近红外漫反射光谱法定量分析川芎中的阿魏酸含量精.docx
《近红外漫反射光谱法定量分析川芎中的阿魏酸含量精.docx》由会员分享，可在线阅读，更多相关《近红外漫反射光谱法定量分析川芎中的阿魏酸含量精.docx（11页珍藏版）》请在冰豆网上搜索。
近红外漫反射光谱法定量分析川芎中的阿魏酸含量精
近红外漫反射光谱法定量分析川芎中的阿魏酸含量
*
王小梅1，焦龙1，2，刘小丽3，李华
1
＊＊（1．西北大学化学与材料科学学院，西安710069；2．西安石油大学化学化工学院，西安710065；
3．西北大学生命科学学院，西安710069）
摘要
目的：
应用近红外光谱分析技术和化学计量学方法构建了川芎中阿魏酸含量的定量测定模型。
方法：
通过偏最小二乘
法建立数学模型，并对预测集进行预测。
结果：
34个川芎样品经交叉验证建立校正模型，交叉验证均方根误差（RMSECV）为
0.146%，决定系数（R2）为0.9883。
用11个川芎样品进行预测，预测值与参考值的决定系数（R2
）达0.9751，预测均方根误差
（RMSEP）为0.251%。
结论：
该方法简便快速，结果准确，可应用于对不同产地不同批次的川芎进行快速检查或质量控制。
关键词：
偏最小二乘法；近红外；漫反射光谱；阿魏酸；川芎；快速检测；中药材中图分类号：
R917
文献标识码：
A
文章编号：
0254－1793（2011）06－1016－04
QuantitativeananlysisofferulicacidinLigusticumchuanxiongHort．
bynearinfrareddiffusereflectancespectroscopy*
WANGXiao－mei1，JIAOLong1，2
，LIUXiao－li3，LIHua1＊＊
（1．SchoolofChemistryandMaterialsScience，NorthwesternUniversity，Xi'an710069，China；2．CollegeofChemistryandChemicalEngineering，Xi'anShiyouUniversity，Xi'an710065，China；
3．SchoolofLifeSciences，NorthwesternUniversity，Xi'an710069，China）
AbstractObjective：
Nearinfrared（NIR）spectroscopyandchemometricswereappliedtothequantitativeanaly-
sisofferulicacidinLigusticumchuanxiongHort．Method：
Partialleastsquares（PLS）regressionmodelwasbuiltusingacalibrationset（34samples）．Thepredictionsetwasestablishedby11samples．Andweappliedthismethodtopredictthedatainthepredictionset．Results：
Thecoefficientofdetermination（R2）was0.9883asindicatedfromthecross－validation，andtherootmeansquareerrorofcrossvalidation（RMESCV）was0.146%．Thecoeffi-cientofdetermination（R2）ofthereferenceandpredictedvalueswas0.9751，andtherootmeansquareofpredic-tion（RMSEP）was0.251%．NIRspectroscopymethodwassimple，rapidandaccurate．Conclusion：
ThemethodcanbeappliedinrapidqualitativeandquantitativeofdifferentbatchesofLigusticumchuanxiongHort．fromthedif-ferentplacesoforigin．
Keywords：
partialleastsquares；nearinfrared；diffusereflectance；ferulicacid；LigusticumchuanxiongHort．；rapidtesting；traditionalChinesemedicine
川芎（LigusticumchuanxiongHort．）为伞形科植
物的干燥根茎［1］
，含有内酯类、生物碱类、甾体、酚
类以及挥发油类等多种化合物［2］
。
其味辛、微苦、性温，具有活血祛瘀、行气开郁、祛风止痛之功效。
临床上主要用于治疗心血管疾病、妇科疾病等。
川芎中主要成分阿魏酸的化学名称为3－（4－羟基－3－甲氧基苯基）－2－丙烯酸。
阿魏酸的分子式为C10H10O4，相对分子质量为194.18，其结构式如图1
所示。
阿魏酸含量测定已有文献报道，主要采用流动
注射化学发光法［3］、液相色谱法［4］
。
这些方法预处理样品比较烦琐，而且测定过程中耗时，难以满足制药企业实施在线控制分析的要求。
近红外光谱（near－infraredspectroscopy，NIRS）分析技术是近年来发展极为迅速而且应用相当广泛
