基于近红外光谱结合化学计量学的厚朴的厚朴酚的检测研究

Detection Research on Magnolol of Magnolia officinal Is Based on Near-Infrared Spectroscopy Combined with Chemometrics

摘要: 目的：本研究旨在建立一种近红外光谱结合化学计量学的快速检测厚朴中厚朴酚的方法。方法：利用近红外光谱技术与化学计量学相结合的方式建立厚朴酚快速无损检测方法。结果：本研究建立的厚朴酚快速检测模型的决定系数较高(R² = 0.9607)，交叉验证的均方根的差为0.1371，为验证模型准确性及稳定性，使用模型对验证集进行预测，得到结果无显著性差异。结论：厚朴酚模型具有较高的准确性，适用于厚朴的厚朴酚的快速检测。

Abstract: Objective: This study aims to combine near-infrared spectroscopy with chemometrics and apply the established method to the rapid detection of magnolol in Magnolia officinalis. Methods: A rapid non-destructive detection method for magnolol was established by combining near-infrared spectroscopy technology with chemometrics. Results: The rapid detection model of magnolol established in this study has a high determination coefficient (R² = 0.9607), and the root mean square error of cross-validation is 0.1371. To verify the accuracy and stability of the model, the validation set was predicted using the model, and no significant difference was found in the results. Conclusion: The magnolol model has high accuracy and is suitable for the rapid detection of magnolol in Magnolia officinalis.

1. 引言

厚朴为木兰属植物厚朴(Magnolia officinalis Rehd. et Wils.)，产地包括我国湖北、四川、广东、浙江、陕西、广西、甘肃、河南和贵州等地[1]，临床上适用于脾胃湿热、腹胀、胸脘痞闷、痰饮喘咳等症。根据现代药理研究的结果，厚朴在抗菌[2]、抗炎[3]、抗氧化[4]、抗抑郁[5]等方面有作用有着高效作用，对于肠胃功能有促进作用、缓解胃肠动力障碍，临床上用于慢性腹泻，肠梗阻、胃轻瘫等疾病[6]-[10]。厚朴中酚类化合物主要包括酚苷、酚酸、酚酯、酚醛，其中以活性成分厚朴酚、和厚朴酚为主，还包括四氢厚朴酚、异厚朴酚等成分[11]-[13]。厚朴酚具有抗腹泻[14]、抗炎镇痛[15]-[17]、抗抑郁[18] [19]、抗菌及肠道菌群调节[20] [21]、抗肿瘤[22]、心肌保护[23]和神经保护[24] [25]等作用。

近红外光谱技术应用于各行业的在线检测，取得了良好效果，其中较常见的应用领域有化工、食品和农业、制药等行业[26]。早在20世纪90年代，近红外分析技术就被应用于化工领域，用于建立多元回归模型，在线分析混合物中乙烷、乙烯、丙烷和丙烯的含量[27]。在食品和农业领域，用于对各类水果的品质提升、肉类品质判别、高粱单宁检测等方向[28]，在制药行业主要用于药材、中间体、成品等关键指标的快速检测[29]。化学计量学作为化学、数学、统计学和计算机科学交叉融合的学科，其核心在于从复杂的化学数据中提取有效信息、建立稳健模型并优化化学过程[30]。

本研究运用近红外光谱技术、化学计量学方法——偏最小二乘(PLS)相结合的方式，快速对厚朴药材中的指标成分之一，厚朴酚进行分析，最终建立一个可使用的定量分析模型，为厚朴的厚朴粉的快速检测提供一种可以实行的思路。

2. 实验部分

2.1. 仪器与试剂

厚朴药材(源于某药企相同产地，2024年，炮制方法参照《药典2020版》)；IAS-S3120近红外光谱仪(无锡讯杰光远科技有限公司)；XSE-205DU型电子天平(梅特勒–托利多公司)；XPR2/A型电子天平(梅特勒–托利多公司)；甲醇(AR，重庆川东化工(集团)有限公司)。甲醇(HPLC，霍尼韦尔贸易(上海)有限公司)，厚朴酚(中国食品药品检定研究院)。

2.2. 近红外漫反射光谱采集

光谱采集条件：采集厚朴药材粉末(过3号筛)样品的漫反射光谱，光谱扫描范围900~1700 nm，实验采用内部参比进行光谱采集分析。采集到的厚朴药材近红外光谱如图1所示。

Figure 1. The original near-infrared spectrum of Magnolia officinalis

图1. 厚朴药材近红外原始光谱

2.3. 厚朴药材厚朴酚的测定

照高效液相色谱法(通则0512)测定。

对照品溶液的制备：制2份每1 ml甲醇含40 μg厚朴酚对照品的溶液。

供试品溶液的制备：取过三号筛的厚朴药材粉末0.2 g，精密称定，放入具塞锥形瓶中，加入甲醇25 ml，摇匀–密塞–静置24小时，滤过，取滤液5 ml，倒入25 ml容量瓶中，加甲醇至刻度，摇匀，过滤头滤过至进样小瓶中，即得。

液相条件：高效液相色谱仪选用Agilent 1100，色谱柱选用中普红，RD C-18，5 μm，4.6*250 mm，以甲醇–水(78:22)为流动相，检测波长为294 nm，分别向高效液相色谱仪中注入对照品溶液4 μl，供试品溶液5 μl，测定，即得。

