喬璐，符佳豪，侯益民，李雪菊，趙博宇，董誠(chéng)明，*，張園園，呂芳

（1.河南中醫(yī)藥大學(xué)藥學(xué)院，河南鄭州450046；2.江蘇省中國(guó)科學(xué)院植物研究所，江蘇南京210014）

香附為莎草科植物莎草（Cyperus rotundus L.）的干燥根莖[1]。常用于治療肝郁氣滯、月經(jīng)不調(diào)、脾胃氣滯等[2]，同時(shí)，香附又有婦科之要藥的美名[3]。在臨床應(yīng)用非常廣泛，常被制成“香砂養(yǎng)胃片”、“四制香附丸”、“調(diào)經(jīng)益靈片”、“七制香附丸”等多種中成藥，香附所治療的疾病范圍非常廣泛，因此，它在中醫(yī)臨床理氣類(lèi)中藥材中也經(jīng)常被應(yīng)用[4]。在臨床應(yīng)用中，香附主要行使解熱、鎮(zhèn)痛、鎮(zhèn)靜、解痙、抗菌、保護(hù)胃黏膜等作用[5]。正是由于臨床應(yīng)用的需要，目前市場(chǎng)中的香附飲片主要就是生香附和醋炙香附[6-7]。

近紅外光譜是指在紅外光譜范圍中短波長(zhǎng)的一類(lèi)電磁波[8]，依據(jù)分子振動(dòng)吸收的數(shù)據(jù)不同從而實(shí)現(xiàn)物質(zhì)檢測(cè)分析的目的[9-10]。在近紅外檢測(cè)范圍內(nèi)，藥材中的物質(zhì)成分都能得到大量有效的信息反饋，從整體上反映中藥的化學(xué)成分的狀況，對(duì)差異細(xì)微的紅外光譜進(jìn)行鑒別，同時(shí)傅里葉近紅外光譜（Fourier transform infrared spectroscopy，F(xiàn)TIR）分以方便快捷，對(duì)樣品無(wú)破壞性，對(duì)環(huán)境無(wú)污染，樣品損耗少等優(yōu)點(diǎn)[11-12]。近年來(lái)紅外光譜分析技術(shù)在中藥材的應(yīng)用較為廣泛[13-14]。但對(duì)于基礎(chǔ)指標(biāo)水分、灰分、浸出物的定量分析較少，本文以傅里葉變換紅外光譜結(jié)合化學(xué)計(jì)量法對(duì)香附水分、灰分和浸出物進(jìn)行快速測(cè)定，為藥材香附質(zhì)量標(biāo)準(zhǔn)的制定提供科學(xué)依據(jù)。

1 材料與方法

1.1 材料與試劑

1.1.1 試驗(yàn)材料

分別采購(gòu)了15批共60個(gè)香附樣品，經(jīng)河南中醫(yī)藥大學(xué)藥學(xué)院董誠(chéng)明教授鑒定為莎草科植物莎草Cyperus rotundus L.的干燥根莖，詳細(xì)信息見(jiàn)表1。

1.1.2 試劑

乙醇（分析純）：天津致遠(yuǎn)化學(xué)試劑有限公司；甲苯（分析純）：山東煙臺(tái)雙雙化工有限公司。

表1 香附產(chǎn)地Table 1 Cyperus rotundus place of origin

1.2 儀器與設(shè)備

ANTARIS II型傅立葉變換近紅外光譜儀：Thermo SCIENTIFIC美國(guó)電熱公司；BX-2.5-10型數(shù)顯箱式電爐：上海柏欣儀器設(shè)備廠；FA2004N型電子天平：上海民橋精密科學(xué)儀器有限公司。

1.3 試驗(yàn)方法

1.3.1 香附的處理

60個(gè)香附樣品均經(jīng)過(guò)打粉處理，過(guò)5號(hào)藥典篩。

1.3.2 香附的水分、灰分和浸出物測(cè)定

依據(jù)2015版中國(guó)藥典規(guī)定的甲苯法測(cè)定香附樣品的水分含量（通則0832第四法），不超過(guò)13%?？偦曳譁y(cè)定法測(cè)定香附樣品的灰分含量（通則2302），不超過(guò)4%。醇溶性浸出物測(cè)定法（通則2201）項(xiàng)下的熱浸法測(cè)定，含量不低于15%，用稀乙醇作溶劑。

1.4 光譜的采集

本試驗(yàn)運(yùn)用ANTARIS II FT-NIR Analyzer對(duì)60個(gè)香附樣品進(jìn)行光譜采集，結(jié)果見(jiàn)圖1。

