热毒宁注射液金银花提取过程轨迹研究＊

王 磊，杨 越，潘红烨，陈永杰，陈 勇

（1.浙江大学药学院现代中药研究所 杭州 310058;2.江苏康缘药业股份有限公司 连云港 222001）

热毒宁注射液金银花提取过程轨迹研究＊

王 磊1，杨 越1，潘红烨1，陈永杰2，陈 勇＊＊

（1.浙江大学药学院现代中药研究所 杭州 310058;2.江苏康缘药业股份有限公司 连云港 222001）

目的：建立热毒宁注射液金银花提取过程轨迹，实现对提取过程的全程在线监控，为中药生产批次间质量控制提供参考。方法：收集多批次金银花提取过程的近红外光谱（NIRs）数据，并使用多元统计过程控制技术（MSPC）建立提取过程轨迹，实现对提取过程的全程监控。结果：建立的热毒宁注射液金银花提取过程的主成分得分，Hotelling T2和DModX轨迹图能够检测到过程的异常情况。结论：基于近红外光谱数据和MSPC技术建立的过程轨迹图可以反应中药生产的过程变化，可以用于对中药生产的全程监控。

热毒宁注射液 金银花提取 近红外光谱 多元统计控制 过程监控

中药生产多以批次生产为主，加强批次间产品的质量可靠性和一致性是保证中药质量均一性、稳定性和安全性的基础，为了实现这一目标，必须对批次生产的全程进行监管和控制[1]。目前中药生产批次质量的检验仍以工段终点中间体的离线检验为主，这种离线检验的方法工作量繁杂，人工和时间成本巨大，造成资源的极大浪费。此外，离线抽检只是对终点样本进行检测，但是终点样本并不能够反映过程变量的变化，即使检测结果表明批次产品质量异常，也不能够很好地回溯到生产过程寻找导致批次产品质量异常的原因。因此，为了找到异常发生的根本原因，对批次生产全程质量的监管和控制研究显得尤为重要。

2004年，美国食品药品监督管理局（Food and Drug Administration,FDA）提出过程分析技术（Process Analytical Technology,PAT）[2,3]，旨在将研究分析的重点从过程终点转移到药物设计和药物生产的过程。PAT是以实时监测原材料、中间体和过程的关键质量和性能特征为手段，建立起来的一种设计、分析和控制生产的系统，PTA作为生产过程的分析和控制，是依据生产过程中的周期性检测、关键质量参数的控制、原材料和中间产品的质量控制及生产过程，确保最终产品质量达到认可标准的程序。近年来，PAT已经成为实现生产过程实时测量的强大工具之一，其常用的方法有光谱法、色谱法、质谱法及其联用方法等。其中，近红外光谱技术（Near Infrared Spectrum,NIRs）是一种高效便捷的过程变量检测技术[4]，NIRs具有检测快速、操作简便、单次样品处理量大、样品破坏性小、同时携带物理和化学过程变量信息等优点，被广泛应用于各种药物生产过程的在线质量控制[5-8]。

多变量统计过程控制(Multivariate Statistical Process Control，MSPC）技术能对过程进行有效的监控，及时发现过程中的生产异常，从而提高过程生产中的安全性。在药物生产过程中，通过NIRs进行在线质量监控，在NIRs所得数据的基础上，使用多变量统计过程控制方法[9,10]，基于主成分分析（Principal Component Analysis,PCA）[11]或者偏最小二乘（partial least squares,PLS）方法[12]，将NIR提供的高维数据通过投影的方式降维到少数变量定义的低维空间，从大量数据中提取反应过程运行的有效信息，即可建立变量随时间有序变化的统计控制模型—过程轨迹图。通过判断生产过程是否在轨迹图的控制限内合理地变化，实现对中药生产全程的监控。本研究以热毒宁注射液生产中金银花提取过程为例，建立金银花提取过程轨迹并用于对提取过程的实时监控，考察过程轨迹方法对药物生产过程全程质量监控的可行性，为中药生产的批次间质量控制提供方法参考。

