AOTF近红外光谱技术快速测定茯苓中的水分*

丁银花，毕宇安，曹燕飞，秦建平，杨瑶珺，萧 伟**

1北京中医药大学中药学院，北京 100020；

2江苏康缘药业股份有限公司 中药制药过程新技术国家重点实验室，连云港 222001

茯苓为多孔菌科真菌茯苓Poria cocos（Schw.）Wolf的干燥菌核。多于7～9月采挖，挖出后除去泥沙，堆置“发汗”后，摊开晾至表面干燥，再“发汗”，反复数次至皱纹、内部水分大部散失后，阴干，称为“茯苓个”，或将鲜茯苓按不同部位切制，阴干，分别称为“茯苓块”和“茯苓片”。其性甘、淡、平。归心、肺、脾、肾经；具有利水渗湿、健脾、宁心等功效[1]。药材在贮藏过程中，其水分含量是药材质量变化的介质，也是药材质量变化的内在主导因素，而菌类药材的含水量对于贮藏尤为重要，故“安全水分”有利于药材质量的保存[2]。药材中含有过量的水分，极易霉烂变质，使有效成分分解，从而造成成药质量不稳定，给安全用药带来隐患，且相对地减少了实际用量，从而不能达到治疗目的[3]。传统的水分测定方法一般操作过程繁琐、费时，不利于药材质量的及时监控。

近年来近红外光谱（near-infrared spectroscopy，NIRS）技术发展迅速，已在农业、烟草、石油化工、食品和药物等领域得到广泛应用，具有分析速度快、操作简单方便、无污染、无破坏性、一般不需特别前处理等优点[4]。已有研究者利用近红外光谱技术对连翘、白芍、苦参等中药材、中成药及化学药的含水量进行了快速测定，为中药材入库标准的水分测定提供了可行性[5-6]。本研究测定了茯苓的NIR光谱和茯苓含水量，结合化学计量学中的偏最小二乘法（PLS），建立了茯苓的NIR光谱水分校正模型，用于快速测定茯苓中的水分，对于生产中批量茯苓水分的控制具有潜在的应用前景，同时也为菌类中药材含水量的快速准确控制提供参考方法。

1 仪器和样品

Luminar 5030便携式AOTF近红外光谱仪，配有专用的SNAP扫描软件和The Unscrambler定量分析软件（美国Brimrose公司）；立鹤牌电热恒温干燥箱（山东潍坊精鹰医疗器械有限公司）；直立粉碎机（北京环亚天元机械技术有限公司）；万分之一电子天平（Mettler Toledo AL204）。

茯苓69批，来源于安徽、广西、湖北、云南等省区，由江苏康缘药业股份有限公司提供，经本课题组杨瑶珺鉴定均为多孔菌科真菌茯苓Poria cocos（Schw.）Wolf的干燥菌核。

2 方法与结果

2.1 样品水分的测定

将收集的69份茯苓粉碎，过45目筛，采用2010年版《中国药典》一部附录ⅨH水分测定法中的烘干法进行测定，测得的数值作为茯苓含水量的真实值。水分含量12.80%～21.93%。

2.2 样品近红外图谱采集

将已粉碎过45目筛的茯苓粉末装入样品池中，以空气为背景，采用漫反射方式、比率模式下采集近红外光谱，波长1100～2300 nm，选择透光率为纵坐标，每个样品重复采集3张光谱，取其平均值作为该样品的光谱图。原始吸收光谱图见图1。

图1 样品的原始吸收光谱图（n=60）

上述所采集的光谱中不仅包含了样品中的有效信息，还包括由于外界环境的波动、随机噪音、样品的背景干扰所产生的信息，因此在建模前需要对光谱进行预处理，以去除噪音，净化谱图信息，扩大有效信息，提高模型的精度和预测效果[7]。本实验比较了原始吸收光谱及一阶微分导数、二阶微分导数，分别与S-G平滑法（savitzky-golay法）结合等光谱预处理方法，以RSEP和R2的大小为依据来优选合适的预处理方法，结果发现建模时选用一阶微分导数+9点S-G组合对原始吸收光谱进行预处理可以达到最优的结果。故本文采用一阶微分导数+9点S-G平滑法对扫描得到的原始吸收光谱进行光谱预处理，以消除噪音和基线的影响。见图2。

图2 一阶微分导数+9点S-G平滑法光谱图

2.3 定量模型的建立

按含水量高低均匀选取样本组成校正集，用于建立校正模型，剩余样本为验证集，用于对模型进行外部验证，在样本集划分时保证校正集样本含水量范围大于验证集。校正集和验证集的样品含水量分布范围见表1。

