基于TOPSIS法的前饋控制在丹參醇提液均化中的應用

陳兆昱，金偉鋒，萬海同，何 昱

基于TOPSIS法的前饋控制在丹參醇提液均化中的應用

陳兆昱，金偉鋒，萬海同，何 昱*

浙江中醫藥大學藥學院，浙江 杭州 311402

基于理想解排序（technique for order preference by similarity to an ideal solution，TOPSIS）法的前饋控制實現不同批次丹參醇提液的均化。首先采用積分球漫反射收集各批次丹參藥材的近紅外光譜數據；然后在不同批次丹參8種有效成分（丹參素、原兒茶醛、丹酚酸B、丹酚酸A、丹參酮I、隱丹參酮、丹參酮IIA、迷迭香酸）提取工藝單因素和含量測定實驗的基礎上，以提取時間、提取溫度、乙醇體積分數為數值因素、批次為分類因素，8種有效成分含量經TOPSIS法綜合評價后的得分為響應值，進行I-最優實驗設計；最后建立以近紅外數據，工藝參數為輸入變量，提取液有效成分含量的綜合得分為輸出變量的遺傳神經網絡模型，以各批次丹參的近紅外數據調整相應的醇提工藝參數，使得不同批次丹參醇提液中8種有效成分的含量差異減小。通過建立的模型調整相應的提取工藝使得4個批次丹參醇提液中各成分含量RSD值的平均值24.9%降低至13.5%。基于TOPSIS法的前饋控制能提升丹參醇提液質量的一致性，為中藥提取液的均化研究提供了參考。

前饋控制；TOPSIS法；遺傳神經網絡；丹參；近紅外光譜；中藥均化；丹參素；原兒茶醛；丹酚酸B；丹酚酸A；丹參酮I；隱丹參酮；丹參酮IIA；迷迭香酸

在滿足一定質量要求的前提下，減少中藥材批次變化帶來的質量差異是中藥提取液均化的主要目標。前饋控制是一種根據擾動量進行補償的開環控制系統，能夠明顯減少由于物料變化帶來的產品質量波動[1-3]，因此前饋控制在中藥提取液均化方面的應用有較高的研究價值。目前已有將近紅外光譜（near-infrared spectroscopy，NIRS）引入前饋控制中，減少產地變化帶來提取液質量波動的報道[4]，但并未針對中藥提取液成分復雜、有效成分多的特點進行研究。

理想解排序法（technique for order preference by similarity to an ideal solution，TOPSIS）是一種依據評價對象與理想解接近程度進行評分的綜合評價法，在中藥質量評價方面已有廣泛的使用[5-8]。本研究基于TOPSIS法構建前饋控制模型，針對提取液與理想解的接近程度進行控制，通過優化關鍵工藝的方式提升提取液與理想解的接近程度，從而達到對成分復雜的中藥提取液進行控制的目的。

丹參為唇形科鼠尾草屬植物丹參Bge.的干燥根和根莖，有活血祛瘀、通經止痛、涼血消癰的功效[9]。其主要有效成分可分為水溶性酚酸類和脂溶性丹參酮類2大類，是常見的活血化瘀藥，常用于治療心血管疾病[10-11]。

在實驗過程中，首先收集各批次丹參的NIRS數據，作為前饋控制模型的協變量，然后建立了丹參中水溶性有效成分（丹參素、原兒茶醛、丹酚酸B、丹酚酸A、迷迭香酸）和脂溶性有效成分（丹參酮I、隱丹參酮、丹參酮IIA）的定量方法，并對各個批次的丹參進行含量測定和提取工藝單因素實驗。最后在此基礎上進行I-最優實驗設計，建立了以近紅外數據為協變量，提取工藝為可控變量，丹參醇提液中8種有效成分含量經TOPSIS法計算后的綜合得分為因變量的遺傳神經網絡模型。根據各批次丹參近紅外數據對提取工藝進行相應的優化，以減少不同批次丹參醇提液中8種有效成分的含量差異，使丹參醇提液質量均化。

1 材料

1.1 儀器

Agilent 1260 infinity型高效液相色譜儀，配備DAD檢測器，美國Agilent公司；FA1104N十萬分之一電子分析天平，上海精密科學儀器有限公司；超純水儀，美國Millipore公司；Antaris II型傅里葉變換近紅外光譜儀，美國Thermo Fisher公司。

1.2 藥材及試劑

不同批次的丹參藥材購自各地藥房以及藥材市場，詳見表1，并經浙江中醫藥大學藥學院張水利教授鑒定為唇形科植物丹參Bge.的干燥根和根莖。

對照品丹參素、原兒茶醛、丹酚酸A、丹參酮I、隱丹參酮、迷迭香酸、丹酚酸B、丹參酮IIA均購自成都德思特生物技術有限公司，批號分別為DSTDD001501、DST201109-008、DST201022-013、DST200511-011、DSTDM002701、DSTDY008001、DSTDD000902、DSTDD001102，質量分數均大于98%；甲醇、乙腈為色譜純，美國Tedia公司；甲酸、95%乙醇均為分析純。