的1种绿色分析技术。
该方法不需对样品进行预处
—6101—药物分析杂志ChinJPharmAnal2011，
31（6）＊＊＊国家自然科学基金（No．20975081）；教育部科学技术研究重点项目（204182）；陕西省教育厅产业化中试项目（No．09JC04）通讯作者Tel：
（029）88302942；E－mail：
huali@nwu．edu．cn
图1阿魏酸结构式
Fig1
Thestructureofferulicacid
理，操作简便快速，已被广泛应用于农业［5，6］
、烟
草
［7，8］
、食品［912］和药物［13，14］
的定性定量分析。
目
前，采用NIR光谱分析技术定量测定川芎中阿魏酸的文献尚未见报道。
本文采用偏最小二乘法结合近红外光谱分析技术构建定量测定川芎中阿魏酸的数学模型，无需对样品进行繁杂的预处理，测定方法简单快速，结果准确可靠。
1
仪器和材料
VERTEX70型傅里叶变换红外光谱仪（德国
Bruker公司），岛津SCL－10AVP高效液相色谱仪（日本岛津公司），KQ5200DB型数控超声波清洗器（上海楚定分析仪器有限公司），玻璃仪器气流烘干
器（河南太康科教仪器厂），
Sartorius电子天平（北京赛多利斯天平有限公司），石英亚沸高纯水蒸馏器（江苏省宜兴市勤华石英玻璃仪器厂）。
四川等不同产地不同批次的川芎样品共45个，
阿魏酸对照品（批号11773－200613，中国药品生物制品检定所），甲醇（色谱纯，西安化学试剂厂），水为二次蒸馏水。
2
阿魏酸含量测定
HPLC测量条件［15，16］
：
采用KromasilC18色谱柱
（4.6mmˑ150mm，5μm），流动相为1%醋酸（A）－甲醇（B），梯度洗脱（040min，
10%B→50%B；4070min，50%B→100%B），进样体积为10μL，
流速为1mL·min－1，检测波长280nm，柱温30ħ。
根据上述条件，测定所有川芎样品，将所得到的测定值作为参考值。
3
NIR光谱采集
将川芎样品用粉碎机粉碎，并过100目筛，装在石英样品杯中，
厚度大约3cm（光不透过样品），置于漫反射积分球上进行测定，设置扫描次数为32
次，分辨率为8cm－1，采集光谱范围90004000
cm－1，每份样品重复扫描3次，取其平均光谱。
4数据处理方法
样品随机分为校正集和预测集，并保证校正集
样品浓度范围大于预测集，
建立NIR光谱校正模型。
将45个样品随机分为校正集（34个样品）和预
测集（11个样品），校正集样品用于校正模型的建立。
将所得到的光谱数据导入OPUS6.5定量分析软件中，选择用于建模的光谱区间，对光谱预处理方
法进行比较，采用PLS建立NIR光谱定量校正模型。
以校正集的交叉验证均方根误差（RMSECV）
为指标选择建模参数优化模型结构，进而得到最优
的校正模型。
同时考察了PLS模型的潜变量数（la-tentvariablenumber）和光谱预处理方法对PLS模型
的影响，
以交叉验证均方根误差（RMSECV）、预测均方根误差（RMSEP）和决定系数（R2
）为优化参数对模型的稳健性进行了评价。
RMSECV计算公式：
RMSECV=
∑i=1
（^y
i－yi）2
n
（1）
式中，
n为校正集样品数，yi为校正集样品i的参考值，^y
i为建立模型与去除样品i时样品i的预测值。
RMSECV值越小，
所构建的模型性能越好。
对于预测集，预测均方根误差（RMSEP）：
RMSEP=
∑i=1
（yi－^y
i）2
n
（2）
式中，
n为预测集样品数，yi为预测集样品i的参考值，
^yi为所建模型对预测集样品i的预测值。
在校正集和预测集中，参考值与预测值之间的
决定系数由如下公式计算所得：
R2=［1－
∑n
i=1
（^yi－yi）2
∑ni=1
（yi－珋yi）
2
ˑ100（3）
式中，珋yi为校正集和预测集中所有样品的参考
值的平均值。
在此，决定系数的含义为由解释变量引起的被解释变量的变化占被解释变量总变化的比重，用来判定回归直线拟合的优劣，该值越大说明拟合得越好。
即决定系数的大小决定了相关的密切程
度。
当R2
越接近1时，表示相关性越高。
5结果与讨论5.1
川芎样品的NIR光谱图图2是川芎样品的近红外漫反射谱图。
川芎样品中所含的主要成分种
类很多，谱峰复杂，而且相互重叠比较严重，单靠近红外谱图无法直接对样品中的阿魏酸含量进行定
量，因此，只有将近红外光谱与相关化学计量学方法相结合，才能实现川芎样品中阿魏酸的定量分析。
—
7101—药物分析杂志ChinJPharmAnal2011，31（6）
图2川芎的NIR光谱图
Fig2
ThenearinfraredspectraofLigusticumchuanxiongHort．samples
5.2
建模区间的选择
通过比较OPUS6.5软件
光谱范围优化结果中的RMSECV值，考察了光谱范
围对模型性能的影响，如表1所示。
由表1的结果
可看出，在7501.96799.9cm－1
和44244246.6cm－1光谱范围内所建模型性能最好。
因此，选择最
优的建模区间为7501.96799.9cm
－1
和4424
4246.6cm－1。
表1光谱范围对RMSECV的影响
Tab1
TheeffectofspectralcoverageonRMSECV
