戴勝云,馬青青,蔣雙慧,劉 杰,過立農(nóng), 喬 菲,周 娟,喬延江,鄭 健*,馬雙成*

(1.中國食品藥品檢定研究院,北京 100050；2.青海省藥品檢驗檢測院,青海 西寧 810016；3.中國藥科大學 中藥學院,江蘇 南京 210009；4.四川省食品藥品檢驗檢測院,四川 成都 611730； 5.北京中醫(yī)藥大學 中藥信息學系,北京 102400)

附子(AconitiLateralisRadixPraeparata)為毛茛科烏頭屬植物烏頭AconitumcarmichaeliDebx.子根的加工品,是《中國藥典》2015年版一部的收載品種[1],屬于常用大宗中藥材,始載于《神農(nóng)本草經(jīng)》,列為下品,具有回陽救逆、補火助陽的功效,有“回陽救逆第一品”之稱[2]。附子的道地性比較顯著,道地產(chǎn)區(qū)主要為四川,尤其是江油等地,另外湖北和湖南等地也有產(chǎn)出。附子飲片包括黑順片、白附片、炮附片和淡附片,黑順片和白附片是市場上的常見中藥飲片,為常用有毒中藥[1]。研究表明,附子中的新烏頭堿、次烏頭堿、烏頭堿、苯甲酰新烏頭原堿、苯甲酰烏頭原堿和苯甲酰次烏頭原堿等生物堿類成分,既是有效成分,也是毒性成分,均具有鎮(zhèn)痛和抗炎等作用,其中的3個雙酯型生物堿——新烏頭堿、次烏頭堿和烏頭堿為劇毒性成分。附子經(jīng)炮制后,其劇毒的雙酯型生物堿降解為毒性較輕的單酯型生物堿[3]。《中國藥典》(2015年版)現(xiàn)行標準規(guī)定附子中單酯型生物堿(包括苯甲酰新烏頭原堿、苯甲酰烏頭原堿和苯甲酰次烏頭原堿)的總量不得少于0.01%；雙酯型生物堿(新烏頭堿、次烏頭堿和烏頭堿)的總量不得過0.02%[1]。

現(xiàn)有文獻對附子中的化學成分含量進行測定時,一般采用高效液相色譜與QDA質譜聯(lián)用、等離子體質譜法、高效液相色譜法和超高效液相色譜法[4-7]。這些方法均需對樣品進行前處理,耗時較長,一般需在實驗室進行檢測工作。而近紅外光譜因具有快速、無損、無需樣品前處理等優(yōu)點廣泛用于中藥各個領域,如中藥原料藥、中藥輔料、中藥制劑的質量分析[8-10],以及中藥制藥過程的在線監(jiān)測與控制研究[11-13]、中藥產(chǎn)品實時放行策略[14-15]等,是中藥質量快速分析的一種新方法。

為進一步了解市場上附子飲片的質量現(xiàn)狀,中國食品藥品檢定研究院民族藥室于2019年中藥飲片專項抽驗中選擇附子開展專項抽驗工作,共抽樣199批,檢驗其【性狀】和【薄層色譜】項,合格率為100%。由于上述6種雙酯型或單酯型生物堿在含量測定時,前處理和色譜條件較復雜,耗時且檢測成本較高,故本研究從抽檢樣品中選擇部分樣品,采集近紅外光譜數(shù)據(jù),對比偏最小二乘(PLS)和最小二乘支持向量機(LS-SVM)定量校正模型,預測附子中苯甲酰新烏頭原堿、苯甲酰次烏頭原堿、苯甲酰烏頭原堿、烏頭堿、次烏頭堿和新烏頭堿6個成分以及雙酯型生物堿總量和單酯型生物堿總量,判斷附子的【檢查】項和【含量測定】項是否合格,以期為實現(xiàn)快速無損的附子質量控制提供幫助。

