近红外光谱法测定桂枝药材中肉桂酸与桂皮醛的含量研究

刘永好，严妲妲，鲁 萍，罗捷华

(1.太极集团浙江东方制药有限公司，浙江 绍兴 312000；2.合肥瑾翔医药科技有限公司，安徽 合肥 230088)

近红外光谱法测定桂枝药材中肉桂酸与桂皮醛的含量研究

刘永好1，严妲妲1，鲁 萍1，罗捷华2

(1.太极集团浙江东方制药有限公司，浙江 绍兴 312000；2.合肥瑾翔医药科技有限公司，安徽 合肥 230088)

运用近红外光谱法建立桂枝药材中肉桂酸与桂皮醛含量的定量分析模型，采用HPLC为对照测定桂枝药材中肉桂酸、桂皮醛含量，运用偏最小二乘(PLS)法建立NIR光谱与二者分析值之间的多元校正模型，并对未知样品进行预测。得出校正集内部交叉验证决定系数分别是0.930 2、0.952 0，内部校正均方差分别为0.003 4、0.023 3,外部预测均方差为0.012 8、0.065 1。因此得出利用近红外光谱法测定桂枝药材中肉桂酸与桂皮醛是可行的，该法具有快速、简便、无损等特点。

近红外光谱；桂枝；肉桂酸；桂皮醛

桂枝，别名：柳桂(学名：Cinnamomum cassia Presl)为樟科植物肉桂 Cinnamomum cassia Presl的干燥嫩枝，主要功能有发汗解肌，温经通脉，助阳化气，散寒止痛[1]。桂枝主要有效成分为桂皮醛和肉桂酸，目前对桂枝有效成分的定量分析多采用HPLC、GC等方法，但是实际使用中发现定量分析这种方法花费更长的时间，药品生产过程中的质量控制不容易去适应原药材的快速测定以及在线检测的需要。

近红外光谱技术(near-infrared,NIR),具有分析速度快，无损伤，无化学污染的样本和其他重要特征，广泛应用于中药(TCM)近年来分类和有效成分的确定等[2-3],本研究采用近红外漫反射光谱,桂枝药材建立定量分析模型,快速分析[4-6]。

1 材料

Luminar：5030-731便携式近红外光谱仪AOTF技术(BRIMROSE公司)；多元数据分析软件(CAMO公司)；Anglient 1100高效液相色谱仪；BP211D式电子天平(德国Sartorius)；5415 d高速离心机埃普多夫(德国)；Milli-Q学术纯水机(法国)。43批桂枝药材饮片，采购自浙江震元饮片厂，经公司质量部检验人员鉴定为正品。

桂皮醛、肉桂酸检测对照品(制药、生物制品)从中检所购买，批号：110710-200714，110786-200503)乙腈(色谱纯)、纯水(超)；其余的试剂都是分析纯。

2 方法与结果

2.1 测定肉桂酸、桂肉醛化学值(高效液相色谱)

供试品溶液的制备：取本品粉末(过四号筛)约0.5 g，精密称定，置具塞锥形瓶中，精密加入甲醇25 ml，称定重量，超声处理(功率250 W，频率40 Hz)30分钟，放冷，再称定重量，用甲醇补足减少的重量，摇匀，滤过，精密量取续滤液1 ml，置25 ml量瓶中，加甲醇至刻度，摇匀，即得。

色谱条件：水域对称C18色谱柱(4.6×250毫米，5微米)；流动相：0.02%三氟乙酸(A)(B)乙腈，梯度洗脱，0 min，16%B；0～15 min，16%～26%B；15～30 min，26%～33% B；30～60 min，33%～58%；柱温：30 ℃；测定波长275 nm；流速：1.0 ml/min；进样量：10 μl；见图1。

2.2 近红外光谱采集

选择不同的加工批次的样本，粉碎，45孔筛，样品的粉末样品柜分别装样量不得少于1厘米，用专用槽盖样品粉末表面光滑，在1 100～2 300 nm扫描，2 nm波长增加，扫描时间平均600次。每个样品检测3次，取平均值作为样品的近红外光谱，得到总43样品近红外光谱图，如图2所示。

图1 桂枝药材 HPLC图(1—肉桂酸，2—桂皮醛)

图2 桂枝样品的近红外漫反射光谱

3 定量模型的建立与验证

由于干扰样本，不同组件之间的近红外光谱带会导致重叠，含量低的组件很容易掩盖的高含量成分谱峰谱峰信号噪声，通常需要一些预处理，才能消除各方面的因素对光谱信息产生的影响[7]。

3.1 数据处理方法的选择

运用TheUn-scrambler分析软件进行数据处理，偏最小二乘(PLS)和主成分回归(PCR)建模算法的比较试验。结果表明，PLS建立模型优于PCR方法，因为PCR方法利用光谱信息计算主成分，并且使用光谱数据和方法集中在同一时间信息计算的主要因素，而PLS建模方法比PCR方法具有更好的效果，因此，选择采用PLS方法建立定量校正模型进行了分析。与相关系数(R)和均方误差修正模型参数(RMSEC)作为索引选择和优化的结构模型，来预测均方误差(RMSEP)模型的预测性能和泛化能力[8]。

3.2 光谱预处理方法的选择

为了减小光谱基线的漂移和斜率变化等非线性因素对校正模型性能产生的不良影响，同时能够最大限度地保留样品成分浓度与近红外光谱间的线性关系，一般在使用化学计量学方法建立校正模型对光谱预处理消除不利影响。实验采取了不同的光谱预处理方法比较找出最优预处理方法。从表1可以看出，最合适最科学的预处理方法为标准归一化法。

