基于近紅外光譜技術的香菊片提取液膜分離過程評價

屈 瓊，韓立柱，趙小梅，張 穎，魏 玄，唐瑩瑩，雷 璇，趙佩媛，張新博，邱金清，宋 逍, 2*

基于近紅外光譜技術的香菊片提取液膜分離過程評價

屈 瓊1，韓立柱1，趙小梅1，張 穎1，魏 玄1，唐瑩瑩1，雷 璇1，趙佩媛1，張新博1，邱金清1，宋 逍1, 2*

1. 陜西中醫藥大學，陜西 咸陽 712046 2. 中藥制藥與新藥開發教育部工程研究中心，北京 100029

采用近紅外光譜（near infrared spectrum，NIRS）技術結合偏最小二乘法（partial least-square，PLS）建立香菊片提取液膜分離過程中沒食子酸、鞣花酸、木犀草素3個成分的定量監測模型。收集香菊片膜分離過濾液樣本53個，其中預測集38個，驗證集15個，用HPLC法測定所有樣本中沒食子酸、鞣花酸、木犀草素3個成分的含量，同時采集NIRS數據。將得到的光譜數據與3個化學成分含量數據應用PLS回歸分析建立定量模型，采用模型的校正集相關系數（correlation coefficient of calibration，C）、預測集相關系數（correlation coefficient of prediction，P）、校正集誤差均方根（root mean square error of calibration，RMSEC）、預測集誤差均方根（root mean square error of prediction，RMSEP）和預測集相對偏差（relative standard of errors of prediction，RSEP）對定量預測模型進行評價。沒食子酸、鞣花酸、木犀草素近紅外定量模型RMSEC分別為0.561、1.256、0.342，C分別為0.981、0.992、0.986；RMSEP分別為0.557、1.157、0.367，P分別為0.987、0.994、0.979；RSEP分別為5.73%、4.23%和3.78%，均小于10%。建立的NIRS定量模型預測性良好，可用于香菊片提取液膜分離過程的成分含量測定和終點判斷。

香菊片；近紅外光譜；膜分離；沒食子酸；鞣花酸；木犀草素

中藥成分復雜，為了提高療效、減小劑量易于研制，中藥材在制備為成方制劑時往往需要經過純化處理，純化工藝直接關系到藥材資源的充分利用和制劑的療效。膜分離技術是一種采用選擇性滲透膜作為分離媒介，利用化學位差或外部能量作為推動力實現對某一類物質的分離、提純和濃縮的分離工藝技術；膜分離技術能夠有效保留功效成分的活性，而且其選擇性強，操作過程簡單，適用范圍廣，能耗低，已廣泛應用于醫藥生產過程中[1]。

近紅外光譜（near infrared spectrum，NIRS）的波數為12 800～4000 cm?1，具有快速無損的優點。NIRS吸收帶的信息主要是因為C-H、O-H和N-H等含有氫原子基團的吸收，所以，NIRS能夠對很多生物化學和化學樣品進行檢測，然后利用光譜信息結合適當的參考方法建立數學模型，即可對樣品進行定性或定量分析[2-3]，NIRS技術在中藥制備過程監測中有較多的應用，可用于香菊片藥液膜分離過程評價。

香菊片由化香樹果序、夏枯草、野菊花、黃芪、辛夷、防風、白芷、甘草、川芎9味中藥組成，具有抗過敏、抗炎、鎮痛的效果，對急性、慢性鼻竇炎、鼻炎的治療效果效好[4]。本實驗在課題組前期提取工藝優化的基礎上，采用膜分離技術對香菊片提取液進行純化，利用近紅外光譜儀結合化學計量學方法測定膜分離過程中藥液的有效成分的含量變化，可實現對膜分離終點的判斷，為香菊片除雜過程的質量監控提供方法和依據。

1 儀器與材料

1.1 儀器

Ulti Mate 3000高效液相色譜儀，賽默飛世爾科技有限公司；BSA224S型萬分之一電子天平，北京賽多利斯科學儀器有限公司；Tensor II型傅里葉變換紅外光譜儀，德國Bruker公司；LNG-CM-101型膜分離儀，上海朗極膜分離設備工程有限公司。

