一种虫蛀款冬花的鉴别方法

1.本发明涉及中药材鉴别技术领域，具体涉及一种虫蛀款冬花的鉴别方法。


背景技术：

2.款冬花为菊科植物款冬tussilago farfara l.的干燥花蕾，别名款花、别花、久久花、看灯花等，性辛、温，味微苦，归肺经，具有润肺下气、止咳化痰的功效，主要用于治疗新久咳嗽、喘咳痰多、劳嗽咳血等症。目前款冬花的主产区有河北晋州、山西长治、陕西铜仁以及甘肃天水等地。《神农本草经》中记载款冬花“寒束肺经之饮邪喘、嗽最宜”，在临床上常与紫苑组成药对治疗咳嗽气喘；与射干、麻黄等组成射干麻黄汤治疗儿童哮喘发作，秋梨膏、百花丸中也含有款冬花。由于其显著的临床效果，被称为“止咳平喘祛痰之要药”。现代研究表明，款冬花的主要化学成分有黄酮类、倍半萜类、三萜类、酚酸类、生物碱类、甾醇类、多糖及挥发油类等，具有抗氧化、抗肿瘤、抗炎、兴奋呼吸、抗血小板活化因子等药理活性。
3.《中华人民共和国药典》在款冬花的“贮藏”项下明确标注需“防蛀”。据调查，各地款冬花在采收后，若保管不利，容易引起虫蛀。通常每年的5～10月份，是款冬花虫害的高发季节。轻者少量虫子侵入花朵中，在花朵表面形成虫洞，并产生粉末；重者被啃食得仅剩花蒂，出现大量的害虫排泄物、害虫尸体以及药末粉渣等。害虫蛀蚀后的款冬花，质量不再符合《中华人民共和国药典》的要求，产生的排泄物也会对款冬花造成外源性污染，不可用于临床。
4.当前对虫蛀款冬花的鉴别主要依靠外观性状的判断，通过观察款冬花中是否有活虫、虫卵、害虫尸体或害虫排泄物，其表面是否有虫洞，包装袋底部是否有虫蛀形成的粉末。有的中药材生产企业则将虫蛀后的款冬花过筛，筛去虫蛀后的粉末，继续用于下一道生产程序，或进入医院代煎剂、提取物、颗粒剂等的生产。由于中成药是由中药材的提取物结合辅料经制剂加工而成的丸、散、膏、丹等产品，质量监管部门或消费者并不能在提取物产品的状态下判断原料药否虫蛀。款冬花虫蛀后，如果单纯筛去虫蛀形成的药渣和粉末用于提取进行销售，仍会对消费者的用药安全产生威胁。


技术实现要素：

5.因此，本发明要解决的技术问题在于克服虫蛀款冬花提取物尚无鉴别方法的缺陷，从而提供一种虫蛀款冬花的鉴别方法。
6.本发明提供一种虫蛀款冬花的鉴别方法，包括：
7.(1)选择害虫蛀蚀款冬花后的排泄物作为样品1、被虫蛀的款冬花作为样品2、未被虫蛀的质量合格的款冬花作为样品3，分别称取若干份所述样品1、样品2和样品3的粉末，做如下处理以建立模型：
8.向样品粉末中加入甲醇，制备提取物干浸膏；向所述提取物干浸膏中加入氘代甲醇，超声溶解，过滤至核磁管中，通过核磁共振仪采集样品的自由衰减信号；将所述自由衰减信号进行傅里叶转换得1h
‑
nmr图谱，将化学位移分段积分，积分中除去氘代甲醇峰及残
余水峰，得到积分数据；将所述积分数据基于峰面积归一化处理，得到化学位移积分段与积分值一一对应的数据矩阵；基于所述数据矩阵采用如下方法中的至少一种建立模型：主成分分析、聚类分析、偏最小二乘法
‑
判别分析、正交偏最小二乘法
‑
判别分析；
9.(2)当步骤(1)所建立的模型有效时，鉴别待测样品：
10.将待测样品与所述样品1、样品2和样品3一起再次按照步骤(1)所述的方法建立模型，当模型结果中所述待测样品与所述样品3归为一类时，得出所述待测样品为未被虫蛀的质量合格的款冬花，当模型结果中所述待测样品与所述样品2归为一类时，得出所述待测样品为被虫蛀的款冬花。
11.进一步地，用于建立模型的样品1、样品2和样品3的粉末各取3份，所述粉末为过5号筛得到。
12.进一步地，在步骤(1)中，制备提取物干浸膏的方法包括：
13.向样品粉末中加入甲醇，超声，静置冷却至室温，定容，过滤，减压浓缩，得到所述提取物干浸膏。
14.进一步地，每1.0g样品粉末，定容至25ml；超声时间为30min。
15.进一步地，在步骤(1)中，向每1g样品粉末制备得到的提取物干浸膏中加入1ml氘代甲醇，使用0.45μm微孔滤膜过滤。