表1 不同光谱预处理方法对建模的影响

3.3 建模波段选择

科学合理的建模波段，不但包含了待测组分的最大信息量和避免冗余信息，而且同时尽可能地降低了噪声干扰，进一步改善所建模型的性能，从而获得了最佳的预测效果。从表2中的各波段对应的校正相关系数(R)、校正均方差(RMSEC)和预测均方差(RMSEP)的值可以得出结果：桂枝药材中肉桂酸和桂皮醛含量所对应的最佳建模波段范围均为：1 100～2 300 nm。

3.4 确定最优量化分析模型

上面集成建模条件优化结果，决定采用光谱标准归一化处理，1 100 nm～2 300 nm波长范围，建立模型、光谱预处理后，光谱数据与高效液相色谱法分析相关数据，通过最小二乘法(PLS1)，交叉验证方法，利用多元数据定量分析软件模型。肉桂酸、桂皮醛的主成分数则通过校正样品集RMSECV-主成分数(PC)图来确定，如图3所示，RMSECV值越小，说明模型的预测能力越佳，最后选定的肉桂酸、肉桂醛主成分数分别为9、13，以致得到了更为理想的肉桂酸、肉桂醛定量模型。通过模型样本肉桂酸、肉桂醛的预测值和高效液相色谱之间的相关性分析，结论良好。测量数据偏差小，内部交叉验证的决定系数(R)，分别是0.930 2、0.952 0，内部校正均方差分别为0.003 4、0.023 3，外部预测均方差为0.012 8、0.065 1，定量模型见图4。

表2 建模波段对模型的影响

图3 校正集RMSECV与主成分数之间的相关图

图4 预测值与测定值之间的相关图

3.5 模型的验证

将HPLC测定值作为化验值，用近红外

预测值与化验值的相对误差来衡量模型的预测能力。如表3所示：5批预测集样本的相对误差均未超过10%。

表3 预测集样本的近红外模型预测值

4 讨论

实验使用近红外光谱快速分析桂枝药用材料，通过实验发现，近红外光谱法可以准确、快速、无损、有效地评价桂枝药材的质量。这种方法只需要一个简单的样品处理，与传统方法相比，如高效液相色谱法，可以节省大量的时间和分析成本。伴随着标准样品的增加，建立不断提高和完善的标准光谱库，建立的近红外光谱药材质量评价方法可以用于中药原料的质量控制，满足于中药生产企业需要。

[1]刘江云，杨学东，徐丽珍，等．桂枝的化学成分[J]．中草药，2002，33(8)：681-683．

[2]王宁，蔡绍松，魏红，等．声光可调-近红外光谱技术快速分析复方丹参片中丹参酮ⅡA和丹酚酸B的新方法[J].中国中药杂志，2008，33(3)：262-265.

[3]孙国明，刘国林.近红外光谱技术在独活属药用植物分类中的应用[J].中国中药杂志，2006，3(23)：1996-1998．

[4]孙丽英，杨天鸣，王云英．不同产地黄柏的近红外指纹图谱鉴别分析[J].计算机与应用化学，2008，25(3)：329-332．

[5]杜德国，孙素琴，周群，等．芦丁和维生素C的近红外漫反射技术定量分析研究[J].光谱学与光谱分析，2000，20(4)：474-476．

[6]白雁，余振喜，孙素琴，等．近红外漫反射技术测定牛膝中蜕皮甾酮[J].中草药，2005，36(9)：1391-1394.

[7]储小立，袁洪福，陆宛珍．近红外分析中光谱预处理及波长选择[J].化学进展，2004，16(4)：528-539.

[8]朱向荣，史新元，张卓勇，等．SPXY样本划分法及蒙特卡罗交叉验证结合近红外光谱用于橘叶中橙皮苷的含量测定[J].光谱学与光谱分析，2009(4)：964-968．

DeterminationofCinnamicAcidandCinnamicAldehydeinCassiaTwigbyNear-infraredSpectroscopy

LIU Yonghao1, YAN Dada1, LU ping1, LUO Jiehua2

(1.ZhejiangDongfangPharmaceuticalCo.,Ltd.TaijiGroup,Shaoxing312000,China; 2.HefeiJinxiangPharmaceuticalTechnologyCo.Ltd.Hefei230088,China)

The quantitative analysis model for determination of the content of cinnamic acid and cinnamic aldehyde in Cassia twig by near — infrared Spectroscopy. HPLC was used as the reference method to determine the contents of cinnamic acid and cinnamic aldehyde. NIR diffuse reflectance spectra of the samples were collected, Multivariate calibration models based on PLS algorithm were developed. The correlation coefficients of the calibration models were 0.9302 and 0.9520. Root mean square error of cross validation were 0.0034 and 0.0233, Root mean square error of prediction were 0.0128 and 0.0651. It was feasible to determine cinnamic acid and cinnamic aldehyde in Cassia twig and it provided a rapid convenient method for quality control.

near-infrared spectroscopy; Cassia twig; cinnamic acid; cinnamic aldehyde

R284.1

A

1009-9735(2017)05-0085-04

2017-03-31

刘永好(1975-)，男，安徽望江人，工程师，执业中药师，研究方向：中药质量控制及制剂。