中成药近红外快速检测实验报告

中成药近红外快速检测实验报告一、实验背景与目的中成药作为我国传统医学的重要组成部分，在疾病预防、治疗及康复中发挥着不可替代的作用。其质量直接关系到临床疗效与患者安全，因此建立高效、准确的质量控制方法至关重要。传统的中成药质量检测方法，如高效液相色谱法（HPLC）、气相色谱法（GC）等，虽然准确性高，但存在操作复杂、检测周期长、样品前处理繁琐、对环境和操作人员要求较高等弊端，难以满足中成药生产过程中实时在线检测和大批量样品快速筛查的需求。近红外光谱技术（Near-InfraredSpectroscopy,NIRS）是一种基于分子振动光谱的分析技术，利用物质中含氢基团（如C-H、O-H、N-H等）在近红外区域（780~2526nm）的倍频和合频吸收特性，对样品进行定性和定量分析。该技术具有快速、无损、无需复杂前处理、可同时检测多种成分等显著优势，近年来在药品质量控制领域得到了广泛关注。本实验旨在构建中成药近红外快速检测模型，验证该技术在中成药质量控制中的可行性与准确性，为实现中成药生产过程的实时监控和质量快速筛查提供技术支持。二、实验材料与仪器（一）实验材料中成药样品：选取市场上常见的三种中成药作为研究对象，分别为复方丹参片、六味地黄丸和牛黄解毒片。每种中成药收集不同批次样品各30批，共计90批样品，涵盖不同生产厂家、不同生产工艺及不同储存条件的产品，以保证样品的代表性和多样性。所有样品均经法定检测方法（HPLC）验证，确定其有效成分含量符合《中华人民共和国药典》（2025版）相关规定。标准品：丹参酮ⅡA、丹酚酸B、马钱苷、丹皮酚、黄芩苷、人工牛黄等对照品均购自中国食品药品检定研究院，纯度均≥98%。化学试剂：甲醇、乙腈、甲酸等均为色谱纯，购自Merck公司；实验用水为超纯水，由Millipore超纯水机制备。（二）实验仪器近红外光谱仪：采用ThermoFisherScientific公司的AntarisII傅里叶变换近红外光谱仪，配备积分球漫反射采样附件，光谱范围为10000~4000cm⁻¹（1000~2500nm），分辨率为8cm⁻¹，扫描次数为32次。仪器在使用前需进行严格的波长校准和基线校正，以确保光谱数据的准确性和重复性。高效液相色谱仪：Agilent1260系列高效液相色谱仪，配备二极管阵列检测器（DAD），用于测定中成药中有效成分的含量，作为近红外检测模型的参考方法。电子天平：MettlerToledoME204E电子分析天平，精度为0.1mg，用于样品和标准品的称量。其他辅助设备：超声波清洗器（KQ-500DE）、离心机（Eppendorf5810R）、真空干燥箱（DZF-6050）等。三、实验方法（一）样品前处理近红外光谱检测样品处理：取中成药样品，去除包衣（若有），研细，过四号筛，混合均匀。取适量样品置于近红外光谱仪的样品杯中，压实，确保样品表面平整，避免出现空隙和颗粒不均的情况，以保证光谱采集的稳定性和重复性。HPLC检测样品处理：按照《中华人民共和国药典》（2025版）中各中成药的含量测定方法进行样品前处理。以复方丹参片为例，取样品细粉约0.2g，精密称定，置具塞锥形瓶中，精密加入甲醇50ml，称定重量，超声处理（功率250W，频率40kHz）30分钟，放冷，再称定重量，用甲醇补足减失的重量，摇匀，滤过，取续滤液作为供试品溶液。其他中成药样品的前处理方法参照药典相应规定进行。（二）近红外光谱采集使用AntarisII近红外光谱仪对处理后的中成药样品进行光谱采集。采集参数设置为：光谱范围10000~4000cm⁻¹，分辨率8cm⁻¹，扫描次数32次，每个样品重复扫描3次，取平均光谱作为该样品的原始光谱。在采集过程中，严格控制实验室环境温度（20~25℃）和湿度（40%~60%），避免环境因素对光谱采集的干扰。同时，定期采集背景光谱，以消除仪器漂移和环境变化对光谱数据的影响。（三）HPLC含量测定采用Agilent1260高效液相色谱仪对中成药样品中的有效成分进行含量测定。色谱条件参照《中华人民共和国药典》（2025版）相应规定设置，以复方丹参片为例，色谱柱为AgilentZORBAXSB-C18（4.6mm×250mm，5μm）；流动相为乙腈-0.1%甲酸水溶液，梯度洗脱；检测波长为270nm（丹参酮ⅡA）和286nm（丹酚酸B）；柱温为30℃；流速为1.0ml/min；进样量为10μl。