1.2 試藥與試劑

化香樹果序、夏枯草、野菊花、生黃芪、辛夷、防風、白芷、甘草、川芎均購自西安市浐灞中藥材市場，經陜西中醫藥大學藥學院胡本祥教授鑒定，符合《中國藥典》2020年版相關項下規定，鑒定結果：化香樹果序基原為胡桃科化香樹屬植物化香樹Sieb. et Zucc.的干燥果實，夏枯草基原為唇形科夏枯草屬植物夏枯草L.的干燥果穗，野菊花基原為菊科菊屬植物野菊L.的干燥頭狀花序，生黃芪基原為豆科黃芪屬植物膜莢黃芪(Fisch.) Bge.的干燥根，辛夷基原為木蘭科木蘭屬植物玉蘭Desr.的干燥花蕾，防風基原為傘形科防風屬植物防風(Turcz.) Schischk.的干燥根，白芷基原為傘形科當歸屬植物白芷(Fisch. ex Hoffm.) Benth. et Hook. f.的干燥根，甘草基原為豆科甘草屬植物甘草Fisch.的干燥根和根莖，川芎基原為傘形科藁本屬植物川芎Hort.的干燥根莖。香菊片提取液（實驗室自制，批號200115）；對照品木犀草素（批號ML918532，質量分數≥98%）和鞣花酸（批號21R3329，質量分數≥98%）均購自合肥博美生物科技有限責任公司；對照品沒食子酸（批號110831-201605，質量分數≥98%）購自中國食品藥品檢定研究院；甲醇，色譜純，Fisher公司；其余試劑為分析純。

2 方法與結果

2.1 樣品的制備

按照處方量稱取化香樹果序、夏枯草等9味中藥共3.188 kg，置于提取罐中，加入13倍量水，提取2次，每次1 h，合并提取液，靜置后采用布氏漏斗初濾。將濾液置于膜分離儀中，微濾膜為Al2O3無機陶瓷膜，膜孔徑為0.2 μm，其中過膜壓力80 kPa，料液流速1 m/s。在膜分離儀器穩定后開始收集樣品用于分析檢測，每3 min進行取樣，共計得到53個樣本。圖1為實驗過程裝置示意圖。

2.2 NIRS條件

采用Tensor II傅里葉變換紅外光譜儀采集香菊片膜分離過程中溶液的NIRS數據，設定波數為4000～10 000 cm?1，分辨率4 cm?1，以儀器的內部空氣為參比，樣品以積分球模式掃描，設定儀器的掃描次數為16次，每1個膜分離過程中采集的樣品重復掃描3次[5]。

1-料液斗 2-膜分離設備 3-膜組件 4-濾過液收集斗 5-高效液相色譜儀 6-近紅外光譜儀 7-NIRS數據處理設備

2.3 指標成分的含量測定

2.3.1 色譜條件 采用Agilent SB-C18色譜柱（250 mm×4.6 mm，5 μm）；進樣量10 μL；設定柱溫為30 ℃；體積流量1 mL/min；以甲醇-0.2%磷酸水溶液為流動相進行梯度洗脫：0～10 min，10%～20%甲醇；10～20 min，20%～35%甲醇；20～30 min，35%～43%甲醇；30～40 min，43%～48%甲醇；40～50 min，48%～70%甲醇；50～70 min，70%～90%甲醇；檢測波長254 nm。HPLC圖見圖2。

1-沒食子酸 2-鞣花酸 3-木犀草素

2.3.2 對照品溶液的制備 分別精密稱取沒食子酸、鞣花酸和木犀草素對照品適量，分別置于5 mL量瓶中，加甲醇定容至刻度，制備成質量濃度分別為沒食子酸0.156 mg/mL、鞣花酸0.102 mg/mL、木犀草素0.178 mg/mL的單一對照品溶液。再分別精密稱取3種對照品溶液置于10 mL量瓶中，加入甲醇定容至刻度線，制得質量濃度分別為沒食子酸162.8 μg/mL、鞣花酸162.0 μg/mL、木犀草素202.0 μg/mL的混合對照品溶液。

