当归和酒当归的近红外定性鉴别模型的构建方法及鉴别方法与流程

1.本发明涉及中药材分析技术领域，特别是涉及一种当归和酒当归的近红外定性鉴别模型的构建方法及鉴别方法。


背景技术：

2.当归为伞形科当归angelica sinensis(oliv.)diels的干燥根，其性温，味甘、辛，归肝、心、脾经，具有补血活血，调经止痛，润肠通便的功效。酒当归为当归的常用炮制品，收载于2020年版中国药典，其效活血通经，主要用于经闭痛经，风湿痹痛，跌扑损伤。由于饮片和炮制品存在活性成分的差异，造成功效的不同，因此，对不同炮制方法的同种药材进行鉴别，对于提升中药品质具有重要的实际意义。
3.中药材鉴别方法可分为传统鉴别和现代鉴别，传统鉴别指的是利用人体触觉、嗅觉、味觉、听觉、视觉等感官，结合水试、火试方法进行鉴别，现代鉴别则包括理化鉴别、显微鉴别、色谱鉴别、dna条形码鉴别等。2020年版中国药典当归项下鉴别采用性状鉴别、显微鉴别和薄层鉴别方法，酒当归项下鉴别仅采用性状鉴别方法，目前区分当归和酒当归饮片的方法只有性状鉴别，暂未发现其他特异性鉴别两者的方法的文献报道。然而，性状鉴别方法具备一定的主观性、局限性，而理化鉴别、显微鉴别、色谱鉴别等现代鉴别方法则存在制样过程繁复、样品被破坏、分析时间长、化学试剂污染等缺点。
4.此外，《中国药典》2020年版一部当归炮制项下规定当归饮片性状为：呈现类圆形、椭圆形或不规则薄片，外表皮浅棕色至棕褐色，切面浅棕黄色或黄白色，平坦，有裂隙，中间有浅棕色的形成层环，并有多数棕色的油点，香气浓郁，味甘、辛、微苦；规定酒当归饮片性状为：形如当归片，切片深黄色或浅棕黄色，略有焦斑，香气浓郁，并略有酒香气。因在工业化大生产过程中，酒当归的炮制工艺参数随着生产设备、投料批量的变更而改变，生产和质量控制人员对于酒当归饮片的炮制程度和性状判定有一定的主观性、局限性。


技术实现要素：

5.基于此，本发明提供一种当归和酒当归的近红外定性鉴别模型的构建方法及鉴别方法。该方法可以快速鉴别当归及其炮制品酒当归，在生产上为酒当归的炮制终点提供合理依据，且制样过程简便、不破坏样品、无化学试剂污染。
6.具体技术方案如下：
7.本发明的第一方面，提供一种当归和酒当归的近红外定性鉴别模型的构建方法，包括如下步骤：
8.采集当归和酒当归的近红外光谱，将当归的近红外光谱分为参考光谱集i和测试光谱集i，将酒当归的近红外光谱分为参考光谱集ii和测试光谱集ii；
9.以所述参考光谱集i和参考光谱集ii作为总参考光谱集，以所述测试光谱集i和测试光谱集ii作为总测试光谱集；
10.在近红外光谱范围，采用预选处理方法对所述总参考光谱集的近红外光谱进行预
处理，采用因子化法，构建当归和酒当归的近红外定性预选鉴别模型；
11.将所述总参考光谱集和总测试光谱集的近红外光谱导入所述当归和酒当归的近红外定性预选鉴别模型，以所述总参考光谱集和总测试光谱集的识别准确率为指标，选择预处理的方法以及近红外光谱范围，确定所述当归和酒当归的近红外定性鉴别模型；
12.其中，所述预选处理方法选自二阶导数、矢量归一化和平滑处理中的一种或多种组合；
13.所述近红外光谱范围选自12007.0cm-1
～4000.0cm-1
中的一段范围或几段范围。
14.在其中一个实施例中，所述总参考光谱集与总测试光谱集中的近红外光谱数的比值为(1.5～2.5):1。
15.在其中一个实施例中，所述识别准确率≥80％。
16.在其中一个实施例中，所述预处理的方法为二阶导数和平滑处理的组合；或者
17.所述预处理的方法为矢量归一化、二阶导数和平滑处理的组合。
18.在其中一个实施例中，所述平滑处理的平滑点数为9～13。
19.在其中一个实施例中，所述预处理的方法为二阶导数和平滑处理的组合，所述平滑处理的平滑点数为9～13，所述近红外光谱范围为12007.0cm-1
～4000.0cm-1
。
20.在其中一个实施例中，所述预处理的方法为二阶导数和平滑处理的组合，所述平滑处理的平滑点数为13，所述近红外光谱范围为12007.0cm-1
～4000.0cm-1
。
