近红外光谱法无损快速鉴别头孢类原料药

李臣贵， 胡育筑

(1.中国药科大学分析化学教研室，江苏南京210009;2.药物质量与安全预警教育部重点实验室，江苏 南京210009)

近红外(NIR)光谱是指波长介于780～2 500 nm(12 000～4 000 cm－1)的电磁波谱，对物质的穿透能力较强。其用于测试分析时，所测样品无需预处理，且不需消耗化学试剂，对环境无污染，具有非破坏、快速及环保等特点［1］，在环境保护［2，3］、农业［4］、医药［5，6］、烟草［7，8］等领域中有着广泛的应用。

头孢类抗生素是对冠头孢菌生成的天然头孢菌

［接受日期］2010-05-13素再行半合成而得到的一类抗生素，具有抗菌谱广、副作用小、抗菌作用强等优点，深受临床医生的青睐［9］。目前，头孢类药物的检测主要采用液相色谱与红外光谱相结合的方法，该方法准确度高、可靠性强，但存在检测周期长、所用化学试剂污染环境及易破坏样品等缺陷。本文采用NIR光谱与化学计量学相结合的方法，建立了头孢类药物的NIR识别模型，可无需化学试剂和复杂的样品前处理而快速方便地实现对头孢类药物的无损鉴别分析。

1 仪器与试药

Matrix-F型傅立叶变换近红外光谱仪(德国Bruker公司)，配有IN26-1型采样光纤、铟镓砷(In-GaAs)检测器和OPUS6.5光谱分析软件;XP205型电子分析天平(瑞士梅特勒－托利多公司);YC-D207型超声波加湿器(北京亚都室内环保科技有限公司)。

头孢类原料药样品，共8个品种104批次，包括头孢氨苄(TBANB)14批、头孢呋辛酯(TBFXZH)12批、头孢克洛(TBKL)12批、头孢硫脒(TBLM)14批、头孢曲松钠(TBQSNa)12批、头孢他定(TBTD) 14批、头孢他美酯(TBTMZH)13批和头孢西丁钠(TBXDNa)13批，均由扬子江药业集团提供，2006～2009年生产。每个品种随机抽取5批用于检验，剩余样品用于建模。

2 方法

不破坏样品包装，用光纤探头直接抵住聚乙烯包装袋，采集样品NIR漫反射光谱。采集条件:扫描范围为12 000～4 000 cm－1，分辨率为8 cm－1，扫描累积次数为32次。

3 结果与讨论

3.1 建模谱段的选择

按“方法”项下采集空白包装袋和头孢类原料药样品的NIR漫反射光谱图(见图1)。由图1a可见，空白包装袋在9 500 cm－1波数以上和4 500 cm－1波数以下处吸收值(A)较大;而由图1b可见，头孢类原料药的特征吸收峰主要在9 200 cm－1波数以下。故选择波数9 200～4 500 cm－1处作为NIR建模谱段。

图1 空白包装袋和头孢类原料药的NIR谱图Figure 1 NIR spectrum of polyethylene package and cephalosporins

3.2 光谱预处理方法的选择

头孢类原料药多为白色结晶性粉末，样品性质比较均一，其对NIR光谱的影响主要来源于颗粒不均匀而产生的光散射。研究表明，矢量归一化法可较好地消除粒径不均匀对光谱的影响，而导数光谱能够消除基线漂移，提高重叠峰的分辨率［10］。因此，分别采用矢量归一化(VN)、一阶导数+矢量归一化(1FD+VN)和二阶导数+矢量归一化(2FD+VN)等方法预处理样品光谱，并对其中导数光谱进行9点平滑处理，结果见图2。

由图2可见，经预处理的样品光谱消除了基线漂移，降低了背景及噪声干扰，增加了重叠峰的分辨率，提高了信噪比，增强了光谱特征。

图2 预处理后的样品NIR谱图Figure 2 The pre-processed NIR spectrum of the samples

3.3 异常光谱的检出

采用单个光谱和平均光谱间的马氏距离与限定值进行比较，检出异常光谱。限定值计算公式为:

