川芎药材的近红外多指标快速质量评价

目的采用近红外光谱(near infrared spectroscopy,NIRS)技术对川芎药材进行快速质量评价,建立药材中阿魏酸、水分和浸出物量的定量模型,提高川芎药材的质量控制水平。方法以HPLC法、减压干燥法和热浸法作为参比分析方法,分别测定川芎中阿魏酸、水分和浸出物量,运用偏最小二乘(PLS)法建立阿魏酸、水分和浸出物量之间的定量校正模型,并对川芎未知样本中各指标的量进行预测。结果川芎中3个质控指标模型的相关系数(R)分别为0.913 0、0.905 9和0.954 4,未知样本预测误差均方根(RMSEP)分别为0.000 3、0.305 6和2.209 0,相对预测偏差(RSEP)均小于10%,NIRS模型预测效果良好。结论研究结果表明NIRS分析技术可实现川芎药材中阿魏酸、水分及浸出物3个关键质控指标的快速检测,结果准确可靠。     

基于近、中红外光谱技术的热毒宁注射液制备过程中金银花浓缩过程含量预测研究

目的 采用近红外光谱（near infrared spectroscopy,NIRS）、中红外光谱（mid-infrared spectroscopy,MIRS）技术实现对热毒宁注射液制备过程中金银花浓缩过程绿原酸、新绿原酸、隐绿原酸、异绿原酸A、异绿原酸B、异绿原酸C、断氧化马钱子苷和固含量8个质控指标的含量预测,并对比2种技术的预测效果。方法 收集热毒宁注射液制备过程中金银花浓缩过程样本,进行NIRS、MIRS采集和含量测定,优选最佳光谱预处理方法和特征波段,采用偏最小二乘（partial least square,PLS）法建立8个质控指标的含量预测模型,并比较8个质控指标的NIRS、MIRS模型性能,得到8个最优含量预测模型,并对其进行外部验证。结果 NIRS技术对绿原酸、隐绿原酸、异绿原酸C、断氧化马钱子苷、固含量的预测效果更好,平均相对预测误差（average relative prediction error,ARPE）分别为1.57%、1.88%、4.13%、3.79%、0.94%,故选用NIRS模型作为这5个质控指标的最佳模型;MIRS技术对新绿原酸、异绿原酸A、异绿...     

近红外光谱技术在热毒宁注射液栀子提取液浓缩过程中的应用

目的:应用近红外光谱技术(NIR)建立热毒宁注射液栀子提取液浓缩过程中绿原酸和栀子苷质量分数、固含量、密度的快速定量分析模型,实时反映浓缩状态,实现栀子提取液浓缩过程的质量控制。方法:收集栀子提取液浓缩过程中样品,同时采集浓缩过程在线NIR光谱,经过异常点剔除、光谱预处理和波段选择,运用偏最小二乘法(PLS)分别建立NIR光谱与绿原酸和栀子苷质量分数、固含量、密度分析值之间的定量校正模型,并对未知样品进行预测。结果:PLS模型中,绿原酸和栀子苷质量分数、固含量、密度校正集相关系数分别为0.990 5,0.994 3,0.986 2,0.987 9,交叉验证误差均方根分别为0.112,0.368,0.148,0.013;验证集相关系数分别为0.987 2,0.992 5,0.981 6,0.982 3,预测误差均方根分别为0.181,0.302,0.128,0.016,相对预测偏差均6.0%,能够满足中药生产过程中质量分析要求。结论:该法操作简便、快速无损且准确可靠,可用于热毒宁注射液栀子提取液浓缩过程中绿原酸和栀子苷含量、固含量、密度等质控指标的快速分析及监测。     

