基于近紅外光譜技術快速測定口服液中多糖的研究

,,,,,,*

(1.無限極(中國)有限公司,廣東廣州 510623;2.華南理工大學化學與化工學院,廣東廣州 510641;3.晶格碼(青島)智能科技有限公司,山東青島 266109)

基于近紅外光譜技術快速測定口服液中多糖的研究

魯亮1,李晶晶2,周昭露2,田淑華3,黃生權1,黃延盛1,*

(1.無限極(中國)有限公司,廣東廣州510623;2.華南理工大學化學與化工學院,廣東廣州510641;3.晶格碼(青島)智能科技有限公司,山東青島266109)

本文建立了一種基于近紅外光譜技術快速測定中藥提取物中多糖的方法。通過采集102組中藥提取物口服液樣品的近紅外光譜,結合多糖化學檢測結果應用偏最小二乘法,通過考察不同光譜預處理方法,包括一階導數移動窗口寬度、平滑處理移動窗口寬度、波段選擇、變量選擇方法對模型預測能力的影響,建立并優化得到近紅外光譜技術快速測定口服液中多糖的最佳模型。此模型光譜預處理方法為一階導數結合平滑,一階導數移動窗口寬度為5,平滑處理移動窗口寬度為9,所選波段為5079.58～5152.86、6159.52～6232.80、6545.21～6695.63、7470.88～7544.16以及8705.09～8778.38 cm-1,共120個變量,模型的交叉驗證均方根誤差為15.4823,預測均方根誤差為16.2807。研究結果表明,通過近紅外光譜技術結合化學計量學方法建立口服液中多糖快速測定方法具有一定可行性。

近紅外,光譜預處理,移動窗口,波段選擇,變量選擇

Abstract:Near infrared reflectance spectroscopy technique was employed to measure the polysaccharides of Chinese herb extracts rapidly. The experiment had measured the content of polysaccharides in the 102 groups of the oral liquid of Chinese herb extracts,adopts the partial least squares method combined with the polysaccharides chemical reference values,and establishes the optimal model of measuring the polysaccharides of the oral liquid by the near infrared reflectance spectroscopy technique,which was obtained by comparing method and derivative of different preprocessing and the size,waveband and variable selection way of the smooth window on the predictive ability of the above model:the pre-processing method of spectrum wasthe combination of the first derivative and smooth process,and their moving window widths were 5 and 9 respectively. The chosen wavebands contained 5079.58～5152.86,6159.52～6232.80,6545.21～6695.63,7470.88～7544.16 and 8705.09～8778.38 cm-1in the sum of 120 variables. The root-mean-square error of the model cross validation was 15.4823,and the root-mean-square error of the model prediction was 16.2807. The results showed that the method for rapidly measuring the polysaccharides in oral liquid based on the combination of the near infrared reflectance spectroscopy technique and chemometrics method was of certain feasibility.

Keywords:NIR;pretreatment;moving window;feature bands selection;variable selection

近年來,中藥提取物口服液等保健食品逐漸獲得國際市場的認可,發展前景廣闊。來自于中藥提取物中的多糖等是這類產品的主要功效成分,生產過程中控制產品功效成分含量至關重要。傳統的多糖測定方法是基于化學容量分析,操作復雜,檢測周期長,不能滿足生產過程中實時監測多糖的要求。因此,建立一種快速測定中藥提取物口服液中多糖的分析技術十分必要。

近紅外光譜技術主要是利用一定數量光譜結合化學計量學方法建立模型來預測未知的樣品,已在煙草、石油化工、食品、農業等領域得到了較為廣泛的發展[1-3]。李連利用近紅外光譜分析技術建立模型來快速檢測保健品中硫酸軟骨素含量[4],黃艷萍采用漫反射光譜法結合化學計量學小波變換-人工神經網絡方法建立保健食品西布曲明的快速無損檢測[5],王遠利用近紅外漫反射光譜法結合一階導數+SG平滑+標準散射校正MSC光譜預處理方法,所建立麥冬多糖模型相關系數達到0.9688[6]。本文結合近紅外透射技術以及化學計量學的方法建立多糖快速測定技術,可應用于中藥提取物口服液生產過程中多糖的實時監控。

1 材料與方法

1.1 材料與儀器

口服液樣品 在2016年3月至6月之間于無限極公司某品種口服液生產現場所采集102組樣品;五水硫酸銅、酒石酸鉀鈉、氫氧化鈉、濃硫酸、濃鹽酸、硫酸鐵銨、高錳酸鉀 均為分析純(AR),國藥化學試劑有限公司。

ME2002電子天平 梅特勒-托利多;LXJ-IIB型低速大容量離心機 上海安亭科學儀器廠;EBK-4B型水浴鍋 廣東環凱微生物科技有限公司;Antaris MX型近紅外光譜儀 賽默飛世爾科技有限公司;建模環境 Matlab環境及PLS工具箱。