其中，Rank为阶数即主成分维数，M为建模样品数，Factor为因子数(2～10，因头孢类原料药性质比较均一，故本文选择2)。若光谱与平均光谱间的距离大于限定值，则被认定是异常光谱，不参与建模，反之亦然。由此，对参与建模的光谱进行筛选。结果发现TBQSNa中有一光谱与平均光谱间的距离大于限定值，故剔除，采用剩余光谱建模。

3.4 模型的建立及优化

对谱图进行预处理并检出异常光谱后，结合NIR分析软件建立样品的NIR鉴别模型，建模结果见表1。

由表1可见，仅经VN处理后，部分样品谱图间分辨率小于2，而经1FD+VN和2FD+VN处理后，所有样品谱图分辨率均大于2。且因求导级数增高会增加计算量，降低谱图的信噪比，故优选1FD+VN预处理方法建立头孢类原料药的 NIR鉴别模型。

3.5 模型的适用性检验

3.5.1 准确性 模型建立后，需要用外部验证的方法对模型进行检验，进一步确定模型的准确性。利用未参加建模的独立验证集进行检验，取8种头孢类原料药各5批次样品采集其NIR光谱并带入已建立的模型检验，各样品光谱验证的匹配值见表2。

表1 建模结果Table1 Themodeling result

由表2可见，所有样品光谱验证的匹配值均小于模型中对应组的阈值，各样品均能被准确判定，证明所建模型的准确性良好。

3.5.2 专属性 取谱图分辨率最小的两种样品TBANB和TBXDNa，分别以不同的比例混合，采集其光谱带入模型检验，结果见表3。

表3 专属性验证匹配值Table3 Thematch values of specificity test

由表3可见，当TBANB中TBXDNa的比例超过5%或者TBXDNa中TBANB的比例超过8%时即可被检出，证明所建模型的专属性良好。

3.5.3 耐用性 为检验当环境改变时模型的适用能力，取模型中阈值最大的样品TBXDNa，分别在不同的温度、湿度条件下，由不同的操作人员采集其光谱并带入模型检验，并以匹配值的相对标准偏差(RSD)判断模型的耐用性，结果测得RSD为0.9% (n=9)，证明所建模型的耐用性良好。

［1］ 陆婉珍，袁洪福，徐广通，等.现代近红外光谱分析技术［M］.北京:中国石化出版社，2000.

［2］ 徐京萍，张柏，李方，等.基于MODIS数据的太湖藻华水体识别模式［J］.湖泊科学，2008，20(2):191-195.

［3］ Frost R L，Reddy B.J，Wain D L，et al.Identification of the rosasite group minerals—An application of near infrared spectroscopy［J］.Spectrochim Acta A，2007，66(4/ 5):1075-1081.

［4］ Wilkinsona M，Wana Y，Tosia P，et al.Identification and genetic mapping of variant forms of puroindoline b expressed in developing wheat grain［J］.J Cereal Sci，2008，48(3):722-728.

［5］ 曹槐，路帆，李虹，等.不同来路海洛因近红外光谱的支持向量机模式识别［J］.计算机与应用化学，2009，26(3):287-291.

［6］ Chong X M，Hu C Q，Feng Y C，et al.Construction of a universalmodel for non-invasive identification of cephalosporins for injection using near-infrared diffuse reflectance spectroscopy［J］.Vibrational Spectroscopy，2009，49(2): 196-203.

［7］ 束茹欣，王国东，张建平，等.国产烤烟烟叶的NIRS模式识别［J］.烟草科技，2006(8):12-15.

［8］ 谢娟，罗建群，姚鹤鸣，等.基于NIR和化学指标的国产烤烟烟叶产地、部位模式识别［J］.烟草科技，2008 (7):42-44.

［9］ 戴德银，卢海波，赵俊.头孢菌素的分类、药效及临床应用［J］.现代临床医学，2007，3(1):81-84.

［10］严衍禄.近红外光谱分析基础与应用［M］.北京:轻工业出版社，2005.