近红外漫反射光谱法定量分析川芎中的阿魏酸含量精.docx

1、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（R 2）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（R

2、2）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：02541793（2011）06101604Quantitative ananlysis of ferulic acid in Ligusticum chuanxiong Hortby near infrared diffuse reflectance spectroscopy *WANG Xiao mei 1，JIAO L

3、ong 1，2，LIU Xiao li 3，LI Hua 1（1School of Chemistry and Materials Science ，Northwestern University ，Xian 710069，China ；2College of Chemistry and Chemical Engineering ，Xian Shiyou University ，Xian 710065，China ；3School of Life Sciences ，Northwestern University ，Xian 710069，China ）Abstract Objective ：

4、Near infrared （NIR ）spectroscopy and chemometrics were applied to the quantitative analy-sis of ferulic acid in Ligusticum chuanxiong HortMethod ：Partial least squares （PLS ）regression model was built using a calibration set （34samples ）The prediction set was established by 11samplesAnd we applied t

5、his method to predict the data in the prediction setResults ：The coefficient of determination （R 2）was 0. 9883as indicated from the cross validation ，and the root mean square error of cross validation （RMESCV ）was 0. 146%The coeffi-cient of determination （R 2）of the reference and predicted values wa

6、s 0. 9751，and the root mean square of predic-tion （RMSEP ）was 0. 251%NIR spectroscopy method was simple ，rapid and accurateConclusion ：The method can be applied in rapid qualitative and quantitative of different batches of Ligusticum chuanxiong Hortfrom the dif-ferent places of originKey words ：part

7、ial least squares ；near infrared ；diffuse reflectance ；ferulic acid ；Ligusticum chuanxiong Hort；rapid testing ；traditional Chinese medicine川芎（Ligusticum chuanxiong Hort）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

8、分子式为C 10H 10O 4，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 infrared spectroscopy ，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Chin J Pharm Anal 2011，31（6）国家自然科学基金（No20975081）；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（

9、No09JC04）通讯作者Tel ：（029）88302942；E mail ：hualinwueducn 图1阿魏酸结构式Fig 1The structure of ferulic acid理，操作简便快速，已被广泛应用于农业5，6、烟草7，8、食品9 12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VERTEX 70型傅里叶变换红外光谱仪（德国Bruker 公司），岛津SCL 10AVP

10、 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11773200613，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Kromasil C 18色谱柱（4. 6mm 150mm ，5m ），流动相为1%醋酸（A ）甲醇（B ），梯度洗脱（0 40min

11、，10%B 50%B ；40 70min ，50%B 100%B ），进样体积为10L ，流速为1mL min 1，检测波长280nm ，柱温30 。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。3NIR 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9000 4000cm 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（3

12、4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OPUS 6. 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-tent variable number ）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（R 2）为优化参数对模型的稳健性进行了评价。RMSECV 计算公式：RMSECV

13、=i =1（yi y i ）2n（1）式中，n 为校正集样品数，y i 为校正集样品i 的参考值，yi 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（y i yi ）2n（2）式中，n 为预测集样品数，y i 为预测集样品i 的参考值，y i 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：R 2=1ni =1（y i y i ）2n i =1（y i 珋y i ）2 100（3）式中，珋y i 为校正集和预测集中所有样品的参考值

14、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R 2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Chin J Pharm Anal 2011，31（6） 图2川芎的NIR 光谱图

15、Fig 2The near infrared spectra of Ligusticum chuanxiong Hortsamples5. 2建模区间的选择通过比较OPUS 6. 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. 9 6799. 9cm 1和4424 4246. 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. 9 6799. 9cm1和44244246. 6cm 1。表1光谱范围对RMSECV 的影响Tab 1The effect of spectral coverage on

16、RMSECV序号（No）光谱范围（spectral region ）/cm1RMSECV /%17501. 9 6799. 9；4424 4246. 60. 14627501. 9 6799. 9；4601. 4 4246. 60. 19137501. 9 6799. 9；4601. 4 4424 0. 23647501. 9 5450 ；4601. 4 4246. 60. 23957501. 9 54500. 24167501. 9 6097. 9；4601. 4 4424 0. 24576799. 9 6097. 9；4601. 4 4246. 60. 2805. 3光谱预处理方法的选择一

17、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。OPUS 6. 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-plicative scatter correction ，MSC ）、一阶导数法、二阶导数方法、Savitzky Golay 方法、标准正交变量变换（standard normal variate ，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