1.2 實驗方法

1.2.1 口服液樣品制備 不同中藥材原料按照配方比例進行投料經過常壓高溫水提4 h后得到提取液,再將提取液由真空雙效濃縮蒸發器濃縮到一定固形物范圍得到濃縮液,所得濃縮液按照產品配方添加一些輔料配制所得到的料液即為所收集的樣品。

1.2.2 多糖測定方法 吸取費林氏液甲、乙各25 mL,置于250 mL三角瓶中,準確加入口服液樣品10 mL再加入40 mL蒸餾水使總容積調整到100 mL;另外吸取50 mL蒸餾水,費林氏液甲、乙各25 mL做空白樣;加熱樣品液,在4 min內煮沸,再保持沸騰2 min(加熱時間必須嚴格遵守,允許有±15 s誤差);樣品液趁熱用G4耐酸漏斗抽濾到抽濾瓶中,并用60 ℃熱水100 mL分數次洗滌三角瓶及沉淀,將抽濾瓶中濾液棄去,洗凈;取硫酸鐵銨溶液50 mL,分數次將漏斗中紅色沉淀物溶解,并將溶液抽至抽濾瓶中,再用60 ℃熱水50 mL分數次洗滌漏斗(3～4次);合并濾液,并加入2 mol/L硫酸20 mL,用0.1 mol/L的高錳酸鉀標準滴定液滴定至微紅色并保持30 s不褪色為終點。

1.2.3 光譜采集 在生產線中用近紅外Antaris MX對口服液樣品進行光譜采集:每一批樣品掃描3次,用于建模的光譜為3次采集光譜的平均光譜。光譜采集條件:波長:4000～10000 cm-1,采用透反射探頭,分辨率8 cm-1,光程1 mm,掃描次數32次。

1.2.4 建模 樣本劃分:在有關近紅外建模的文獻中,常見有KS(Kennard-stone)法、Random Section法等。SPXY算法是在KS算法基礎上發展而來,利用光譜-理化值共生距離作為依據來劃分訓練集和驗證集,以提高模型的穩定性。

模型建立:利用PLS工具箱對采集的光譜進行預處理,分別考察預處理方法、導數窗口寬度、平滑窗口寬度、波段以及變量選擇方法對模型的影響,通過選擇恰當的處理方法和化學計量學方法建立多糖定量分析模型。

模型評價:建好的模型需要考察數據擬合度及對未知樣品的預測能力。以校正集決定系數(R2)、交叉驗證均方根(RMSECV)、預測均方根(RMSEP)為綜合指標來對模型性能進行考察。RMSECV、RMSEP越小,R2越接近1,表明模型的預測性能越好。

2 結果與分析

2.1 口服液樣品多糖含量基礎數據

采用化學容量分析法測定的口服液樣品多糖含量基礎數據見表1。從表1可見,102組口服液樣品的多糖含量范圍為372.56～495.46 mg/100 mL,各多糖含量數據分布情況如圖1所示。

圖1 口服液樣品多糖含量頻率分布圖Fig.1 Frequency distribution of polysaccharides

2.2 口服液樣品近紅外光譜圖

口服液樣品近紅外光譜見圖2。從圖2可見,多糖含量不同的樣品其近紅外光譜形狀較為接近,未發現多糖含量與特定波長吸光值之間有顯著相關性。因此,有必要通過光譜預處理技術等來構建和優化樣品相關性模型。

表1 口服液樣品多糖含量基礎數據(mg/100 mL)Table 1 The mathematical statistics of polysaccharides component of oral sample(mg/100 mL)

表2 不同光譜預處理方法對建模的影響Table 2 Influence of different preprocessing methods

圖2 口服液樣品近紅外光譜圖Fig.2 Near infrared spectra of oral sample

2.3 光譜預處理方法對建模的影響

從圖2可以看出,樣品在不同光譜區的絕對吸收不同,因此,建模時一般考慮根據多糖與光譜的相對變化值來建立關系,采用標準化算法來區分樣品間的不同。對掃描得到的原始光譜圖進行預處理,可以有效地消除基線漂移和其他背景的干擾,分辨重疊峰,從而提高靈敏度和分辨率。采用PLS建模方法結合不同的預處理方法建立多糖定量模型。在全光譜范圍內比較了原始光譜、Detrend、Baseline、MSC(多元散射校正)、SNV(標準正態變量變換)、一階導數、二階導數、一階導數+平滑相結合的預處理方法結合PLS建立模型[7-8]。不同光譜預處理方法建模結果如表2所示。結果表明,多糖含量模型采用一階導數+平滑相結合的光譜預處理方法效果最佳,其R2cal為0.7312,RMSECV為18.2284。