表1 不同批次丹參的來源、產地、批號

Table 1 Information of medicinal materials of S. miltiorrhiza

編號批號產地來源 S12020456山東安徽省亳州市中藥材市場 S22013201山東安徽省亳州市中藥材市場 S320101601山東浙江景岳堂藥業有限公司 S420102501山東浙江景岳堂藥業有限公司 S5200714山東浙江震元醫藥連鎖有限公司杭 S6200918山東杭州方回春堂國藥館有限公司 S7200802山東浙江中醫藥大學飲片廠 S82011250山東愛珍藥品零售有限公司 S920210103山東河北康典藥業有限公司 S10201101471山東成都康美藥業生產有限公司 S11201120山東安徽廣和中藥股份有限公司 S12200801山東普寧市澤群中藥飲片有限公司 S13221405山西安徽省亳州市中藥材市場 S14223021山西安徽省亳州市中藥材市場 S15200815山西杭州凝和堂中醫門診部有限公司 S162201026山西杭州太和堂中醫門診部有限公司 S172201029山西杭州民泰中藥飲片公司 S182005021四川四川一片葉藥業 S192009023四川通化市同福參茸制品有限公司 S20203010安徽安徽省亳州市中藥材市場 S21203111安徽安徽省亳州市中藥材市場 S22209041河南安徽省亳州市中藥材市場

2 方法與結果

2.1 各批次丹參藥材NIRS的采集

取上述22批丹參藥材粉碎，過80目篩，40 ℃下干燥24 h后，均勻填充于近紅外光譜儀的樣品杯中，采用積分球漫反射測定。以空氣為參比，分辨率為8 cm?1，掃描次數64次，掃描范圍4000～10 000 cm?1，每個樣品測定3次，求平均光譜。

為了避免NIRS中存在的冗余信息對模型的干擾，在應用NIRS數據前多對其進行預處理及波長篩選[12-13]。本研究采用TQ Analyst軟件（版本9.5.0.76，美國Thermo Fisher公司）中自帶的標準正則變化（standard normal variate，SNV）和多元散射校正（multiplicative scatter correction，MSC）2種光程矯正方法組合一階導數（first derivative，1st）和二階導數（second derivative，2nd）2種光譜格式，共產生4種不同的預處理方式。此外還需將處理后的光譜數據采用S-G濾波平滑（Svaitzky-Golay smoothing）以消除導數引入的光譜噪音。

波長篩選方面，連續投影法（successive projections algorithm，SPA）能充分尋找含有最低限度的冗余信息的變量組，使得變量之間的共線性達到最小。同時能減少建模所用變量的個數，提高建模的速度和效率，故本研究采用連續投影法對預處理后的NIRS篩選波長。經過篩選后共將預處理和波長篩選后的NIRS數據進行主成分分析（principal component analysis，PCA），以主成分得分來反映藥材的質量信息[14-15]，用于遺傳人工神經網絡模型的構建。

為了對4種不同的預處理方法進行篩選，本研究采用遺傳神經網絡模型中訓練集和驗證集的最大決定誤差（maximum absolute erro，MAE）、決定系數（determination coefficient，2）及相關系數（correlation coefficient，）值確定預處理方法，以訓練集和驗證集MAE趨近與0、2、趨近與1為優，其中神經元數量選為6，主成分數量選為2，具體數據見表2。根據表2，本研究決定采用SNV＋1st作為NIRS數據的預處理方法，其通過連續投影法篩選出的波長為4 072.92、4 420.05、4 481.76、 4 844.31、4 936.87、5 075.72、5 260.86、5 268.57、7 062.04、9 881.46 cm?1。除預處理方式外，主成分數量也是一個需要考量的因素。主成分數量越多，累計方差貢獻率越高，其能解釋的光譜信息也越多。但隨著主成分數量增多，模型需輸入的變量也隨之增多，使得工藝尋優的難度增大。

表2 預處理方法對訓練集和驗證集MAE、R2、r的影響

Table 2 Effect of pretreatment method on MAE, R2 and rof training data and testing data

預處理方法R2trainMAEtrainrtrainR2testMAEtestrtest 無預處理0.741 40.029 60.862 80.834 20.018 50.925 7 SNV＋1st0.995 60.001 90.997 80.968 30.012 90.991 8 SNV＋1st0.996 50.001 80.998 30.940 30.019 80.970 6 SMC＋2nd0.994 70.003 10.997 30.929 20.021 20.964 2 SMC＋2nd0.964 40.007 80.982 00.966 80.012 70.992 1