通过外标法计算样品中各有效成分的含量，每个样品平行测定3次，取平均值作为参考值。（四）近红外光谱预处理原始近红外光谱中通常包含噪声、基线漂移、散射等干扰信息，这些干扰会影响模型的准确性和稳定性。因此，在建立检测模型前，需要对原始光谱进行预处理，以提高光谱数据的质量。本实验采用多种预处理方法进行对比，包括多元散射校正（MSC）、标准正态变量变换（SNV）、一阶导数（1stDerivative）、二阶导数（2ndDerivative）、Savitzky-Golay平滑等。通过比较不同预处理方法下模型的相关系数（R²）、预测均方根误差（RMSEP）等指标，选择最优的预处理方法。（五）检测模型的建立与验证样品划分：将每种中成药的30批样品按照7:3的比例随机划分为校正集和验证集，其中校正集21批样品用于建立检测模型，验证集9批样品用于验证模型的预测能力。模型建立：采用偏最小二乘法（PartialLeastSquares,PLS）建立近红外光谱与中成药有效成分含量之间的定量分析模型。PLS是一种常用的化学计量学方法，能够有效处理光谱数据的共线性问题，同时实现多变量的回归分析。在建模过程中，通过交叉验证（Cross-Validation）确定最佳主因子数，以避免模型过拟合。模型验证：使用验证集样品对建立的模型进行外部验证，计算预测值与参考值之间的相关系数（R²）、预测均方根误差（RMSEP）和相对预测误差（RPE）等指标，评估模型的准确性和可靠性。一般认为，R²越接近1，RMSEP和RPE越小，模型的预测能力越好。四、实验结果与分析（一）近红外光谱特征分析三种中成药的原始近红外光谱如图1所示。从图中可以看出，不同中成药的光谱在整体趋势上具有一定的相似性，主要吸收峰集中在1450nm、1940nm、2050nm和2200nm附近，这些吸收峰主要对应于样品中含氢基团（如C-H、O-H、N-H）的倍频和合频吸收。同时，不同中成药之间的光谱也存在明显差异，这是由于其所含成分的种类和含量不同所致。例如，复方丹参片在1600nm附近有一个较强的吸收峰，可能与丹参中的酚酸类成分有关；六味地黄丸在2100nm附近的吸收峰较为明显，可能与地黄中的糖类成分有关；牛黄解毒片在2300nm附近有特征吸收峰，可能与黄芩中的黄酮类成分有关。这些光谱特征差异为中成药的定性鉴别和定量分析提供了基础。经过预处理后的光谱（以MSC+一阶导数为例）如图2所示。与原始光谱相比，预处理后的光谱基线更加平稳，噪声明显降低，特征吸收峰更加突出，有效提高了光谱数据的质量，有利于后续模型的建立。（二）预处理方法的选择以复方丹参片中丹参酮ⅡA的含量测定为例，比较了不同预处理方法对模型性能的影响，结果如表1所示。从表中可以看出，经过MSC+一阶导数预处理后，模型的校正集相关系数（Rc²）为0.992，校正均方根误差（RMSEC）为0.021mg/g；验证集相关系数（Rp²）为0.987，预测均方根误差（RMSEP）为0.028mg/g，相对预测误差（RPE）为2.1%，均优于其他预处理方法。因此，本实验选择MSC+一阶导数作为最优的光谱预处理方法。表1不同预处理方法对复方丹参片丹参酮ⅡA检测模型的影响|预处理方法|Rc²|RMSEC（mg/g）|Rp²|RMSEP（mg/g）|RPE（%）||------------------|-------|--------------|-------|--------------|----------||原始光谱|0.925|0.068|0.901|0.075|5.7||MSC|0.968|0.039|0.952|0.045|3.4||SNV|0.962|0.042|0.945|0.048|3.7||一阶导数|0.975|0.035|0.961|0.040|3.0||MSC+一阶导数|0.992|0.021|0.987|0.028|2.1||SNV+一阶导数|0.988|0.024|0.982|0.031|2.4||二阶导数|0.958|0.044|0.938|0.051|3.9|（三）定量检测模型的性能评价三种中成药有效成分的近红外定量检测模型的性能参数如表2所示。从表中可以看出，所有模型的校正集相关系数（Rc²）均大于0.98，验证集相关系数（Rp²）均大于0.97，预测均方根误差（RMSEP）均小于0.03mg/g，相对预测误差（RPE）均小于3%，表明建立的模型具有良好的准确性和预测能力。