1 實驗部分

1.1 儀器、試劑與樣品

GSA近紅外光譜儀(山東金璋隆祥智能科技有限責任公司)；UltiMate3000型高效液相色譜儀(紫外檢測器)(賽默飛世爾公司),Waters XBridge?C18(4.6 mm×250 mm,5 μm)色譜柱；萬分之一、十萬分之一電子天平(賽多利斯公司);KQ-300DA型超聲清洗儀(昆山市超聲儀器有限公司)。

苯甲酰新烏頭原堿(批號111785-201805,純度93.1%)；苯甲酰烏頭原堿(批號111794-201705,純度99.1%)；苯甲酰次烏頭原堿(批號111796-201705,純度98.6%)；新烏頭堿(批號110799-201608,純度98.5%)；次烏頭堿(批號110798-201609,純度99.2% )；烏頭堿(批號110720-201312,純度98.7%)均來自中國食品藥品檢定研究院。乙腈、異丙醇均為色譜純,濃氨溶液、乙酸乙酯、冰醋酸、三乙胺均為分析純,水為Milli-Q純化水。

白附片、黑順片、炮附片藥材均為2019年度國家藥品抽驗計劃抽驗樣品,自行收集樣品為本課題組赴四川江油調研期間收集。所有樣品經(jīng)中國食品藥品檢定研究院中藥所民族藥室鑒定為合格藥材。樣品粉碎后過3號篩,備用。樣品信息見表1。

表1 樣品信息表Table 1 Sample information

1.2 供試品溶液的制備

取本品粉末約2 g,精密稱定,置具塞錐形瓶中,加氨試液3 mL,精密加入異丙醇-乙酸乙酯(體積比,1∶1，下同)混合溶液50 mL,稱定重量,超聲處理(功率300 W,頻率40 kHz,水溫25 ℃以下)30 min,放冷,再稱定重量,用異丙醇-乙酸乙酯(1∶1)混合溶液補足減失的重量,搖勻,濾過。精密量取續(xù)濾液25 mL,40 ℃以下減壓回收溶劑至干,殘渣精密加入乙腈-水(體積比，21∶79,下同)混合溶液3 mL溶解,用0.45 μm微孔濾膜過濾,取續(xù)濾液,即得。

1.3 混合對照品溶液的制備

分別取苯甲酰新烏頭原堿、苯甲酰烏頭原堿和苯甲酰次烏頭原堿、新烏頭堿、次烏頭堿和烏頭堿對照品適量,精密稱定,用乙腈-0.2%冰醋酸溶液(21∶79)溶解并定容,制成每1 mL含苯甲酰新烏頭原堿453.2 μg、苯甲酰烏頭原堿549.4 μg、苯甲酰次烏頭原堿545.8 μg、新烏頭堿100.2 μg、次烏頭堿110.9 μg、烏頭堿113.0 μg的混合對照品儲備液。精密量取混合對照品儲備液1 mL至10 mL容量瓶中,加乙腈-0.2%冰醋酸溶液(21∶79)配制成上述6個成分別約50、50、50、10、10、10 μg·mL-1的混合溶液,即得。

1.4 實驗條件

1.4.1 液相色譜條件色譜柱：Waters XBridge?C18(4.6 mm×250 mm,5 μm)；乙腈(A)-0.2%冰醋酸溶液(三乙胺調pH值至6.20)(B)為流動相,梯度洗脫：0～30 min,21%～29%A；30～51 min,29%～35%A；51～56 min,35%A；流速1.0 mL·min-1,檢測波長235 nm,柱溫30 ℃,進樣量10 μL。

1.4.2 近紅外光譜條件使用近紅外光譜儀采集樣品的近紅外光譜。取已過3號篩的附子飲片粉末適量(盡量保證不同樣品的取樣量一致),混合均勻后倒入樣品杯,壓實。以內置背景為參比,采用漫反射的方式采集樣品光譜圖,掃描范圍1 550～1 950 nm,掃描次數(shù)32,分辨率16 cm-1,溫度(25±2)℃,相對濕度(55±2)%。每份樣品重復測定3次(每次測定結束后將樣品重新倒回自封袋,混合均勻后進行下一次測定),取平均光譜用于后續(xù)數(shù)據(jù)處理及建模以減少誤差。