圖1 香附樣品的近紅外光譜Fig.1 NIR spectra of Cyperus rotundus

將香附樣品粉末均勻放置于5 cm直徑采樣杯中。方式為旋轉(zhuǎn)采樣，光譜范圍為12 000 cm-1～4 000 cm-1。背景光譜掃描32次，每個(gè)樣品掃描64次，掃描時(shí)間平均為60 s。試驗(yàn)所得樣品光譜為直接去除背景的光譜。

1.5 模型的建立

1.5.1 光譜的預(yù)處理

對(duì)香附的原始光譜進(jìn)行預(yù)處理，包括光譜的算法、導(dǎo)數(shù)、降噪、基線校正等，適宜的預(yù)處理方式會(huì)對(duì)于最終模型的精確度產(chǎn)生重要影響。本試驗(yàn)中采用二階導(dǎo)數(shù)光譜（second derivative），并且選擇導(dǎo)數(shù)濾波（norris derivative filter，ND）、卷積法（savitzky-golay，SG）和無(wú)平滑（no smoothing，NS）方法進(jìn)行平滑處理。選擇的光譜范圍是 12 000 cm-1～4 000 cm-1。

圖1中60份香附樣品的近紅外光譜整體趨勢(shì)相同，全部樣品光譜在10 000 cm-1～12 000 cm-1光譜范圍中波動(dòng)較大，應(yīng)該是噪聲所致。60個(gè)樣品光譜在10 500 cm-1～8 800 cm-1范圍內(nèi)趨勢(shì)平緩；在 8300、6800、5 600、5 200、4 700、4 400、4 300 cm-1處可見(jiàn)明顯波峰，在 5 400、5 000、4500、4200 cm-1處可見(jiàn)明顯波谷。

1.5.2 模型的驗(yàn)證與校正

本試驗(yàn)借助于TQ Analyst軟件來(lái)進(jìn)行香附快速測(cè)定模型的建立，采用定量校正算法，主要使用偏最小二乘法（partial least squares，PLS）與逐步多元線性回歸法（sparse multinomial logistic regression，SMLR）。光程選擇時(shí)采用多元信號(hào)修正（multiplicative signal correction，MSC）與內(nèi)參考標(biāo)準(zhǔn)法（internal reference，IR），以此來(lái)減小誤差，設(shè)置目標(biāo)組分含量的上下限時(shí)，將下限值設(shè)置為香附樣品目標(biāo)組分含量最低值的95%，上限值設(shè)置為香附樣品目標(biāo)組分含量最高值的105%。光譜范圍的選擇則依據(jù)TQ Analyst軟件中的suggest向?qū)нM(jìn)行。

在進(jìn)行光譜預(yù)處理時(shí)，本試驗(yàn)分別采用IR、MSC方法并以?xún)?nèi)部交叉驗(yàn)證模型相關(guān)系數(shù)（R2）為指標(biāo)，其中模型的相關(guān)系數(shù)（R2）越接近1，說(shuō)明試驗(yàn)所得樣品的化學(xué)值與近紅外模型的預(yù)測(cè)值越接近，即相關(guān)性越好，而均方根誤差校正集預(yù)測(cè)均方差（root mean square error of calibration，RMSEC）與預(yù)測(cè)集預(yù)測(cè)均方差（root mean square error of prediction，RMSEP）的值越小，則說(shuō)明所建模型的預(yù)測(cè)性能越好[15-16]。

2 結(jié)果與分析

2.1 香附的水分、灰分、浸出物含量

對(duì)香附的水分、灰分、浸出物含量測(cè)定結(jié)果見(jiàn)表2。

表2 香附的各成分含量Table 2 Content of constituents of Cyperus rotundus

由表2可知，香附水分含量6.27%～13.7%，灰分含量1.69%～4.04%，浸出物含量15.04%～25.77%，所得數(shù)據(jù)均符合2015版藥典規(guī)定。

2.2 香附水分、灰分、浸出物定量模型的建立

對(duì)光譜模型進(jìn)行擬合，篩選出最佳模型見(jiàn)表3。

表3 光譜處理方法分析結(jié)果Table 3 Analysis results of spectral treatment method

續(xù)表3 光譜處理方法分析結(jié)果Continue table 3 Analysis results of spectral treatment method

對(duì)光譜模型進(jìn)行擬合，篩選出最佳模型。其中，香附的水分模型以SMLR+MSC+2nd Der+ND模型最好，香附的灰分模型以PLS+MSC+2nd Der+NS模型最好，香附的浸出物模型以SMLR+IR+2nd Der+ND模型最好。