2.3.3 供試品溶液的制備 取香菊片提取液樣品，搖勻，吸取1 mL，過0.22 μm微孔濾膜，取續濾液，即得供試品溶液。

2.3.4 線性關系考察 分別精密吸取3種對照品溶液并依次稀釋，制得7個樣品系列對照品溶液。按照“2.3.1”項下色譜條件進樣測定，以對照品質量濃度為橫坐標（），峰面積為縱坐標（），繪制標準曲線，進行線性回歸，得到回歸方程為沒食子酸1＝0.196 91＋0.067 2，＝0.999 8；鞣花酸2＝1.188 52－5.625 9，＝0.999 1；木犀草素3＝0.368 03－0.202 5，＝0.999 8；結果表明，沒食子酸在1.63～162.84 μg/mL、鞣花酸在1.62～162.01 μg/mL、木犀草素在4.04～202.21 μg/mL與峰面積呈良好的線性關系。

2.3.5 精密度試驗 精密吸取3種對照品溶液適量，按“2.3.1”項下色譜條件連續進樣6次，結果沒食子酸、鞣花酸和木犀草素峰面積的RSD分別為1.67%、0.71%、1.29%，結果表明儀器精密度良好。

2.3.6 重復性試驗 精密稱取香菊片處方藥材6份，按照“2.1”項下方法制備供試品溶液，按照“2.3.1”項下色譜條件進樣測定，結果表明香菊片供試品溶液中沒食子酸、鞣花酸和木犀草素質量分數的RSD分別為1.71%、1.28%、2.18%，表明該試驗重復性良好。

2.3.7 穩定性試驗 取同一份香菊片供試品溶液（批號為200115的香菊片提取液膜分離開始時取的第1個樣品），在25 ℃下放置0、2、4、6、8、10、12 h，然后按照“2.3.1”項下色譜條件進樣測定，結果顯示香菊片供試品溶液中沒食子酸、鞣花酸和木犀草素峰面積的RSD分別為1.05%、0.88%、1.68%，結果表明供試品溶液在室溫放置12 h內較穩定。

2.3.8 加樣回收率試驗 精密量取同一份香菊片供試品溶液6份，每份1 mL，將各對照品按照樣品中所含該成分的1.0倍分別加入，用“2.3.3”項下方法制備供試品溶液，按照“2.3.1”項下色譜條件進樣測定，得到沒食子酸、鞣花酸和木犀草素的平均加樣回收率分別為102.35%、99.83%、101.44%，RSD分別為1.17%、2.10%、2.14%。

2.4 光譜預處理[6]

本實驗選用的NIRS預處理方法有：一階求導（first derivative，1D）、二階求導（second derivative，2D）、平滑濾波（Savitzky-Golay，SG）以及標準正則變換（standard normal variate，SNV）。1D可以消除背景的常數平移；2D可以消除線性背景平移；SG是通過多項式來對移動窗口內的數據進行多項式最小二乘擬合以消除噪聲；SNV可降低樣本中固體顆粒分布不均、大小不同和附加的散射對光譜的影響。

2.5 數據處理

采用Unscrambler 10.4軟件對試驗中采集的香菊片膜分離過濾液的光譜信息進行預處理以消除樣品特征、儀器的精準度和測量環境變化帶來的誤差。對不同預處理方式進行篩選用于NIRS模型的建立。采用MATLAB R2018b（美國MathWorks公司）軟件進行光譜偏最小二乘（partial least squares，PLS）、組合區間偏最小二乘法（synery interval patial least squares，SiPLS）模型的建立，間隔偏最小二乘（interval partial least squares，iPLS）算法工具包從http://models.kvl.dk網站獲取[7-8]。采用SIMCA 14.1軟件對模型進行可視化處理和樣品集和校正集的參數對比。