因此，本研究在選取主成分數量時，采用不同主成分數量所建立模型的MAE、2、3個指標和累計方差貢獻率選擇主成分數目，結果見表3。由表3可知，當主成分數量2個及以上時模型有較好擬合度，但考慮到主成分數量對后續計算難度的影響，本研究最終選擇主成分數量為2來反映藥材的質量信息。此時PCA的累積方差貢獻率為72%，能反映大部分的NIRS數據信息。

2.2 不同批次丹參中8種成分含量測定的方法學考察

2.2.1 混合對照品溶液的制備 分別精密稱取丹參素、原兒茶醛、丹酚酸B、丹酚酸A、丹參酮I、隱丹參酮、丹參酮IIA、迷迭香酸對照品適量，加入80%甲醇制備成質量濃度分別為0.340、0.110、3.100、0.340、0.300、0.560、0.400、0.260 mg/mL的對照品儲備液。精確吸取各對照品溶液適量，配制成8種成分質量濃度分別為0.257、0.004、0.906、0.019、0.014、0.063、0.060、0.059 mg/mL的混合對照品溶液。

表3 主成分數量對訓練集和驗證集MAE、R2、r的影響

Table 3 Effect of number of principal components on MAE, R2 and rof training data and testing data

主成分數量累積方差貢獻率/%R2trainMAEtrainrtrainR2testMAEtestrtest 1430.938 90.010 60.968 90.900 40.024 30.949 0 2720.995 60.001 90.997 80.968 30.012 90.991 8 3860.995 70.002 80.997 80.968 00.013 10.996 5 4930.996 50.001 80.998 30.962 30.015 90.984 4

2.2.2 供試品溶液的制備 精密稱取干燥后的丹參粉末5 g（過五號篩），置于圓底燒瓶中，以1∶20的液料比精密加入70%乙醇，浸泡30 min后，在80 ℃下加熱回流90 min，放冷，濾過，續濾液移至250 mL量瓶中加70%乙醇定容，搖勻。為避免溶劑效應，進樣前取供試品0.5 mL與0.5 mL純水混合，過0.22 μm微孔濾膜。

2.2.3 色譜條件 色譜條件為Agilent Zorbax SB- C18色譜柱（250 mm×4.6 mm，5 μm）及Agilent Zorbax SB-C18保護柱（12.5 mm×4.6 mm，5 μm），流動相為0.4%甲酸水溶液（A）-乙腈（B）-甲醇（C），梯度洗脫：0～8 min，93%～80% A，7%～20% B；8～22 min，80%～76% A，20%～24% B；22～28 min，76%～70% A，24%～30% B；28～33 min，70%～30% A，30%～40% B，0～30% C；33～51 min，30% A，40% B，30% C；51～60 min，30%～20% A，40%～50% B，30% C；60～65 min，20%～93% A，50%～7% B，30%～0 C；柱溫30 ℃；體積流量1.0 mL/min；進樣量20 μL；檢測波長280 nm（丹參素、原兒茶醛、丹酚酸B、丹酚酸A、丹參酮I、隱丹參酮、丹參酮IIA）及330 nm（迷迭香酸）。色譜圖見圖1。

2.2.4 線性關系考察 取“2.2.1”項下混合對照品溶液，用80%甲醇逐級稀釋，得到梯度質量濃度的混合對照品溶液，HPLC進樣檢測，以峰面積（）對各對照品溶液質量濃度（）繪制標準曲線，建立回歸方程，結果分別為丹參素＝8.812＋5.601，＝0.999 1，線性范圍0.513～25.660 μg/mL；原兒茶醛＝52.946＋3.290，＝0.999 3，線性范圍0.083～4.151 μg/mL；丹酚酸B＝18.784＋287.420，＝0.999 6，線性范圍18.113～906.660 μg/mL；丹酚酸A＝34.024＋2.571，＝0.999 4，線性范圍0.385～19.245 μg/mL；丹參酮I＝35.350＋6.594，＝0.999 2，線性范圍0.287～14.340 μg/mL；隱丹參酮＝57.383＋47.884，＝0.999 7，線性范圍1.268～63.396 μg/mL；丹參酮IIA＝66.310＋48.884，＝0.999 6，線性范圍1.207～60.337 μg/mL；迷迭香酸＝40.714＋50.197，＝0.999 5，線性范圍1.177～58.870 μg/mL。

2.2.5 精密度試驗 取同一混合對照品溶液，按“2.2.3”項色譜條件檢測，連續進樣6次，記錄峰面積，結果丹參素、原兒茶醛、丹酚酸B、丹酚酸A、丹參酮I、隱丹參酮、丹參酮IIA、迷迭香酸8個組分峰面積的RSD分別為2.17%、1.82%、2.00%、2.51%、1.28%、2.01%、1.92%、1.79%，表明儀器精密度良好。