21.在其中一个实施例中，所述预处理的方法为二阶导数和平滑处理的组合，所述平滑处理的平滑点数为9，所述近红外光谱范围为12007.0cm-1
～4000.0cm-1
。
22.在其中一个实施例中，所述预处理的方法为矢量归一化、二阶导数和平滑处理的组合，所述平滑处理的平滑点数为9～13，所述近红外光谱范围为12007.0cm-1
～4000.0cm-1
、10000.0cm-1
～4000.0cm-1
或9000.0cm-1
～4000.0cm-1
。
23.在其中一个实施例中，所述预处理的方法为矢量归一化、二阶导数和平滑处理的组合，所述平滑处理的平滑点数为13，所述近红外光谱范围为12007.0cm-1
～4000.0cm-1
。
24.在其中一个实施例中，所述预处理的方法为矢量归一化、二阶导数和平滑处理的组合，所述平滑处理的平滑点数为9，所述近红外光谱范围为12007.0cm-1
～4000.0cm-1
。
25.在其中一个实施例中，所述预处理的方法为矢量归一化、二阶导数和平滑处理的组合，所述平滑处理的平滑点数为9，所述近红外光谱范围为10000.0cm-1
～4000.0cm-1
。
26.在其中一个实施例中，所述预处理的方法为矢量归一化、二阶导数和平滑处理的组合，所述平滑处理的平滑点数为9，所述近红外光谱范围为9000.0cm-1
～4000.0cm-1
。
27.在其中一个实施例中，所述的构建方法还包括如下步骤：
28.以选择性s值为评价指标，对所述当归和酒当归的近红外定性鉴别模型进行评价。
29.本发明的第二方面，提供一种当归和酒当归的近红外鉴别方法，包括如下步骤：
30.获取上述的当归和酒当归的近红外定性鉴别模型；
31.采集待测当归样品或待测酒当归样品的近红外光谱，将所述近红外光谱的数据导入所述当归和酒当归的近红外定性鉴别模型，获得判别结果。
32.与现有技术相比，本发明具有以下有益效果：
33.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，构建了当归和酒当归的近红外定性鉴别模型，能够实现当归及其炮制品酒当归的快速鉴别，在生产
上为酒当归的炮制终点提供合理依据，且制样过程简便、不破坏样品、无化学试剂污染。
附图说明
34.图1为实施例1中10批当归药材和10批酒当归饮片的近红外光谱图；
35.图2为实施例1中10批当归药材和10批酒当归饮片的近红外定性鉴别模型6的二维得分图；
36.图3为实施例1中10批当归药材和10批酒当归饮片的近红外光谱的聚类分析树状图。
具体实施方式
37.为了便于理解本发明，下面将参照实施例对本发明进行更全面的描述，以下给出了本发明的较佳实施例。但是，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例。提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。
38.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。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。
39.本文所使用的术语“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。
40.本发明中，“第一方面”、“第二方面”等仅用于描述目的，不能理解为指示或暗示相对重要性或数量，也不能理解为隐含指明所指示的技术特征的重要性或数量。而且“第一”、“第二”等仅起到非穷举式的列举描述目的，应当理解并不构成对数量的封闭式限定。
41.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。
42.本发明中，涉及到数值区间，如无特别说明，上述数值区间内视为连续，且包括该范围的最小值及最大值，以及这种最小值与最大值之间的每一个值。进一步地，当范围是指整数时，包括该范围的最小值与最大值之间的每一个整数。此外，当提供多个范围描述特征或特性时，可以合并该范围。换言之，除非另有指明，否则本文中所公开之所有范围应理解为包括其中所归入的任何及所有的子范围。