图1 提取罐改造图

表1 金银花提取批次设计表

图2 近红外光谱数据矩阵的展开方式

1 材料和方法

1.1 仪器和药材

Luminar3060 AOTF-NIR光谱仪（BRIMROSE USA）；SNAP光谱采集软件；小型中试提取罐（40 L）。金银花药材由江苏省康缘药业提供。

1.2 提取工艺和提取罐改造

称取一定量金银花药材，加水适量，调节至一定pH，进行回流提取。金银花提取过程约90 min，每5 min采集一次光谱，每个批次采集18个点，提取罐改造见图1。在提取罐底部进行改造，采集光谱时，首先打开阀门1、2、3、4、5，开启变频微型泵，让药液充满流通池所在管道，关闭阀门4和5，使药液静止在流通池所在的管道，采集光谱。循环采集光谱时，打开阀门4和5，同时关闭阀门3，使新鲜药液持续通过流通池，采集光谱。如需取样，关闭阀门4和5时，打开阀门6和7，破除阀门4和5之间管道的真空状态即可取样。

1.3 批次设计

提取实验批次见表1，其中批次1～6的光谱数据来源于热毒宁注射液的正常生产批次（NOC），用于建立正常的过程轨迹。批次7～9来源于小型提取车间的模拟生产。批次7模拟正常生产，批次8～9模拟异常生产批次。在自动化生产中，加水量和提取时间由程序控制，本研究不作考察。为了保证金银花提取质量的稳定性，金银花提取一般需要在弱酸性条件下提取[13]，未调酸提取会导致金银花中成分的转化，异常批次8在提取前不进行调酸操作，主要考察在非弱酸性条件下金银花提取过程的异常轨迹以及验证建立的正常批次轨迹模型对此类异常批次的监控能力。在实际生产中，中间体的质量往往还受到前一个工段中间体或者生产原料的影响，当多批次物料的生产过程轨迹图均处于过程轨迹图上下限附近时，提醒质管人员加强对前一工段中间体或者原料的质量控制，异常批次9主要考察使用劣质药材（指标成分含量约为正常药材的一半）为原料条件下金银花提取过程的异常轨迹以及验证建立的正常批次轨迹模型对此类异常批次的监控能力。

1.4 光谱采集

光谱采集方式为透射法，以提取溶剂水为参比，光谱扫描范围1 100～2 300 nm，波长增量2 nm，扫描次数300次，分辨率2 nm。

1.5 过程轨迹图的建立

1.5.1 数据预处理

采集的近红外光谱是一个三维矩阵X（I×J×K），其中I代表批次，J代表时间，K代表变量即波长。在建立MSPC模型之前，首先需要对矩阵进行展开并降维，常见的矩阵展开方式有按变量方向展开和按批次展开（见图2），不同的展开方式有不同的目的，按批次展开方式是把矩阵X转化为二维矩阵X1（I×KJ），每一行代表一个生产批次中所有时间点的所有光谱变量响应值。按变量展开则是把矩阵X分解为二维矩阵X2（IJ×K），每一列代表一个光谱变量在所有生产批次中的所有时间点上的响应值[14]。建立过程轨迹图的目的是监控不同批次整个过程变量的变化，所以本研究选择将矩阵按变量方向展开。

展开后的矩阵仍然存在大量高度相关的变量，需要使用PCA和PLS等方法对数据进行降维，简化过程监控的研究，并且通过选择投影的主成分数，去除原始数据中的噪声，提高模型的性能。本研究使用主成分贡献率累计和百分比（CPV）选择需要投影的主成分数。CPV达到80%以上为宜，这样既能够降低损失的信息，又能够达到减少变量、简化问题的目的。

1.5.2 MSPC控制图的选择

本研究选择主成分得分、Hotelling T2和DModX建立过程轨迹图[15]。Hotelling T2控制图和DModX控制图二者相互补充，在实际应用中常联合使用以提高判断准确性。T2统计量反应的是主成分模型内部的变化，表征样本到主成分模型的距离，在变量间相互关系结构不发生改变的情况下，若某个时间点的样本T2值超出控制限时，说明该时间点样本的输入变量具有较大的变化；DModX统计量反映主成分模型外部的变化，主要通过考察模型对样本点的拟合残差来监控输入变量间的数据结构，当DModX值超出控制限，表明被监控变量间的相关关系发生改变或者当前DModX模型不再适用[16,17]。

2 结果和讨论

2.1 NIR光谱分析

一个典型的金银花提取过程NOC批次光谱见图3，从图中可以看出，原始光谱在1 450 nm附近有强吸收峰，主要是酚酸类物质和水的-OH的一级伸缩。1 920 nm附近吸收峰主要是提取溶剂水的合频区，为了减少水分对过程光谱的影响，去除掉该特征波段。最后，波段选取1 100～1 900 nm，同时使用1stderivative对光谱进行处理，以去除光谱中的噪声信息。