PLS法是一種多元因子回歸方法，對光譜矩陣進行分解以消除無用的噪聲信息，對濃度矩陣也進行分解，并且在分解光譜矩陣時考慮濃度矩陣的影響。PLS對光譜矩陣和濃度矩陣的模型如下。

式（1）（2）中，t(×1)為吸光度矩陣的第個主因子的得分；p(1×)為吸光度矩陣的第個主因子的載荷；u(×1)為濃度矩陣的第個主因子得分；q(1×)為濃度矩陣的第個主因子的載荷。為主因子數。即和分別為和矩陣的得分矩陣，和分別為和矩陣的載荷矩陣，E和E分別為和的PLS擬合殘差矩陣。

采用校正集誤差均方根（root mean square error of calibration，RMSEC）、預測集誤差均方根（root mean square error of prediction，RMSEP）、校正集相關系數（correlation coefficient of calibration，C）、預測集相關系數（correlation coefficient of prediction，P）、預測集相對偏差（relative standard of errors of prediction，RSEP）作為評價指標，考察建模方法的模型性能[9-10]。C越大，RMSEC值越小，所對應的模型擬合效果越好。P越大，RMSEP值越小所對應的模型預測能力越好[11-12]。

3 結果

3.1 訓練集和預測集的劃分

為消除NIR樣本集劃分過程中人員選擇時主觀因素的影響，本試驗利用MATLAB R2018b軟件中，Kennard-Stone算法進行香菊片膜分離光譜樣本集的劃分[13]。設定樣本訓練集35個，預測集18個。對香菊片提取液進行純化時掃描其抽濾后、膜分離純化后以及膜分離截留液的顯微圖，可以看出過膜后提取液的雜質明顯減少，達到了較好的除質目的，結果見圖3。膜分離過程的化學成分含量的變化曲線見圖4。K-S算法首先選擇歐氏距離最遠的2個樣本進入訓練集，然后通過計算剩下的每1個樣品到訓練集內每1個已知樣品的歐式距離，找到距已選樣本最遠以及最近的2個樣本，并將這2個樣本選入訓練集，重復上述步驟直到選擇的樣本數量達到目標要求[14-16]。訓練集和預測集樣本中各成分質量濃度分布范圍見表1。

3.2 光譜預處理方法的篩選

采用Unscrambler軟件對光譜數據進行預處理和模型計算。由于環境和儀器等因素的干擾，信號中容易出現基線漂移以及噪聲干擾，因此對香菊片提取液膜分離樣品的NIRS進行適當的預處理，能夠提高模型的性能。常用的NIRS預處理方法有：一階求導、二階求導、平滑濾波、多元散射校正法（multivariate scatter correction，MSC）以及標準正則變換等[17]，并以C、RMSEC評價模型性能，C越接近1，RMSEC越小，說明所建模型越穩定，預測準確度越高。香菊片膜分離樣品原始光譜圖見圖5，膜分離溶液中水分子的O-H在5155、6944 cm?1附近有較強的對稱和反對稱伸縮振動的組合頻吸收；在4500～5500 cm?1有反對稱彎曲振動和伸縮振動的組合頻吸收。由此可見，香菊片膜分離過程中原始NIRS的整體變化包含了水分子特征吸收光譜。

A-抽濾液樣本 B-膜分離后樣本 C-膜分離截留液 a-抽濾液樣本顯微圖 b-膜分離后樣本顯微圖 c-膜分離截留液顯微圖

圖4 膜分離過程過濾液的化學成分含量的變化曲線

表1 訓練集和預測集數據統計結果

3.3 潛變量因子數的篩選

考察原始光譜（Raw）、SG、1D、2D、SNV預處理之后對NIRS定量模型的影響，評價5種不同處理方式后所建立的PLS模型參數見表2?？梢姴捎肧NV處理后，沒食子酸和木犀草素光譜建立模型效果最好，此時沒食子酸的RMSEC最小，C最大（0.990）；木犀草素的RMSEC為0.397，C為0.992；使用原始光譜建立鞣花酸PLS模型效果較好，鞣花酸的RMSEC為1.456，C為0.988；其他預處理方式下所建立模型的C為0.872～0.981，模型的預測性能一般。因此，沒食子酸和木犀草素選擇SNV預處理方式，鞣花酸選擇原始光譜為最佳預處理方式以提高模型預測性能。