43.本发明中的温度参数，如无特别限定，既允许为恒温处理，也允许在一定温度区间内进行处理。所述的恒温处理允许温度在仪器控制的精度范围内进行波动。
44.本发明提供一种当归和酒当归的近红外定性鉴别模型的构建方法，包括如下步骤：
45.采集当归和酒当归的近红外光谱，将当归的近红外光谱分为参考光谱集i和测试光谱集i，将酒当归的近红外光谱分为参考光谱集ii和测试光谱集ii；
46.以参考光谱集i和参考光谱集ii作为总参考光谱集，以测试光谱集i和测试光谱集ii作为总测试光谱集；
47.在近红外光谱范围，采用预选处理方法对总参考光谱集的近红外光谱进行预处
理，采用因子化法，构建当归和酒当归的近红外定性预选鉴别模型；
48.将总参考光谱集和总测试光谱集的近红外光谱导入当归和酒当归的近红外定性预选鉴别模型，以总参考光谱集和总测试光谱集的识别准确率为指标，选择预处理的方法以及近红外光谱范围，确定当归和酒当归的近红外定性鉴别模型；
49.其中，预选处理方法选自二阶导数、矢量归一化和平滑处理中的一种或多种组合；
50.近红外光谱范围选自12007.0cm-1
～4000.0cm-1
中的一段范围或几段范围。
51.在其中一示例中，近红外光谱的采集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。
52.在其中一示例中，总参考光谱集与总测试光谱集中的近红外光谱数的比值为(1.5～2.5):1。
53.在其中一示例中，参考光谱集i和参考光谱集ii的近红外光谱数的比值为(1～1.5):1。
54.在其中一示例中，测试光谱集i和测试光谱集ii的近红外光谱数的比值为(1～1.5):1。
55.在其中一示例中，识别准确率≥80％。
56.在其中一示例中，预处理的方法为二阶导数和平滑处理的组合；或者预处理的方法为矢量归一化、二阶导数和平滑处理的组合。
57.在其中一示例中，平滑处理的平滑点数为9～13。进一步地，平滑处理的平滑点数包括但不限于：9、10、11、12、13。
58.在其中一示例中，近红外光谱范围为12007.0cm-1
～4000.0cm-1
、10000.0cm-1
～4000.0cm-1
或9000.0cm-1
～4000.0cm-1
。
59.在其中一示例中，预处理的方法为二阶导数和平滑处理的组合，平滑处理的平滑点数为9～13，近红外光谱范围为12007.0cm-1
～4000.0cm-1
。
60.在其中一示例中，预处理的方法为二阶导数和平滑处理的组合，平滑处理的平滑点数为13，近红外光谱范围为12007.0cm-1
～4000.0cm-1
。
61.在其中一示例中，预处理的方法为二阶导数和平滑处理的组合，平滑处理的平滑点数为9，近红外光谱范围为12007.0cm-1
～4000.0cm-1
。
62.在其中一示例中，预处理的方法为矢量归一化、二阶导数和平滑处理的组合，平滑处理的平滑点数为9～13，近红外光谱范围为12007.0cm-1
～4000.0cm-1
、10000.0cm-1
～4000.0cm-1
或9000.0cm-1
～4000.0cm-1
。
63.在其中一示例中，预处理的方法为矢量归一化、二阶导数和平滑处理的组合，平滑处理的平滑点数为13，近红外光谱范围为12007.0cm-1
～4000.0cm-1
。
64.在其中一示例中，预处理的方法为矢量归一化、二阶导数和平滑处理的组合，平滑处理的平滑点数为9，近红外光谱范围为12007.0cm-1
～4000.0cm-1
。
65.在其中一示例中，预处理的方法为矢量归一化、二阶导数和平滑处理的组合，平滑处理的平滑点数为9，近红外光谱范围为10000.0cm-1
～4000.0cm-1
。
66.在其中一示例中，预处理的方法为矢量归一化、二阶导数和平滑处理的组合，平滑处理的平滑点数为9，近红外光谱范围为9000.0cm-1
～4000.0cm-1
。
67.在其中一示例中，当归和酒当归的近红外定性鉴别模型的构建方法还包括如下步骤：以选择性s值为评价指标，对当归和酒当归的近红外定性鉴别模型进行评价。