2.2 提取过程轨迹的建立

将预处理后的光谱矩阵按变量方向展开，使用PLS方法对矩阵进行降维。以光谱采样时间点的相对顺序作为响应变量Y，建立基于6个NOC批次光谱数据的轨迹图监控模型。前两个主成分的CPV达到82.8%，说明前两个主成分已经可以解释大部分的模型变化。

图3 金银花提取过程近红外光谱图

图4 金银花提取过程趋势

为了直观的表示提取过程变化的趋势，对前两个主成分得分进行作图，见图4，箭头方向即为提取进程的趋势。设置置信限为95%,计算各个样本的Hotelling T2和DModX的值和控制限[14]，结果如图5所示，图A、图B和图C分别为提取过程的Hotelling T2控制图、DModX控制图和主成分得分（主成分1）轨迹图的监控模型。

金银花提取过程监控模型见图5。提取过程初始，主成分轨迹图和DModX控制图波动较大，这是因为提取开始各种过程变量变化较大，如工艺参数尚未稳定，提取初始各种成分溶出速度不一致，导致变量结构尚未稳定。随着时间的变化，轨迹图逐渐变得稳定平滑，说明输入过程变量和过程变量的结构已经趋于稳定。

2.3 过程轨迹图的验证

图5 金银花提取过程监控模型

图6 金银花提取过程监控模型-批次7

金银花提取过程轨迹图监控模型建立后，嵌入可以实时读取过程变量的PKS[18]系统，即可以实现对金银花提取过程新的生产批次进行实时监控。但是在正式投入使用前，还要对建立的统计模型的监控能力进行验证。测试批次7为模拟正常生产批次，用于考察所建模型对正常生产批次的监控能力，其提取过程轨迹图见图6，在3种监控模型中，批次7没有采样点落在控制限之外，同时批次7的过程轨迹与6个NOC批次建立的监控模型轨迹基本一致，说明所建轨迹图监控模型可以很好地用于对正常生产批次过程轨迹的监控。

图7 金银花提取过程监控模型-批次8～9

批次8（未调酸提取）和批次9（药材质量不合格）用于考察所建轨迹图监控模型对异常生产批次的监控能力，其过程轨迹图见图7。批次8没有进行调酸提取，导致提取液pH较高。金银花中含有绿原酸、隐绿原酸等多种成分，在中性和碱性条件下，这些成分很容易降解转化[19]，这会导致变量的数据结构发生较大的变化。在主成分轨迹图和Hotelling T2轨迹图中，批次8在提取初始仍有部分采样点在控制图的控制限内，但随着时间的变化，批次8的过程轨迹与监控模型的过程轨迹的偏离不断变大，说明过程变量在不断变化。在DModX控制图中，批次8所有采样点都在控制限外，且与控制限差异巨大，说明在检测数据结构变化方面，DModX控制图更为灵敏。批次9药材质量不合格，药材中成分含量较低，但批次9无其他异常工艺操作，所以有部分采样点落在3种模型的控制限之内，且批次9的过程轨迹和NOC批次建立的过程轨迹偏离不大。但是批次9大部分采样点在控制限之外，因此仍可判断为异常批次。批次8和批次9的验证结果说明所建轨迹图模型可以很好地用于对异常生产批次过程轨迹的监控。

3 结论

本研究以热毒宁注射液金银花提取过程为例，建立了一种NIR光谱结合MSPC方法建立中药提取过程轨迹和监控模型的方法，实验结果表明过程轨迹可以很好地反应中药生产的过程变化，检测出异常批次。说明该方法可以很好地实现对中药生产的全程监控，这为工段放行提供判断依据，为中药生产全程实时监控、智能诊断以及智能放行的研究奠定基础。

本研究也有许多可以改进的地方，影响中药生产的因素众多，本研究使用NIR光谱来综合表征提取过程的变量变化，但并未将提取温度，提取真空度等过程参数考虑在内，后续研究可以将过程参数和近红外光谱数据联合使用建立过程轨迹图；本研究以金银花提取过程为例，所以在异常批次设计时，选择药材质量不合格为异常因素，推广到其他工段应为研究原料或者前一个工段的中间体的质量；建立主成分得分轨迹图时，本研究只以第一主成分为例建立过程轨迹，但是不同的主成分代表着不同的信息，参与建立过程轨迹的主成分应该根据具体生产工段和生产需求进行选择。针对不同的监控需求建立相应的过程轨迹图监控模型后，即可对中药生产全程的各个方面进行监控，极大地提高中药生产过程的风险管控能力。

1 熊皓舒.中药质量及制药过程一致性评价方法研究.浙江大学博士学位论文,2013.