序号（No．）光谱范围（spectralregion）/cm－1RMSECV/%17501.96799.9；44244246.60.14627501.96799.9；4601.44246.60.19137501.96799.9；4601.444240.23647501.95450；4601.44246.6
0.23957501.95450
0.24167501.96097.9；4601.444240.2457
6799.96097.9；4601.44246.6
0.280
5.3
光谱预处理方法的选择
一般来说，样品的物
理性质的不同会引起光谱基线和斜率的变化，在建立
校正模型前需采用化学计量学方法对光谱进行预处理以消除这些影响。
OPUS6.5软件中内建的光谱预
处理方法有消除常数偏移量、多元散射校正（multi-plicativescattercorrection，MSC）、一阶导数法、二阶导数方法、Savitzky－Golay方法、标准正交变量变换（standardnormalvariate，SNV）等。
本文在选定的光谱区间，采用不同的预处理方法进行比较寻求最优。
通过交叉验证，采用RMSECV来考察校正模型的性能。
通常情况下，RMSECV值越小，模型中光谱信息与成分含量相关越好。
阿魏酸预处理方法的筛选分析结果如表2所示。
从表2可以看出，川芎样品光谱经消除常数偏移量、多元散射校正、标准正交变量变换、最大－最小归一化和一阶导数后，在波段7501.96799.9cm－1和44244246.6cm－1光谱的预测效
果中，一阶导数的预测效果最好，
RMSECV最小。
因此，最适合该模型的预处理方法为一阶导数法。
表2不同光谱预处理方法对PLS模型参数的影响
Tab2Theeffectofdifferentpreprocessing
methodsonPLSmodel
序号（No．）预处理方法（pretreatment）
RMSECV/%1一阶导数法（firstorderderivative）
0.1462
多元散射校正（multiplicativescattercorrection，MSC）0.2213标准正交变量变换（standardnormalvariate，SNV）0.2274无光谱预处理（nospectralpreprocessing）0.2315最大－最小归一化（max－minnormalized）0.2356
消除常数偏移量（constantoffsetelimination）
0.240
5.4
由校正集样品建立数学模型
本文采用PLS建立定量校正模型时，采用不同
的潜变量数，模型预测能力有较大的差异。
在校正集样品一定的情况下，潜变量数取得太少，模型预测能力降低，出现不充分拟合现象；潜变量数过多，会
导致模型过于复杂，
并出现过拟合现象。
因此，必须合理选择潜变量数。
本文采用交叉验证法，考察了
潜变量数对RMSECV值的影响。
图3为RMSECV值随潜变量数变化的曲线图。
由图3可看出，当PLS模型的潜变量数取7时，交互验证均方根误差RMSECV值最小，所选潜变量数最佳
。
图3潜变量数对RMSECV的影响
Fig3
TheeffectoflatentvariablenumberonRMSECV
因此，将7501.96799.9cm－1
和44244246.6cm－1范围内的光谱，经过一阶导数预处理
后，设定潜变量数为7，采用PLS法建立用于计算阿魏酸含量的校正模型。
如图4为全部样品的leave－one－out交叉验证结果。
全部样品中阿魏酸含量的预测值与其参考值之间的R2
达到0.9883，全部样品的RMSECV值为0.146%。
5.5
预测集阿魏酸的分析
用建立的最佳校正模
型，对预测集样品中的阿魏酸含量进行预测，预测结果见表3。
由表3可以看出，预测值与参考值之间的
图4校正模型预测值与参考值之间的相关图
Fig4
Thecoefficientprogramofpredictedandreferencevaluesforcali-brationset
R2达0.9751，RMSEP为0.251%，表明该校正模型预
测的结果准确，因此可以认为该数学模型比较可靠。
表3预测集中阿魏酸的预测结果
Tab3Thepredictedresultsofferulic
acidinthepredictionset
序号（ordernumber）参考值（referencevalues）/%预测值（predictedvalues）/%误差（error）相对误差（relativeerror）/%10.0920.089－0.003－3.220.1240.1250.0010.830.1150.1150.0000.040.1020.1060.0043.950.1080.1090.0010.960.1170.113－0.004－3.470.1150.1160.0010.980.1190.1200.0021.790.1180.1190.0010.8100.0960.0960.000－0.011
0.094
0.095
0.001
1.1
6结论
通过应用近红外光谱分析技术和化学计量学方
法构建了川芎中阿魏酸的定量分析模型，最终选取出阿魏酸含量分析的最佳波段，同时考察了预处理方法和PLS模型的潜变量数对模型的影响，并对PLS模型性能做出了评价。
