基于近紅外光譜技術和多變量統計過程控制的五味子提取生產過程監測方法

徐敏　張磊　岳洪水　龐洪偉　葉正良　丁黎

[摘要]將近紅外光譜分析技術與多變量數據分析技術相結合，建立注射用益氣復脈（凍干）組方藥材五味子提取過程的在線監測方法。采用生產上5個正常批次建立了五味子提取過程的多變量統計過程控制（multivariate statistical process control， MSPC）模型，并利用PC scores，DModX和Hotelling T2 3種控制圖對2個測試批次進行監測。結果顯示，MSPC模型對提取過程具有良好的監測性能。將所建立的MSPC模型應用到實際生產中，能夠有效地實現對五味子提取過程的在線監測，并實時反映生產過程中物料屬性的變化。該文建立的監測方法為過程分析技術在中藥注射劑生產過程質量控制領域的應用提供了參考。

[關鍵詞]多變量統計過程控制； 近紅外光譜分析技術； 五味子提取過程； 注射用益氣復脈（凍干）

[Abstract]To establish an online monitoring method for extraction process of Schisandrae Chinensis Fructus， the formula medicinal material of Yiqi Fumai lyophilized injection by combining near infrared spectroscopy with multivariable data analysis technology The multivariate statistical process control （MSPC） model was established based on 5 normal batches in production and 2 test batches were monitored by PC scores， DModX and Hotelling T2 control charts The results showed that MSPC model had a good monitoring ability for the extraction process The application of the MSPC model to actual production process could effectively achieve online monitoring for extraction process of Schisandrae Chinensis Fructus， and can reflect the change of material properties in the production process in real time This established process monitoring method could provide reference for the application of process analysis technology in the process quality control of traditional Chinese medicine injections.

[Key words]multivariate statistical process control； near infrared spectroscopy （NIR）； extraction process of Schisandrae Chinensis Fructus； Yiqi Fumai lyophilized injection

注射用益氣復脈（凍干）是基于傳統中藥古方生脈散發展起來的一種新型凍干粉針制劑，由紅參、麥冬、五味子3種藥材組成，具有益氣復脈，養陰生津的功效。其生產制造過程分為2個階段，首先將3種藥材單獨加工成提取物（即原料藥），再將提取物經過混合、配制、超濾、冷凍干燥等一系列工序制得最終產品。五味子作為其組方藥材之一，具有收斂固濕、補腎寧心的功效[12]。五味子提取物的生產過程包括提取、濃縮、醇沉、過濾等多步工序，其中水煎煮回流提取是獲得提取物的關鍵工藝單元，其工藝控制水平將直接影響提取液中有效成分的含量和質量一致性。五味子水提過程中涉及的參數眾多，原料藥材的質量、提取溫度和提取時間的變化等都會對中間體以及產品質量產生影響。然而，現行生產中主要依靠工藝參數管理和質量標準指標分析，缺乏快速分析方法，無法實時獲得提取過程中物料屬性的變化，對提取過程中出現的情況不能及時作出響應。因此，亟需建立一種在線監測方法，對其進行更為嚴格的控制。

近紅外光譜技術作為一種在線分析工具，由于其無損、高效等特點，已經應用于制藥領域的各個方面[35]。各個國家藥品管理部門也相繼出臺了一系列與近紅外應用相關的指導文件，如2012年歐洲醫藥管理局頒布的《歐盟制藥工業近紅外光譜技術應用、申報和變更資料要求指南（草案）》對近紅外光譜分析方法的開發、驗證、維護和應用等提出了一系列指導原則，進一步規范了近紅外光譜技術在制藥領域的應用[6]。近年來，隨著中藥現代化的大力推進，近紅外光譜技術在中藥制藥工業也得到了迅速發展。