構建PLS模型時，潛變量因子數選擇過多或過少都會顯著影響所建立數學模型的預測性能。潛變量因子數過少則建模信息不全，出現光譜數據的“欠擬合”，導致模型精度和穩健性下降[18-19]；過多則會在擬合出正確規則的前提下，進一步擬合噪聲，導致光譜數據“過擬合”，使模型預測能力和穩健性下降[20]，各組分的潛變量因子數和評價值見圖6，由圖知，沒食子酸和木犀草素的PLS模型選取潛變量因子數為5，鞣花酸的潛變量因子數選擇6時，PLS模型預測性能較好。

圖5 膜分離過程中原始NIRS圖

3.4 PLS模型的建立和驗證

基于上述優化過程，建立了沒食子酸、鞣花酸和木犀草素的PLS定量校正模型。3個化學成分的PLS模型的校正集和預測集中的參考值和NIRS預測值的相關性見圖7。從圖中可以看出，NIRS預測值與參考值表現出良好的擬合度，3個定量模型的C和P均大于0.9，沒食子酸、鞣花酸和木犀草素的RMSEC分別為0.561、1.256、0.342；RMSEP分別為0.557、1.157、0.367，每個模型的RMSEC和RMSEP較小且較為接近，并且沒食子酸、鞣花酸和木犀草素的RSEP分別為5.73%、4.23%和3.78%，均在10%以內。表明模型的預測精度較高，可準確預測香菊片膜分離過程中沒食子酸、鞣花酸和木犀草素的含量。根據上述相關評價參數和所建立的定量模型，進一步驗證模型的預測能力[21]，利用已校正的模型預測新的一批香菊片膜分離樣品。結果見圖8所示，可看出模型給出的NIRS預測值與參考值十分接近，變化趨勢基本保持一致，表明采用NIRS結合PLS模型可以用于香菊片膜分離過程中的3種化學成分含量的測定。

表2 不同光譜預處理方法對PLS模型性能的影響

圖6 不同光譜預處理方法的潛變量因子

4 討論

本實驗采用NIRS分析結合PLS算法建立香菊片膜分離過濾液定量校正模型，并考察了不同預處理方法對建模的影響，最后所建定量模型的值均在0.9以上，RSEP在10%以內，模型的預測精度較高。該方法實現了香菊片膜分離液中沒食子酸、鞣花酸和木犀草素3種成分的快速測定和膜分離終點判斷。實驗共收集了53個香菊片膜分離液的NIRS信息，沒食子酸、鞣花酸和木犀草素為化學指標，將得到的光譜數據與3個化學成分含量數據應用PLS回歸分析建立定量模型，對比不同的預處理方法與潛變量因子數用于優化模型。

圖7 預測值與參考值的相關性圖

圖8 NIRS驗證結果與參考方法測定結果的比較

在本實驗的定量模型中，訓練集樣本數為35個，預測集樣本數為18個。經過對比，沒食子酸和木犀草素最佳處理方式為SNV，鞣花酸最佳處理方式為選擇原始光譜。將進行最佳預處理后的NIRS用于構建PLS模型時，沒食子酸和木犀草素選取潛變量因子數為5，鞣花酸潛變量因子數為6時，PLS模型預測性能較好。通過對模型的性能進行驗證，未知樣本的預測結果和真實值相比具有很小的偏差，具有良好的線性關系。以上結果說明NIRS結合PLS的方法能夠用于香菊片膜分離過程的指標成分含量的快速測定，以及實現對膜分離過程終點的評價。

