基于質量綜合評價指數的藥材品質快速評價

白 鋼，劉昌孝，張鐵軍，叢龍飛，姜 民，侯媛媛，楊志剛，王浩亮，曾 信，陳 杰

? 專 論 ?

基于質量綜合評價指數的藥材品質快速評價

白 鋼1，劉昌孝2*，張鐵軍2，叢龍飛1，姜 民1，侯媛媛1，楊志剛3，王浩亮4，曾 信5，陳 杰5

1. 南開大學藥學院 天津市分子藥物研究重點實驗室，天津 300353 2. 天津藥物研究院 天津市中藥質量標志物重點實驗室，天津 300193 3. 蘭州大學藥學院，甘肅 蘭州 730000 4. 甘肅數字本草檢驗中心，甘肅 定西 743000 5. 臨潭天士力中天藥業，甘肅 臨潭 747599

質量綜合評價指數；當歸；監管科學；近紅外光譜技術；等級評價

近年來我國在中藥監管方面雖然取得了一定的成效，但中藥飲片的不合格率仍然占有一定比例，與生產加工環節相比，在流通和使用環節的情況更應加以關注[1]。如何構建中藥材質量標準的評價體系，科學監管中藥材在進入流通環節的品質，是保障人民的用藥安全和促進中藥產業健康發展的關鍵問題[2]。

1 中藥材的品質評價需要大數據的支撐

中藥質量的溯源體系目前仍然存在著品種多、差異大、追溯過程長、檢測指標繁多、數據積累欠缺等問題。一方面，由于中藥材基原的復雜性，以及氣候、栽培種植條件等因素的影響導致了中藥材自身質量的不穩定性。另一方面，由于藥材加工、炮制、貯藏等生產流通過程的不規范性，也造成了中藥材及飲片的質量參差不齊。此外，近年藥材市場中存在的摻偽、摻雜、染色、增重等人為因素又給藥材的品質監管帶來了新的挑戰[3]。由于上述原因藥材的品質評價在取樣的代表性上一直存在樣本量不足的問題，需要引入大數據技術對待檢測品種進行多批次、多指標的系統整合分析。隨著現代網絡信息科技的進步，大數據技術的普及與應用正帶動著產品質量安全監管模式的變革[4]。因此中藥產業的科學監管也需要融合大數據、云計算、區塊鏈等現代信息技術，在基于大數據分析的基礎上提出解決方案，從而精準助力中藥產業的高質量發展。大數據技術不僅可以為中藥制造過程提供科學指導[5]，同樣基于藥材本身的生境、種植加工、炮制、倉儲、化學成分以及藥理/毒理等信息的大數據分析也會為中藥材品質的科學監管提供重要依據。

2 現代快檢技術助力藥材品質的科學監管

隨著我國食品藥品安全監督檢測與管理體系的不斷完善，針對待測樣品中的某種特定物質或指標進行的快檢技術與方法也得到了迅速發展[6]。快檢方法也從化學比色法、快檢試紙、酶聯免疫分析、膠體金層析、電化學分析、生物發光檢測以及表面等離子共振技術（surface plasmon resonance，SPR）[7-8]，發展到非接觸式的近紅外及紅外光譜、拉曼光譜、高光譜等光譜檢測技術[9-10]。其中近紅外光譜技術（near infrared reflectance spectroscopy，NIRS）已被廣泛應用于制藥、食品、農業以及醫學等領域，同時在中藥質量的分析與評價中獲也得到了成功應用[11-12]。NIRS技術具有操作簡單快速，樣品需要量少，可直接用于藥材及粉末的鑒定，對環境污染較低，對樣品的破壞性小，以及同時可以檢測多個指標的特點。結合后續的化學計量學算法，NIRS技術可適用于各種定性與定量分析，在中藥鑒定、質量評價以及生產過程控制中展示出明顯的優勢[13-14]。因此，通過NIRS技術來獲取和完善中藥材品質相關數據的全息分析是較為合適的技術手段。