1-丹參素 2-原兒茶醛 3-丹酚酸B 4-丹酚酸A 5-丹參酮I 6-隱丹參酮 7-丹參酮IIA 8-迷迭香酸

2.2.6 穩定性試驗 取同一供試品溶液（S20）分別于制備0、2、4、8、12、24 h后進樣，按“2.2.3”項色譜條件檢測，記錄峰面積。結果丹參素、原兒茶醛、丹酚酸B、丹酚酸A、丹參酮I、隱丹參酮、丹參酮IIA、迷迭香酸8個組分峰面積的RSD值分別為2.80%、1.61%、1.73% 、1.98%、2.43%、1.29%、1.50%、1.62%，表明供試品溶液在24 h內穩定。

2.2.7 重復性試驗 取相同批次的丹參粉末按“2.2.2”項方法平行制備6組供試品溶液，按“2.2.3”項色譜條件檢測，結果丹參素、原兒茶醛、丹酚酸B、丹酚酸A、丹參酮I、隱丹參酮、丹參酮IIA、迷迭香酸8個成分的質量分數分別是0.730、0.016、32.013、0.306、0.470、0.527、1.043、2.038 mg/g，其RSD分別為2.73%、2.21%、2.02%、2.43%、2.36%、1.63%、2.55%、1.67%，說明該方法重復性良好。

2.2.8 加樣回收率試驗 取已測定8個成分質量分數的S20的丹參粉末0.5 g，精密加入與粉末中各成分等量的對照品溶液，按“2.2.2”項方法平行制備6份，按“2.2.3”項色譜條件檢測，結果丹參素、原兒茶醛、丹酚酸B、丹酚酸A、丹參酮I、隱丹參酮、丹參酮IIA、迷迭香酸8個成分的平均加樣回收率分別為98.10%、97.30%、99.30%、97.50%、96.70%、100.80%、103.50%、99.10%，RSD分別為2.98%、1.77%、1.81%、2.04%、2.77%、1.73%、2.01%、2.63%。

2.3 單因素實驗

選取丹參藥材中的丹參素、原兒茶醛、丹酚酸B、丹酚酸A、丹參酮I、隱丹參酮、丹參酮IIA、迷迭香酸共8種有效成分作為丹參醇提液的控制對象。通過預試驗發現8種成分隨提取條件變化的趨勢不盡相同，因此本研究通過熵權法賦權求綜合得分的方式來綜合評價各項提取工藝參數在單因素實驗中對這8種成分的影響[16]。熵權法是一種通過計算各指標信息熵反映其變異程度的賦權法，熵值越小，指標變異程度越大，其權重也就越大。通過熵權法求得的綜合得分能反映出8種成分含量隨單因素水平變化的趨勢，進而對單因素水平進行篩選，其計算步驟如下。

第1步，將各項指標的數據標準化，標準化公式如下，其中x表示第個樣品在第個指標下的數據（＝1, 2, …,;＝1, 2, …,）。

x'＝(ij－min{1j，…，x})/(max{1j，…，x}－min{1j，…，x}) （1）

第2步，計算各樣品在第各指標下的比重p。

（2）

第3步，計算各項指標的熵值e。

（3）

第4步，計算第項指標的信息冗余度d。

d＝1－e（4）

第5步，計算第項指標的權重。

（5）

第6步，計算各單因素實驗中的樣品的總得分。

（6）

精密稱取丹參粉末進行提取，保持其他提取條件不變，分別考察提取時間、提取溫度、乙醇體積分數、料液比、浸泡時間5個因素對丹參中8種有效成分的影響，經熵權法計算后的綜合得分見表4。由表4可知，各提取工藝參數的最優值分別為提取溫度90 ℃，提取時間90 min，浸泡時間30 min，乙醇體積分數70%，料液比1∶30。

表4 各因素不同水平的綜合得分

Table 4 Comprehensive scores of different levels in single factor experiment

提取時間/min總得分提取溫度/℃總得分乙醇體積分數/%總得分料液比總得分浸泡時間/min總得分 300.267600.130500.3631∶100.03800.000 600.279700.180600.7591∶200.388300.910 900.783800.684700.8861∶300.755450.761 1200.700900.814800.5661∶400.739600.833 1500.4321000.308900.3651∶500.687750.860

2.4 不同批次丹參各成分含量的測定

選取單因素實驗中各工藝參數的最優點為提取條件，測定不同批次丹參提取液在同一提取條件下各成分的含量。為了直觀地反映不同批次丹參之間有效成分的含量差異，為后續實驗設計選擇批次提供依據，將丹參中水溶性成分和脂溶性成分兩大類分別進行熵權法賦權，計算總得分，見圖2。

圖2橫坐標代表丹參中水溶性成分經熵權法賦權后計算的總得分（丹參素、迷迭香酸、原兒茶醛、丹酚酸B、丹酚酸A），縱坐標代表丹參中脂溶性成分（丹參酮IIA、隱丹參酮、丹參酮I）經熵權法賦權后計算的總得分。