表1 校正集与验证集样品数量及其含水量分布范围（n=60）

采用偏最小二乘法 （PLS）、交叉-验证法，用Unscrambler定量分析软件建立茯苓药材的水分校正模型。光谱和化学值的异常值分别采用光谱影响值Leverage和化学值误差Residual这两个统计量来检验剔除。结果显示，本实验中无异常点出现，能得到较为理想的校正模型。

其中样品F1～F15和F25～F69进行初步模型的建立与优化，样品F16～F24进行模型的外部预测。其模型外部交互验证相关系数能达到0.9951，内部交互验证相关系数为0.9956，水分模型结果如图3。

图3 水分（%）含量的PLS回归模型图

2.4 定量模型的预测

用上述茯苓水分定量校正模型对9个外部样品进行预测，计算得出验证集相对偏差RSEP为2.7%，外部预测误差均方根RMSEP为0.49，预测值与化验值的平均相对偏差为1.3%。模型的外部验证结果见表2。

表2 NIR水分模型预测结果

2.5 方法学验证

选择编号为F16的茯苓粉末样本，测定6次光谱，用上述所建立的模型预测其含水量，测得精密度RSD值为0.87%；同一批样品，分别取样6次，依次测定其近红外光谱，预测样品的含水量，测得重复性RSD值为2.0%。

3 讨 论

3.1 样品粉碎度的考察。考察了4种筛孔下（过10目、20目、45目和60目筛）样品采集的光谱，从原始光谱及一阶导数光谱分析各筛孔下采集光谱重复性均较好，差异性不大，计算它们一阶导数图谱的 MBSD 值（移动块标准偏差）[8]，分别为 3.58×10-6、3.41×10-6、2.74×10-6、2.83×10-6，过 45 目筛样品光谱MBSD最小，且光谱重复性较好，因此确定茯苓粉末过45目筛。

3.2 样品装样量的考察。将过45目筛的茯苓粉末分别装于样品杯中，厚度分别为 0.5、1、1.5、2 cm，进行光谱的采集，0.5、1.0 cm厚度时，光谱的重复性较差，其它厚度下的光谱重复性较好。同时，计算各厚度下一阶导数光谱的MBSD值，分别为3.68×10-6、2.74×10-6、2.70×10-6、2.72×10-6，可以看出，装样厚度大于1 cm时MBSD值稳定，均较小，光谱差异性不大，且重复性较好，所以确定装样厚度要大于1 cm。

3.3 扫描平均次数的考察。将过45目茯苓粉末，分别装于样品杯中，装样量均为1 cm，考察了平均300次和600次的光谱，光谱差异不大，分别计算它们一阶导数图谱的MBSD值，为9.00×10-6和2.74×10-6，平均600次的差异更小些，所以扫描平均次数确定为600次。

3.4 本实验所建立的模型预测能力较高，预测结果比较准确，精密度和重复性均良好，显示出较高的实用价值。如果在此基础上，继续加大建模样品和模型验证样品的数量，增大建模用样品的代表性，进一步优化模型，提高模型的预测能力，使AOTF近红外光谱仪完全可以满足茯苓水分含量的快速准确测定，这为茯苓等菌类中药材水分快速测定提供一新方法。

[1] 国家药典委员会.中华人民共和国药典：一部[S].北京：中国医药科技出版社，2010.

[2] 傅泉炎.中药含水量与中药仓储质量的关系[J].中国药业，2002，11（5）：70.

[3] 吴启南，钱大伟，段金廒.中药材贮藏过程中的质量变化机制探讨[J]. 中国中药杂志，2010，35（14）：1904-6.

[4] 杨海雷，刘雪松，瞿海斌，等.一种基于近红外的红参药材质量快速评价方法[J]. 中草药，2005，36（6）：912.

[5] 白 雁，王 星，陈志红.近红外光谱法检测连翘药材中水分含量[J]. 郑州大学学报，2008，43（6）：1164-6.

[6] 魏慧珍，方少敏，饶 毅，等.近红外光谱技术快速测定白芍药材烘干过程中水分 [J].中草药，2011，42（10）：1994-7.

[7] 褚小立，袁洪福，陆婉珍.近红外分析中光谱预处理及波长选择方法进展与应用 [J].化学进展，2004，16（4）：528-42.

[8] 金 叶，杨 凯，陈木洲，等.微型近红外仪用于众生丸粉末混合过程的在线监测研究 [J].中国中药杂志，2011，36（21）：2964-5.