3 中藥材的品質評價需要引入創新方法

中藥質量評價模式呈現出多元化方向發展的趨勢，質量評價技術已經涵蓋了光譜、色譜、生物評價、多組學分析等各領域的先進技術。采用單一或某幾種簡單的指標作為質量評價標準的方法也難以形成共識而被接受[15]。雖然目前中藥檢測與質量評價的指標較多，但呈現碎片化的狀態，與藥效的關聯不明確，通過質量標志物對藥材功效進行評判的技術標準也尚未建立。同時針對中藥材的復雜性也缺少綜合評價指標與技術方法，因此建立符合中藥材質量屬性的評價體系勢在必行。本研究是繼中藥質量標志物[16-17]之后，提出質量綜合評價指數（F）的概念，希望通過對多項檢測數據離散度的系統分析，建立一種藥材品質綜合評價與等級劃分的客觀評價方法，為中藥材品質的科學監管提供創新思路。

4 當歸藥材質量綜合評價方法

當歸(Oliv.) Diels是傘形科當歸屬多年生草本植物，以干燥根入藥，產于甘肅、云南、四川等地。因種植品種與環境，栽培技術和產地以及加工條件等的不同，藥材品質存在著差異。目前《中國藥典》2020年版對其藥材的總灰分、酸不溶性灰分、水分、浸出物、揮發油和阿魏酸等的含量分別進行了限定[18]，對當歸質量的監管發揮了關鍵作用。基于質量標志物的研究發現，當歸中的綠原酸、洋川芎內酯I和-藁本內酯等成分與其抗炎活性相關，可用于免疫調節功效的評價[19]；而藁本內酯和歐當歸內酯A又具有明顯的Ca2+拮抗作用，可用于血管舒張功效的評價[20]。目前對當歸質量的評價雖然多指標并存，都有其一定的合理性，但缺乏系統的整合，不能滿足對藥材等級區分的需求。本實驗以當歸藥材為例，采用《中國藥典》2020年版規定方法對當歸的6項規定指標進行了測定。在此基礎上建立了其NIRS檢測模型，并開展了大樣本多批次的快速檢測、數據庫構建以及系統分析。通過考察各指標的離散度與最佳權重分配系數，確立F的計算方法，依據其多批次樣本F值的正態分布結果，實現對藥材品質的綜合評價與等級管理。

4.1 材料

4.1.1 儀器與軟件 傅里葉變換近紅外光譜儀Master10D、非接觸固體探頭及光譜采集軟件（中國熒颯光學公司），電子分析天平（美國Mettler公司），LDP-150型高速多功能粉碎機（浙江永康紅太陽公司），OPUS 7.0軟件（德國Brucker公司），Design Experter軟件（美國Stat-Ease公司），SPSS軟件（美國IBM公司）。

4.1.2 藥材與試劑 260批次當歸樣品（編號1～260）分別來自甘肅隴西當歸藥材市場及甘肅天士力中天藥業臨潭基地，經甘肅數字本草檢驗中心王浩亮研究員鑒定為傘形科植物當歸(Oliv.) Diels。對照品阿魏酸（批號F809522，上海麥克林生化科技公司，質量分數≥99%），其他均采用市售分析純試劑。

4.2 方法

4.2.1 當歸藥材6項檢測指標的測定 依據《中國藥典》2020年版[18]，總灰分（通則2302）限量不得過7.0%；酸不溶性灰分（通則2302）限量不得過2.0%；水分（通則0832）第四法甲苯法限量不得過15.0%；浸出物（通則2201）項下的熱浸法限量不得少于45.0%；揮發油（通則2204乙法）限量不得少于0.4%；阿魏酸測定高效液相色譜法（通則0512）限量不得少于0.050%；分別對以上6項《中國藥典》2020年版規定指標進行。