圖2中不難看出S9（水溶性成分含量低而脂溶性成分含量極高），S22、S13（水溶性成分高而脂溶性成分極低），S11（水溶性成分極高）4個樣本偏離中心區域較遠。由于前饋控制是通過改變提取條件對提取液質量進行影響的，在提取液質量滿足一定的條件下，前饋控制起到的效果是有限的，遠不足以彌補這4個批次藥材本身質量與其他批次的差異，因此這4個批次將不納入代表批次的選擇范圍。選擇分布較為分散但未與其他批次差異過大的4個批次S8、S10、S19、S21作為I-最優實驗設計的分類變量進行后續實驗設計。4個批次各成分含量見表5。

圖2 各組丹參水溶性成分和脂溶性成分得分分布圖

2.5 I-最優實驗設計

最優實驗設計是一種靈活的實驗設計方法，可以用于不規則設計、含分類因素的設計和自定義模型設計[17]。本實驗選用I-最優實驗設計，依據單因素實驗的結果選取提取溫度、提取時間、乙醇濃度為變量，選擇S8、S10、S19、S21 4個批次作為分類變量，以TOPSIS分析的結果為響應值進行I-最優實驗設計，結果見表6。

表5 4個批次丹參的8種成分含量

Table 5 Contents of eight components in four batches of S. Miltiorrhiza

批次質量分數/(mg?mL?1) 丹參素原兒茶醛丹酚酸B丹酚酸A丹參酮I隱丹參酮丹參酮IIA迷迭香酸 S81.1030.02034.6490.5140.5260.8860.9891.537 S101.3960.04035.9560.9530.3300.8231.6551.662 S191.4200.02931.5200.6320.3600.4260.9952.216 S211.0520.02729.0480.5140.2310.7241.2361.156 RSD/%15.4427.769.5031.8133.9228.4725.6526.72

表6 丹參提取過程的I-最優實驗設計

Table 6 I-optimal design and results of extraction process of S. miltiorrhiza

試驗號提取溫度/℃提取時間/min乙醇/%批次Q值試驗號提取溫度/℃提取時間/min乙醇/%批次Q值 110012080S80.675178012080S210.584 28012070S190.661181006060S210.515 38012060S100.684198012070S80.606 41009080S210.616209012070S100.521 5909070S210.614211009060S190.583 6906070S100.5512210012080S190.593 7909080S210.57723806070S210.501 8909060S210.4902410012060S210.538 9909060S210.5502510012060S80.858 10809060S190.575261009070S80.719 11906080S80.52727806060S80.578 1210012070S210.59928906070S100.731 138012070S80.59529909070S190.651 141009060S100.60430809080S100.665 15906080S190.612311009070S80.693 161006080S100.604329012070S100.501

2.6 前饋控制

前饋控制作為一種開環的控制系統，其應用于中藥領域首先需表征物料信息，將物料與物料之間的差異數值化，使得物料變化對關鍵質量屬性的影響可以在建立的數學模型中表達出來[18]。然后在多個批次中收集工藝參數對最終產品關鍵質量屬性影響的數據，建立生產參數、物料信息2部分數據為自變量，關鍵質量屬性為因變量的回歸模型。最終需要對某一批次的關鍵質量屬性進行控制時，依據相應的物料信息，調整可控的生產參數，使得關鍵質量屬性達到控制目標[19]。

中藥中成分復雜，一旦需要關注的成分增多則構建相應設計空間的難度也隨之增加。因此本研究采用TOPSIS法評價丹參提取液中8種成分含量，計算后的得分能綜合反映提取液中各成分含量距離理想解的接近程度，該綜合得分越大則該組提取液中各成分含量越接近于理想解。依據“2.1”項NIRS數據和“2.5”項I-最優實驗設計數據建立以近紅外數據，提取工藝為自變量，丹參提取液中各成分含量經TOPSIS法計算的綜合得分為因變量的人工神經網絡模型。將建立的模型用于前饋控制中，根據各批次丹參的近紅外數據調整提取工藝，使得各批次的綜合得分均有最大值，此過程中各批次丹參提取液成分的含量均向理想解靠近，進而減少各批次提取液之間的質量差異且滿足一定的質量要求。本實驗應用的TOPSIS法具體步驟如下[20]。