热毒宁注射液金银花和青蒿(金青)醇沉过程中多指标的近红外快速检测

目的应用近红外光谱(NIR)透射法对热毒宁注射液大生产中金银花和青蒿(金青,LA)醇沉过程绿原酸(chlorogenic acid,CA)质量浓度和固含量进行快速检测,提高醇沉过程质量控制水平。方法制备金青醇沉过程样品,以HPLC法和烘干法为对照分析方法,分别测定CA质量浓度和固含量,运用偏最小二乘(PLS)法分别建立NIR光谱与CA质量浓度和固含量之间的定量校正模型,并对醇沉过程的未知批次中的CA质量浓度和固含量进行预测。结果所建立的CA质量浓度和固含量模型的相关系数(R)均达到0.980,采用独立的验证集对模型进行验证,验证集预测误差均方根(RMSEP)分别为0.541和0.218,相对预测偏差(RSEP)均小于8%。结论研究结果表明NIR分析技术可实现热毒宁注射液醇沉过程中CA质量浓度和固含量2个关键质控指标的快速检测,结果准确可靠。     

天舒胶囊乙醇提取过程的近红外光谱快速测定方法研究

基于近红外光谱法,采用偏最小二乘法(PLS)分别建立了天舒胶囊乙醇提取过程固含量和阿魏酸浓度的定量校正模型,结果显示,固含量校正集和交叉验证集模型的相关系数(R2)分别为0.967 301和0.947 726,校正集误差均方根(RMSEC)为0.054 7,交互验证集误差均方根(RMSECV)为0.069 8;阿魏酸校正集和交叉验证集模型的相关系数(R2)分别为0.986 879和0.962 243,RMSEC为1.402 6,RMSECV为2.400 2。采用所建模型进行在线分析,固含量和阿魏酸的预测结果与实测值的相关系数(R2)为0.993 3和0.991 6,预测误差均方根(RMSEP)分别为0.039 3和1.669 3,预测平均相对偏差(RSEP)分别为3.49%和3.58%。结果表明,该文所建模型可用于天舒胶囊乙醇提取过程固含量和阿魏酸浓度的快速测定。     

NIRS法快速测定复方阿胶浆中总黄酮、总皂苷和可溶性固形物

目的 利用近红外光谱(NIRS)快速测定复方阿胶浆中总黄酮、总皂苷和可溶性固形物.方法 采用比色法测定复方阿胶浆中总黄酮和总皂苷的量,采用水分测定仪测定可溶性固形物的量,作为参考值.运用偏最小二乘回归(PLSR)法建立NIRS与各项指标的量参考值之间的多元校正模型.结果 校正模型的预测相关系数(R2)和预测误差均方根(RMSEP)分别为总黄酮0.979 8,69.6 μg/mL;总皂苷0.966 0,17.6 μg/mL;可溶性固形物0.997 8,0.394％.结论 本法简捷快速,结果准确,可用于复方阿胶浆成品的快速检测和质量控制.     

近红外光谱法在线质量监控白芍工业化提取

目的 利用近红外光谱(NIRS)技术研究并建立芍药苷的定量检测模型,实现产业化规模白芍醇提液浓缩过程的在线质量监控.方法 在线采集NIRS,同时进行芍药苷的HPLC检测,采用偏最小二乘法建立提取过程中芍药苷定量检测模型.结果 浓缩模型的最佳建模波段为5 187～7 065 cm-1.模型相关系数为0.969 1,校正均方差为0.605.预测值与真实值的平均相对误差为4.9％.结论 利用NIRS技术能够实现白芍醇提液浓缩过程的在线质量监控.     

热毒宁注射液青蒿金银花浓缩过程近红外快速定量检测方法的建立

目的建立热毒宁注射液青蒿金银花醇沉浓缩过程主要药效成分的定量校正模型,实现生产过程在线监控。方法采用近红外光谱技术(NIRS)结合偏最小二乘法(PLSR)分别建立新绿原酸、绿原酸、隐绿原酸的定量校正模型。结果新绿原酸、绿原酸、隐绿原酸定量校正模型的决定系数(R~2)分别为0.954 5、0.975 2、0.9691;校正集误差均方根(RMSEC)为0.213、0.676、0.225,交叉验证集误差均方根(RMSECV)分别为0.233、0.692、0.258。采用所建模型进行在线分析,新绿原酸、绿原酸、隐绿原酸的预测值与实测值的决定系数分别为0.984 2、0.983 7、0.9870,预测相对误差(RPD)分别为4.77、5.29、4.37,预测相对偏差(RSEP)分别为3.519%、3.778%、3.895%。结论所建的模型可以用于热毒宁注射液青蒿金银花醇沉浓缩过程中新绿原酸、绿原酸、隐绿原酸的在线定量测定。     