4.2.2 NIRS的采集 取新制備的當歸藥材粉末（100目篩）約1 g，置于2 cm直徑的石英杯中，以聚四氟乙烯為背景，采用Master 10D傅里葉變換近紅外光譜儀，通過非接觸反射探頭銦鎵砷檢測器進行近紅外光譜采集。儀器參數設置為分辨率8 cm?1，掃描范圍10 000～4000 cm?1，掃描次數64次，取平均光譜用于建模分析。采用OPUS 7.0軟件對上述近紅外光譜進行預處理、光譜波段區間的選擇與優化。通過偏最小二乘法和交叉檢驗法檢驗上述6項《中國藥典》2020年版規定指標的定量模型，以決定系數（2cal）、交叉驗證均方差（RMSECV）和相對分析誤差（RPD）為指標對建模效果進行評價。一般認為2cal越接近1，RMSECV越小，模型的準確度和預測效果越好，當RPD＞2.5，則認為所建模型可以滿足分析要求[21-22]。

4.2.4F的定義 為綜合評價藥材的品質，引入F的概念。同時基于各檢測指標對藥材品質貢獻的程度不同，賦予不同的權重分配系數（W），建立加和公式（3），并以其綜合得分的形式體現藥材的整體質量。

F代表樣品的綜合評價指數得分，W為第個指標的權重分配系數，為正相關指標的個數，為負相關指標的個數

4.2.5W的確定 為保證W的合理性，將不合格樣品的F限定在一個較小的范圍內。參照正交試驗法[23]，對《中國藥典》2020年版規定項下的當歸6個檢測指標的W，采用L25(56)正交試驗設計在5個水平上進行了考察。以W的合計≤100%計算，首先將總灰分（1）、酸不溶性灰分（2）、水分（3）等非藥效學指標的權重限定在一個較小的范圍內（5%～15%）；非專屬性藥效指標阿魏酸（6）的范圍也限定在5%～15%；而與質量標志物（Q-maker）相關的藥效主要貢獻指標浸出物（4）和揮發油（5）[19-20]，其考察區間分別限定在10%～65%和15%～70%一個較寬范圍。依據Design Experter軟件確定各因素的水平取值（表1），通過正交試驗設計考察樣品W的變化對F值分布的影響，將其不合格樣品的比例控制在一個最小的范圍內。首先通過SPSS軟件進行K-S檢驗，確認F值的分布是否符合高斯分布。若符合正態分布（sig＞0.05），則通過提取不合格樣品的最大F值，依據公式（4）求得值，其中，μ為中心值，為標準差。將值在標準正態分布中的概率定義為不合格樣品在正態區域的占比。若K-S檢驗不符合正態分布（sig＜0.05），則依據不合格樣品實際所占面積計算其比例。

4.3 結果與分析

4.3.1 訓練集與測試集樣品的選取 本研究首先選取60個當歸樣本（1～60），運用Matlab的Randperm函數隨機選取其中10個樣本作為測試集（編號18、20、23、37、41、45、46、49、53、56），其余作為訓練集。采用《中國藥典》2020年版規定方法分別對其6項指標進行測定，其具體含量分布范圍見表2。

4.3.2 近紅外光譜的采集及預處理 依據“4.2.2”項方法，對上述訓練集中50批樣品的近紅外光譜進行采集，其原始光譜見圖1-A。由于當歸樣品的顆度、顏色及儀器響應等因素的影響，會導致其近紅外光譜和基線會產生漂移。因此，分別采用一階導數（First derivative，FD）、消除常數偏移量（Elimination of constant offset，ECO）、多元散射校正（Multiple Scattering Correction，MSC）、最小最大歸一化（Minimum Maximum Normalization，MMN）、正態變量校正（Standard normal Variate，SNV）等方法，及FD＋MSC和FD＋SNV等組合方法，對光譜進行預處理，希望去除干擾（圖1-B～H）。

表2 訓練集與測試集樣品中6項指標性成分的含量分布

4.3.3 光譜最佳波數區間的優化 進一步運用OPUS 7.0軟件的波數區間優化功能對6項指標的最佳建模區間進行了篩選。綜合模型2cal、RMSECV和RPD的檢測結果，確定建模的光譜預處理方法。其中總灰分、酸不溶性灰分、水分、浸出物、揮發油和阿魏酸的光譜預處理方法分別為MMN、SNV、ECO、MMN、FD＋MSC和MMN，其光譜最佳波數區段范圍具體見表3。