2 Peterson J J,Lief K.The ICH Q8 Definition of Design Space：A Comparison of the Overlapping Means and the Bayesian Predictive Approaches.Stat Biopharm Res,2010,2(2)：249-259.

3 董芹,臧恒昌,刘爱华,等.过程分析技术在制药领域的应用及对我国制药行业的启示.中国药学杂志,2010,45(12)：881-884.

4 刘全.近红外光谱技术在中药生产过程质量分析中的应用研究.浙江大学硕士学位论文,2004.

5 段焰青,王家俊,杨涛,等.FT-NIR光谱法定量分析烟草薄片中5种化学成分.激光与红外,2007,349(10)：1058-1061.

6 许春瑾,张睿,于修烛,等.基于近红外光谱的中宁枸杞子判别分析.食品科学,2014,471(2)：164-167.

7 刘绍勇,薛东升,潘建超,等.基于近红外光谱技术的连翘药材质量控制方法研究.药物分析杂志,2014,34(4)：681-685.

8 涂瑶生,全智慧,孙冬梅,等.近红外光谱法快速测定制川乌提取浓缩过程中单酯型生物碱.中草药,2013,44(7)：839-844.

9 封波.多变量统计过程控制的应用研究.浙江大学硕士学位论文,2002.10时瑞研.多变量统计过程控制在炼油生产过程中的应用.北京化工大学硕士学位论文,2003.

11 李康顺,李凯,张文生.一种基于改进BP神经网络的PCA人脸识别算法.计算机应用与软件,2014,31(01)：158-161.

12 刘媛媛,彭彦昆,王文秀,等.基于偏最小二乘投影的可见/近红外光谱猪肉综合品质分类.农业工程学报,2014,249(23)：306-313.

13 高春荣,胡锦蓉,孙君社.金银花中绿原酸的提取工艺.中国农业大学学报,2003,8(4)：5-8.

14 周海燕,徐冰,史新元,等.统计过程控制在栀子前处理生产工艺中的应用.中国实验方剂学杂志,2012,18(11)：16-20.

15 唐翠,印春华.肺部给药系统的研究进展.中国医药工业杂志,2001,32(12)：560-564.

16 黄红霞,李文龙,瞿海斌,等.丹红注射液提取过程轨迹及质量在线监控研究.中国中药杂志,2013,38(11)：1663-1666.

17 黄红霞.丹参注射剂生产全程质量控制技术研究.浙江大学博士学位论文,2013.

18 陆旅星.借力“互联网+”完善医药质量标准.中国医药报,2016,1(13)：006.

19 朱鹏,苗潇磊,陈勇.绿原酸、隐绿原酸和新绿原酸在中性和碱性pH条件下的降解动力学.药学学报,2016,51(1)：122-126.

Study on Extraction Process Trajectory for In-line Monitoring of Extraction Process of Lonicera Japonica of Re-Du-Ning Injection

Wang Lei1,Yang Yue1,Pan Hongye1,Chen Yongjie2,Chen Yong
(1.Institute of Modern Traditional Chinese Medicine,College of Pharmacy,Zhejiang University,Hangzhou 310058,China;2.Jiangsu Kanion Pharmaceutical Co.,Ltd.,Lianyungang 222001,China)

This study was aimed to develop in-line monitoring of extraction process ofLonicera japonicain the extraction process trajectory ofRe-Du-Ning(RDN)injection.Several batches of near-infrared(NIR)spectrum dates were collected and multivariate statistical process control(MSPC)method was in conjunction with.The results showed that using score,Hotelling T2and DModX control chart,various normal and abnormal behaviors of the test batches were detected in time by comparison with the extraction process trajectory.It was concluded that the process trajectory for in-line quality control based on NIR spectrum dates and MSPC could indicate the changes of process.It was a feasible technology tool of the total process quality control during traditional Chinese medicine(TCM)manufacturing process.

Re-Du-Ninginjection,Lonicera japonicaextraction,near-infrared spectrum,multivariate statistical process control,process monitor

10.11842/wst.2017.08.003

R282

A

2017-03-14

修回日期：2017-06-19

＊ 国家科技部“国家重大新药创制”项目（2013ZX09402203）：现代中药创新集群与数字制药技术平台，负责人：萧伟。

＊＊ 通讯作者：陈勇，男，博士，研究员，研究方向：中药生产自动化控制。

（责任编辑：张 静，责任译审：王 晶）