從近紅外光譜技術在中藥制藥過程監測的運用情況來看，主要是通過建立定量校正模型，在線監測過程中少數幾個有效成分的含量[79]。但中藥體系復雜，生產過程受諸多因素影響，僅通過對個別指標的監測無法全面反映過程的運行狀態；而且，采用近紅外光譜技術對中藥制藥過程進行在線測量時，得到的是大量復雜的光譜信息，如何從上述釆集到的信息中提取出與生產過程和物料屬性相關的數據，實現對工藝單元過程的快速監測，還需要借助有效的過程數據分析技術。隨著統計科學、化學計量學、計算機技術等多門學科的發展，多變量統計過程控制（MSPC）方法得到重視。目前，該方法已經被引入到中藥制藥的過程監測中，并取得了部分成果。黃紅霞等[10]將該技術應用于丹參注射液醇沉過程的在線監控，所建MSPC模型能準確區分正常批次和人為設定的異常批次；程志偉等[11]建立了痰熱清注射液生產過程中熊膽粉提取物配液過程的MSPC模型，并對測試集批次進行了在線監控；陳厚柳等[12]利用在線采集的可見光近紅外光譜結合MSPC技術建立了銀杏葉提取物柱色譜洗脫過程的在線監測模型；陳國權等[13]以感冒靈顆粒醇沉液的濃縮過程為研究對象，建立了基于過程光譜數據的定性MSPC監控模型，并對模型的性能進行了考察。endprint

注射用益氣復脈（凍干）制備工藝復雜，生產周期長，僅通過成品檢驗只能保證產品質量滿足現有法定標準，無法進一步提高產品質量。目前針對該產品的質量控制方法研究還不夠深入，且未出現將MSPC技術應用于其生產過程的相關報道，所以本文以注射用益氣復脈（凍干）組方藥材五味子提取過程為研究對象，將近紅外光譜分析技術與多變量數據分析技術相結合，建立提取過程的MSPC模型，并探討所建模型在提取過程在線監測中的應用，從而確保提取過程平穩可控。

1材料

MATRIXF型傅里葉變換近紅外光譜儀（德國BRUKER公司）。

五味子藥材（遼寧鑫泰藥業有限公司生產）。

2方法

21五味子提取過程樣收集

所有數據均采集于注射用益氣復脈（凍干）商業批次生產過程。在注射用益氣復脈（凍干）生產工藝中，五味子單獨加水回流提取，煎煮3次得到水提取液，一煎60 min，二煎45 min，三煎30 min。

采用近紅外光譜技術監測五味子提取工序，水提過程每1 min采集1次近紅外光譜。共進行7批次實驗，其中前5個批次用于MSPC模型的建立，后2個批次用于過程監測。

22NIR光譜采集

在室溫環境下，以內部空氣作為參比，采用透射模式采集光譜，光程為2 mm，分辨率為8 cm-1，掃描范圍12 000～4 000 cm-1，掃描次數32次。采集裝置見圖1。

23數據處理與軟件

本研究采用SIMCAP+130軟件（美國Umetrics公司）進行數據分析。

MSPC是將多變量數據分析理論和傳統單變量統計過程控制方法相結合，對采集到的NIR光譜數據進行整合，將大量高度相關的過程變量投影到由少數潛變量定義的低維空間，并通過過程運行軌跡，用正常批次所建立的統計模型來判斷生產上的批次是否處于正常波動范圍以及及時檢測異常狀況，以實現對生產過程的質量監測。

在建立MSPC模型時，常采用的過程控制圖有PC scores，Hotelling T2和SPE等。其中主成分得分是將高維變量空間進行降維處理轉換到低維主成分空間。Hotelling T2統計量是所有主成分的歸一化得分共同累加得到的，可以達到同時監測多個主成分的目的，其主要反映采樣點偏離模型中心的程度，是對模型內部數據變化的一種測度。第n個采樣點的Hotelling T2統計量計算公式如下[14]。