膜分離技術在中藥領域中的研究已有近五十年，研究應用范圍涉及中藥的分離、純化、濃縮等操作單元，取得了一系列研究成果與應用經驗。NIRS分析方法操作快速、成本較低，不破壞樣本，彌補了常規分析方法檢測樣品制備復雜和對樣品破壞性的不足，可以推廣應用于中藥提取、純化、濃縮和檢驗過程的在線質量控制，這對于節約資源、提升中藥質量控制水平具有借鑒意義[22]。但本實驗采用的樣本量較少，考察的膜分離過程化學成分數量范圍較窄，且采用的是離線式NIRS，與現實生產工藝中的在線檢測，在儀器配備、檢測方式、控制途徑、取樣模式、數據處理與分析等方面存在一定的差別，相關研究將進一步繼續，后續將增加樣本數量、擴大化學成分數量范圍以及采用在線近紅外光譜對膜分離過程進行進一步探索研究。

利益沖突 所有作者均聲明不存在利益沖突

[1]張麗華, 葉世莉, 劉思美, 等. 白及多糖的超濾陶瓷膜分離工藝研究 [J]. 陜西中醫藥大學學報, 2022, 45(6): 34-39.

[2]馮艷春, 易夏, 胡昌勤. 制藥工業中近紅外光譜分析技術的重要標準和指導原則簡介 [J]. 中國醫藥工業雜志, 2016, 47(7): 957-962.

[3]Poke F S, Raymond C A. Predicting extractives, lignin, and cellulose contents using near infrared spectroscopy on solid wood inglobulus [J]., 2006, 26(2): 187-199.

[4]孫建設, 李曉華, 王凱, 等. 香菊片聯合鹽酸羥甲唑啉噴霧劑治療慢性鼻竇炎的臨床研究 [J]. 現代藥物與臨床, 2019, 34(5): 1422-1425.

[5]吳志生, 史新元, 隋丞琳, 等. 清開靈注射液中間體銀黃液中黃芩苷含量近紅外測定方法的建立和驗證 [J]. 中華中醫藥雜志, 2012, 27(4): 1021-1024.

[6]王晴, 徐芳芳, 張欣, 等. 在線近紅外光譜監測桂枝茯苓膠囊流化床干燥過程水分的方法研究 [J]. 中草藥, 2019, 50(22): 5429-5438.

[7]杜敏, 吳志生, 林兆洲, 等. 光程對清開靈注射液中黃芩苷近紅外定量模型的影響 [J]. 藥物分析雜志, 2012, 32(10): 1796-1800.

[8]Gong H Y, Hu Y N, Xie C X,. Fast determination of active components in fructus corni by near infrared spectroscopy [J]., 2013, 807/808/809: 2054-2058.

[9]徐敏, 張磊, 岳洪水, 等. 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 [J]. 中國中藥雜志, 2017, 42(20): 3906-3911.

[10]Yoon W L, Jee R D, Charvill A,. Application of near-infrared spectroscopy to the determination of the sites of manufacture of proprietary products [J]., 2004, 34(5): 933-944.

[11]周雨楓, 周立紅, 張鳳蓮, 等. 近紅外光譜技術在三七提取過程中的在線控制 [J]. 中藥材, 2019, 42(10): 2367-2370.

[12]Dou Y, Qu N, Wang B,. Simultaneous determination of two active components in compound aspirin tablets using principal component artificial neural networks (PC-ANNs) on NIR spectroscopy [J]., 2007, 32(3): 193-199.

[13]Zeng J Q, Zhou Z, Liao Y,. System optimisation quantitative model of on-line NIR: A case ofFisch. extraction process [J]., 2021, 32(2): 165-171.

[14]杜晨朝, 吳志生, 趙娜, 等. 基于兩類誤差檢測理論金銀花提取過程的MEMS-NIR在線分析建模方法研究 [J]. 中國中藥雜志, 2016, 41(19): 3563-3568.

[15]裴艷玲, 吳志生, 史新元, 等. 厚樸酚近紅外光譜的2D-COS解析及其在藿香正氣口服液模型中應用 [J]. 光譜學與光譜分析, 2015, 35(8): 2119-2123.

[16]Wu Z S, Zhou X Z, Yu F L,. NIR rapid assessments of Chinese material medica: Simultaneous determination of three major active components of licorice [C]//,:, 2014, 9300: 182-188.

