苍耳子药材的近红外鉴别模型的构建方法及其近红外鉴别方法与流程

1.本发明涉及中药材分析技术领域，特别涉及苍耳子药材的近红外鉴别模型的构建方法及其近红外鉴别方法，具体是涉及苍耳子药材的近红外鉴别模型的构建方法、苍耳子药材的近红外鉴别方法。


背景技术：

2.据《中华人民共和国药典》(2020年版)记载，苍耳子为单一基原品种，即菊科植物苍耳xanthium sibiricum patr.的干燥成熟带总苞的果实。苍耳子具有散风寒，通鼻窍，祛风湿的功效，广泛存在于治疗鼻炎的各种药物中，例如鼻炎康片、鼻渊丸等。苍耳子属于有毒品种，市场掺伪、炮制不当或使用过量都可能导致毒副作用。国内常见的伪品主要有蒙古苍耳xanthium mongolicum kitag.、意大利苍耳xanthium italicum、偏基苍耳xanthium inaequilaterum dc.等。这些伪品与正品的外观性状相近，需要借助现代的分析技术进行鉴别。
3.现有的薄层色谱法还不能完全准确鉴别，需要联合紫外分光光度法一起使用(张聪.苍耳子与单毛刺蒴麻的理化鉴别[j].北方药学，2016，13(08)：11.)，或者使用dna条形码技术(王俊，刘霞，张雅琴，等.苍耳子药材及其混伪品its2序列鉴定研究[j].世界科学技术-中医药现代化，2014，16(02)：329-334.)。以上薄层色谱法、紫外分光光度法、dna条形码至少存在：制样过程繁复、样品被破坏、分析时间长、化学试剂污染等缺点。


技术实现要素：

[0004]
基于此，本发明采用近红外光谱技术(near infrared spectroscopy)，同时结合计算机技术和化学计量学技术，实现苍耳子真伪的快速准确鉴别，制样过程简单、不破坏样品，无化学试剂污染。
[0005]
本发明的技术方案如下：
[0006]
一种苍耳子药材的近红外鉴别模型的构建方法，包括以下步骤：
[0007]
采集苍耳子药材正品和苍耳子药材伪品的近红外光谱，分为参考光谱集和测试光谱集；
[0008]
在近红外光谱范围，对所述参考光谱集的近红外光谱进行或不进行预处理，采用因子化法，将进行或不进行预处理的近红外光谱的数据与苍耳子药材的真伪进行关联，构建预选近红外鉴别模型，所述近红外光谱范围为12000.0cm-1
～4000.0cm-1
中的一段范围，所述预处理的方法为一阶导数和平滑处理的组合；
[0009]
将所述参考光谱集和所述测试光谱集的近红外光谱导入所述预选近红外鉴别模型，以所述参考光谱集和所述测试光谱集的识别准确率为指标，选择进行或不进行预处理，若进行预处理，选择所述平滑处理的点数，以及选择近红外光谱范围，确定苍耳子药材的近红外鉴别模型。
patr.的干燥成熟带总苞的果实。所述苍耳子药材伪品的基原包括但不限于蒙古苍耳子xanthium mongolicum kitag.、意大利苍耳子xanthium italicum、偏基苍耳xanthium inaequilaterum dc.等。
[0025]
可以理解地，采集近红外光谱的测量仪器可为但不限于傅立叶变换近红外光谱仪；所用计算机软件可为但不限于tango软件、opus软件；光谱测量模式可为但不限于漫反射模式；测量参数可为但不限于光谱扫描范围、扫描次数、分辨率和样品测量次数。
[0026]
可以理解地，近红外光谱范围的选择方式可为但不限于软件自动选择、人工选择、软件自动选择与人工选择相结合。
[0027]
一种苍耳子药材的近红外鉴别方法，包括以下步骤：
[0028]
获取上述苍耳子药材的近红外鉴别模型；
[0029]
采集待测样品的近红外光谱，将所述待测样品的近红外光谱的数据导入所述苍耳子药材的近红外鉴别模型，获得判别结果。
[0030]
可以理解地，采集待测样品的近红外光谱的方法与上述苍耳子药材正品和苍耳子药材伪品的近红外光谱的方法相同。
[0031]
在一个实施例中，采集待测样品的近红外光谱之前，还包括对所述待测样品进行粉碎和过筛的步骤。
[0032]
与现有方案相比，本发明具有以下有益效果：
[0033]
本发明采用近红外光谱技术，同时结合计算机技术和化学计量学技术，构建了苍耳子药材的近红外鉴别模型，实现苍耳子药材真伪的快速准确鉴别。为用药安全性和有效性提供了保障。与传统的方法相比，制样过程简单、不破坏样品，无化学试剂污染。
