一种天然冰片近红外光谱检测方法与流程

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；

——通过nir测量及数学模型预测的结果；

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；

——通过nir测量及数学模型预测的结果；

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；

——通过nir测量及数学模型预测的结果；

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。