第1步，設定各成分的理想解（best），本研究best設定為所選擇4個批次在“2.4”項下測得數據的平均值，根據控制目標將原始數據正向化，公式如下。

x'＝1－|x－best|/，＝max{|x－best|} （7）

第2步，將正向化的數據標準化，標準化公式如下。

x"＝(x'－max)/(max－min) （8）

設共有個評價指標，個評價對象，則標準化后的數據矩陣為

（9）

第3步，確定最佳理想解+和最差理想解?，最佳理想解+由每列指標中的最大值組成，最差理想解?由每列指標中的最小值組成。

+＝(max{11…x"1},…, max{1m…x"})＝(1+…Z+)（10）

?＝(min{11…x"1},…, min{1m…x"})＝(1?…Z?)（11）

第4步，計算各評價對象最佳理想解+和最差理想解?的距離，其中D+和D?分別表示評價指標距離最佳理想解+和最差理想解?的距離。

（12）

第5步，計算接近程度（），為各評價對象距離最佳方案的貼近程度，值越貼近1表示評價對象距離理想解越近，值越貼近0表示評價對象距理想解遠。

＝D?/(D+＋D?) （13）

2.6.1 遺傳神經網絡模型的建立 遺傳神經網絡是利用遺傳算法找出神經網絡的權重和閾值的數學模型，同時具備神經網絡非線性擬合能力強和遺傳算法收斂速度快和全局性好的優點，在中藥提取工藝優化方面已有較多的應用[21-22]。

本研究遺傳神經網絡模型由MATLAB（版本2016a，美國MathWorks公司）完成，采用提取工藝（乙醇體積分數、提取時間、提取溫度）和物料信息（近紅外主成分得分）為輸入變量，最優實驗設計中各組經TOPSIS法計算后的結果為輸出變量，隨機抽取I-最優實驗設計中的29組為訓練集，剩余3組為測試集訓練模型。

隱藏層神經元數目是決定模型優劣的一個重要因素，隱藏層數目過少則擬合效果差，數目多則模型容易出現“過擬合”現象，因此采用與“2.1”項中篩選近紅外數據預處理方法相同的方法即模型的MAE、2、值對神經元數目進行篩選，具體數據見表7，可知神經元數目為6個時最優。模型預測值與實測值誤差分析如圖3所示，由圖可知模型的預測值和實測值基本一致，模型擬合效果良好。

表7 神經元數量對的訓練集和驗證集MAE、R2、r的影響

Table 7 Effect of number of hidden neurons on MAE, R and rof training data and testing data

神經元數目R2trainMAEtrainrtrainR2testMAEtestrtest 30.715 50.026 30.845 90.924 10.019 80.990 9 40.990 00.006 50.995 00.899 70.023 30.951 5 50.995 60.001 90.997 80.957 70.016 70.983 5 60.995 60.001 90.997 80.968 30.012 90.991 8 70.995 60.001 90.997 80.955 40.017 20.980 1 80.995 60.001 90.997 80.958 80.016 50.982 6

圖3 模型預測值與實測值誤差分析

2.6.2 前饋控制的實施及驗證 基于所建立的遺傳神經網絡模型，采用遺傳算法對設定的4個批次丹參的提取工藝參數進行優化[23-24]，算法流程見圖4。設定種群大小為1000，迭代次數為200，使得相應的醇提液的TOPSIS綜合得分值最大，尋優結果為S8：提取溫度98 ℃，提取時間115 min，乙醇體積分數73%；S10：提取溫度81 ℃，提取時間120 min，乙醇體積分數60%；S19：提取溫度80 ℃，提取時間120 min，乙醇體積分數79%；S21：提取溫度99 ℃，提取時間94 min，乙醇體積分數79%，模型的預測值及實際測定值見表8。

圖4 遺傳算法優化工藝流程圖

為了直觀地表示參與前饋控制前后批次有效成分含量的變化，仍將丹參分水溶性成分和脂溶性成分2大類進行按“2.4”項下權重賦權，計算各自總得分，以散點圖的形式呈現，見圖5。由圖5不難看出4個批次丹參藥材的醇提液經前饋控制后與未進行前饋控制的相比，水溶性成分和脂溶性成分得分分布明顯更加集中，且向目標值靠攏。從具體數據方面分析，比較“2.4”項表5與“2.6.2”項表8可以看出，4個批次中8種有效成分的RSD值均有下降，RSD的平均值從24.9%降到了13.5%，表明前饋控制效果良好，提取液質量一致性得到了提升。若是按照理想解中各成分含量±10%作為可接受范圍，則4個批次丹參中8種有效成分含量不達標百分比由“2.4”項中占總數的72%降到了38%，表明前饋控制對提取液中各成分含量起到了控制效果。

S8、S10、S21丹參提取液的最優值均達到0.7以上，表明已經與理想解較為接近，而S19的最優值最大僅為0.552，仍與理想解有一定距離。從圖5可以看出S19前饋控制前后與理想解均有一定的差距，且主要差距是脂溶性成分方面。具體到成分來看，無論是前饋控制前的表6中還是前饋控制后的表8中S19批次提取液中隱丹參酮含量與理想解均有較大差距，可能是該批次藥材本身隱丹參酮含量較低所致。