16.进一步地，在步骤(1)中，通过核磁共振仪采集样品的自由衰减信号，采集参数如下：采集频率400或600mhz，傅里叶变换0.122hz，脉冲序列zg 30，脉冲间隔1.00s，测定温度294.7k，采样时间域66k，采样时间4.09s，扫描次数16次，谱宽8012hz，tms为内标，氘代甲醇锁场。
17.进一步地，在步骤(1)中，将所述自由衰减信号导入mestrenova软件中进行傅里叶转换得1h
‑
nmr图谱，相位自动修正、基线调整，以内标物tms为基准校正化学位移。
18.进一步地，在步骤(1)中，对δ8.00～0.00ppm区间以每0.04ppm作为积分单元进行分段积分。
19.进一步地，在步骤(1)中，将所述数据矩阵导入simca
‑
p13.0软件中建立模型。
20.进一步地，在步骤(2)中，判断所建立的模型是否有效的条件为：
21.当采用主成分分析、偏最小二乘法
‑
判别分析、正交偏最小二乘法
‑
判别分析的方法建立模型时，判断所建立的模型有效的条件为：模型结果将样品1、样品2和样品3各自聚成一类，分布在3个不同的区域，区域之间界限清晰，无相互重叠，且r2x＞0.6，q2＞0.6；
22.当采用聚类分析的方法建立模型时，判断所建立的模型有效的条件为：模型结果将样品1、样品2和样品3各自聚成一类。
23.本发明技术方案，具有如下优点：
24.本发明提供的虫蛀款冬花的鉴别方法，分别选择未被虫蛀的质量合格的款冬花、被虫蛀的款冬花、害虫蛀蚀款冬花后的排泄物进行处理以建立模型，通过建立模型的方法对未知样品进行检测，有利于在提取物状态下准确鉴别款冬花是否虫蛀或是样品为害虫蛀蚀款冬花后的排泄物。方法简单便捷，分析速度快，所需样品量小，具有广泛的适用性。
附图说明
25.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体
实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
26.图1是本发明实施例1中排泄物部分、虫蛀款冬花和合格款冬花的pca散点图；
27.图2是本发明实施例2中排泄物部分、虫蛀款冬花和合格款冬花的聚类分析树状图；
28.图3是本发明实施例3中排泄物部分、虫蛀款冬花和合格款冬花的pls
‑
da散点图；
29.图4是本发明实施例4中排泄物部分、虫蛀款冬花和合格款冬花的opls
‑
da散点图。
具体实施方式
30.提供下述实施例是为了更好地进一步理解本发明，并不局限于所述最佳实施方式，不对本发明的内容和保护范围构成限制，任何人在本发明的启示下或是将本发明与其他现有技术的特征进行组合而得出的任何与本发明相同或相近似的产品，均落在本发明的保护范围之内。
31.实施例中未注明具体实验步骤或条件者，按照本领域内的文献所描述的常规实验步骤的操作或条件即可进行。所用原料或仪器，均为可以通过市购获得的常规产品，包括但不限于本技术实施例中采用的原料或仪器。
32.实施例1
33.一种虫蛀款冬花的鉴别方法，步骤如下：
34.1.模型建立
35.1.1样品处理
36.选择害虫蛀蚀款冬花后的排泄物作为样品1(排泄物部分)、被虫蛀的款冬花作为样品2(虫蛀款冬花)、未被虫蛀的质量合格的款冬花作为样品3(合格款冬花)，将样品1、样品2和样品3分别过5号筛，各取3份，其中样品1(排泄物部分)编号为1～3，样品2(虫蛀款冬花)编号为4～6，样品3(合格款冬花)编号为7～9，做如下处理：
37.分别精密称取样品粉末1.0g，置于25ml容量瓶中，加入适量甲醇，超声30min，静置冷却至室温，定容，过滤，减压浓缩，得提取物；
38.向提取物干浸膏中加入1.0ml氘代甲醇，超声溶解，过滤至核磁管中，备用。
39.1.2样品检测
40.通过核磁共振仪采集样品自由衰减信号，采集参数如下：采集频率400mhz，傅里叶变换0.122hz，脉冲序列zg30，脉冲间隔1.00s，测定温度294.7k，采样时间域66k，采样时间4.09s，扫描次数16次，谱宽8012hz，tms为内标，氘代甲醇锁场。