2.4 一階導數移動窗口寬度對建模的影響

對近紅外原始光譜求導可以有效的提高光譜分辨率,消除干擾,但求導過程中如果差分寬度選擇不當,將銳化噪聲,反而使模型預測準確性下降。因此,預處理過程中需選擇合適的窗口寬度,將光譜信息顯現出來,提高建模的有效性。從表3可以看到,當一階導數的移動窗口寬度是5,交叉驗證的誤差最小,RMSECV為18.0001,此時模型效果最佳。

表3 一階導數移動窗口寬度對建模的影響Table 3 Influence of 1st derivative

表4 平滑移動窗口寬度對建模的影響Table 4 Influence of smoothing points

表5 波段選擇對建模的影響Table 5 The results of PLS regression models in different spectra ranges

注:A:全波段;B:5538.55～5924.25、7467.02～7852.71、8624.10～9009.79 cm-1;C:4462.47～4516.46、5098.86～5152.86、9380.06～9434.059727.18～9781.18 cm-1。

2.5 平滑移動窗口寬度對建模的影響

在做光譜預處理時,一般先采用求導,但是求導會導致光譜的噪聲提高,降低信噪比,因此,一般將求導與平滑相結合對光譜進行預處理。平滑通常是將凹凸不平的分析信號曲線變為變化相對平緩的光滑曲線。平滑方法包括窗口移動平均法、Savitzky-Golay法等[9-10]。Savitzky-Golay法目前應用較廣,使用時應注意移動窗口的寬度以及多項式系數的選擇。本實驗考察不同的移動窗口寬度對建模的影響,從表4可知,當平滑移動窗口寬度為9,交叉驗證RMSECV的值最小,此時模型預測能力較好。

2.6 波段選擇對建模的影響

在得到最佳光譜預處理方法組合后,利用PLS建立定標模型,通過間隔偏最小二乘法IPLS選擇不同波段光譜來建立定標模型。結果表明,選擇恰當合理的波段對于提高模型的預測性具有顯著效果,由表5可知,使用全波段進行建模RMSECV較高,另外全波段光譜存在噪音等無效信息,進而影響模型的準確性,經過波段選擇后,模型的準確性得到提高。因此提取有效波段,不但可以提供反映多糖指標較為全面的信息,而且可以較少噪聲以及無關聯信息的干擾,縮短了建模時間,提高了模型的預測能力。

2.7 變量選擇方法對建模的影響

多糖是復雜的混合物,在近紅外區沒有特征吸收峰,而且近紅外的重疊峰嚴重,采用有效變量選擇方法剔除冗余信息能夠在一定程度上提高模型的準確度和精密度。SPXY算法是在KS算法基礎上發展而來,利用光譜-理化值共生距離作為依據來劃分訓練集和驗證集,以提高模型的穩定性。采用SPXY方法,將樣品數據分為75組訓練數據和27組驗證數據,采用窗口寬度為5的一階導數組合窗口寬度為9的平滑預處理方法處理光譜。對比考察不同的變量選擇方法:間隔偏最小二乘法(IPLS)、無信息變量消除法(MCUVE)、移動窗口偏最小二乘法(MWPLS)、遺傳算法(GA)、變量投影重要性(VIP)、隨機蛙(Random frog)、競爭自適應重加權采樣(Cars)[11-19],結合偏最小二乘法建模,結果見表6,結果表明,Cars和Random frog交叉驗證誤差結果比較小,模型的相關系數R2較為接近1,但預測均方根誤差RMSEP較大,說明模型可能存在過擬合導致對于未知樣品預測效果不佳。使用IPLS選波段方法,所選波段為5079.58～5152.86、6159.52～6232.80、6545.21～6695.63、7470.88～7544.16以及8705.09～8778.38 cm-1,共120個變量,再結合上述預處理方法,對27組驗證數據進行預測,預測結果及與化學值之間的相對誤差見表7。從表7中可以看到,所有數據的預測效果相對誤差可以控制在10%以內,最大誤差為-8.19%。

表6 變量選擇方法對建模的影響Table 6 Influence of in different variable selections

表7 相對誤差統計表(%)Table 7 The table of relative error(%)

3 結論

本研究通過近紅外光譜透射技術對口服液中的多糖指標建立定量模型。當一階導數移動窗口寬度為5,平滑移動窗口寬度為9,采用IPLS變量選擇方法進行建模,其訓練集的交叉驗證均方根誤差為15.4823,驗證集的預測均方根誤差為16.2807。結果表明,通過選擇較優的預處理方法建立的模型對中藥提取物口服液中多糖含量具有良好的預測能力,可應用于類似產品生產過程中多糖含量快速測定和實時監控。

[1]褚小立,袁洪福,陸婉珍.近年來我國近紅外光譜分析技術的研究與發展[J]. 分析儀器,2006(2):1-10.