附图说明
[0034]
图1为苍耳子药材正品的近红外光谱图；
[0035]
图2为蒙古苍耳子药材的近红外光谱图；
[0036]
图3为意大利苍耳子药材的近红外光谱图；
[0037]
图4为苍耳子药材的近红外鉴别模型2的三维空间分布图；
[0038]
图5为苍耳子药材的近红外鉴别模型5的三维空间分布图；
[0039]
图6为苍耳子药材、蒙古苍耳子药材、意大利苍耳子药材的聚类分析树状图。
具体实施方式
[0040]
以下结合具体实施例对本发明作进一步详细的说明。本发明可以以许多不同的形式来实现，并不限于本文所描述的实施方式。相反地，提供这些实施方式的目的是使对本发明公开内容理解更加透彻全面。
[0041]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
[0042]
术语
[0043]
除非另外说明或存在矛盾之处，本文中使用的术语或短语具有以下含义：
[0044]
本发明中，所使用的术语“和/或”、“或/和”、“及/或”的可选范围包括两个或两个
以上相关所列项目中任一个项目，也包括相关所列项目的任意的和所有的组合，所述任意的和所有的组合包括任意的两个相关所列项目、任意的更多个相关所列项目、或者全部相关所列项目的组合。
[0045]
本发明中，“一种或几种”指所列项目的任一种、任两种或任两种以上。其中，“几种”指任两种或任两种以上。
[0046]
本发明中，所使用的“其组合”、“其任意组合”、“其任意组合方式”等中包括所列项目中任两个或任两个以上项目的所有合适的组合方式。
[0047]
本发明中，“可选地”、“可选的”、“可选”，指可有可无，也即指选自“有”或“无”两种并列方案中的任一种。如果一个技术方案中出现多处“可选”，如无特别说明，且无矛盾之处或相互制约关系，则每项“可选”各自独立。
[0048]
本发明中，“优选”仅为描述效果更好的实施方式或实施例，应当理解，并不构成对本发明保护范围的限制。
[0049]
本发明中，以开放式描述的技术特征中，包括所列举特征组成的封闭式技术方案，也包括包含所列举特征的开放式技术方案。
[0050]
本发明中，涉及到数值区间，如无特别说明，则包括数值区间的两个端点。
[0051]
本发明中，涉及到百分比含量，如无特别说明，对于固液混合和固相-固相混合均指质量百分比，对于液相-液相混合指体积百分比。
[0052]
本发明中，涉及到百分比浓度，如无特别说明，均指终浓度。所述终浓度，指添加成分在添加该成分后的体系中的占比。
[0053]
实施例1苍耳子药材的近红外鉴别模型的构建
[0054]
1仪器与材料
[0055]
1.1仪器tango-r傅立叶变换近红外光谱仪(德国bruker公司)，配置积分球漫反射检测器，控制软件为tango 7.5，分析处理软件为opus 7.5。千分之一电子天平(梅特勒-托利多仪器有限公司)。
[0056]
1.2材料苍耳子药材正品：苍耳子(xanthium sibiricum patr.)药材；苍耳子药材伪品：蒙古苍耳子(xanthium mongolicum kitag.)药材、意大利苍耳子(xanthium italicum)药材。苍耳子药材、蒙古苍耳子和意大利苍耳子均由广东一方制药有限公司提供。
[0057]
2方法与结果
[0058]
2.1近红外光谱的采集
[0059]
取各批次苍耳子药材、蒙古苍耳子药材和意大利苍耳子药材样品，粉粹，过50目筛，得样品粉末。取样品粉末约5.0g，装入具塞玻璃样品瓶中，用积分球漫反射采集近红外光谱。采集条件为：以仪器内置背景为参比，设置扫描范围为12000cm-1
～4000cm-1
，分辨率为16cm-1
，扫描次数为32次，取平均光谱。每批苍耳子药材、蒙古苍耳子药材和意大利苍耳子药材样品取2个平行样，每个平行样再平行测量2次，共得4张近红外光谱，苍耳子药材的近红外光谱见图1，蒙古苍耳子药材的近红外光谱见图2，意大利苍耳子药材的近红外光谱见图3。
[0060]
2.2参考光谱集与测试光谱集样品光谱的选择
[0061]
随机选取苍耳子药材、蒙古苍耳子药材和意大利苍耳子药材的参考光谱集