T2n=（tn-） λ-1（tn-）T（1）

其中，tn（1×A）是采樣點Xn的A個主成分得分構成的向量，是由每個主成分在所有采樣點上的得分均值構成的向量，λ是由A個主成分對應的特征值組成的對角矩陣。

在SIMCAP+130軟件中以DModX（Distance to the Model X）統計量代替SPE進行分析，其主要反映每個采樣點到模型的距離，是對模型外部數據變化的一種測度。第n個采樣點的DModX統計量計算公式如下[15]。

DModXn=eneTn/（K-A）=∑kk=1（xnk-nk）2/（K-A）

其中，en是采樣點Xn殘差項，xnk是采樣點Xn第k個變量的觀測值，nk是采樣點Xn第k個變量的預測值。

3結果與討論

31MSPC模型建立

311提取過程近紅外光譜分析五味子提取過程（正常操作批次）的原始近紅外光譜圖見圖2。4 500～4 000 cm-1波段吸收雜亂，主要為光纖吸收，應予以去除，12 000～9 000 cm-1包含大量冗余信息，目標信息較少，也應予以去除。所以，最后選擇波段范圍為9 000～4 500 cm-1進行建模。為了消除光譜中的干擾信息，選擇矢量歸一化、SavitzkyGolay和一階導數組合的方法對光譜進行預處理。

312三維光譜分解五味子提取過程的NIR光譜數據可以表示為一個三維矩陣X（I×J×K），其中I為批次，J為光譜變量，K為時間。在建立MSPC模型之前，需要將三維的數據展開成二維，在MSPC模型中有2種展開方式，即按批次展開和按變量展開。本研究中保留光譜變量的方向，采用多向主成分分析的方法將批次變量和時間變量結合在一起，展開后的二維矩陣X（K×IJ）中每一列代表的是一個光譜變量在所有批次每一個時間點上的信息，可以對批次生產過程中所有時間點進行監測[14]，見圖3。

313監測模型建立采用5批NOC批次的一煎、二煎和三煎全部過程光譜數據作為訓練集，首先將訓練集數據矩陣按照變量展開方式展開為二維矩陣，再采用PLS法建立MSPC模型。所建模型的PC scores，DModX和Hotelling T2控制圖見圖4，可用于生產中對提取批次的實時監測。

圖4a為提取過程的主成分得分圖，采用±3SD作為控制圖的上下限，表示每一批次樣本在PC1上的得分隨時間變化的趨勢。得分控制圖可以直觀的反映整個提取過程的光譜變化情況。從圖中可以看出各批次得分軌跡都處于控制限內且相互重疊，說明批次間具有良好的一致性和質量穩定性。

圖4b為提取過程的DModX控制圖，采用±3SD作為控制圖的上下限。DModX統計量主要用來監測輸入的數據結構是否發生了變化[1617]，當DModX值超出統計限時，表明樣本不能用已建立的模型來描述。從圖中可以看出，5個批次的得分均處在控制限內，表明在不同批次的提取過程中光譜波動情況保持一致。

圖4c為Hotelling T2控制圖，采用95%為控制限。Hotelling T2統計量表主要用來考察模型內部變量的波動是否異常[1819]。若某個時間點的樣本值超出控制限，說明該樣本在模型內部的投影變化較大，即該時間點樣本中多個相互關聯的組分含量有了較大的變化。根據圖中可以看出5個批次的得分隨時間變化的趨勢基本一致且處于控制限內，表明不同批次的提取過程藥液中組分含量未發生明顯變化。endprint

32模型應用

在實際應用中，每個被監測變量的信息都在DModX統計量中得到了反映，當DModX值超限時，說明輸入的過程變量之間的相關關系發生了改變，

a主成分得分控制圖；bDModX控制圖；cHotelling T2控制圖（圖5同）。

且與統計模型所代表的正常運行狀態的相關關系相差較大。而Hotelling T2統計量主要是在變量相互關系結構未發生變化的前提下監測系統工作點的變化，超出統計限的Hotelling T2值說明該點的生產運行狀態發生了改變。

