一种快速的薄荷药材质控检测方法与流程

本发明属于近红外检测领域，具体涉及一种薄荷药材近红外光谱检测方法。

背景技术：

薄荷为唇形科植物薄荷menthahaplocalyxbriq.的干燥地上部分。最早期於欧洲地中海地区及西亚洲一带盛产。现时主要产地为美国、西班牙、意大利、法国、英国、巴尔干半岛等，而中国大部分地方如云南、江苏、浙江、江西等都有出产。可分为白种薄荷、黄种薄荷、青种薄荷、秧薄荷、臭薄荷5个品种。苏薄荷：产于江苏苏州、常熟、嘉定、南通等地者。品质亦优。南薄荷：产于我国南方者，如江西、江苏、浙江、安徽等省。杭薄荷：又名苋桥薄荷。产于浙江杭州地区者。基原多、产地多，如何能够快速区分符合制剂要求的药材，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的、无损的、绿色的分析技术，具有分析快速、操作简单、样品基本无处理、无需消耗试剂等特点。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、有效组分含量测定和制药过程的在线检测和监控。

在药品质量控制及生产应用领域，将近红外光谱技术应用于原药材、化药分离、成品关键指标的检测已有相关文献。然而，将近红外光谱技术用于薄荷药材质控的测定仍未见相关报道。

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有效提高产品的质量和稳定性。该方法实现了对薄荷药材快速检测，具有操作简单、准确性高、无损等优点，且保证了薄荷制剂质量的安全、有效、可控、稳定。

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薄荷药材中薄荷脑含量和水分的方法。

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。

本发明提供一种薄荷药材的近红外光谱检测方法，其特征在于，步骤如下：

(1)薄荷药材粉碎过筛；

(2)采集薄荷药材粉末的近红外光谱图；

(3)根据标准近红外光谱和采集的薄荷药材的近红外光谱，输入已经建立的模型，计算得到薄荷药材中薄荷脑等的含量。

其中的光谱条件为：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。

其中所述模型的建立方法，步骤如下：

(1)取多批薄荷药材粉碎过筛；

(2)气相色谱法测定多批薄荷药材的薄荷脑的含量；

(3)采集多批薄荷药材粉末的近红外光谱图；

(4)采用4000～7500cm^-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)建立近红外数据与薄荷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：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。

所述采集薄荷样品：采集5-200个批次。

其中，薄荷脑的含量测定中，步骤(2)所述的测定方法：取薄荷粉末4g，精密称定，置圆底烧瓶中，加水100ml，自检测器上端加水使充满刻度部分并溢出流入烧瓶时为止，加环己烷3ml，连接回流冷凝管，加热至沸，保持微沸3小时，放冷，将测定器中的环己烷层移至25ml容量瓶中，冷凝管、挥发油测定器内壁及水层再用环己烷多次洗涤并移至容量瓶中，环己烷定容即得样品溶液。以萘为内标，采用内标法对薄荷药材进行薄荷脑的含量测定。气相色谱条件：色谱柱：安捷伦hp-5毛细管柱(30m×0.32m,0.25um)；氮气流速：1ml/min；氢气流速：30ml/min；空气流速：400ml/min；进样口温度：250℃；检测器温度：250℃；分流比：10:1；进样量：1ul柱温：柱始温100℃,保持15min，以25℃/min的速率升到200℃，保持8min。

本发明进一步提供一种薄荷药材中水分含量的近红外光谱测定方法，其特征在于，包括以下步骤：

(1)薄荷药材粉碎过筛；

(2)采集薄荷药材粉末的近红外光谱图；

(3)根据标准近红外光谱和采集的薄荷药材的近红外光谱，输入已经建立的模型，计算得到薄荷药材中水的含量。

其中的光谱条件为：采集4000～7500cm^-1波段区间的近红外数据。

其中所述模型的建立方法，步骤如下：

(1)取多批薄荷药材粉碎过筛；

(2)甲苯法测定多批样品中的水含量，

(3)采集多批薄荷药材粉末的近红外光谱图；

(4)定量模型的建立

采用4000～7500cm^-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)建立近红外数据与水分这个质控指标数据之间的定量校正模型。