[2]鄧亮,冷紅瓊,段沅杏,等. FT-NIR 光譜測定煙草中煙堿、總氮、總糖含量的模型研究[J].云南農業大學學報,2013,28(6):814-818.

[3]王加華,王軍,王一方,等.基于近紅外光譜技術的腐竹脂肪定量分析[J].食品科學,2014,35(18):136-140.

[4]李連.硫酸軟骨素關鍵質量環節近紅外光譜分析技術的應用研究[D].濟南:山東大學,2012:1-92.

[5]黃艷萍,袁萍,黃勇紅.減肥保健品中西布曲明的近紅外光譜法快速測定[J].海峽醫學,2015,27(11):42-44.

[6]王遠,秦民堅,戚近,等.近紅外漫反射光譜法測定麥冬的多糖含量[J].光譜學與光譜分析,2009,29(10):2677-2680.

[7]Geladi P,MacDougall D,Martens H.Linearization and scatter-correction for near-infrared Reflectance spectra of meat[J]. Applied Spectroscopy:1985,39:491-500.

[8]RJ Barnes,MS Dhanoa,SJ Lister.Standard normal variate transformation and de-trending of near-infrared diffuse reflectance spectra[J]. Applied Spectroscopy,1989,43(5):772-777.

[9]許良,閆亮亮,塞擊拉呼,等.近紅外光譜結合可移動窗口偏最小二乘法對克霉唑粉末藥品的定量分析[J].計算機與應用化學,2016,33(4):415-418.

[10]侯培國,李寧,常江,等.SG平滑和IBPLS聯合優化水中油分析方法的研究[J].光譜學與光譜分析,2015,35(6):1529-1533.

[11]A Oussama,F Elabadi,S Platikanov,et al. Detection of olive oil adulterationusingFT-IR spectroscopy and PLS with variable importance of projection(VIP)scores[J].Journal of the American Oil Chemists’ Society,2012,89(10):1807-1812.

[12]B Lu,I Castillo,L Chiang,et al. Industrial PLS model variable selection using moving window variable importance in projection[J]. Chemometrics and Intelligent Laboratory Systems,2014,135(15):90-109.

[13]W Cai,Y Li,X Shao. A variable Selection method based on uninformative variable elimination for multivariate calibration of near-infrared spectra[J]. Chemometrics and Intelligent Laboratory Systems,2008,90(2):188-194.

[14]H Y Ding,Y Jin,XS Liu,et al. On-line Monitoring of Traditional Chinese Medicinal Powder Blending Process by Using Near-Infrared Spectroscopy[J]. Chinese Pharmaceutical Journal,2013,48(14):1151-1156.

[15]曹楠寧,王加華,李鵬飛,等.基于GA和SCMWPLS算法的NIR光譜信息變量提取研究[J].光譜學與光譜分析,2010,30(4):915-919.

[16]王加華,潘璐,孫謙,等.遺傳算法結合偏最小二乘法無損評價西洋梨糖度[J].光譜學與光譜分析,2009,29(3):678-681.

[17]HD Li,QS Xu,YZ Liang. Random frog:an efficient reversible jump Markov chain Monte Carlo-like approach for variable selection with applications to gene selection and diseaseclassification[J]. Analyticachimica Acta,2012,740:20-26.

[18]周昭露,李杰,黃生權,等.近紅外光譜技術在中藥質量控制應用中的化學計量學建模:綜述和展望[J].化工進展,2016,35(6):1627-1645.

[19]后其軍,鞠興榮,袁建,等.不同產地稻谷近紅外技術建模效果的比較[J].食品工業科技,2016,37(8):125-134.

Therapiddeterminationofpolysaccharidesinoralliquidbasedonnearinfraredreflectancespectroscopytechnique

LULiang1,LIJing-jing2,ZHOUZhao-lu2,TIANShu-hua3,HUANGSheng-quan1,HUANGYan-sheng1,*

(1.Infinitus(China)Ltd,Guangzhou 510623,China;2.School of Chemistry and Chemical Engineering,South China University of Technology,Guangzhou 510641,China;3.Pharmavision(Qingdao)Intelligent Technology Ltd,Qingdao 266109,China)

TS207.3

A

1002-0306(2017)18-0247-06

2017-03-16

魯亮(1987-),男，碩士，助理工程師，研究方向:過程檢測，E-mail：Liang.Lu @infinitus-int.com。

*通訊作者:黃延盛(1979-)，男，碩士，中級工程師，研究方向:制藥工程和過程檢測，E-mail：Jason.huang@infinitus-int.com。

10.13386/j.issn1002-0306.2017.18.047