將Hotelling T2和DModX相互結合，用于生產過程的監測。當批次的統計量在控制限內時，認為批次是正常范圍內的波動；當批次的任一統計量超出控制限時，說明這個批次出現異常狀況。

將批次6和批次7（五味子提取商業生產批次）的一煎、二煎和三煎全部過程光譜作為測試批次，來驗證所建MSPC模型的監測能力，批次6和批次7的PC scores，DModX和Hotelling T2控制圖見圖5。在PC scores控制圖中，2個批次得分軌跡基本保持一致，在DModX和Hotelling T2控制圖中，2個批次過程光譜數據均落在控制限內，說明這2個批次在提取過程中均未出現異常情況。

33討論

在中藥制藥過程中，變量數目繁雜且存在較高的相關性，很難通過對個別變量的單獨控制來實現提高產品質量的目的。目前在生產中，五味子提取過程的開始和結束都由提取溫度和提取時間控制，且固定不變。在主要依靠固定參數控制生產過程的模式下，無法對各種過程參數和質量參數進行實時監測與記錄，容易引起批次之間質量的不穩定。基于近紅外光譜技術的MSPC方法可以直接獲得分析對象的整體信息，并從中提取出關鍵的過程光譜數據，建立正常提取狀態下的模型，對提取過程質量的穩定性進行在線監測和分析。由于實驗中所有批次樣本均來自于商業生產，在收集數據的過程中未出現異常狀況，所以本文在此基礎上論述了所建模型在提取過程中的應用。

現今，藥品質量控制的國際主流技術理念已經從“質量源于生產”（quality by production，QbP）模式邁入“質量源于設計”（quality by design，QbD）時代，以事前控制的方式保障藥品質量。通過透徹分析制藥過程，識別質量風險因素，建立過程控制模型，生產出質量可靠的藥品[20]。中藥工業作為我國醫藥領域中具有國際競爭力并擁有自主知識產權的朝陽工業，其產品安全性、有效性和質量可控性成為人們關注的焦點。近年來，不斷有研究者將QbD 理念引入到中藥質量控制技術領域中，提出中藥生產全過程質量控制策略并對其開展相關研究[21]。目前，近紅外光譜等分析檢測方法和以過程建模為核心的過程分析技術已經廣泛應用于中藥制藥領域的質量控制，且取得了巨大的發展。但是，我國中藥制藥過程質量控制技術整體水平仍比較落后，大部分產品的生產過程缺乏有效管控，中藥生產依舊面臨制藥過程數據未合理采集利用，工藝參數與藥品質量關系不清，關鍵質控點不明等諸多挑戰和難題。為了進一步提升中藥產品的質量，使其得到國際的認可，必須創新發展中藥生產全程質量控制技術，綜合利用在線檢測、自動控制及統計過程控制等技術建立符合中藥生產特點的全程質量控制體系，實現中藥工業的轉型升級，促進中藥產業的健康持續發展。

4結論

五味子提取工藝環節流程較長，生產過程中不穩定因素多，目前缺乏有效的在線檢測手段，無法即時反饋過程數據，對生產過程進行調控。本文基于近紅外光譜分析技術和多變量數據分析技術，建立的MSPC模型可以對提取全過程進行監測，實時反映物料的質量信息和生產過程的變動情況，通過主成分得分、Hotelling T2和DModX 這3種控制圖可以對過程進行異常診斷，有利于分析異常狀況出現的原因，為工藝參數的調整和優化提供了科學依據，進一步確保生產出質量穩定、均一的產品。

[參考文獻]

[1]韓曉萍，李德坤，周大錚，等.近紅外光譜法測定注射用益氣復脈（凍干）中的10種人參皂苷[J].中國中藥雜志，2011，36（12）：1603.

[2]仲懌，潘萬芳，朱捷強，等.基于近紅外光譜的五味子提取過程在線檢測方法研究[J].藥學與臨床研究，2014，22（4）：332.