近红外光谱在天舒胶囊提取工艺过程中的应用

目的:采用近红外(NIR)光谱技术建立天舒胶囊水提取工序中天麻素含量和含固量2个质量控制指标的快速定量分析方法,实时获得二者在该制剂2次水提过程中的动态变化情况,实现水提液浓缩过程关键指标的质量控制。方法:收集天麻、川芎2次水提取过程中样品,通过异常点去除、光谱预处理方法确定及最优波段选择,运用偏最小二乘法(PLS)分别建立NIR光谱与天麻素含量和含固量之间的定量校正模型,采用未知样品对定量校正模型进行验证,判断其准确性。结果:天麻素含量和含固量校正模型的相关系数分别为0.968 0,0.977 2,验证模型的相关系数分别为0.965 9,0.978 6,校正均方差(RMSEC)分别为4.686,0.053,预测均方差(RMSEP)分别为3.698,0.034,预测相对偏差(RSEP)分别为4.85%,3.07%。结论:近红外光谱分析技术操作简便、分析速度快且准确度高,可用于天舒胶囊水提取过程天麻素含量及含固量的快速监测。     

基于近、中红外光谱的热毒宁注射液制剂过程投料和二次热处理工序快速检测方法研究

目的 应用近红外光谱（near-infrared reflectance spectroscopy,NIRS）与中红外光谱（mid-infrared reflectance spectroscopy,MIRS）技术,对热毒宁注射液（Reduning Injection,RI）制剂过程的投料和二次热处理工序中6种质控指标进行快速检测,提高制剂过程的质量控制水平。方法 利用NIRS透射技术与MIRS衰减全反射技术,结合偏最小二乘法（partial least squares,PLS）,经过光谱预处理方法的优选以及波段筛选,分别建立绿原酸、新绿原酸、隐绿原酸、栀子苷、断氧化马钱子苷和固含量的快速预测模型,以校正集相关系数（r_cal）、验证集相关系数（r_pre）、校正均方根误差（root mean square error of calibration,RMSEC）、交叉验证均方根误差（root mean square error of cross validation,RMSECV）、预测相对误差（relative standard error of prediction,RSEP）为评价指标,评价模型性能。结果 NIRS预测模型的6个质控指标的RMSEC和RMSECV均小于0.3,RSEP小于4.0%;MIRS预测模型的6个质控指标的RMSEC和RMSECV均小于0.4,RSEP均小于5.0%,建立的PLS模型具有模型性能好、预测精度高的优点。结论 NIRS及MIRS分析技术,均可用于RI投料和二次热处理工序中6种质控指标的快速检测,模型RSEP在5%以内,方法操作简单,结果可靠。     

近红外光谱法快速测定砂仁中的水分

目的:运用近红外光谱分析技术(NIRS)快速测定砂仁中水分。方法:采用减压干燥法测定砂仁样品中的水分,用标准归一化法和二阶导数法同时对光谱进行预处理,结合偏最小二乘法(PLS)建立砂仁中水分的近红外定量分析模型。结果:所建模型的校正集内部交叉验证相关系数(R2),校正均方差(RMSEC),预测校正均方差(RMSEP)和性能指数(PI)分别为0.986 7,0.242,0.285,92.5。结论:该方法具有简便、快速、准确、无损等特点,可用于砂仁中水分的快速测定。     

筋骨痛消丸水浸出物含量的近红外光谱快速测定

目的:运用近红外光谱技术(NIRS),结合偏最小二乘法(PLS),对筋骨痛消丸中水浸出物进行快速测定。方法:将近红外光谱图与筋骨痛消丸水浸出物的含量进行关联,对光谱预处理方法和建模区间进行考察;采用近红外光谱技术结合偏最小二乘法,建立测定筋骨痛消丸中水浸出物含量的近红外光谱定量分析模型。结果:98份样品所建立的定量分析模型内部交叉验证决定系数(R2)为0.983 26,校正均方根偏差(RMSEC)为0.21,预测均方根偏差(RMSEP)为0.22。18份验证集样品真实值和预测值的平均相对偏差为0.09%。结论:近红外光谱技术结合偏最小二乘法建立的定量分析模型可用于对筋骨痛消丸中水浸出物含量的快速测定。     

