本发明属于近红外检测领域,具体涉及一种天然冰片(右旋龙脑)药材近红外光谱检测方法。
背景技术:
天然冰片(右旋龙脑)为樟科植物樟cinnamomumcamphora(l.)presl的新鲜的枝叶提取加工而成的晶体,主要产地为江西和湖南。具有开窍醒神,清热止痛;用于热病神昏、痉厥,中风痰厥,气郁暴厥,中恶昏迷,目赤,口疮,咽喉肿痛,耳道流脓,广泛用于各类中药制剂中。
天然冰片(右旋龙脑)主要含有右旋龙脑(96.0%以上),含有少量的樟脑及异龙脑,化学结构如下
天然冰片具有开窍醒神,清热止痛,能促进药物透过血脑屏障,提高药物的血药浓度和生物利用度。促进血脑屏障的开放作用和促进其他药物的透皮吸收均体现了“使药”上的作用。
现代药理学表明,这三种成分均可抗菌、抗炎,但异龙脑的毒性均高于龙脑,而樟脑具有较强的毒性,主要表现为神经系统毒性。鉴于上述情况,2015版《中国药典》规定:天然冰片(右旋龙脑)中含龙脑不得少于96.0%,含樟脑不得过3.0%,异龙脑薄层不得检出。
如何能够快速区分符合制剂要求的药材,并准确采购,是现今需要讨论及研究的方向。
近红外(nir)光谱技术是一种快速、无损和绿色的分析技术,具有方便、快捷、简单、准确、无损的优势特点。近年来,近红外光谱技术已经越来越多的被应用于中药研究,包括药材产地鉴别、有效组分含量快速测定和制药过程的在线检测和监控。将近红外光谱技术用于天然冰片(右旋龙脑)药材检测仍未见相关报道,而《一种近红外光谱法快速检测冰片质量的模型建立方法》(专利号201410357065.1)仅对冰片的水分、鉴别、龙脑含量进行近红外建模,本发明针对天然冰片(右旋龙脑)的龙脑、异龙脑、樟脑三种成分进行近红外建模。本发明的检测方法正是在经过深入研究和探索后才得到的,本发明的检测方法可以快速掌握市场天然冰片(右旋龙脑)药材质量情况,从而保证其相关制剂质量。
技术实现要素:
本发明的目的在于提供一种用近红外光谱检测天然冰片(右旋龙脑)药材中龙脑、异龙脑、樟脑三种成分含量的方法。
本发明的检测方法,可以从源头药材进行质量控制,探讨符合制剂要求的检测标准,从而保证最终产品质量的安全性、稳定性和有效性,达到快速、高效质量控制的目的。
为此,本发明提供一种天然冰片近红外光谱检测方法,所述方法步骤如下:(1)天然冰片样本粉碎并过筛,备用,(2)用近红外光谱仪器对步骤(1)的天然冰片进行近红外数据采集,(3)将采集的数据输入近红外光谱定量模型,(4)计算得到天然冰片样本的定性和定量数据;
其中的近红外光谱条件为:采集方式为漫反射,扫描次数为32,分辨率为8cm-1,以仪器内置背景为参比,扫描光谱范围为4000-10000cm-1。
本发明进一步提供一种天然冰片近红外光谱定量模型的制备方法,其特征在于,步骤如下:
(1)多批天然冰片药材经粉碎,过筛,备用;
(2)气相色谱法测定多批天然冰片药材的樟脑、异龙脑、龙脑含量;
(3)采集多批天然冰片药材粉末的近红外光谱图;
(4)采用5600-10000cm-1波段区间的近红外数据,选择一阶导数、savitzky-golay平滑和数据归一化算法用于预处理近红外光谱数据,采用偏最小二乘回归(plsr)建立近红外数据与樟脑、异龙脑、龙脑之间的定量校正模型,采用相关系数r、校正集均方差rmsec和主成分数factor优化建模参数,考察模型性能,模型对未知样品的预测效果用预测均方差rmsep、相对偏差rsep和相关系数r确定;
其中的光谱条件为:采集方式为漫反射,扫描次数为32,分辨率为8cm-1,以仪器内置背景为参比,扫描光谱范围为4000~10000cm-1。其中,相关系数r、校正集均方差rmsec、预测均方差rmsep和相对偏差rsep的具体计算公式:
各式中ci——传统分析方法测量值;
cm——ci均值;
n——建立模型用的校正集样本数;
m——用于检验模型的验证集样本数。
其中,所述采集天然冰片样品:是采集5-200个批次。
本发明的模型建立方法,步骤如下:
(1)药材样品准备,粉碎过筛,备用;
(2)含量测定:对药材中的樟脑、异龙脑及龙脑含量进行气相色谱测定;
(3)近红外光谱数据采集
将上述处理后的天然冰片(右旋龙脑)药材粉末进行近红外光谱扫描,采集所述药材的近红外光谱,采集方式为漫反射,扫描次数为32,分辨率为8cm-1,以仪器内置背景为参比,扫描光谱范围为4000~10000cm-1。
(4)定量模型的建立
采用5600~10000cm-1波段区间的近红外数据,选择一阶导数、savitzky-golay平滑和数据归一化算法用于预处理近红外光谱数据,采用偏最小二乘回归(plsr)建立近红外数据与樟脑、异龙脑及龙脑这3个质控指标数据之间的定量校正模型。
采用相关系数r、校正集均方差rmsec和主成分数factor优化建模参数,考察模型性能,模型对未知样品的预测效果用预测均方差rmsep、相对偏差rsep和相关系数r来考核。
(5)采集供试品近红外光谱数据
采集市场上药材样品,粉碎过筛后作为供试品,按建模样品相同近红外光谱采集参数采集供试品的近红外光谱数据,选择相同的建模波段和光谱预处理方法,把特征光谱分别输入已经建立的模型,计算得到供试品中樟脑、异龙脑及龙脑的含量。
其中,樟脑、异龙脑及龙脑的含量测定,步骤(2)所述的测定方法:色谱条件与系统适用性试验聚乙二醇20000(peg-20m)毛细管柱(涂布浓度10%)柱温为170℃。理论板数按龙脑峰计算应不低于2000。对照品溶液的制备取龙脑对照品适量,精密称定,加乙酸乙酯制成每lml含0.5mg的溶液,即得;另取异龙脑对照品,加乙酸乙酯制成每lml含0.3mg的溶液,作为对照品溶液,即得;另取樟脑对照品适量,精密称定,加乙酸乙酯制成每lml含0.3mg的溶液,作为对照品溶液,即得;
供试品溶液的制备龙脑测定供试品,取本品细粉约12.5mg,精密称定,置25ml量瓶中,加乙酸乙酯溶解并稀释至刻度,摇匀,即得。樟脑、异龙脑测定供试品,取本品适量,精密称定,加乙酸乙酯制成每1ml含15mg的溶液,作为供试品溶液。
测定法分别精密吸取对照品溶液与供试品溶液各1ul,注入气相色谱仪,测定,即得。
其中,相关系数r、校正集均方差rmsec、预测均方差rmsep和相对偏差rsep的具体计算公式:
各式中ci——传统分析方法测量值;
cm——ci均值;
n——建立模型用的校正集样本数;
m——用于检验模型的验证集样本数。
其中,所述采集天然冰片(右旋龙脑)样品:是采集5-200个批次。优选的,本发明的模型建立方法,包括以下步骤:
a、樟脑、异龙脑及龙脑含量测定
(1)药材样品准备,粉碎过筛,备用;
(2)含量测定:对药材中的樟脑、异龙脑及龙脑含量进行气相色谱测定,测定方法如下:
色谱条件与系统适用性试验聚乙二醇20000(peg-20m)毛细管柱(涂布浓度10%)柱温为170℃。理论板数按龙脑峰计算应不低于2000。对照品溶液的制备取龙脑对照品适量,精密称定,加乙酸乙酯制成每lml含0.5mg的溶液,即得;另取异龙脑对照品,加乙酸乙酯制成每lml含0.3mg的溶液,作为对照品溶液,即得;另取樟脑对照品适量,精密称定,加乙酸乙酯制成每lml含0.3mg的溶液,作为对照品溶液,即得;