(reference spectra)与测试光谱集(test spectra)样品批数，并使其比例接近2：1，见表1。每批样品的4张光谱均用于苍耳子药材的近红外鉴别模型的构建，以增加所构建的苍耳子药材的近红外鉴别模型的耐用性。
[0062]
表1苍耳子、蒙古苍耳子和意大利苍耳子参考光谱集和测试光谱集样品
[0063][0064]
2.3苍耳子药材的近红外鉴别模型的构建与评价
[0065]
2.3.1光谱预处理方法的选择
[0066]
不对参考光谱集的近红外光谱进行预处理。
[0067]
2.3.2建模近红外光谱范围的选择
[0068]
选择近红外光谱范围为12000.0cm-1
～4000.0cm-1
中的一段范围。
[0069]
2.3.3近红外鉴别模型的构建
[0070]
不对参考光谱集的近红外光谱进行预处理，在近红外光谱范围12000.0cm-1
～4000.0cm-1
，采用因子化法(factorization)，将近红外光谱的数据与苍耳子药材的真伪进行关联，构建预选近红外鉴别模型1。
[0071]
不对参考光谱集的近红外光谱进行预处理，在近红外光谱范围8000.0cm-1
～4000.0cm-1
，采用因子化法，将近红外光谱的数据与苍耳子药材的真伪进行关联，构建预选近红外鉴别模型2。
[0072]
将参考光谱集的近红外光谱和测试光谱集的近红外光谱分别导入预选近红外鉴别模型1和预选近红外鉴别模型2，分别计算预选近红外鉴别模型1和预选近红外鉴别模型2对参考光谱集的识别准确率和对测试光谱集的识别准确率。结果如表2所示。
[0073]
表2预选近红外鉴别模型及其性能
[0074][0075]
由表2可知，预选近红外鉴别模型1的参考光谱集识别准确率和测试光谱集识别准确率均≥80％，可确定预选近红外鉴别模型1作为苍耳子药材的近红外鉴别模型1。具体地：对参考光谱集的近红外光谱不进行预处理，在12000.0cm-1
～4000.0cm-1
的近红外光谱范围，采用因子化法，将近红外光谱的数据与苍耳子药材的真伪进行关联，构建苍耳子药材的近红外鉴别模型1。
[0076]
优选的，预选近红外鉴别模型2的参考光谱集识别准确率和测试光谱集识别准确率均可以达到100％。说明预选近红外鉴别模型2可以准确鉴别苍耳子药材、蒙古苍耳子药
材和意大利苍耳子药材，可确定预选近红外鉴别模型2作为苍耳子药材的近红外鉴别模型2。具体地：对参考光谱集的近红外光谱不进行预处理，在8000.0cm-1
～4000.0cm-1
的近红外光谱范围，采用因子化法，将近红外光谱的数据与苍耳子药材的真伪进行关联，构建苍耳子药材的近红外鉴别模型2。苍耳子药材的近红外鉴别模型2的三维空间分布图见图4。
[0077]
2.3.4近红外鉴别模型性能的评价
[0078]
选择性s值是用来评价近红外鉴别模型性能的重要指标，它能反应出不同物质之间的选择性。计算公式为：s＝d/(t1+t2)，其中d为两类物质平均光谱之间的距离，t1和t2为两类物质的阈值。当s＜1时，表示两类物质不能被该模型区分开；当s≥1时，表示两类物质能被区分开。根据苍耳子药材的近红外鉴别模型2，在opus软件中导出相应的s值，见表3。苍耳子药材、蒙古苍耳子药材和意大利苍耳子药材两两之间的s值均大于1，表明三者之间都能被相互区分开，说明该近红外鉴别模型具有较好的选择性。
[0079]
表3各组之间的s值
[0080][0081]
3.3苍耳子药材的近红外鉴别模型的构建与评价
[0082]
3.3.1光谱预处理方法的选择
[0083]
以一阶导数(first derivative)和平滑处理(smoothing)的组合作为预处理方法，对参考光谱集的近红外光谱进行预处理，以降低干扰，增强样品信号，提高所建近红外鉴别模型的性能。
[0084]
3.3.2建模近红外光谱范围的选择
[0085]
选择近红外光谱范围12000.0cm-1
～4000.0cm-1
中的一段范围。
[0086]
3.3.3近红外鉴别模型的构建
[0087]
采用一阶导数和13点平滑处理对参考光谱集的近红外光谱进行预处理，在近红外光谱范围12000.0cm-1
～4000.0cm-1