其中，所述采集薄荷样品：采集5-200个批次。

其中，薄荷药材中水分含量的测定中，步骤(2)测定方法：取供试品4g，精密称定，置圆底烧瓶中，加甲苯约200ml，必要时加入干燥、洁净的无釉小瓷片数片或玻璃珠数粒，连接仪器，自冷凝管顶端加人甲苯至充满管的狭细部分，将圆底烧瓶置电热套中或用其他适宜方法缓缓加热，待甲苯开始沸腾时，调节温度，使每秒馏出2滴，待水分完全馏出，即测定管刻度部分的水量不再增加时，将冷凝管内部先用甲苯冲洗，再用饱蘸甲苯的长刷或其他适宜方法，将管壁上附着的甲苯推下，继续蒸馏5分钟，放冷至室温，拆卸装置，如有水黏附在管壁上，可用蘸甲苯的铜丝推下，放置使水分与甲苯完全分离，检读水量，并计算供试品的含水量。

本发明进一步包括，一种薄荷药材近红外光谱检测方法，包括薄荷脑、水含量的检测，所述方法，包括以下步骤：

步骤a

(1)薄荷药材粉碎过筛；

(2)采集薄荷药材粉末的近红外光谱图；

(3)根据标准近红外光谱和采集的薄荷药材的近红外光谱，输入已经建立的模型，计算得到薄荷药材中薄荷脑等的含量。

其中的光谱条件为：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。

其中所述模型的建立方法，步骤如下：

(1)取多批薄荷药材粉碎过筛；

(2)气相色谱法测定多批薄荷药材的薄荷脑的含量；

(3)采集多批薄荷药材粉末的近红外光谱图；

(4)采用4000～7500cm^-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)建立近红外数据与薄荷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：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。

所述采集薄荷样品：采集5-200个批次。

其中，薄荷脑的含量测定中，步骤(2)所述的测定方法：取薄荷粉末4g，精密称定，置圆底烧瓶中，加水100ml，自检测器上端加水使充满刻度部分并溢出流入烧瓶时为止，加环己烷3ml，连接回流冷凝管，加热至沸，保持微沸3小时，放冷，将测定器中的环己烷层移至25ml容量瓶中，冷凝管、挥发油测定器内壁及水层再用环己烷多次洗涤并移至容量瓶中，环己烷定容即得样品溶液。以萘为内标，采用内标法对薄荷药材进行薄荷脑的含量测定。气相色谱条件：色谱柱：安捷伦hp-5毛细管柱(30m×0.32m,0.25um)；氮气流速：1ml/min；氢气流速：30ml/min；空气流速：400ml/min；进样口温度：250℃；检测器温度：250℃；分流比：10:1；进样量：1ul柱温：柱始温100℃,保持15min，以25℃/min的速率升到200℃，保持8min。

步骤b

(1)薄荷药材粉碎过筛；

(2)采集薄荷药材粉末的近红外光谱图；

(3)根据标准近红外光谱和采集的薄荷药材的近红外光谱，输入已经建立的模型，计算得到薄荷药材中水的含量。

其中的光谱条件为：采集4000～7500cm^-1波段区间的近红外数据。

其中所述模型的建立方法，步骤如下：

(1)取多批薄荷药材粉碎过筛；

(2)甲苯法测定多批样品中的水含量，

(3)采集多批薄荷药材粉末的近红外光谱图；

(4)定量模型的建立

采用4000～7500cm^-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)建立近红外数据与水分这个质控指标数据之间的定量校正模型。

其中，所述采集薄荷样品：采集5-200个批次。

其中，薄荷药材中水分含量的测定中，步骤(2)测定方法：取供试品4g，精密称定，置圆底烧瓶中，加甲苯约200ml，必要时加入干燥、洁净的无釉小瓷片数片或玻璃珠数粒，连接仪器，自冷凝管顶端加人甲苯至充满管的狭细部分，将圆底烧瓶置电热套中或用其他适宜方法缓缓加热，待甲苯开始沸腾时，调节温度，使每秒馏出2滴，待水分完全馏出，即测定管刻度部分的水量不再增加时，将冷凝管内部先用甲苯冲洗，再用饱蘸甲苯的长刷或其他适宜方法，将管壁上附着的甲苯推下，继续蒸馏5分钟，放冷至室温，拆卸装置，如有水黏附在管壁上，可用蘸甲苯的铜丝推下，放置使水分与甲苯完全分离，检读水量，并计算供试品的含水量。