供试品溶液的制备龙脑测定供试品,取本品细粉约12.5mg,精密称定,置25ml量瓶中,加乙酸乙酯溶解并稀释至刻度,摇匀,即得。樟脑、异龙脑测定供试品,取本品适量,精密称定,加乙酸乙酯制成每1ml含15mg的溶液,作为供试品溶液。
测定法分别精密吸取对照品溶液与供试品溶液各1ul,注入气相色谱仪,测定,即得。
通过以上方法可以得到药材中的樟脑、异龙脑及龙脑含量3个质控指标数据。
(3)近红外光谱数据采集
将上述处理后的天然冰片(右旋龙脑)药材粉末进行近红外光谱扫描,采集所述药材的近红外光谱。采集方式为漫反射,扫描次数为32,分辨率为8cm-1,以仪器内置背景为参比,扫描光谱范围为4000~10000cm-1
(4)定量模型的建立
采用5600~10000cm-1波段区间的近红外数据,选择一阶导数、savitzky-golay平滑和数据归一化算法用于预处理近红外光谱数据。采用偏最小二乘回归(plsr)建立近红外数据与樟脑、异龙脑及龙脑含量3个质控指标数据之间的定量校正模型。
采用相关系数r、校正集均方差rmsec和主成分数factor优化建模参数,考察模型性能。模型对未知样品的预测效果用预测均方差rmsep、相对偏差rsep和相关系数r来考核。当r值接近于1,rmsec和rmsep值较小而且互相接近时,评价模型稳定性好、预测精准度高。当rsep值小于10%时评价模型具有较好的预测能力,能够满足药材分析的预测精度要求。
以下为相关系数r、校正集均方差rmsec、预测均方差rmsep和相对偏差rsep的具体计算公式:
各式中ci——传统分析方法测量值;
cm——ci均值;
n——建立模型用的校正集样本数;
m——用于检验模型的验证集样本数。
(5)采集供试品近红外光谱数据
采集市场上药材样品,粉碎过筛后作为供试品,按建模样品相同近红外光谱采集参数采集供试品的近红外光谱数据,选择相同的建模波段和光谱预处理方法,把特征光谱分别输入已经建立的模型,计算得到供试品中樟脑、异龙脑及龙脑含量。
本发明的检测方法与现有检测方法相比较,具有以下优点:
本发明将近红外在线分析技术引入到药材天然冰片(右旋龙脑)中,实现对各质控指标(樟脑、异龙脑及龙脑)的快速测定,有利于从源头上控制了天然冰片(右旋龙脑)原材料的质量,缩短检测时间,节约生产成本,提高生产效率和经济效益,保证了天然冰片(右旋龙脑)制剂(如醒脑静注射液)质量的安全、有效,从而有效提高药品的质量安全和稳定性。
附图说明
附图1是天然冰片(右旋龙脑)药材近红外图谱
附图2是天然冰片(右旋龙脑)药材龙脑近红外预测值与实际值相关图
附图3是天然冰片(右旋龙脑)药材樟脑近红外预测值与实际值相关图
附图4是天然冰片(右旋龙脑)药材异龙脑近红外预测值与实际值相关图
具体实施方式
通过以下具体实施例对本发明做进一步的说明,但不作为限制。
实施例1、近红外光谱法测定天然冰片(右旋龙脑)药材的龙脑含量(1)药材样品准备:选取30批天然冰片(右旋龙脑)药材,粉碎过筛,备用。
(2)含量测定:对药材中的龙脑含量进行气相色谱测定,测定方法如下:
色谱条件与系统适用性试验色谱条件与系统适用性试验聚乙二醇20000(peg-20m)毛细管柱(涂布浓度10%)柱温为170℃。理论板数按龙脑峰计算应不低于2000。
对照品溶液的制备取龙脑对照品适量,精密称定,加乙酸乙酯制成每lml含0.5mg的溶液,即得;
供试品溶液的制备龙脑测定供试品,取本品细粉约12.5mg,精密称定,置25ml量瓶中,加乙酸乙酯溶解并稀释至刻度,摇匀,即得。测定法分别精密吸取对照品溶液与供试品溶液各1ul,注入气相色谱仪,测定,即得。
通过以上方法可以得到药材中的龙脑含量数据。
(3)采集样本的透射光谱