表8 驗證性實驗結果

Table 8 Results of experiments for verification

批次質量濃度/(mg?mL?1)Q 丹參素原兒茶醛丹酚酸B丹酚酸丹參酮隱丹參酮丹參酮迷迭香酸實際值預測值 S81.2870.03130.7920.6570.4380.7541.1971.3870.7700.783 S101.1310.03232.2210.5970.2380.6911.2991.4860.7550.723 S191.3630.03028.9580.5940.4200.4031.0192.0540.5520.567 S211.2050.03530.4990.6330.4410.7541.3601.3750.7160.681 RSD/%8.066.754.374.7325.4925.7712.2420.68 xbest (1±10%)1.243±0.1240.029±0.00332.793±3.2780.653±0.0630.362±0.0360.715±0.7201.219±0.1221.643±0.164

圖5 前饋控制前后對比圖

3 討論

中藥有多成分多靶點的特點，將前饋控制應用于中藥提取過程中需要綜合考量各有效成分，以達到減少批次變化帶來的提取液質量浮動為目的。本研究使用TOPSIS法綜合考量丹參提取液中8種有效成分的含量，建立了提取工藝和NIRS數據為自變量，提取液有效成分含量為因變量的人工神經網絡模型，最終根據各批次丹參的近紅外數據調整相應的提取工藝。結果表明此模式不僅減少了不同批次藥材提取液之間有效成分的含量差異，且對它們的具體含量進行了一定的控制，實現了以中藥提取液多種有效成分含量為目標的均化，為中藥均化方面研究提供參考。

藥材中有效物質的提取是中成藥加工生產過程中的關鍵工序，提取物的質量優劣與最終產品質量休戚相關。但中藥材質量往往難以保持一致，使得其相應的提取物質量也參差不齊。針對提取過程建立前饋控制模型，則可對中藥材質量波動產生的提取物質量差異進行補償，減少提取液之間的質量差異。前饋控制模型一旦建立，只需依據模型改變提取工藝，便可提升中藥產品的質量一致性。但是需要注意的是前饋控制不能完全消除原料帶來的產品質量差異，其僅可作為中藥質量控制的一部分。在對原料進行一定篩選的前提下[25]，通過前饋控制對提取物進行控制，才能得到具有較好質量一致性的中藥產品。

利益沖突 所有作者均聲明不存在利益沖突

[1] 黃贊揚, 王亞靜, 祁東利, 等. 基于質量源于設計理念構建多糖組分干法制粒前饋控制模型 [J]. 中國實驗方劑學雜志, 2022, 28(4): 130-137.

[2] 嚴斌俊, 郭正泰, 瞿海斌, 等. 前饋控制方法及其在丹紅注射液醇沉工藝品質提升中的應用 [J]. 中國中藥雜志, 2013, 38(11): 1667-1671.

[3] 李瑤瑤, 張凱旋, 熊皓舒, 等. 基于質量源于設計的復方丹參滴丸混合工藝前饋控制方法研究 [J]. 中國中藥雜志, 2021, 46(11): 2816-2823.

[4] 王曉宇, 李文龍, 瞿海斌. 基于藥材光譜數據的前饋控制技術在三七醇提過程中的應用研究 [J]. 中國中藥雜志, 2018, 43(15): 3127-3134.

[5] Sun Y F, Kmonickova E, Han R L,. Comprehensive evaluation of wildfrom different geographical origins by TOPSIS method based on the macroscopic infrared spectroscopy (IR) fingerprint [J]., 2019, 214: 252-260.

[6] 周欣, 陳麗燕, 陳曉東, 等. 不同酸劑誘導人工沉香的分析與評價 [J]. 中國中藥雜志, 2017, 42(16): 3159- 3166.

[7] 李運, 張霽, 徐福榮, 等. 多指標決策分析TOPSIS對三七的質量評價研究 [J]. 中草藥, 2017, 48(22): 4764- 4771.

[8] 張志鵬, 鄧李紅, 李美洲, 等. 基于化學模式識別和熵權TOPSIS法分析槐角不同部位的差異 [J]. 中藥材, 2021, 43(6): 1413-1419.

[9] 中國藥典 [S]. 一部. 2020: 77.

[10] Yang N Z, Ju A C, Li X,. Salvianolate injection in the treatment of acute cerebral infarction: A systematic review and a meta-analysis [J].2018, 97(47): e12374.

[11] Du H X, He Y, Pan Y J,. Danhong Injection attenuates cerebral ischemia-reperfusion injury in rats through the suppression of the neuroinflammation [J]., 2021, 12: 561237.

[12] 宋僑. 近紅外光譜技術在馬應龍麝香痔瘡膏質量控制中應用研究 [D]. 武漢: 湖北中醫藥大學, 2020.

[13] Ni L J, Zhang F F, Han M Y,. Qualitative analysis of the roots ofandbased on NIR, UHPLC and LC-MS-MS [J]., 2019, 170: 295-304.

[14] Henriksen H C, N?s T, R?dbotten R,. Simultaneous modelling of process variables and raw material properties as measured by NIR. A case study from cellulose production [J]., 2005, 77(1/2): 238-246.