[3]J Luypaert，D L Massart，Y Vander Heyden.Nearinfrared spectroscopy applications in pharmaceutical analysis[J].Talanta，2007，72（3）：865.

[4]Marzena Jamrógiewicz.Application of the nearinfrared spectroscopy in the pharmaceutical technology[J].J Pharma Biomed Anal，2012，66：1.

[5]C De Bleye，PF Chavez，J Mantanus，et al.Critical review of nearinfrared spectroscopic methods validations in pharmaceutical applications[J].J Pharma Biomed Anal，2012，69：125.

[6]喬延江，杜敏，史新元，等.歐盟制藥工業近紅外光譜技術應用、申報和變更資料要求指南（草案）[J].世界科學技術——中醫藥現代化，2012，14（4）：1933.

[7]Zhang C，Su J H.Application of near infrared spectroscopy to the analysis and fast quality assessment of traditional Chinese medicinal products [J].Acta Pharm Sin B，2014，4（3）：182.endprint

[8]Yang Yue，Wang Lei，Wu Yongjiang，et al.Online monitoring of extraction process of Flos Lonicerae Japonicae using near infrared spectroscopy combined with synergy interval PLS and genetic algorithm[J].Spectrochim Acta A Mol Biomol Spectrosc，2017，182：73.

[9]Li Wenlong，Han Haifan，Cheng Zhiwei，et al.A feasibility research on the monitoring of traditional Chinese medicine production process using NIRbased multivariate process trajectories[J].Sensor Actuator B Chem，2016，231：313.

[10]Huang H，Qu H.Inline monitoring of alcohol precipitation by nearinfrared spectroscopy in conjunction with multivariate batch modeling[J].Anal Chim Acta，2011，707：47.

[11]程志偉.近紅外光譜技術在熊膽粉制藥過程質量控制中的應用[D].杭州：浙江大學，2013.

[12]陳厚柳.銀杏葉提取和層析過程在線質量控制方法研究[D].杭州：浙江大學，2015.

[13]陳國權.近紅外光譜技術在感冒靈顆粒生產過程質量控制中的應用研究[D]. 杭州：浙江大學，2017.

[14]王毅，馬翔，溫亞東，等.近紅外光譜與多元統計方法用于生產過程實時分析[J].光譜學與光譜分析，2013，33（5）：1226.

[15]李文龍，瞿海斌.基于近紅外光譜技術的“過程軌跡”用于中藥制藥過程監控的研究進展[J].中國中藥雜志，2016，41（19）：3506.

[16]Xiong Haoshu，Gong Xingchu，Qu Haibin.Monitoring batchtobatch reproducibility of liquidliquid extraction process using inline nearinfrared spectroscopy combined with multivariate analysis[J].J Pharma Biomed Anal，2012，70：178.

[17]Huang Hongxia，Qu Haibin.Inline monitoring of alcohol precipitation by nearinfrared spectroscopy in conjunction with multivariate batch modeling[J]. Anal Chim Acta，2011，707（1/2）：47.

[18]吳莎，劉啟安，吳建雄，等.統計過程控制結合近紅外光譜在梔子中間體純化工藝過程批放行中的應用研究[J].中草藥，2015，46（14）：2062.

[19]Jin Ye，Wu Zengzeng，Liu Xuesong，et al.Near infrared spectroscopy in combination with chemometrics as a process analytical technology（PAT） tool for on line quantitative monitoring of alcohol precipitation[J].J Pharm Biomed Anal，2013，77：32.

[20]李振皓，錢忠直，程翼宇.基于大數據科技的中藥質量控制技術創新戰略[J]. 中國中藥雜志，2015，40（17）：3374.

[21]瞿海斌，程翼宇，王躍生.論加速建立現代化中藥制造工業的若干制藥工程技術問題[J].中國中藥雜志，2003，28（10）：904.

[責任編輯孔晶晶]endprint