4.3.4 定量模型的建立 采用上述最佳光譜預處理方法和波數區間建立定量分析模型，分別得到上述6項檢測指標的近紅外預測模型，其總灰分、酸不溶性灰分、水分、浸出物、揮發油和阿魏酸預測的2cal分別為0.935、0.881、0.870、0.864、0.858、0.907，均大于0.85；其RMSECV分別為0.270、0.266、0.814、1.210、0.064、0.003，均為各自模型隨變量變化的最小值，推測上述模型擁有較好的預測能力。同時其預測值與實測值之間表現出良好的線性關系（圖2），說明可以通過上述近紅外光譜對當歸中的6項指標進行快速定量分析。

4.3.5 定量模型的驗證與應用 利用上述模型對10個驗證集樣品進行檢驗，結果如圖2所示，上述6項指標的預測值與實測值之間的2text分別為0.974、0.934、0.946、0.934、0.908和0.902，表明模型預測結果準確可靠。盡管其中部分樣本的含量預測值超過了建模范圍，但也顯示了較好的預測效果，例如浸出物[樣品（23），預測值66.9%，實測值68.8%，偏差為1.96%]，阿魏酸[樣品（41），預測值0.049%，實測值0.042%，偏差為12.1%）]。表明上述模型在一定范圍內可用于未知樣品的預測。

利用上述所建模型，對另外200批當歸樣品（61～260）進行6項指標含量的快速分析，并建立數據樣本庫。其含量預測結果如圖3所示，其中共檢測出不符合藥典限量的不合格樣品25批，主要集中在總灰分與酸不溶性灰分檢測項下。

圖2 當歸6項《中國藥典》指標的近紅外檢測模型

4.3.6 最佳W的確定 為合理制定各項檢測指標的W，首先對上述200批樣品的6項檢測指標離散度（K或K′）進行了計算，再通過L25(56)正交試驗設計考察了各W的變化，對F整體分布的影響。以不合格藥材F值分布占比為指標，確定最佳W。結果如4表所示，不合格樣本占比最小時的最佳權重分配系數1、2、3、4、5、6分別為0.112、0.103、0.086、0.278、0.272和0.079，該條件下不合格藥材F值的分布可以控制在0～18.35%的范圍內。因此將當歸藥材的F值的計算公式最終確如下：

4.3.7 當歸藥材品質的綜合評價與等級鑒定 分別將200批樣品的6項指標的檢測數據導入上述F公式，結果如圖4-A所示，其F值分布呈高斯分布（sig＝0.2＞0.05）。除一個樣本因揮發油含量較高，但阿魏酸含量不合格，導致F值偏高外（123%）；其余不合格樣品的F值均較低＜90%。且F得分的均值（106%）接近100%的理論總平均值，F值分布結果較為合理。依據正態分布區域的樣品數將其平均分為5個區間（各部分占比20%），所對應的F值約為優＞120%，良110%～120%，中100%～110%，合格90%～100%以及不合格＜90%。如圖4-B所示，依據該方法不合格樣品基本被分配在最低等級（＜18.35%），且揮發油較高的樣品可以被分配在優或良的等級，體現出該方法的用于等級評價的合理性。

黑點表示合格樣品，紅點表示不合格樣品，黑色實線為檢測均值，紅色虛線為檢測限量，箭頭方向代表滿足限量要求的合格樣品趨勢

Black dots represent qualified samples, red dots represent rejected samples, the black solid line is the mean value, the red dotted line is the detection limit. The arrow direction represents the trend of qualified samples meeting the limit requirements

圖3 當歸樣品中6項《中國藥典》規定指標的近紅外檢測

Fig. 3 NIRS assay of six indicator contents that pharmacopoeia specified in 200 batches of ASR samples