本发明的检测方法与现有检测方法相比较，具有以下优点：

现有检测方法：药材处理过程复杂，工序多，耗时长，根据2015版《中国药典》处理完样品之后通过gc进行含量检测，一次含量与水分检测耗时长，且不能同时测定。

本发明药材处理粉碎过筛直接用近红外光谱仪检测，得到近红外光谱图，通过两种模型快速得出含量和水分，适用于大批量薄荷药材的测定，方便快捷。

本发明将近红外在线分析技术引入到药材薄荷中，实现对各质控指标(薄荷脑、水分含量)的快速测定，有利于从源头上控制了薄荷原材料的质量，缩短检测时间，节约生产成本，提高生产效率和经济效益，保证了薄荷制剂(如黄氏响声丸)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薄荷药材近红外图谱

附图2薄荷药材薄荷脑近红外预测值与实际值相关图

附图3薄荷药材水分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、近红外光谱法测定薄荷药材的薄荷脑含量

(1)药材样品准备：选取30批薄荷药材，粉碎过筛，备用

(2)含量测定：

对药材中的薄荷脑含量进行气相测定，测定方法如下：

取薄荷粉末4g，精密称定，置圆底烧瓶中，加水100ml，自检测器上端加水使充满刻度部分并溢出流入烧瓶时为止，加环己烷3ml，连接回流冷凝管，加热至沸，保持微沸3小时，放冷，将测定器中的环己烷层移至25ml容量瓶中，冷凝管、挥发油测定器内壁及水层再用环己烷多次洗涤并移至容量瓶中，环己烷定容即得样品溶液。以萘为内标，采用内标法对薄荷药材进行薄荷脑的含量测定。气相色谱条件：色谱柱：安捷伦hp-5毛细管柱(30m×0.32m,0.25um)；氮气流速：1ml/min；氢气流速：30ml/min；空气流速：400ml/min；进样口温度：250℃；检测器温度：250℃；分流比：10:1；进样量：1ul柱温：柱始温100℃,保持15min，以25℃/min的速率升到200℃，保持8min。

通过以上方法可以得到药材中的薄荷脑峰与萘峰面积的质控指标数据。

(3)采集样本的透射光谱

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。

薄荷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4000～7500cm^-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)建立近红外数据与与萘峰面积的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1、不同建模波段对药材模型性能的影响

采用偏最小二乘回归(plsr)建立近红外数据与薄荷脑质控指标之间的定量校正模型。薄荷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，薄荷脑模型的校正相关系数大于0.91，说明薄荷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

薄荷待测样品，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，薄荷脑和气相薄荷脑与萘峰面积比值模型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、近红外光谱法测定薄荷药材的水分含量

(1)药材样品准备：选取30批薄荷药材，粉碎过筛，备用。

(2)水分测定(甲苯法)：

取供试品4g，精密称定，置圆底烧瓶中，加甲苯约200ml，必要时加人干燥、洁净的无釉小瓷片数片或玻璃珠数粒，连接仪器，自冷凝管顶端加人甲苯至充满管的狭细部分。将圆底烧瓶置电热套中或用其他适宜方法缓缓加热，待甲苯开始沸腾时，调节温度，使每秒馏出2滴。待水分完全馏出，即测定管刻度部分的水量不再增加时，将冷凝管内部先用甲苯冲洗，再用饱蘸甲苯的长刷或其他适宜方法，将管壁上附着的甲苯推下，继续蒸馏5分钟，放冷至室温，拆卸装置，如有水黏附在管壁上，可用蘸甲苯的铜丝推下，放置使水分与甲苯完全分离(可加亚甲蓝粉末少量，使水染成蓝色，以便分离观察)。检读水量，并计算成供试品的含水量(％)。

(3)采集样本的透射光谱

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4000～7500cm^-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)建立近红外数据与水分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水分模型性能的影响

采用偏最小二乘回归(plsr)建立近红外数据与水分质控指标之间的定量校正模型。水分近红外预测值和实际测定值的相关图见图3。从表中可看出，薄荷水分模型的校正相关系数大于0.99，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

薄荷待测样品，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，便可快速计算得到水分含量值，模型预测结果见图3。

由图可见，模型具有较高的预测准确度，因此，水分模型能够满足中药生产过程实时分析的预测精度要求。