2.4. 数据处理与模型性能评价

偏最小二乘回归(PLSR)，有时也被称为投影到潜在结构法或简称为PLS，会同时对X矩阵和Y矩阵进行建模，PLS旨在最大化X和Y之间的协方差，以找出X中能够最好地预测Y中潜在变量的潜在(或隐藏)变量。采集近红外光谱图后，运用CAL-BOX数据分析软件中的PLS建立厚朴药材的近红外光谱与厚朴酚含量之间的校正模型。模型建立的过程中，需要挑选出与厚朴酚相关性高的波段用于建立模型，此外还需要运用诸如一阶导、二阶导、归一化，多元散射校正等光谱预处理方法将原始光谱进行处理来消除由于仪器背景、环境、装样量差异等因素带来的影响。

判断模型状态需要根据回归系数，回归系数表明了在预测特定的Y响应时，每个变量的权重情况。回归系数是所有回归方法的一个特征，并且可能为模型的质量提供解释性的见解。回归系数会显示变量的相对重要性，同时还能展示变量之间的相互作用。R²值是相关系数的值的平方，它以正值尺度表示0和1之间的相关性，越接近1，说明模型预测越准确。校准的均方根误差(RMSEC)，是衡量校准样本与回归线之间偏离程度的一个指标。均方根误差(CV)为交叉验证的均方根误差，衡量验证样本围绕回归线分布程度的一个指标。预测的均方根误差(RMSEP)是在使用测试集验证时衡量验证样本围绕回归线分布情况的一种指标。当RMSEC和RMSEP值越小且彼此接近，表明模型具有好的稳健性并且对未知样品的预测能力较强。

3. 结果与讨论

3.1. 厚朴药材厚朴酚含量测定结果

按照2.3项下的方法测定72个厚朴药材中厚朴酚的含量，厚朴酚含量的范围在0.92%~3.1%之间。

3.2. 光谱预处理

厚朴药材样本集划分方法采用KS算法(Kennard-Stone算法)，根据样本间的欧氏距离判断变量，将72个样本划分为62个校正集和10个验证集。近红外光谱采集过程中，环境因素、仪器性能差异、人为因素等都会造成光谱之间的差异，从而干扰最终结果，因此在建模时需要对原始光谱进行光谱预处理以提高模型预测精度。CAL-BOX数据分析软件中常用的光谱预处理方法有：SG-一阶微分、SG-二阶微分、去趋势、归一化、多元散射校正等。本研究比较了不同预处理方法对厚朴药材中厚朴酚含量建模的影响，进一步对比选出了最佳建模参数，结果如表1所示。

Table 1. Model parameters of magnolol content

表1. 厚朴酚含量模型参数

预处理方法	校正集/RMSEC	验证集/RMSEP	校正集/R^2	验证集/R^2
移动平滑(3) + 一阶导	0.0888	0.1371	0.9607	0.9014
SVN + 一阶导	0.3217	0.7982	0.9013	0.8879
移动平滑(3) + 二阶导	0.1744	0.1431	0.8725	0.8655
Baseline	0.2458	0.6948	0.9126	0.7983

通过比较发现，厚朴药材厚朴酚含量模型通过进行光谱预处理后得到的模型有较低的RMSEC值，且相关系数R值更接近1，模型效果见图2。

Figure 2. Schematic diagram of the magnoliol model of Magnolia officinalis

图2. 厚朴药材厚朴酚模型示意图

为考察建模集筛选样本光谱质量符合建模要求，属于相同体系，使用PCA降维后计算Hotelling T²值，结果如图3所示，建模光谱无异常值，可用于建模，且证明上述模型使用数据具有稳定性。

Figure 3. Modeling data of T² value

图3. 建模数据T²值

4. 实验结论

4.1. 准确性

从预测结果来看(图4)，预测值与真实值接近，符合中药分析的精度要求。用NIR定量校正模型验证厚朴的厚朴酚含量的预测效果优良。

Figure 4. Prediction results of the validation set

图4. 验证集预测结果

4.2. 显著性

根据表2所示，通过进行t-检验分析，P > 0.05，真实值与预测值之间无显著性差异。

Table 2. Significance analysis

表2. 显著性分析

t-检验：成对双样本均值分析
	变量1	变量2
平均	1.811186441	1.811186
方差	0.200710637	0.192832
观测值	59	59
泊松相关系数	0.980175704
假设平均差	0
df	58
P (T <= t)单尾	0.5
t单尾临界	1.671552762
P (T <= t)双尾	1
t双尾临界	2.001717484

4.3. 差值的正态分布

Figure 5. Histogram distribution

图5. 直方图分布

Figure 6. Probability distribution chart

图6. 概率分布图

根据直方图及概率图可知(图5、图6)，P > 0.05，表明差值符合正态分布。

从上述三个角度来验证厚朴的厚朴酚模型，其结果均符合要求，可以用于快速检测厚朴的厚朴酚含量，实现厚朴药材质量的快速检测。

5. 结论

本研究建立了一种近红外光谱法与化学计量学相结合的、可以快速检测厚朴药材中厚朴酚含量的方法，应用PLS建立的厚朴药材中厚朴酚含量的定量校正模型，其相关系数R²为0.9607，RMSEP为0.1371，满足定量分析的要求。通过测定厚朴的光谱，并将其代入至模型中，能够在较短的时间得到厚朴药材中厚朴酚含量，相较于传统方法(HPLC)，其更简便、快速，并且对于样品本身无损耗。

NOTES

^*通讯作者。