表4 正交試驗表和驗證結果

A-200批當歸樣品Fq值的散點分布 B-正態分布區域中不合格區域及等級劃分

5 討論

藥品的監管科學是研究與開發被檢測藥物的安全性、有效性、質量及性能評估所需要的新標準、新技術與新方法的科學，它貫穿了藥品研發的全過程[24]。由于中藥材的復雜性，中藥材監管科學的發展相對滯后，其涉及樣本的穩定性與科學內涵更為復雜，更需要交叉學科技術平臺的支撐，以及信息科學與大數據科學的整合與應用。中藥質量標志物的提出聚焦了中藥質量屬性的本質，從有效性的表達、特有性和專屬性以及傳遞溯源的可測性角度為中藥質量評價指明了方向[25]。但目前針對中藥質量評價所涉及多個質量標志物之間的權重分配與整體綜合評價尚缺少創新方法，本研究提出中藥F的概念。以當歸藥材為范例，結合現行的《中國藥典》評價標準與技術體系，基于多批數據系統分析的結果，通過各檢測K的標準化處理，與W的優化，建立一種適合中藥質量綜合評價與等級劃分的客觀評價方法，為中藥材的科學監管提供了新的解決方案。

總之，建立藥材質量的綜合評價標準不僅要結合傳統經驗、現行法規、先進的技術方法，更要融入現代信息技術，通過合理整合大數據分析的結果，科學建立藥材品質的評價方法以及等級劃分標準。同時q是一個發展的體系，隨著大數據的不斷積累，以及質量標志物檢測項的不斷引入，該體系也會不斷迭代與完善，會更好地引導中藥材產業高質量發展。

利益沖突 所有作者均聲明不存在利益沖突

[1] 牟英迪, 信珊珊, 李禾, 等. 2011—2017年濟南市中藥材、中藥飲片質量分析 [J]. 中成藥, 2019, 41(3): 675-677.

[2] 馬韶青, 郭斯倫. 我國中藥法律監管存在的問題及其原因探析 [J]. 中國衛生事業管理, 2017, 34(3): 213-216.

[3] 王健, 李逢春, 宋漢敏, 等. 中藥材及中藥飲片質量的影響因素與質控措施 [J]. 食品與藥品, 2020, 22(5): 406-411.

[4] 費志偉, 趙立, 李程, 等. 基于大數據視角的農產品質量安全監管研究 [J]. 現代化農業, 2020(12): 43-44.

[5] 徐冰, 史新元, 羅贛, 等. 中藥工業大數據關鍵技術與應用 [J]. 中國中藥雜志, 2020, 45(2): 221-232.

[6] 林偉琦. 食品安全快速檢測技術的應用研究進展 [J]. 食品安全質量檢測學報, 2020, 11(3): 961-967.

[7] 胡曉宇, 楊馨玥, 姚金劍, 等. 中藥現場鑒定技術研究進展 [J]. 藥學研究, 2019, 38(12): 724-728.

[8] 吳元釗, 呂云平, 王繼業. 基于表面等離子共振技術的毒品快檢裝備設計與開發 [J]. 警察技術, 2020(1): 89-91.

[9] 劉麗, 徐寧. 基于光譜技術的中藥質量控制研究進展 [J]. 發酵科技通訊, 2019, 48(2): 85-93.

[10] 王璐璐, 吳子建, 劉磊, 等. 表面增強拉曼光譜技術在中醫藥研究中的應用概況 [J]. 甘肅中醫藥大學學報, 2018, 35(6): 90-93.

[11] 丁海泉, 高洪智, 劉振堯. 近紅外光譜分析技術在中藥材鑒定和質量控制中的研究進展 [J]. 現代農業裝備, 2020(3): 11-16.

[12] 白鋼, 侯媛媛, 丁國鈺, 等. 基于中藥質量標志物構建中藥材品質的近紅外智能評價體系 [J]. 藥學學報, 2019, 54(2): 197-203.