41.1.3检测数据处理
42.将自由衰减信号导入mestrenova(version 9.0.1，mestrelab research sl，西班牙)软件中进行傅里叶转换得1h
‑
nmr图谱，相位自动修正、基线调整，以内标物tms为基准校正化学位移，对δ8.00～0.00ppm区间以每0.04ppm作为积分单元进行分段积分，积分中除去氘代甲醇峰及残余水峰，将积分数据基于峰面积归一化，排泄物部分、虫蛀款冬花与合格款冬花分别得到一个化学位移积分段与积分值一一对应的数据矩阵。
43.1.4建立pca模型
44.将数据矩阵导入simca
‑
p13.0(umetrics，sweden)软件中进行主成分分析(principle component analysis，pca)建立模型。pca是一种常用的多变量降维分析方法，该方法在保留原始数据的基础上，将高维数空间的数据信息映射到低维数的少数主要成分(pcs)上，这些主成分能够反映原始变量的绝大部分信息，从而实现数据的简化，便于数据特征的分析。
45.1.5模型结果
46.pca模型结果如图1所示，其中，r2x(cum)表示该模型中主成分的累积贡献率，q2(cum)表示利用预测模型中主成分的累计贡献率，具体地，r2x[1]指主成分1的贡献率，r2x[2]指主成分2的贡献率，ellipse：hotelling t2(95％)表示采用hotelling t2检验，置信区间为95％。结果显示，排泄物部分、虫蛀款冬花与合格款冬花各自聚成一类，集中在不同区域，3组样品之间界限清晰，无互相重叠。前2个主成分的贡献率分别为pc1：67.6％、pc2：30.6％，r2x为0.982，q2(cum)的值为0.994，表明模型预测能力良好，故采用pca的方法可用于鉴别虫蛀款冬花。
[0047]
2.待测样品鉴别
[0048]
将待测样品与样品1(编号1～3)、样品2(编号4～6)和样品3(编号7～9)一起再次按照上述方法建立pca模型，当模型结果中待测样品落在“虫蛀款冬花”区域，则为虫蛀后的款冬花，若落在“合格款冬花”区域，则表明未被虫蛀。
[0049]
实施例2
[0050]
一种虫蛀款冬花的鉴别方法，步骤如下：
[0051]
1.模型建立
[0052]
1.1样品处理
[0053]
参照实施例1。
[0054]
1.2样品检测
[0055]
参照实施例1。
[0056]
1.3检测数据处理
[0057]
参照实施例1。
[0058]
1.4建立hca模型
[0059]
将数据矩阵导入simca
‑
p13.0(umetrics，sweden)软件中进行聚类分析(hierarchical clustering analysis，hca)建立模型，其中，选取实施例1中pca模型中前两个主成分进行聚类分析。
[0060]
1.5模型结果
[0061]
hca模型结果如图2所示，从图中可以看出，三种样品可以进行有效分类，各自聚为一类且分类效果明显，故采用hca的方法可用于鉴别虫蛀款冬花。
[0062]
2.待测样品鉴别
[0063]
将待测样品与样品1(编号1～3)、样品2(编号4～6)和样品3(编号7～9)一起再次按照上述方法建立hca模型，若待测样品不能与“合格款冬花”聚为一类，与“虫蛀款冬花”聚为一类，则说明样品已遭受虫蛀；若能与“合格款冬花”聚为一类，不能与“虫蛀款冬花”聚为一类，则说明样品未遭受虫蛀。
[0064]
实施例3
[0065]
一种虫蛀款冬花的鉴别方法，步骤如下：
[0066]
1.模型建立
[0067]
1.1样品处理
[0068]
参照实施例1。
[0069]
1.2样品检测
[0070]
参照实施例1。
[0071]
1.3检测数据处理
[0072]
参照实施例1。
[0073]
1.4建立pls
‑
da模型
[0074]
将数据矩阵导入simca
‑
p13.0(umetrics，sweden)软件中进行偏最小二乘法
‑
