AOTF近紅外光譜技術快速測定茯苓中的水分*

丁銀花，畢宇安，曹燕飛，秦建平，楊瑤珺，蕭 偉**

1北京中醫藥大學中藥學院，北京 100020；

2江蘇康緣藥業股份有限公司 中藥制藥過程新技術國家重點實驗室，連云港 222001

茯苓為多孔菌科真菌茯苓Poria cocos（Schw.）Wolf的干燥菌核。多于7～9月采挖，挖出后除去泥沙，堆置“發汗”后，攤開晾至表面干燥，再“發汗”，反復數次至皺紋、內部水分大部散失后，陰干，稱為“茯苓個”，或將鮮茯苓按不同部位切制，陰干，分別稱為“茯苓塊”和“茯苓片”。其性甘、淡、平。歸心、肺、脾、腎經；具有利水滲濕、健脾、寧心等功效[1]。藥材在貯藏過程中，其水分含量是藥材質量變化的介質，也是藥材質量變化的內在主導因素，而菌類藥材的含水量對于貯藏尤為重要，故“安全水分”有利于藥材質量的保存[2]。藥材中含有過量的水分，極易霉爛變質，使有效成分分解，從而造成成藥質量不穩定，給安全用藥帶來隱患，且相對地減少了實際用量，從而不能達到治療目的[3]。傳統的水分測定方法一般操作過程繁瑣、費時，不利于藥材質量的及時監控。

近年來近紅外光譜（near-infrared spectroscopy，NIRS）技術發展迅速，已在農業、煙草、石油化工、食品和藥物等領域得到廣泛應用，具有分析速度快、操作簡單方便、無污染、無破壞性、一般不需特別前處理等優點[4]。已有研究者利用近紅外光譜技術對連翹、白芍、苦參等中藥材、中成藥及化學藥的含水量進行了快速測定，為中藥材入庫標準的水分測定提供了可行性[5-6]。本研究測定了茯苓的NIR光譜和茯苓含水量，結合化學計量學中的偏最小二乘法（PLS），建立了茯苓的NIR光譜水分校正模型，用于快速測定茯苓中的水分，對于生產中批量茯苓水分的控制具有潛在的應用前景，同時也為菌類中藥材含水量的快速準確控制提供參考方法。

1 儀器和樣品

Luminar 5030便攜式AOTF近紅外光譜儀，配有專用的SNAP掃描軟件和The Unscrambler定量分析軟件（美國Brimrose公司）；立鶴牌電熱恒溫干燥箱（山東濰坊精鷹醫療器械有限公司）；直立粉碎機（北京環亞天元機械技術有限公司）；萬分之一電子天平（Mettler Toledo AL204）。

茯苓69批，來源于安徽、廣西、湖北、云南等省區，由江蘇康緣藥業股份有限公司提供，經本課題組楊瑤珺鑒定均為多孔菌科真菌茯苓Poria cocos（Schw.）Wolf的干燥菌核。

2 方法與結果

2.1 樣品水分的測定

將收集的69份茯苓粉碎，過45目篩，采用2010年版《中國藥典》一部附錄ⅨH水分測定法中的烘干法進行測定，測得的數值作為茯苓含水量的真實值。水分含量12.80%～21.93%。

2.2 樣品近紅外圖譜采集

將已粉碎過45目篩的茯苓粉末裝入樣品池中，以空氣為背景，采用漫反射方式、比率模式下采集近紅外光譜，波長1100～2300 nm，選擇透光率為縱坐標，每個樣品重復采集3張光譜，取其平均值作為該樣品的光譜圖。原始吸收光譜圖見圖1。

圖1 樣品的原始吸收光譜圖（n=60）

上述所采集的光譜中不僅包含了樣品中的有效信息，還包括由于外界環境的波動、隨機噪音、樣品的背景干擾所產生的信息，因此在建模前需要對光譜進行預處理，以去除噪音，凈化譜圖信息，擴大有效信息，提高模型的精度和預測效果[7]。本實驗比較了原始吸收光譜及一階微分導數、二階微分導數，分別與S-G平滑法（savitzky-golay法）結合等光譜預處理方法，以RSEP和R2的大小為依據來優選合適的預處理方法，結果發現建模時選用一階微分導數+9點S-G組合對原始吸收光譜進行預處理可以達到最優的結果。故本文采用一階微分導數+9點S-G平滑法對掃描得到的原始吸收光譜進行光譜預處理，以消除噪音和基線的影響。見圖2。

圖2 一階微分導數+9點S-G平滑法光譜圖

2.3 定量模型的建立

按含水量高低均勻選取樣本組成校正集，用于建立校正模型，剩余樣本為驗證集，用于對模型進行外部驗證，在樣本集劃分時保證校正集樣本含水量范圍大于驗證集。校正集和驗證集的樣品含水量分布范圍見表1。