[13] 孫洋, 羅嫻婷, 周景陽. 近紅外光譜技術在中藥鑒定中的應用與優勢 [J]. 臨床醫藥文獻電子雜志, 2019, 6(37): 180-181.

[14] 應澤茜, 杜偉鋒, 江康麗, 等. 近紅外光譜在中藥材及飲片快速質量控制中的應用 [J]. 中華中醫藥雜志, 2019, 34(6): 2584-2588.

[15] 陳振華, 劉蘇珍, 周斌, 等. 淺談中藥質量標準現狀與幾種質量評價方法 [J]. 時珍國醫國藥, 2016, 27(3): 694-696.

[16] 劉昌孝, 陳士林, 肖小河, 等. 中藥質量標志物(Q-Marker): 中藥產品質量控制的新概念 [J]. 中草藥, 2016, 47(9): 1443-1457.

[17] 張鐵軍, 白鋼, 劉昌孝. 中藥質量標志物的概念、核心理論與研究方法 [J]. 藥學學報, 2019, 54(2): 187-196.

[18] 中國藥典[S]. 一部. 2020: 139.

[19] 閆孟琳, 叢龍飛, 張子玥, 等. 基于質量標志物的當歸抗炎功效近紅外快速評價 [J]. 分析測試學報, 2020, 39(11): 1320-1326.

[20] 閆孟琳, 丁國鈺, 叢龍飛, 等. 基于質量標志物的當歸血管舒張功效的近紅外快速評價 [J]. 中草藥, 2019, 50(19): 4538-4546.

[21] Veselá A, Barros A S, Synytsya A,. Infrared spectroscopy and outer product analysis for quantification of fat, nitrogen, and moisture of cocoa powder [J]., 2007, 601(1): 77-86.

[22] Agussabti A, Rahmaddiansyah A, Satriyo P,. Data analysis on near infrared spectroscopy as a part of technology adoption for cocoa farmer in Aceh Province, Indonesia [J]., 2020, 29: 105251.

[23] 杜正彩, 齊彪, 張明哲, 等. 正交設計結合藥效學實驗優選桂梔助眠膠囊提取工藝研究 [J]. 中草藥, 2019, 50(3): 618-625.

[24] 劉昌孝, 程翼宇, 范驍輝. 轉化研究: 從監管科學到科學監管的藥物監管科學的發展 [J]. 藥物評價研究, 2014, 37(5): 385-391.

[25] 劉昌孝. 中藥質量標志物(Q-marker)：提高中藥質量標準及質量控制理論和促進中藥產業科學發展 [J]. 中草藥, 2019, 50(19): 4517-4518.

Rapid evaluation of Chinese medicinal materials quality based on quality comprehensive evaluation index factor

BAI Gang1, LIU Chang-xiao2, ZHANG Tie-jun2, CONG Long-fei1, JIANG Min1, HOU Yuan-yuan1, YANG Zhi-gang3, WANG Hao-liang4, ZENG Xin5, CHEN Jie5

1. Tianjin Key Laboratory of Molecular Drug Research, College of Pharmacy, Nankai University, Tianjin 300353, China 2. Tianjin Key Laboratory of Quality Marker of Traditional Chinese Medicine, Tianjin Institute of Pharmaceutical Research, Tianjin 300193, China 3. School of Pharmacy, Lanzhou University, Lanzhou 730000, China 4. Gansu Digital Herb Testing Center, Dingxi 743000, China 5. Lintan Tianshili Zhongtian Pharmaceutical Co. Ltd., Lintan 747599, China

quality comprehensive evaluation index factor;; regulatory science; near infrared technology; grade appraisal

R286

A

0253 - 2670(2021)02 - 0313 - 08

10.7501/j.issn.0253-2670.2021.02.001

2020-11-10

天津市科技援助項目（18YFYZCG00060）

白 鋼，教授。研究方向為中藥分析。Tel: (022)23506792 E-mail: gangbai@nankai.edu.cn

劉昌孝，中國工程院院士。E-mail: Liuchangxiao@163.com

[責任編輯 時圣明]