判别分析(partial least squares discriminant analysis，pls
‑
da)建立模型。pls
‑
da是一种常用的监督模式识别分析方法，该方法是先将待分析样品按原始属性类别分组，再建立模型进行统计分析，以利于最大化提取不同组别间波谱图的差异。
[0075]
1.5模型结果
[0076]
pls
‑
da模型结果如图3所示。其中，r2x(cum)表示该模型中主成分的累积贡献率，q2(cum)表示利用预测模型中主成分的累计贡献率，具体地，r2x[1]指主成分1的贡献率，r2x[2]指主成分2的贡献率，ellipse：hotelling t2(95％)表示采用hotelling t2检验，置信区间为95％。结果显示，排泄物部分、虫蛀款冬花与合格款冬花各自聚成一类，集中在不同区域，3组样品之间界限清晰，无互相重叠。前2个主成分的累计贡献率达98.2％，说明前2个主成分即可代表原始数据变量98.2％的信息。在pls
‑
da分析中，常用r2x和q2评价模型的质量，其中，r2x(cum)主要反映模型的拟合程度，q2(cum)则主要反映该模型的预测程度。r2x和q2值越接近1.0，说明模型构建越成功。本实施例中r2x(cum)为0.995，q2(cum)为0.990，说明该模型构建成功有效，故采用pls
‑
da的方法可用于鉴别虫蛀款冬花。
[0077]
2.待测样品鉴别
[0078]
将待测样品与样品1(编号1～3)、样品2(编号4～6)和样品3(编号7～9)一起再次按照上述方法建立pls
‑
da模型，当模型结果中待测样品落在“虫蛀款冬花”区域，则为虫蛀后的款冬花，若落在“合格款冬花”区域，则表明未被虫蛀。
[0079]
实施例4
[0080]
一种虫蛀款冬花的鉴别方法，步骤如下：
[0081]
1.模型建立
[0082]
1.1样品处理
[0083]
参照实施例1。
[0084]
1.2样品检测
[0085]
参照实施例1。
[0086]
1.3检测数据处理
[0087]
参照实施例1。
[0088]
1.4建立opls
‑
da模型
[0089]
将数据矩阵导入simca
‑
p13.0(umetrics，sweden)软件中进行正交偏最小二乘法
‑
判别分析(orthogonal partial least squares discriminant analysis，opls
‑
da)建立
模型。
[0090]
1.5模型结果
[0091]
opls
‑
da模型结果如图4所示。其中，r2x(cum)表示该模型中主成分的累积贡献率，q2(cum)表示利用预测模型中主成分的累计贡献率，具体地，r2x[1]指主成分1的贡献率，r2x[2]指主成分2的贡献率，ellipse：hotelling t2(95％)表示采用hotelling t2检验，置信区间为95％。结果显示，排泄物部分、虫蛀款冬花与合格款冬花各自聚成一类，集中在不同区域，3组样品之间界限清晰，无互相重叠。前2个主成分的累计贡献率达98.2％，说明前2个主成分即可代表原始数据变量98.2％的信息。在pls
‑
da分析中，常用r2x和q2评价模型的质量，其中，r2x(cum)主要反映模型的拟合程度，q2(cum)则主要反映该模型的预测程度。r2x和q2值越接近1.0，说明模型构建越成功。本实施例中r2x(cum)为0.995，q2(cum)为0.991，说明该模型构建成功有效，故采用opls
‑
da的方法可用于鉴别虫蛀款冬花。
[0092]
2.待测样品鉴别
[0093]
将待测样品与样品1(编号1～3)、样品2(编号4～6)和样品3(编号7～9)一起再次按照上述方法建立opls
‑
da模型，当模型结果中待测样品落在“虫蛀款冬花”区域，则为虫蛀后的款冬花，若落在“合格款冬花”区域，则表明未被虫蛀。
[0094]
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。