2 結果與討論

2.1 附子HPLC方法學考察結果

經(jīng)方法學考察,得到苯甲酰新烏頭原堿、苯甲酰烏頭原堿、苯甲酰次烏頭原堿、新烏頭堿、次烏頭堿和烏頭堿的線性范圍分別為9.0～453.2、10.9～549.4、10.9～545.8、2.0～100.2、2.2～110.9、2.2～113.0 μg·mL-1,相關系數(shù)均為0.999 9,表明各化合物在相應范圍內線性關系良好。6種生物堿的精密度、重復性和穩(wěn)定性(48 h)均符合要求。

當信噪比為3時,苯甲酰新烏頭原堿、苯甲酰烏頭原堿、苯甲酰次烏頭原堿、新烏頭堿、次烏頭堿和烏頭堿的檢出限分別為0.27、0.36、0.37、0.23、0.26、0.36 μg·mL-1；當信噪比為10時,其對應的定量下限分別為1.04、1.16、1.23、1.18、1.26、2.05 μg·mL-1。

取已知含量黑順片樣品粉末6份(13號樣品),每份約1 g,置于具塞錐形瓶中,分別精密加入對照品溶液(苯甲酰新烏頭原堿3.606 7 μg·mL-1、苯甲酰烏頭原堿0.477 7 μg·mL-1、苯甲酰次烏頭原堿0.489 8 μg·mL-1、新烏頭堿1.410 5 μg·mL-1、次烏頭堿1.267 7 μg·mL-1、烏頭堿0.239 8 μg·mL-1) 50 mL,按照“1.2”方法制備供試品溶液,按“1.4.1”色譜方法測定,計算回收率,得上述6個成分的回收率依次為99.9%、95.2%、97.6%、104%、101%、86.8%,表明各化合物回收率良好。

2.2 樣品測定

取各附子樣品,按“1.2”方法制備供試品溶液,按照“1.4.1”色譜條件進行試驗,測定峰面積,用外標一點法計算樣品中各成分的含量,并以此含量作為參考值,建立參考值與NIR光譜數(shù)據(jù)之間的定量校正模型。

圖1 附子的近紅外光譜圖Fig.1 NIR spectrogram of Aconiti Lateralis Radix Praeparata

2.3 NIR定量校正模型的建立

38批附子樣品的NIRS光譜見圖1。采用PLS和LS-SVM分別建立上述6種生物堿及單酯型生物堿總量和雙酯型生物堿總量校正模型的近紅外定量校正模型。數(shù)據(jù)處理均在Unscramber數(shù)據(jù)分析軟件(version 9.6,CAMO軟件公司)和MATLAB(version 7.0,Math works公司)軟件上完成。數(shù)據(jù)處理工具包分別為PLS toolbox和LS-SVM lab toolbox1.8。

采用化學計量學指示參數(shù)——相關系數(shù)(r)、校正均方根誤差(RMSEC)、交叉驗證均方根誤差(RMSECV)、預測均方根誤差(RMSEP)[16-17]和相對預測偏差(RPD)[18]進行模型評價。其中RPD值越大,所對應的校正模型的預測性能越好,當RPD大于3時,表明模型具有很好的預測性能；當RPD小于2.5時,表明模型預測性能差,不適于定量分析。在分析中,需綜合考慮校正集、驗證集和交叉驗證的結果,且在校正集和驗證集相關參數(shù)接近時建立最優(yōu)化模型。

2.3.1 樣本集的選擇恰當?shù)剡x取具有代表性的校正集將直接影響所建模型的準確性和實用性,是建模成功的前提。選擇常用的K-S樣本集劃分方法,使校正集和驗證集的樣品比例數(shù)約為2∶1,其中26個樣本作為校正集,剩余12個樣本作為驗證集,校正集與驗證集的數(shù)據(jù)分布如表2所示。

表2 校正集與驗證集的數(shù)據(jù)分布Table 2 The data distribution for calibration set and validation set (%)