表1 校正集與驗證集樣品數量及其含水量分布范圍（n=60）

采用偏最小二乘法 （PLS）、交叉-驗證法，用Unscrambler定量分析軟件建立茯苓藥材的水分校正模型。光譜和化學值的異常值分別采用光譜影響值Leverage和化學值誤差Residual這兩個統計量來檢驗剔除。結果顯示，本實驗中無異常點出現，能得到較為理想的校正模型。

其中樣品F1～F15和F25～F69進行初步模型的建立與優化，樣品F16～F24進行模型的外部預測。其模型外部交互驗證相關系數能達到0.9951，內部交互驗證相關系數為0.9956，水分模型結果如圖3。

圖3 水分（%）含量的PLS回歸模型圖

2.4 定量模型的預測

用上述茯苓水分定量校正模型對9個外部樣品進行預測，計算得出驗證集相對偏差RSEP為2.7%，外部預測誤差均方根RMSEP為0.49，預測值與化驗值的平均相對偏差為1.3%。模型的外部驗證結果見表2。

表2 NIR水分模型預測結果

2.5 方法學驗證

選擇編號為F16的茯苓粉末樣本，測定6次光譜，用上述所建立的模型預測其含水量，測得精密度RSD值為0.87%；同一批樣品，分別取樣6次，依次測定其近紅外光譜，預測樣品的含水量，測得重復性RSD值為2.0%。

3 討 論

3.1 樣品粉碎度的考察。考察了4種篩孔下（過10目、20目、45目和60目篩）樣品采集的光譜，從原始光譜及一階導數光譜分析各篩孔下采集光譜重復性均較好，差異性不大，計算它們一階導數圖譜的 MBSD 值（移動塊標準偏差）[8]，分別為 3.58×10-6、3.41×10-6、2.74×10-6、2.83×10-6，過 45 目篩樣品光譜MBSD最小，且光譜重復性較好，因此確定茯苓粉末過45目篩。

3.2 樣品裝樣量的考察。將過45目篩的茯苓粉末分別裝于樣品杯中，厚度分別為 0.5、1、1.5、2 cm，進行光譜的采集，0.5、1.0 cm厚度時，光譜的重復性較差，其它厚度下的光譜重復性較好。同時，計算各厚度下一階導數光譜的MBSD值，分別為3.68×10-6、2.74×10-6、2.70×10-6、2.72×10-6，可以看出，裝樣厚度大于1 cm時MBSD值穩定，均較小，光譜差異性不大，且重復性較好，所以確定裝樣厚度要大于1 cm。

3.3 掃描平均次數的考察。將過45目茯苓粉末，分別裝于樣品杯中，裝樣量均為1 cm，考察了平均300次和600次的光譜，光譜差異不大，分別計算它們一階導數圖譜的MBSD值，為9.00×10-6和2.74×10-6，平均600次的差異更小些，所以掃描平均次數確定為600次。

3.4 本實驗所建立的模型預測能力較高，預測結果比較準確，精密度和重復性均良好，顯示出較高的實用價值。如果在此基礎上，繼續加大建模樣品和模型驗證樣品的數量，增大建模用樣品的代表性，進一步優化模型，提高模型的預測能力，使AOTF近紅外光譜儀完全可以滿足茯苓水分含量的快速準確測定，這為茯苓等菌類中藥材水分快速測定提供一新方法。

[1] 國家藥典委員會.中華人民共和國藥典：一部[S].北京：中國醫藥科技出版社，2010.

[2] 傅泉炎.中藥含水量與中藥倉儲質量的關系[J].中國藥業，2002，11（5）：70.

[3] 吳啟南，錢大偉，段金廒.中藥材貯藏過程中的質量變化機制探討[J]. 中國中藥雜志，2010，35（14）：1904-6.

[4] 楊海雷，劉雪松，瞿海斌，等.一種基于近紅外的紅參藥材質量快速評價方法[J]. 中草藥，2005，36（6）：912.

[5] 白 雁，王 星，陳志紅.近紅外光譜法檢測連翹藥材中水分含量[J]. 鄭州大學學報，2008，43（6）：1164-6.

[6] 魏慧珍，方少敏，饒 毅，等.近紅外光譜技術快速測定白芍藥材烘干過程中水分 [J].中草藥，2011，42（10）：1994-7.

[7] 褚小立，袁洪福，陸婉珍.近紅外分析中光譜預處理及波長選擇方法進展與應用 [J].化學進展，2004，16（4）：528-42.

[8] 金 葉，楊 凱，陳木洲，等.微型近紅外儀用于眾生丸粉末混合過程的在線監測研究 [J].中國中藥雜志，2011，36（21）：2964-5.