采集方式为漫反射,光谱扫描范围4000~10000cm-1,扫描次数为32次,分辨率为8cm-1。每个样品采集三张光谱后取平均光谱作为该样品的光谱图。
天然冰片(右旋龙脑)样品的近红外原始吸收光谱图如图1所示。
(4)定量模型的建立
采用5600~10000cm-1波段区间的近红外数据,选择一阶导数、savitzky-golay平滑和数据归一化算法用于预处理近红外光谱数据。采用偏最小二乘回归(plsr)建立近红外数据与龙脑含量数据之间的定量校正模型。
采用相关系数r、校正集均方差rmsec和主成分数factor优化建模参数,考察模型性能。模型对未知样品的预测效果用预测均方差rmsep、相对偏差rsep和相关系数r来考核。
表1、不同建模波段对药材中龙脑含量模型性能的影响
采用偏最小二乘回归(plsr)建立近红外数据龙脑这个质控指标之间的定量校正模型。龙脑模型的近红外预测值和实际测定值的相关图见图2。从表中可看出,龙脑模型的校正相关系数均大于0.96,说明天然冰片(右旋龙脑)药材关键指标模型均具有较好的校正效果。
(5)采集供试品近红外光谱数据
天然冰片(右旋龙脑)待测样品,按建模波段和光谱预处理方法,把特征光谱分别输入已经建立的模型,便可快速计算得到各指标值,模型预测结果见图2。
由图可见,模型具有较高的预测准确度,因此,龙脑能够满足中药生产过程实时分析的预测精度要求。
实施例2、近红外光谱法测定天然冰片(右旋龙脑)药材的樟脑及异龙脑含量
(1)药材样品准备:选取30批天然冰片(右旋龙脑)药材,粉碎过筛,备用。
(2)含量测定:对药材中的樟脑、异龙脑含量进行气相色谱测定,测定方法如下:
色谱条件与系统适用性试验聚乙二醇20000(peg-20m)毛细管柱(涂布浓度10%)柱温为170℃。理论板数按龙脑峰计算应不低于2000。对照品溶液的制备取异龙脑对照品,加乙酸乙酯制成每lml含0.3mg的溶液,作为对照品溶液,即得;另取樟脑对照品适量,精密称定,加乙酸乙酯制成每lml含0.3mg的溶液,作为对照品溶液,即得;
供试品溶液的制备取本品适量,精密称定,加乙酸乙酯制成每1ml含15mg的溶液,作为供试品溶液。
测定法分别精密吸取对照品溶液与供试品溶液各1ul,注入气相色谱仪,测定,即得。
(3)采集样本的透射光谱
采集方式为漫反射,光谱扫描范围4000~10000cm-1,扫描次数为32次,分辨率为8cm-1。每个样品采集三张光谱后取平均光谱作为该样品的光谱图。
(4)定量模型的建立
采用5600~10000cm-1波段区间的近红外数据,选择一阶导数、savitzky-golay平滑和数据归一化算法用于预处理近红外光谱数据。采用偏最小二乘回归(plsr)建立近红外数据与樟脑及异龙脑质控指标数据之间的定量校正模型。
采用相关系数r、校正集均方差rmsec和主成分数factor优化建模参数,考察模型性能。模型对未知样品的预测效果用预测均方差rmsep、相对偏差rsep和相关系数r来考核。
表2、不同建模波段对药材樟脑及异龙脑模型性能的影响
采用偏最小二乘回归(plsr)建立近红外数据与樟脑、异龙脑质控指标之间的定量校正模型。樟脑、异龙脑近红外预测值和实际测定值的相关图见图2-3。从表中可看出,樟脑、异龙脑模型的校正相关系数大于0.96,说明指标模型均具有较好的校正效果。
(5)采集供试品近红外光谱数据
天然冰片(右旋龙脑)待测样品,按建模波段和光谱预处理方法,把特征光谱分别输入已经建立的模型,便可快速计算得到樟脑、异龙脑含量值,模型预测结果见图4。
由图可见,模型具有较高的预测准确度,因此,樟脑、异龙脑模型能够满足中药生产过程实时分析的预测精度要求。