2.3.2 不同光譜預處理方法的選擇由于在NIR光譜的采集過程中,儀器狀態(tài)、樣品狀態(tài)及測量條件的差異會造成NIR光譜的偏差或旋轉,需采用適當?shù)念A處理方法予以矯正。本文分別采用多元散射校正(MSC)、標準正態(tài)變換(SNV)、正則化變換(Normalize)、基線校正(Baseline)、光譜變換(ST)、光譜去噪(WDS)、S-G平滑加1階導數(shù)(SG-1st)和S-G平滑加2階導數(shù)(SG-2nd)(平滑點包括9和11)等預處理方法進行處理。

2.3.3 偏最小二乘模型采用PLS建立定量模型時,最優(yōu)潛變量因子數(shù)由留一交叉驗證法(LOO)和預測誤差平方和(PRESS)獲得。模型性能采用RPD、RMSEC、RMSECV、RMSEP及其相應相關系數(shù)r(rcal和rpre)進行評價。相關系數(shù)越大,各類誤差越小,RPD值越大,說明模型性能越好。由表3可知,苯甲酰新烏頭原堿、苯甲酰烏頭原堿、苯甲酰次烏頭原堿和單酯型生物堿總量分別在采用MSC(或SNV)、SNV、MSC和MSC預處理方法時所建的PLS模型優(yōu)于其他方法；3種雙酯型生物堿及其總量則在采用Baseline預處理方法時所建的PLS模型性能較好。分別采用其最優(yōu)預處理方法對6個成分及單酯型和雙酯型生物堿總量進行建模。如表3所示,單酯型生物堿及其總量和雙酯型生物堿及其總量的RPD值均較小,最大值僅為3.8(雙酯型生物堿總量),多數(shù)模型的RPD值小于3,說明PLS模型的性能不高,需進一步提高模型的可靠性。因PLS模型為線性關系,故考慮建立非線性的最小二乘支持向量機模型。

表3 采用不同預處理方法的PLS模型參數(shù)Table 3 The PLS model with different pre-processing methods

*original spectrum(Raw),multiplicative scatter correction(MSC),standard normal variate transformation(SNV),baseline,normalize,spectroscopic transformation(ST),wavelet denosing of spectra(WDS),Savitzky-Golay smoothing with 9 points(SG(9)) plus first-order derivatives(SG9-1st),SG(9) plus second-order derivatives(SG9-2nd),SG(11) plus first-order derivatives(SG11-1st),and SG(11) plus second-order derivatives(SG11-2nd)

2.3.4 最小二乘支持向量機模型支持向量機是由Vapnik在統(tǒng)計學習理論的基礎上建立的一種非常有效的機器學習方法[19],最初用于模式識別,目前在信號處理、系統(tǒng)辨識與建模、先進控制和軟測量等領域均得到了廣泛應用。最小二乘支持向量機(LS-SVM)作為支持向量機(SVM)的一種類型[19],已越來越廣泛地運用于各個學科領域。Chauchard等[20]研究指出,LS-SVM模型考慮了自變量和因變量之間的非線性關系。

采用LS-SVM建立定量模型時,評價參數(shù)為RPD、偏差(BIAS)、RMSEP及其相應決定系數(shù)r(rcal和rpre)。在基于LS-SVM建立定量模型時需要對兩個超參數(shù)gam和sig2通過交叉驗證進行優(yōu)化。gam是正則化參數(shù),用于確定訓練誤差最小化和預測函數(shù)平滑度的平衡；sig2是高斯徑向基(Gaussian radial basis function)核函數(shù)參數(shù)。

表4為不同預處理方法下LS-SVM的建模結果。可以看出,苯甲酰新烏頭原堿、苯甲酰烏頭原堿、苯甲酰次烏頭原堿、新烏頭堿、次烏頭堿、單酯型生物堿總量和雙酯型生物堿總量的最佳預處理方法分別為SNV、MSC、SG9-1st、WDS、SG9-1st、SNV(或MSC)和Baseline,其中烏頭堿不經(jīng)過光譜預處理也能建立很好的模型,故采用原始光譜建立烏頭堿的LS-SVM模型。

