三黄片专属性近红外定量分析模型的建立初探

徐东来， 莫 迎

(南宁食品药品检验所，广西南宁450001)

三黄片由大黄、盐酸小檗碱、黄芩浸膏组成，具有清热解毒，泻火通便的功效。主要用于三焦热盛所至的目赤肿痛、口鼻生疮、咽喉肿痛、牙龈肿痛、心烦口渴、尿黄、便秘;急性胃肠炎，痢疾等［1］。其主要有效成分之一的盐酸小檗碱，其测定方法是按《药品检验补充检验方法和检验项目批准件汇编》(2003年 －2008年)［2］的 HPLC 进行测定，该方法需要一系列的样品前处理工作、大量的试剂和熟练的操作人员。近红外漫反射光谱法不需要对样品进行破坏、不用试剂、不污染环境，分析速度快，结果准确，操作技术要求低［3］10，近两年来近红外漫反射光谱法已广泛地应用到药品检测车上对药品进行初筛，本实验以HPLC为参比方法，首次用近红外漫反射法测定9家不同企业的样品，建立了测定三黄片中盐酸小檗碱含量的专属性校正模型，对应用NIR法进行中成药快速分析的可能性进行了初步探讨。

1 仪器

Matrix-F型傅立叶变换近红外光谱仪(德国BRUKER公司)。

2 样品

52批三黄片为2008年与2009年南宁食品药品检验所监督抽验样品。

3 实验方法

3.1 三黄片中盐酸小檗碱的含量 按《药品检验补充检验方法和检验项目批准件汇编》(2003年－2008年)［2］的HPLC进行测定，以三黄片单位片重(mg)中所含的盐酸小檗碱质量(mg)表征三黄片的含量(%)。

3.2 NIR光谱采集 取样品，磨去外层的糖衣层，用光纤探头直接抵住片剂已除去糖衣的部位扫描，以仪器内置背景为参比，扫描波长范围为12 000～4 000 cm－1，分辨率为 8 cm－1，扫描次数为 64 次;每批样品随机抽取6片，每片按上述仪器参数测定1次，对每批样品计算平均光谱。

3.3 训练集样本 选取6个企业的36批编号为01、02、03、04、05、06、07、08、10、11、12、13、17、18、19、20、21、22、24、25、26、27、29、36、37、38、39、41、42、44、45、46、48、49、50、52 的样品作为训练集，含盐酸小檗碱的纯度范围从0.713 3%～2.188 0%。

3.4 验证集样本 选取3个企业16批编号为09、14、15、16、23、28、30、31、32、33、34、35、40、43、47、51的样本作为验证集，含盐酸小檗碱的纯度范围从0.833 1% ～2.065 8%。

对训练集样品光谱数据用矢量归一化(Vector Normalization)进行预处理，运用偏最小二乘法(PLS)建立校正模型［3］44-46。所有数据处理均使用仪器自带的OPUS 5.0软件进行。

4 结果与讨论

4.1 近红外模型的建立 比较三黄片、盐酸小檗碱片(作为对照品)的原始NIRDRS光谱图(见图1)可知，由于所含盐酸小檗碱的浓度不同，因此，选取差异性大的特定谱段、适当的光谱预处理方法及合理的化学计量学方法以突出活性成分的信息是建立三黄片专属性NIR定量模型的关键。

图1 盐酸小檗碱片(1)、52个三黄片样品(2)的原始NIR光谱Fig.1 NIR spectra of berberine hydrochloride tablets(1)，52 batches of samples of Sanhuang Tablets(2)

4.1.1 训练集样本的选择 本文将收集到的9家生产企业52个三黄片市售样本的近红外光谱图进行聚类分析(预处理方法:一阶导数－矢量归一;谱区范围:12 000～4 000 cm－1)(见图2)，在 0.28处可将全部样本分为9大类，从每大类中分别取出2～4样本共计36个样本组成训练集，纯度范围为0.713 3%～2.188 0%，用于建立模型;剩余的 16个样本组成验证集，纯度范围为0.833 1% ～2.065 8%，用于模型的预测。