近红外光谱法快速测定知母中芒果苷的含量

目的:应用近红外光谱技术建立快速测定知母中芒果苷含量的方法。方法:以HPLC所测样品中芒果苷的含量为参考值,将近红外光谱与知母中芒果苷的含量进行关联,对光谱预处理方法和建模区间进行了考察,采用偏最小二乘法(PLS)建立定量分析模型。结果:通过比较最终确定以SNV+SG+Second Derivative对光谱进行预处理,结合软件的波长区间优化功能,确定4 139.58~5 068.56 cm-1为最佳波段。结果 100份知母样品所建立的芒果苷的定量分析模型内部交叉验证决定系数(R2)校正均方根偏差(RMSEC)、预测均方根偏差(RMSEP)分别为0.963 61,0.061 6,0.088 1。结论:该方法准确、快速、简便,建立的定量分析模型,能够对知母中芒果苷的含量进行快速测定。     

基于偏最小二乘法建立大株红景天片素片硬度近红外光谱预测模型

目的 基于近红外光谱(near infrared spectrum,NIRS)技术，建立一种快速预测大株红景天片(Rhodiola grandiflora Tablets,RGT)素片硬度的方法。方法 采集共600个生产样本与自制样本的NIRS，通过比较不同光谱预处理方法与不同特征变量筛选条件下模型的优劣，建立偏最小二乘(partial least-square,PLS)算法模型，另采集120个样本的NIRS对模型进行外部验证，预测RGT素片硬度。结果 建立的素片硬度PLS模型中，无预处理的光谱采用全波段建模的模型效果最佳，预测模型的校正集相关系数(correlation coefficient of training set,R_cal)与验证集相关系数(correlation coefficient of verification set,R_pre)分别为0.971 9与0.988 7，相关性良好，预测均方根误差(root mean square error of prediction,RMSEP)为2.03 N，性能偏差比(ratio o...     

NIRS法用于药物共晶质量控制的研究

目的 建立一种基于近红外光谱（NIRS）的药物共晶质量控制方法,以大黄酸赖氨酸（大赖酸）共晶为例进行研究。方法 采用积分球漫反射附件采集大赖酸共晶光谱,结合偏最小二乘回归（PLS）算法,建立NIRS定量分析模型,用于考察在不同环境因素以及湿法制粒过程中共晶降解状况。结果 大赖酸共晶校正模型的相关系数（r）、校正集均方差（RMSEC）、预测均方差（RMSEP）、交互验证均方差（RMSECV）分别为0.999 5、0.009 3、0.011 0、0.012 0。高温和光照情况下,大赖酸共晶质量分数变化（＜1%）基本稳定;在高湿和制粒过程,质量分数发生了一定的变化（＜3%）,但变化不显著。结论 建立的近红外定量分析模型在质量控制方面快速、无损、简便,结果准确可靠;大赖酸共晶在不同环境因素和模拟制粒过程中能基本保持稳定。     

NIRS结合TQ软件对不同产地野菊花定性定量分析

目的:采用近红外光谱技术(NIRS)结合TQ软件对不同产地野菊花进行定性定量分析。方法:运用近红外漫反射光谱技术采集不同产地野菊花药材的NIR光谱,采用TQ软件中的判别分析法对不同产地野菊花进行产地判别;采用HPLC法测定野菊花中绿原酸含量,偏最小二乘法对不同产地野菊花药材中的绿原酸进行定量预测,分别建立了定性定量分析模型,并对模型进行了验证。结果:所建定性模型可快速准确鉴别出不同产地的野菊花药材,验证集样品错判例数为0;绿原酸定量预测模型的校正集内部交叉验证相关系数(R2),校正均方差(RMSEC)和预测均方差(RMSEP)分别为0.995 38,0.008 12和0.012 8。结论:定性定量模型可准确地对不同产地野菊花进行定性定量分析,该方法简便可靠,可用于野菊花药材的快速质量分析。     