[15] 李文龍, 劉紹勇, 薛東升, 等. 一種基于近紅外光譜技術的熊膽粉粗提物洗滌工藝優化方法 [J]. 中國中藥雜志, 2014, 39(1): 75-79.

[16] 陳光瑋, 金偉鋒, 許守超, 等. 球面對稱設計結合遺傳神經網絡優選黃芪-紅花藥對水提工藝 [J]. 中草藥, 2021, 52(8): 2257-2266.

[17] Smucker B, Krzywinski M, Altman N. Optimal experimental design [J]., 2018, 15(8): 559-560.

[18] 王曉宇, 李文龍, 瞿海斌. 前饋控制技術研究進展及其在中藥質控中的應用展望 [J]. 中草藥, 2017, 48(21): 4560-4564.

[19] Yan B J, Li Y, Guo Z T,. Quality by design for herbal drugs: A feedforward control strategy and an approach to define the acceptable ranges of critical quality attributes [J]., 2014, 25(1): 59-65.

[20] 劉書斌, 張宏武, 馮曉莉, 等. 基于AHP法優化的熵權TOPSIS模型對不同產地黃花菜藥材質量的綜合評價 [J]. 中國實驗方劑學雜志, 2019, 25(6): 168-174.

[21] 黃鵬程, 金偉鋒, 萬海同, 等. 遺傳神經網絡與遺傳算法優選黃芪皂苷微波提取工藝條件 [J]. 中草藥, 2019, 50(16): 3815-3823.

[22] 吳思佳, 金偉鋒, 王航, 等. 基于遺傳神經網絡的雙目標甘草提取工藝優化 [J]. 中華中醫藥雜志, 2019, 34(4): 1719-1721.

[23] 石磊, 高衛紅, 呂莉莉, 等. 基于BP人工神經網絡和遺傳算法的葛根總黃酮提取工藝優化研究 [J]. 中國中醫急癥, 2018, 27(2): 198-201.

[24] 尹斐, 楊潔紅, 方雨晨, 等. 基于2種分析方法的補陽還五湯中有效成分提取工藝優化研究 [J]. 中草藥, 2018, 49(1): 135-141.

[25] 鐘文, 陳莎, 章軍, 等. 重點是原料, 還是工藝?——以葛根芩連湯為例探討中成藥質量一致性控制方法 [J]. 中國中藥雜志, 2016, 41(6): 1027-1032.

Application of feedforward control based TOPSIS method to homogenize alcohol extraction process of

CHEN Zhao-yu, JIN Wei-feng, WAN Hai-tong, HE Yu

College of Pharmaceutical Sciences, Zhejiang Chinese Medical University, Hangzhou 311402, China

The feedforward control based on the technique for order preference by similarity to an ideal solution (TOPSIS) method is used to homogenize alcohol extracts of different batches of Danshen ()Firstly, the near-infrared diffuse reflectance spectra ofwere obtained. Then a high-performance liquid chromatography method had been developed for the simultaneous quantification of eight active components (danshensu, protocatechualdehyde, salvianolic acid B, salvianolic acid A, tanshinone I, cryptotanshinone, tanshinone IIA, rosmarinic acid) contained in alcohol extracts ofOn the basis of single factor experiment and content determination experiment, extraction time, extraction temperature, ethanol concentration were take as numerical factors, the batch was take as categorical factors, eight control targets in the alcohol extract which were comprehensively evaluated by TOPSIS method was taken as response of I-optimal experimental design for the experiment. Finally, a genetic neural network model which reflected the relationship between near-infrared data, process parameters and the effective components was established. Based on the established model, the extraction process was adjusted according to the near-infrared data to decrease the difference in eight active components caused by batch change.Based on the established models, extraction conditions were optimized according to near-infrared data. The RSD value of each component content in alcohol extract ofwas reduced from 24.9% to 13.5%.The feedforward control based on the TOPSIS method has ability to improve the quality and consistency of the alcohol extract ofIt provides a reference for research on the homogenization of Chinese medicine extraction process.

feedforward control;TOPSIS method;Bge.; genetic neural network; near infrared spectroscopy; homogenization of traditional Chinese medicine; danshensu; protocatechualdehyde; salvianolic acid B; salvianolic acid A; tanshinone I; cryptotanshinone; tanshinone IIA; rosmarinic acid

R283.6

A

0253 - 2670(2022)08 - 2302 - 10

10.7501/j.issn.0253-2670.2022.08.006

2021-11-04

國家自然科學基金資助項目（81873226）；國家科技重大專項重大新藥創制（2019ZX09301101）；浙江省“萬人計劃”科技創新領軍人才項目（2019）

陳兆昱，碩士研究生，主要從事中藥有效成分提取分離方面研究。E-mail: 13626535279@163.com

何 昱，教授，博士生導師。Tel: (0571)61768145 E-mail: heyu0923@sina.com

[責任編輯 鄭禮勝]