]Shao X,Bian X,Liu J,et al.Multivariate calibration methods in near infrared spectroscopic analysis[J].Anal.Methods,2010,2(11):1662-1666.

[15]Pan X,Li Y,Wu Z,et al.A Online NIR Sensor for the Pilot-Scale Extraction Process in Fructus Aurantii Coupled with Single and Ensemble Methods[J].Sensors,2015,15(4):8749-8763.

(2015-08-10收稿 責任編輯：王明)

Study on Online NIR for Monitoring the Extraction Process of Cortex Phellodendri in Pilot Scale Based on Bagging-PLS

Zhou Zheng1, Wu Zhisheng2,3, Shi Xinyuan2,3,Wang Jiaqian4,Qiao Yanjiang1,2,3

(1FujianUniversityofTraditionalChineseMedicine,Fuzhou350122,China; 2BeijingUniversityofChineseMedicine,Beijing100102,China; 3KeyLaboratoryofChineseMedicineInformationEngineering,StateAdministrationofTraditionalChineseMedicine,Beijing100102,China; 4YantaiFoodAndDrugAdministration,Yantai264000,China)

Objective:To establish a rapid quantitative analysis method for the quality control of Cortex Phellodendri extraction by using near-infrared (NIR) spectroscopy and improve the prediction performance and robustness of the model by using Bagging partial least square regression (Bagging-PLS).Methods:NIR spectroscopy was collected online, and a partial least square (PLS) model was developed for determination the content of berberine hydrochlorid with HPLC method as referential method. Besides, bagging algorithm was adopted for improving the prediction performance and robustness of the model.Results:The RMSEC and RMSEP were 0.7429 and 0.9614, the correlation coefficient of the calibration model was 0.9866, and the correlation coefficient of the prediction was 0.9770. The mean PMSEP of the Bagging-PLS model was 0.4136 and the correlation coefficient of the prediction was 0.9983.Conclusion:In this study, NIR spectroscopy was successfully applied to Cortex Phellodendri extraction process, which can rapidly determine the content of berberine hydrochloride. In addition, the Baggting-PLS provided a better performance and prediction accuracy than single PLS model. This indicates that Baggting-PLS could potentially be used for a better predictive control of the extraction process.

Online near-infrared; Extraction process; Cortex Phellodendri; Partial least square regression; Bagging-PLS

北京中醫(yī)藥大學校級自主課題(編號:2015-JYB-XS081)

周正(1990.09—),男，碩士在讀研究生,研究方向：中藥在線質量控制Tel：(010)84738650，E-mail：saturday1226@163.com

喬延江(1956.12—),男,博士,教授,博士生導師,研究方向：中藥信息學,Tel:(010)84738661,E-mail：yjqiao@263.net;吳志生(1983.12—),男,博士,副教授,研究方向:中藥質量實時評價與微納分析,Tel:(010)84738650,E-mail：wzs@bucm.edu.cn

R284.2

A

10.3969/j.issn.1673-7202.2015.12.030