其中，复方丹参片中丹酚酸B的模型性能最优，Rc²为0.995，Rp²为0.991，RMSEP为0.018mg/g，RPE为1.5%；六味地黄丸中马钱苷的模型性能次之，Rc²为0.993，Rp²为0.989，RMSEP为0.022mg/g，RPE为1.8%；牛黄解毒片中黄芩苷的模型性能也较为理想，Rc²为0.990，Rp²为0.985，RMSEP为0.025mg/g，RPE为2.0%。表2三种中成药有效成分近红外定量检测模型的性能参数|中成药|有效成分|校正集（n=21）|验证集（n=9）|||--------------|------------|----------------|--------------|----------||||Rc²|RMSEC（mg/g）|Rp²|RMSEP（mg/g）|RPE（%）||复方丹参片|丹参酮ⅡA|0.992|0.021|0.987|0.028|2.1|||丹酚酸B|0.995|0.015|0.991|0.018|1.5||六味地黄丸|马钱苷|0.993|0.019|0.989|0.022|1.8|||丹皮酚|0.991|0.020|0.986|0.024|1.9||牛黄解毒片|黄芩苷|0.990|0.022|0.985|0.025|2.0|||人工牛黄|0.988|0.024|0.982|0.027|2.2|为了更直观地展示模型的预测效果，以复方丹参片中丹酚酸B的含量预测为例，绘制预测值与参考值的相关性散点图，如图3所示。从图中可以看出，预测值与参考值之间呈现出良好的线性关系，数据点紧密分布在对角线附近，进一步验证了模型的准确性和可靠性。（四）定性鉴别模型的建立与验证除了定量分析外，近红外光谱技术还可用于中成药的定性鉴别。本实验采用主成分分析（PrincipalComponentAnalysis,PCA）结合马氏距离（MahalanobisDistance）建立三种中成药的定性鉴别模型。首先，对三种中成药的校正集样品的光谱进行PCA分析，提取主成分，然后计算验证集样品与各类别中心的马氏距离，根据最小距离原则判断样品的类别。结果表明，建立的定性鉴别模型对三种中成药的鉴别准确率为100%，能够准确区分复方丹参片、六味地黄丸和牛黄解毒片。这说明近红外光谱技术在中成药的定性鉴别方面具有良好的应用前景，可用于中成药的真伪鉴别和品种区分。五、实验讨论（一）近红外光谱技术在中成药质量控制中的优势本实验结果表明，近红外光谱技术能够快速、准确地测定中成药中有效成分的含量，同时实现中成药的定性鉴别。与传统的检测方法相比，该技术具有以下显著优势：快速高效：无需复杂的样品前处理，检测时间仅需几分钟，可实现大批量样品的快速筛查，大大提高了检测效率。无损检测：样品在检测过程中不会受到破坏，可实现对样品的重复检测和在线检测，适用于中成药生产过程中的实时监控。多成分同时检测：一次光谱采集可同时获取样品中多种成分的信息，实现多指标的同步检测，减少了检测成本和时间。操作简便：仪器操作简单，对操作人员的专业要求较低，易于推广应用。（二）影响模型性能的因素分析样品代表性：样品的代表性是影响模型准确性的关键因素之一。本实验收集了不同批次、不同厂家的样品，确保了样品的多样性和代表性，从而提高了模型的适用性和稳定性。在实际应用中，应尽可能扩大样品范围，涵盖不同生产工艺、不同储存条件的产品，以建立更具通用性的检测模型。光谱预处理方法：合适的光谱预处理方法能够有效消除噪声、基线漂移等干扰，提高光谱数据的质量。本实验通过对比多种预处理方法，选择了MSC+一阶导数作为最优方法，显著提高了模型的性能。在实际应用中，应根据不同的样品和检测指标，选择合适的预处理方法。建模方法：偏最小二乘法（PLS）是近红外定量分析中常用的建模方法，能够有效处理光谱数据的共线性问题。此外，还有其他建模方法如人工神经网络（ANN）、支持向量机（SVM）等，也可用于近红外检测模型的建立。在实际应用中，可根据数据特点和需求选择合适的建模方法，以提高模型的性能。仪器稳定性：近红外光谱仪的稳定性直接影响光谱数据的重复性和准确性。在实验过程中，应定期对仪器进行校准和维护，确保仪器处于良好的工作状态。同时，控制实验室环境温度和湿度，减少环境因素对光谱采集的干扰。（