该方法简便快速，预测结果准确可靠，可应用于对不同产地不同批次的川芎进行快速检查或质量控制。
参考文献
1ChP（中国药典）.2005．VolⅠ（一部）：
28
2
WANGWen－xiang（王文祥），GUMing（顾明），JIANGXiao－gang（蒋小岗），
etal．StudiesonchemicalconstituentsofLigustic-umchuanxiong（川芍化学成分研究）．ChinTraditHerbDrugs（中草药），2002，33
（1）：
43
WangJP，LiNB，LuoHQ．Chemiluminescencedeterminationoffer-
ulicacidbyflow－injectionanalysisusingcerium（IV）sensitizedbyrhodamine6G．SpectrochimActaPartA：
MoleculBiomoleculSpec-trosc，2008，71
（1）：
2044
PhilippeAG，MathieuR，DenisB，etal．Quantitativeanalysisofplasmacaffeicandferulicacidequivalentsbyliquidchromatographytandemmassspectrometry．JChromatogrB，2009，877（31）：
39655
LiXL，
HeY，WuCQ，etal．Non－destructivediscriminationofpad-dyseedsofdifferentstorageagebasedonVis/NIRspectroscopy．JStoredProductsRes，2008，44（3）：
2646
GiorgiaF，MarinaC，MarioLV，etal．DifferentfeatureselectionstrategiesinthewaveletdomainappliedtoNIR－basedqualityclas-sificationmodelsofbreadwheatflours．ChemometrIntellLabSyst，2009，99
（2）：
91
7
CaiWS，LiYK，ShaoXG．Avariableselectionmethodbasedonun-informativevariableeliminationformultivariatecalibrationofnear－infraredspectra．ChemometrIntellLabSyst，2008，90
（2）：
1888
ShaoXG，BianXH，CaiWS．Animprovedboostingpartialleastsquaresmethodfornear－infraredspectroscopicquantitativeanaly-sis．AnalChimActa，
2010，666（1－2）：
329LiuYD，SunXD，OuyangAG．Nondestructivemeasurementofsolu-blesolidcontentofnavelorangefruitbyvisible－NIRspectrometrictechniquewithPLSRandPCA－BPNN．LWT．FoodSciTechnol，2010，43（4）：
602
10ElsB，SerbanAS，MihaiN，etal．Postharvestqualityofapplepredic-tedbyNIR－spectroscopy：
Studyoftheeffectofbiologicalvariabili-tyonspectraandmodelperformance．PostharvestBiolTechnol，2010，55（3）：
133
11CeciliaS，
LuisRS．ApplicationofNIRandMIRspectroscopyinqualitycontrolofpotatochips．JFoodCompositAnal，2009，22（6）：
596
12YuHY，NiuXY，LinHJ，etal．Afeasibilitystudyonon－linedeter-minationofricewinecompositionbyvisNIRspectroscopyandleast－squaressupportvectormachines．FoodChem，
2009，113
（1）：
29113PuchertT，LochmannD，MenezesJC，etal．Near－infraredchemicalimaging（NIR－CI）forcounterfeitdrugidentification－afour－stageconceptwithanovelapproachofdataprocessing（linearimagesignature）．JPharmBiomedAnal，
2010，51
（1）：
13814
AtulDK，
PaulWSH，CelineVL．In－linequantificationofmicron-izeddrugandexcipientsintabletsbynearinfrared（NIR）spectros-copy：
Re
升级会员 