18、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. 9 6799. 9cm 1和4424 4246. 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Tab 2The effect of different preprocessingmethods on PLS model序号（No）预处理方法（pretreatment ）RMSECV /%1一阶导数法（fi

19、rst order derivative ）0. 1462多元散射校正（multiplicative scatter correction ，MSC ）0. 2213标准正交变量变换（standard normal variate ，SNV ）0. 2274无光谱预处理（no spectral preprocessing ）0. 2315最大最小归一化（max min normalized ）0. 2356消除常数偏移量（constant offset elimination ）0. 2405. 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

20、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Fig 3The effect of latent variable number on RMSECV因此，将7501. 9 6799. 9cm 1和4424 4246. 6cm 1

21、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R 2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Fig 4The coefficient program of predicted and reference values for cali-br

22、ation setR 2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Tab 3The predicted results of ferulicacid in the prediction set序号（order number ）参考值（reference values ）/%预测值（predicted values ）/%误差（error ）相对误差（relative error ）/%10. 0920. 0890. 0033. 220. 1240. 1250. 0010. 830. 1150. 11

23、50. 0000. 040. 1020. 1060. 0043. 950. 1080. 1090. 0010. 960. 1170. 1130. 0043. 470. 1150. 1160. 0010. 980. 1190. 1200. 0021. 790. 1180. 1190. 0010. 8100. 0960. 0960. 0000. 0110. 0940. 0950. 0011. 16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

24、。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）. 2005Vol （一部）：282WANG Wen xiang （王文祥），GU Ming （顾明），JIANG Xiao gang （蒋小岗），et al Studies on chemical constituents of Ligustic-um chuanxiong （川芍化学成分研究）Chin Tradit Herb Drugs （中草药），2002，33（1）：43Wang JP ，Li NB ，Luo HQChemiluminescence determin

25、ation of fer-ulic acid by flow injection analysis using cerium （IV ）sensitized by rhodamine 6GSpectrochim Acta Part A ：Molecul Biomolecul Spec-trosc ，2008，71（1）：2044Philippe AG ，Mathieu R ，Denis B ，et al Quantitative analysis of plasma caffeic and ferulic acid equivalents by liquid chromatography ta

26、ndem mass spectrometryJ Chromatogr B ，2009，877（31）：39655Li XL ，He Y ，Wu CQ ，et al Non destructive discrimination of pad-dy seeds of different storage age based on Vis /NIRspectroscopyJ Stored Products Res ，2008，44（3）：2646Giorgia F ，Marina C ，Mario LV ，et al Different feature selection strategies in

27、the wavelet domain applied to NIR based quality clas-sification models of bread wheat floursChemometr Intell Lab Syst ，2009，99（2）：917Cai WS ，Li YK ，Shao XGA variable selection method based on un-informative variable elimination for multivariate calibration of near infrared spectraChemometr Intell La

28、b Syst ，2008，90（2）：1888Shao XG ，Bian XH ，Cai WSAn improved boosting partial least squares method for near infrared spectroscopic quantitative analy-sisAnal Chim Acta ，2010，666（12）：329Liu YD ，Sun XD ，Ouyang AGNondestructive measurement of solu-ble solid content of navel orange fruit by visible NIR sp

29、ectrometric technique with PLSR and PCA BPNNLWTFood Sci Technol ，2010，43（4）：60210Els B ，Serban AS ，Mihai N ，et al Postharvest quality of apple predic-ted by NIR spectroscopy ：Study of the effect of biological variabili-ty on spectra and model performancePostharvest Biol Technol ，2010，55（3）：13311Ceci

30、lia S ，Luis RSApplication of NIR and MIR spectroscopy in quality control of potato chipsJ Food Composit Anal ，2009，22（6）：59612Yu HY ，Niu XY ，Lin HJ ，et al A feasibility study on on line deter-mination of rice wine composition by vis NIR spectroscopy and least squares support vector machinesFood Chem

31、 ，2009，113（1）：29113Puchert T ，Lochmann D ，Menezes JC ，et al Near infrared chemical imaging （NIR CI ）for counterfeit drug identification a four stage concept with a novel approach of data processing （linear image signature ）J Pharm Biomed Anal ，2010，51（1）：13814Atul DK ，Paul WSH ，Celine VLIn line quantification of micron-ized drug and excipients in tablets by near infrared （NIR ）spectros-copy ：Re