[17]楊越, 楊留長, 紀曉亮, 等. 近紅外光譜法快速測定柴胡提取過程中的藥效成分 [J]. 分析測試學報, 2020, 39(11): 1311-1319.

[18]Li W L, Yan X, Pan J C,. Rapid analysis of the Tanreqing injection by near-infrared spectroscopy combined with least squares support vector machine and Gaussian process modeling techniques [J]., 2019, 218: 271-280.

[19]安思宇, 張磊, 尚獻召, 等. 紅參提取物總皂苷近紅外定量分析建模中的變量篩選 [J]. 光譜學與光譜分析, 2021, 41(1): 206-209.

[20]Xu B, Wu Z S, Lin Z Z,. NIR analysis for batch process of ethanol precipitation coupled with a new calibration model updating strategy [J]., 2012, 720: 22-28.

[21]解育靜, 張家楠, 朱冬寧, 等. 肉桂中4種成分近紅外定量分析模型的建立 [J]. 中國實驗方劑學雜志, 2020, 26(2): 119-123.

[22]陳述. 基于近紅外光譜技術的不同產地中藥有效成分含量檢測方法 [J]. 激光雜志, 2020, 41(12): 22-26.

Evaluation of membrane separation process of Xiangju Tablets extract based on near-infrared spectrum technology

QU Qiong1, HAN Li-zhu1, ZHAO Xiao-mei1, ZHANG Ying1, WEI Xuan1, TANG Ying-ying1, LEI Xuan1, ZHAO Pei-yuan1, ZHANG Xin-bo1, QIU Jin-qing1, SONG Xiao1, 2

1. Shaanxi University of Chinese Medicine, Xianyang 712046, China 2. Engineering Research Center for Pharmaceutics of Chinese Materia Medica and New Drug Development, Ministry of Education, Beijing 100029, China

The quantitative monitoring model of gallic acid, ellagic acid and luteolin in the membrane separation process of Xiangju Tablets extract was established by near infrared spectrum (NIRS) combined with partial least-square (PLS).A total of 53 samples of filtrate separated by Xiangju Tablets membrane were collected, including 38 prediction sets and 15 validation sets. The contents of gallic acid, ellagic acid and luteolin in all samples were determined by HPLC, and the near-infrared spectral data were collected at the same time. The obtained spectral data and the content data of three chemical components were used to establish a quantitative model by PLS regression analysis. Correlation coefficient of calibration (C), correlation coefficient of prediction (P), root mean square error of calibration (RMSEC), root mean square error of prediction (RMSEP), and relative standard of errors of prediction (RSEP) were used to evaluate the quantitative prediction model.The RMSEC of gallic acid, ellagic acid and luteolin was 0.561, 1.256 and 0.342, respectively, and theCwas 0.981, 0.992 and 0.986, respectively. The RMSEP was 0.557, 1.157 and 0.367, respectively, and thePwas 0.987, 0.994 and 0.979, respectively. The RSEP was 5.73%, 4.23% and 3.78%, respectively, which were all less than 10%.The established near-infrared quantitative model has good predictability and can be used for the determination of component content and terminus judgment in the membrane separation process of Xiangju Tablets extract.

Xiangju Tablets; near-infrared spectrum; membrane separation; gallic acid; ellagic acid; luteolin

R283.6

A

0253 - 2670(2023)21 - 7017 - 08

10.7501/j.issn.0253-2670.2023.21.010

2023-05-16

陜西省中醫藥管理局（2021-04-ZZ-007）；陜西省教育廳項目（21JC011）；國家重點研發計劃（2019YFC1711204）

屈 瓊（1999—），女，漢，四川省達州市人，碩士研究生，研究方向為中藥制劑工藝與新產品開發。Tel: 13281262252 E-mail: 2720345499@qq.com

通信作者：宋 逍（1979—），男，漢，陜西省乾縣，教授，碩士研究生導師，博士，研究方向為中藥制劑工藝與新產品開發。Tel: 15319015083 E-mail: song-xiaoyao@163.com

[責任編輯 鄭禮勝]