68.本发明还提供一种当归和酒当归的聚类分析模型的构建方法，包括如下步骤：
69.采集当归和酒当归的近红外光谱，分为总参考光谱集和总测试光谱集；
70.选择近红外光谱12007.0cm-1
～4000.0cm-1
的波长范围，采用二阶导数对总参考光谱集和总测试光谱集的近红外光谱进行预处理，采用因子化法计算谱图间的光谱距离，构建当归和酒当归的聚类分析模型。
71.可以理解地，总参考光谱集和总测试光谱集的获取步骤同上述当归和酒当归的近红外定性鉴别模型的构建方法中的步骤，此处不再赘述。
72.可以理解地，当归和酒当归的聚类分析模型可以作为当归和酒当归的定性鉴别模型。
73.本发明还提供一种当归和酒当归的近红外鉴别方法，包括如下步骤：
74.获取上述的当归和酒当归的近红外定性鉴别模型；
75.采集待测当归样品或待测酒当归样品的近红外光谱，将近红外光谱的数据导入当归和酒当归的近红外定性鉴别模型，获得判别结果。
76.以下结合具体实施例对本发明作进一步详细的说明。下述实施例中所用的原料、试剂等，如无特殊说明，均为市售产品。
77.实施例1
78.本实施例提供一种当归和酒当归的近红外定性鉴别模型的构建方法，具体如下：
79.1、仪器与材料
80.1.1仪器
81.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；111b型中药粉碎机(浙江瑞安市永历制药机械有限公司)；千分之一电子天平(梅特勒-托利多仪器有限公司)。
82.1.2材料
83.当归药材、酒当归饮片均由广东一方制药有限公司提供。
84.2、方法与结果
85.2.1近红外光谱的采集
86.取各批次当归药材、酒当归饮片样品，粉粹，过50目筛，得样品粉末。平行取样品粉末两份各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12007cm-1
～4000cm-1
，分辨率为16cm-1
，扫描次数为32次，取平均光谱。每批样品平行测量2次，当归和酒当归近红外光谱见图1。
87.2.2参考光谱集与测试光谱集的样品光谱的选择
88.随机选取当归、酒当归的参考光谱集(reference spectra)与测试光谱集(test spectra)样品批数，并使其比例接近2：1，具体见表1。每批样品的2张光谱均用于模型的建立，以增加所建模型的耐用性。
89.表1当归、酒当归的参考光谱集和测试光谱集样品
[0090][0091]
2.3当归和酒当归的近红外定性鉴别模型的构建与评价
[0092]
2.3.1光谱预处理方法的选择
[0093]
从矢量归一化、二阶导数、平滑处理及其组合中选择光谱预处理方法，以降低干扰，增强样品信号，提高所构建的近红外定性鉴别模型的性能。
[0094]
2.3.2建模光谱范围的选择
[0095]
选择近红外光谱范围12007.0cm-1
～4000.0cm-1
中的一段范围。
[0096]
2.3.3模型的建立与验证
[0097]
采用二阶导数和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12007.0cm-1
～4000.0cm-1
，采用因子化法构建当归和酒当归的近红外定性鉴别模型1。
[0098]
采用二阶导数和9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12007.0cm-1
～4000.0cm-1
，采用因子化法构建当归和酒当归的近红外定性鉴别模型2。
[0099]
采用矢量归一化、二阶导数和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12007.0cm-1
～4000.0cm-1
，采用因子化法构建当归和酒当归的近红外定性鉴别模型3。
[0100]
采用矢量归一化、二阶导数和9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10000.0cm-1