基于近红外光谱和中红外光谱技术的金振口服液中间体含量预测模型研究

目的 采用近红外光谱（near-infrared spectroscopy,NIRS）、中红外光谱（mid-infrared spectroscopy,MIRS）技术，实现对金振口服液（Jinzhen Oral Liquid,JOL）矿、植物药浸膏中黄芩苷、汉黄芩苷、甘草酸、没食子酸和固含量5个指标和人工牛黄浸膏中猪去氧胆酸、胆酸和固含量3个指标的含量预测，建立预测模型。方法 收集矿、植物药、人工牛黄2种浸膏样本，采集NIRS、MIRS并测定各指标含量。优选最佳光谱预处理方法和特征波段，融合光谱数据，采用偏最小二乘（partial least square,PLS）法建立8个指标的含量预测模型，并比较其性能，选出最优的含量预测模型。结果 NIRS技术对黄芩苷、汉黄芩苷、甘草酸、猪去氧胆酸、人工牛黄固含量的预测效果较好，预测相对偏差（relative standard error of prediction,RSEP）均低于8%，故选用NIRS模型作为这5个指标的最佳模型；没食子酸、胆酸和矿、植物药固含量的融合光谱数据模型预测效果较好，RSEP值均低于6%，故选用融合模型作为这3个指标的...     

青蒿浓缩过程在线近红外快速检测模型的建立

目的建立青蒿单效浓缩过程中近红外在线快速检测模型,并讨论吸光度的变化对其模型建立的影响。方法在线收集9批浓缩液样本,偏最小二乘(PLS)法建立定量校正模型,并用此模型对1批样品进行预测。结果总酸和固含量PLS模型参数如下:决定系数(R2)分别为0.967 9和0.962 3,校正集均方根误差(RMSEC)分别为0.783 5和0.948 8,交叉验证集均方根误差(RMSECV)分别为0.825 8和0.978 0。结论青蒿浓缩液样品吸光度范围为0~2.0,该光谱建立的总酸和固含量的PLS模型的预测相对偏差(RSEP)值均在10%以内,能够满足青蒿生产过程中质量要求,说明当吸光度范围为0~2.0时,通过增加样品数和运用化学计量学方法可消除吸光度太高(即透过率太低)对青蒿近红外模型建立的影响。     

怀地黄中地黄苷A,地黄苷D及益母草苷含量快速分析方法的建立

目的:建立一种快速测定怀地黄中地黄苷A,地黄苷D,益母草苷含量的方法。方法:应用近红外光谱技术(near infrared reflectance spectroscopy,NIRS)测得85-5,北京1号,白状元,沁怀,白选,沁怀郑共6个品种108份怀地黄样品的近红外光谱图,结合高效液相法(high performance liquid chromatography,HPLC)同时测定的样品中地黄苷A,地黄苷D,益母草苷的含量,并利用TQ软件将光谱信息与测得含量相关联,采用偏最小二乘法(partial least squares,PLS)建立怀地黄中地黄苷A,地黄苷D,益母草苷的定量分析模型。结果:模型的内部交叉验证决定系数(R2)分别为0.924 67,0.934 96,0.951 54,校正均方差(root mean square error of calibration,RMSEC)分别为0.016 6,0.015 9,0.022 8,验证均方差(root mean square error of prediction,RMSEP)分别为0.017 00,0.007 86,0.012 50,交叉验证均方差(root mean square error of cross validation,RMSECV)分别为0.032 13,0.030 36,0.069 22,以及性能指数(performance index,PI)分别为92.5,82.7,83.1;配对样本t检验显示NIR模型预测值与HPLC测得参考值的P分别为0.422,0.549,0.131,均0.05,表明两组数据无显著性差异。结论:该方法准确、快速、绿色,可用于怀地黄中地黄苷A,地黄苷D,益母草苷的定量分析。