表4 不同預處理方法的LS-SVM模型參數(shù)Table 4 The LS-SVM model with different pre-processing methods

將原始光譜進行最佳光譜預處理后,建立LS-SVM校正模型。LS-SVM的兩個超參數(shù)通過交叉驗證進行優(yōu)化,模型參數(shù)如表4所示。其中,苯甲酰新烏頭原堿、苯甲酰烏頭原堿、苯甲酰次烏頭原堿、新烏頭堿、次烏頭堿、烏頭堿、單酯型生物堿總量和雙酯型生物堿總量所建模型的RPD分別為3.3、3.2、4.1、7.7、8.8、7.6、4.0和8.6。相較于PLS模型,RPD得到顯著提升。如圖2所示,6種生物堿及單酯型生物堿總量和雙酯型生物堿總量定量校正模型的相關系數(shù)均在0.9以上,RMSEC和RMSEP均在0.1以下,說明NIR模型預測值和HPLC測定值有較好的線性關系,模型擬合能力良好。苯甲酰新烏頭原堿、苯甲酰烏頭原堿、苯甲酰次烏頭原堿、新烏頭堿、次烏頭堿、烏頭堿、單酯型生物堿總量和雙酯型生物堿總量所建模型的實測值與預測值之間的偏差分別為0.003 3、0.000 6、0.001 9、0.001 5、0.002 4、0.000 6、0.004 8和0.004 3。表明應用近紅外光譜結合LS-SVM建模方法可以準確快速地進行附子中單酯型生物堿和雙酯型生物堿的含量預測,對于附子的質量控制有一定的指導意義。

2.3.5 PLS與LS-SVM建模結果的比較以附子中的3個單酯型生物堿及其總量和3個雙酯型生物堿及其總量共計8個數(shù)值為研究對象,對比了LS-SVM模型和PLS模型的建模效果,結果如表5所示。由表可知,對于上述8個數(shù)值,LS-SVM模型的預測均方根誤差(RMSEP)均得到不同程度的下降；驗證集相關系數(shù)rpre和RPD則得到不同程度的提升。對于建模預測結果而言,驗證集的相關系數(shù)越大,越接近1,預測均方根誤差越小,相對預測偏差越大,表明模型預測性能越好。由對比結果可知,LS-SVM的預測性能相比PLS模型均有不同程度的提高,這是由于LS-SVM模型考慮了自變量和因變量之間的非線性關系,改善了其預測性能。而本次實驗的對象是附子粉碎后的樣品,樣品的粒徑大小可能會對建模結果有影響,而建模結果的提高則表明NIR光譜與粒徑之間可能存在著一些非線性關系。

圖2 附子中6個生物堿及其總量實測值與預測值的相關圖Fig.2 Correlation between measured value and predicted value for the 6 components in Aconiti Lateralis Radix Praeparata A-H:benzoylmesaconine;benzoylaconine;benzoylhypaconine;meaconitine;hypaconitine;aconitin;the total of monoester-type alkaloids;the total of diester-type alkaloid

表5 PLS模型和LS-SVM模型建模預測結果比較Table 5 The comparison of the prediction results between PLS and LS-SVM

3 結 論

本文以附子為研究對象,對其中的苯甲酰新烏頭原堿、苯甲酰烏頭原堿、苯甲酰次烏頭原堿、新烏頭堿、次烏頭堿、烏頭堿、單酯型生物堿總量和雙酯型生物堿總量進行了近紅外光譜快速測定，并比較了PLS和LS-SVM兩種建模方法的性能。結果表明，LS-SVM性能顯著優(yōu)于PLS,說明附子中生物堿的量與NIR光譜預測值之間存在非線性關系。通過本研究建立的方法,基于近紅外光譜結合LS-SVM建?？梢钥焖兕A測雙酯型生物堿總量和單酯型生物堿總量,方法操作簡單,無需樣品預處理,實現(xiàn)了快速、綠色分析的目的,也為更好控制附子藥材質量提供了幫助。