～4000.0cm-1
，采用因子化法构建当归和酒当归的近红外定性鉴别模型4。
[0101]
采用矢量归一化、二阶导数和9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9000.0cm-1
～4000.0cm-1
，采用因子化法构建当归和酒当归的近红外定性鉴别模型5。
[0102]
采用矢量归一化、二阶导数和9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12007.0cm-1
～4000.0cm-1
，采用因子化法构建当归和酒当归的近红外定性鉴别模型6。
[0103]
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当归和酒当归的近红外定性鉴别模型1～模型6，计算参考光谱集的识别准确率和测试光谱集的识别准确率。结果如表2所示。
[0104]
表2当归和酒当归的近红外定性预选鉴别模型及其性能
[0105][0106]
由表2可知，模型1～6的参考光谱集识别准确率和测试光谱集识别准确率均≥80％，可确定模型1～6作为当归和酒当归的近红外定性鉴别模型。
[0107]
进一步地，模型2、4、5、6的参考光谱集识别准确率和测试光谱集识别准确率均可达到90％以上，可确定模型2、4、5、6作为当归和酒当归的近红外定性鉴别模型。
[0108]
更进一步地，模型6的参考光谱集识别准确率和测试光谱集识别准确率均可达到100％，说明模型6可以准确鉴别当归和酒当归，可确定模型6作为当归和酒当归的近红外定性鉴别模型。当归和酒当归的近红外定性鉴别模型6的二维得分图见图2。
[0109]
2.3.4模型性能的评价
[0110]
选择性s值是用来评价近红外定性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。
[0111]
根据模型6在软件中导出相应的s值，见表3。结果显示，当归和酒当归之间的s值大于1，表明两者都能被唯一鉴别，说明模型6均具有较好的选择性。
[0112]
表3各组之间的s值
[0113][0114]
3、当归和酒当归的聚类分析模型的建立
[0115]
选择近红外光谱12007cm-1
～4000cm-1
的波长范围，先采取二阶导数对“2.2”项下参考光谱和测试光谱中的近红外光谱进行预处理，采用因子化法计算谱图间的光谱距离，再进行聚类分析，建立当归和酒当归的聚类分析模型，采用ward算法计算类平均距离，可完成10批当归和10批酒当归的准确区分，聚类分析的实验结果见图3。
[0116]
实施例2
[0117]
本实施例提供一种当归样品的近红外鉴别方法，具体如下：
[0118]
取待测当归样品，参照实施例1中“2.1”项下的方法，采集其近红外光谱，导入上述当归和酒当归的近红外定性鉴别模型6中，模型出示结果：该待测样品为当归药材。表明该方法能够实现对当归药材的快速定性鉴别。
[0119]
实施例3
[0120]
本实施例提供一种酒当归饮片的近红外鉴别方法，具体如下：
[0121]
取待测酒当归饮片样品，参照实施例1中“2.1”项下的方法，采集其近红外光谱，导入上述当归和酒当归的近红外定性鉴别模型6中，模型出示结果：该待测样品为酒当归饮片。表明该方法能够实现对酒当归饮片的快速定性鉴别。
[0122]
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。
[0123]
以上所述实施例仅表达了本发明的几种实施方式，便于具体和详细地理解本发明的技术方案，但并不能因此而理解为对发明专利保护范围的限制。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。应当理解，本领域技术人员在本发明提供的技术方案的基础上，通过合乎逻辑的分析、推理或者有限的试验得到的技术方案，均在本发明所附权利要求的保护范围内。因此，本发明专利的保护范围应以所附权利要求的内容为准，说明书及附图可以用于解释权利要求的内容。