2.3 香附水分灰分浸出物模型

分別建立的香附水分、灰分和浸出物的預(yù)測(cè)模型，結(jié)果見(jiàn)表4。

隨機(jī)選取建模樣本為52個(gè)，驗(yàn)證樣本8個(gè)，光譜范圍為12 000 cm-1～4 000 cm-1。香附水分的預(yù)測(cè)模型精度R2=0.902 7，RMSEC=0.774，預(yù)測(cè)均方差RMSEP=0.521；香附灰分所得模型精度R2=0.988 4，RMSEC=0.061 9，RMSEP=0.058 5；香附浸出物模型中，精度R2=0.890 3，RMSEC=1.25，RMSEP=2.33。所建模型精度高，均方根誤差小。

2.4 香附水分、灰分、浸出物模型對(duì)未知含量樣品的預(yù)測(cè)

對(duì)香附水分、灰分、浸出物模型進(jìn)行驗(yàn)證，結(jié)果見(jiàn)表5。

表4 香附模型Table 4 Cyperus rotundus model

表5 香附水分、灰分、浸出物含量的預(yù)測(cè)Table 5 Prediction of moisture，ash and extractum content of Cyperus rotundus

從表5中的數(shù)據(jù)可以看出，在隨機(jī)挑選出的8個(gè)香附樣品中，所建立的香附灰分快速測(cè)定模型在絕對(duì)偏差上是明顯要低于香附水分和浸出物快速測(cè)定模型，而本身在所得3種模型的精度上就是香附灰分快速測(cè)定模型的精度最高，相關(guān)系數(shù)R2高達(dá)0.988 4，也就進(jìn)一步證明了試驗(yàn)所得模型可以應(yīng)用于香附水分、灰分、浸出物含量的快速測(cè)定，且測(cè)定精確度與相關(guān)系數(shù)R2呈正相關(guān)。將未參與建模的8個(gè)樣本帶入模型，回執(zhí)預(yù)測(cè)值和實(shí)測(cè)值的散點(diǎn)圖見(jiàn)圖2～圖4。檢驗(yàn)樣本集中在趨勢(shì)線y=x附近，表明模型精度高，穩(wěn)定性強(qiáng)。

圖2 香附水分預(yù)測(cè)值與實(shí)測(cè)值Fig.2 Predicted and measured values of Cyperus rotundus moisture content

圖3 香附灰分預(yù)測(cè)值與實(shí)測(cè)值Fig.3 Predicted and measured values of Cyperus rotundus ash content

圖4 香附浸出物預(yù)測(cè)值與實(shí)測(cè)值Fig.4 Predicted and measured values of Cyperus rotundus extractum content

3 結(jié)論與討論

本研究利用傅里葉近紅外光譜（NIRS）分析技術(shù)建立了香附水分、灰分、浸出物的快速預(yù)測(cè)模型，并應(yīng)用未參與數(shù)據(jù)驗(yàn)證，實(shí)現(xiàn)了香附樣品中相關(guān)指標(biāo)的快速精準(zhǔn)的測(cè)定，其中香附水分模型中，光譜預(yù)處理選擇多元信號(hào)修正（MSC）+二階導(dǎo)數(shù)光譜+ND，逐步多元線性回歸法建模，光譜范圍12 000 cm-1～4 000 cm-1。模型 R2為 0.902 7，RMSEC 為 0.774，RMSEP 為 0.521。香附灰分以偏最小二乘法建模，光譜處理包括MSC+2nd Der+NS，模型 R2為 0.988 4，RMSEC 為 0.061 9，RMSEP為0.058 5。香附浸出物模型中，光譜處理包括內(nèi)參考標(biāo)準(zhǔn)法IR+2nd Der+NS，選擇偏最小二乘法建模，模型 R2為 0.890 3，RMSEC為 1.25，RMSEP為2.33。其中香附灰分模型精確度較高，水分和浸出物的模型精確度略低，可能是在香附樣品水分、浸出物含量測(cè)定時(shí)的誤差所致。以上所得模型對(duì)于香附水分、灰分、浸出物含量的預(yù)測(cè)均有較高的精確度，可實(shí)現(xiàn)近紅外光譜分析技術(shù)對(duì)香附水分、灰分、浸出物含量的快速測(cè)定，這為香附質(zhì)量標(biāo)準(zhǔn)的制定提供理論依據(jù)。