4.1.2 建立NIR模型 采用PLS法，利用OPUS软件Quant-2中的所有的预处理方法并应用其提供的自动优化模型功能(Optimize)，比较内部交叉验证均方差(RMSECV)、外部验证均方差(RMSEP)和决定系数的大小，自动进行光谱范围及预处理方法的选择;由NIR光谱(见图1)可知，在5 400～6 800 cm－1范围内光谱吸收度的变化与样品浓度的变化呈对应关系;避开淀粉和硬脂酸镁(8 100～9 000 cm－1和4 500～5 500 cm－1)、水分(7 450～7 100 cm－1和5 600～5 100 cm－1)及部分辅料如滑石粉(在 7 200 cm－1附近有尖峰)的干扰［4］，最终选择 2个较好的校正模型列于表1;由于模型1的内部交叉验证均方差(RMSECV)、外部验证均方差(RMSEP)为最小，且决定系数最接近100，因此，综上所述，认为光谱的预处理方法为矢量归一化、建模谱段为6 402.9～5 596.8 cm－1的校正模型1为最理想的模型。

4.2 近红外模型的验证

4.2.1 线性关系考察 在0.713 3%～2.188 0%的纯度范围内，以NIR预测值(Y)和HPLC测定值(X)求得线性方程为:Y=0.983 2X+0.026 7，r=0.991 6。其内部验证相关性见图3。

4.2.2 模型的可靠性和准确性 用模型1对验证集中16个样品的盐酸小檗碱的含量进行预测，以考察模型的可靠性和准确性。外部验证均方差(RMSEP)为0.127，决定系数为92.41。预测结果见表2，以NIR预测值与HPLC测定值的比值计算回收率，平均回收率为100.7%，RSD为5.63%(n=16)。

表1 三黄片中盐酸小檗碱的含量测定校正模型Tab.1 The calibration model for determination of the contents of berberine hydrochloride of Sanhuang Tablets

图3 三黄片HPLC测定结果与NIR自我训练测试结果相关性图Fig.3 The HPLC(abscissa)and NIR calibration(ordinate)relativity grape of the contents(%)of Sanhuang Tablets

表2中NIR预测结果与HPLC测定值之间所建立的回归方程为 Y=1.001 3X +0.010 7，r=0.967 3。因此可以认为该模型1可靠。NIR预测值与HPLC测定值对应关系见图4。

4.2.3 重复性 选取建模样品中其中一批样品，随机取6片，按前述测定方法扫描NIR图谱，每片扫1次，取6次的平均图谱，重复10次，并利用所建模型测其盐酸小檗碱的含量，测定结果的RSD为1.8%，可见该方法的重复性良好。

表2 模型对验证集三黄片的预测结果Tab.2 The prediction results of validation sample

图4 三黄片HPLC测定结果与NIR外部验证测试结果相关性图Fig.4 HPLC(abscissa)and NIR prediction(ordinate)relativity grape of the contents of Sanhuang Tablets

4.3 在快检工作中的实际应用

4.3.1 通用性模型具有涵盖面广，代表性强等优点，作者曾经对其建立过通用性模型，但是准确性较差，本实验是根据辖区药品质量状况针对9家生产企业生产的药品所建立的具有地方特色的专属性模型，其针对性强，准确性较高，在药品检测车的实际应用中起到了一定的初筛效果。

4.3.2 在实际检测操作中应注意，一是判断每批样品结果时，将平均光谱与6张光谱的测得值综合起来判断，其初筛的效果会更好;二是在磨片除去糖衣时，应按正反时针反复操作，以被磨处的表面平整、光滑、不残留糖衣为佳。

5 结论

本实验采用偏最小二乘法(PLS)，针对几家特定的药品生产企业生产的药品，建立了三黄片专属性近红外定量分析模型，该方法快速、简便，具有一定的专属性，可用于药品检测车的现场快速分析，以提高抽验不合格药品的靶向命中率，充分发挥近红外仪在药品监督抽验中的作用。

［1］中国药典［S］.一部.2005:328.

［2］国家食品药品监督管理局稽查局.药品检验补充检验方法和检验项目批准件汇编(2003～2008年)［S］.2009:145-146.

［3］陆婉珍主编.现代近红外光谱分析技术［M］.第2版.北京:中国石化出版社，2006.

［4］刘绪平，冯艳春，胡昌勤，等.头孢拉定胶囊剂通用性近红外定量分析模型的建立［J］.药物分析杂志，2008，28(5):724.