，采用因子化法，将预处理后的近红外光谱的数据与苍耳子药材的真伪进行关联，构建预选近红外鉴别模型3。
[0088]
采用一阶导数和25点平滑处理对参考光谱集的近红外光谱进行预处理，在近红外光谱范围12000.0cm-1
～4000.0cm-1
，采用因子化法，将预处理后的近红外光谱的数据与苍耳子药材的真伪进行关联，构建预选近红外鉴别模型4。
[0089]
采用一阶导数和25点平滑处理对参考光谱集的近红外光谱进行预处理，在近红外光谱范围11500.0cm-1
～4000.0cm-1
，采用因子化法，将预处理后的近红外光谱的数据与苍耳子药材的真伪进行关联，构建预选近红外鉴别模型5。
[0090]
将参考光谱集的近红外光谱和测试光谱集的近红外光谱分别导入预选近红外鉴别模型3、预选近红外鉴别模型4和预选近红外鉴别模型5，分别计算预选近红外鉴别模型3、
预选近红外鉴别模型4和预选近红外鉴别模型5对参考光谱集的识别准确率和对测试光谱集的识别准确率。结果如表4所示。
[0091]
表4预选近红外鉴别模型及其性能
[0092][0093]
由表4可知，预选近红外鉴别模型3的参考光谱集识别准确率和测试光谱集识别准确率均≥80％，可确定预选近红外鉴别模型3作为苍耳子药材的近红外鉴别模型3。具体地：对参考光谱集的近红外光谱进行预处理，预处理方法为一阶导数和平滑处理的组合，平滑处理的点数为13，在12000.0cm-1
～4000.0cm-1
的近红外光谱范围，采用因子化法，将预处理后的近红外光谱的数据与苍耳子药材的真伪进行关联，构建苍耳子药材的近红外鉴别模型3。
[0094]
优选的，预选近红外鉴别模型4的参考光谱集识别准确率和测试光谱集识别准确率均可以达到90％以上。可确定预选近红外鉴别模型4作为苍耳子药材的近红外鉴别模型4。具体地：对参考光谱集的近红外光谱进行预处理，预处理方法为一阶导数和平滑处理的组合，平滑处理的点数为25，在12000.0cm-1
～4000.0cm-1
的近红外光谱范围，采用因子化法，将预处理后的近红外光谱的数据与苍耳子药材的真伪进行关联，构建苍耳子药材的近红外鉴别模型4。
[0095]
更优选的，预选近红外鉴别模型5的参考光谱集识别准确率和测试光谱集识别准确率均可以达到100％，说明预选近红外鉴别模型5可以准确鉴别苍耳子药材、蒙古苍耳子药材和意大利苍耳子药材，可确定预选近红外鉴别模型5作为苍耳子药材的近红外鉴别模型5。具体地：对参考光谱集的近红外光谱进行预处理，预处理方法为一阶导数和平滑处理的组合，平滑处理的点数为25，在11500.0cm-1
～4000.0cm-1
的近红外光谱范围，采用因子化法，将预处理后的近红外光谱的数据与苍耳子药材的真伪进行关联，构建苍耳子药材的近红外鉴别模型5。苍耳子药材的近红外鉴别模型5的三维空间分布图见图5。
[0096]
3.3.4模型性能的评价
[0097]
根据苍耳子药材的近红外鉴别模型5，在opus软件中导出相应的s值，见表5。苍耳子药材、蒙古苍耳子药材和意大利苍耳子药材两两之间的s值均大于1，表明三者之间都能被相互区分开，说明苍耳子药材的近红外鉴别模型5具有较好的选择性。
[0098]
表5各组之间的s值
[0099][0100]
在opus软件中对苍耳子药材、蒙古苍耳子药材、意大利苍耳子药材进行聚类分析，结果三者均能各自归为一类，聚类分析树状图见图6。
[0101]
实施例2：苍耳子样品的快速定性鉴别
[0102]
取待测苍耳子药材样品，参照实施例1中项2.1下的方法，采集其近红外光谱，导入上述苍耳子药材的近红外鉴别模型2中，模型出示结果：该待测样品为苍耳子药材。由此得出结论：该待测样品为苍耳子药材正品。
[0103]
实施例3：苍耳子样品的快速定性鉴别
[0104]
取待测苍耳子药材样品，参照实施例1中项2.1下的方法，采集其近红外光谱，导入上述苍耳子药材的近红外鉴别模型2中，模型出示结果：该待测样品为蒙古苍耳子药材。由此得出结论：该待测样品为苍耳子药材伪品。
[0105]
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0106]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。