本發(fā)明屬于近紅外檢測技術領域，具體涉及一種尪痹制劑干燥中間體多指標的快速檢測方法。

背景技術：

尪痹制劑是由淫羊藿、白芍、地黃、熟地黃、續(xù)斷、附片(黑順片)、獨活、骨碎補、桂枝、防風、威靈仙、皂角刺、羊骨、狗脊(制)、知母、伸筋草、紅花十七味中藥配伍而成的復方制劑，其作用是補肝腎、強筋骨、祛風濕、通經絡，用于肝腎不足、風濕阻絡所致的尪痹，癥見肌肉、關節(jié)疼痛、局部腫大、僵硬畸形、屈伸不利、腰膝酸軟、畏寒乏力及類風濕性關節(jié)炎見有上述癥候者等。

尪痹制劑由現代提取技術提取，經過醇沉、濃縮、干燥、混合等一系列工藝手段得到干燥的固體中間體經制劑成型工藝而制成的固體制劑，包括片劑、顆粒劑、膠囊劑等。尪痹制劑干燥中間體是經干燥后而獲得的粉粒狀產品。干燥過程是尪痹制劑生產過程中的重要工藝環(huán)節(jié)，隨著溫度上升、含水率下降，有效成分的含量也在時刻發(fā)生著變化。由于不同批次的藥材質量間的差異以及干燥過程中的關鍵工藝參數的變動都會造成干燥中間體的質量波動，進而影響到最終的產品質量，因此，為了最大限度地保證中藥質量，需要檢測干燥中間體的重要質量指標。目前而言，質量控制主要依靠經驗和傳統質量分析方法(HPLC等)，耗時費力，分析結果滯后，難以廣泛的應用于生產實踐，故開發(fā)一種能快速檢測的方法，用于尪痹制劑干燥中間體質量全面控制非常具有必要性及發(fā)展前景。

近紅外光譜分析是利用近紅外光譜區(qū)包含的物質信息，用于物質定性定量分析的一種分析方法，具有分析快速、非破壞性和無污染等優(yōu)點。樣品的近紅外分析時間一般在30秒以內，并可同時對樣品的多個組成或性質進行測定，與現有離線分析方法相比，分析時間能縮短90％以上。

在尪痹制劑干燥中間體的質量檢測中引入近紅外光譜技術，便可以利用近紅外光譜分析技術快速、無損、無需樣品預處理的優(yōu)勢快速對其進行檢測，及時反饋干燥中間體中有效成分含量變化情況，從而確保最終產品質量。

技術實現要素：

本發(fā)明的目的是提供一種尪痹制劑中間體多指標的近紅外快速檢測方法，采用該方法能準確快速地測定尪痹制劑干燥中間體中水分、芍藥內酯苷含量、芍藥苷含量、5-O甲基維斯阿米醇苷含量、朝藿定C含量和淫羊藿苷含量，實現對尪痹制劑中間體質量的快速評價。

本發(fā)明所述的尪痹制劑處方具體為：地黃20份、熟地黃20份、續(xù)斷15份、附片(黑順片)15份、獨活10份、骨碎補15份、桂枝10份、淫羊藿15份、白芍12份、防風10份、威靈仙15份、皂角刺10份、羊骨20份、狗脊(制)15份、知母15份、伸筋草10份、紅花10份。

本發(fā)明所述中間體具體是指：以上述處方中所含的中藥為原料，經水提、醇沉后，濃縮至相對密度為1.27～1.30(50℃)的稠膏，與輔料(包括淀粉、糊精)混勻，制粒干燥至含水量為5％～6％，即得中間體顆粒。

具體而言，本發(fā)明提供的方法包括以下具體步驟：

(1)收集多個尪痹制劑干燥中間體的標準品，分別測定每個標準品中各項質控指標的含量；

所述質控指標包括：水分、芍藥內酯苷、芍藥苷、5-O甲基維斯阿米醇苷、淫羊藿苷以及朝藿定C；

(2)在4000～10000cm^-1的掃描范圍內，采集每個標準品的紅外漫反射光譜；

(3)分別對每個中間體標準品的紅外漫反射光譜進行預處理；所述預處理具體為：采用一階導數結合SG平滑方法對所述光譜進行預處理，同時采用一階導數結合Norris平滑方法對所述光譜進行預處理；

(4)采用偏最小二乘法(Partial least square regression，PLSR)，分別建立步驟(1)測定的水分、芍藥內酯苷、芍藥苷、5-O甲基維斯阿米醇苷以及淫羊藿苷含量與所述一階導數結合SG平滑方法預處理所得的光譜數據之間的回歸模型，即得尪痹制劑干燥中間體中水分、芍藥內酯苷、芍藥苷、5-O甲基維斯阿米醇苷以及淫羊藿苷各自的含量預測模型；

采用偏最小二乘法，建立步驟(1)測定的朝藿定C含量與所述一階導數結合Norris平滑方法預處理所得的光譜數據之間的回歸模型，即得尪痹制劑干燥中間體中朝藿定C的含量預測模型；

(5)取尪痹制劑干燥中間體的待測樣品，采用與步驟(2)相同的方法采集所述待測樣品的紅外漫反射光譜；

(6)采用與步驟(3)相同的一階導數結合SG平滑方法對所述待測樣品的紅外漫反射光譜進行預處理，將所述預處理所得數據分別代入步驟(4)所述水分、芍藥內酯苷、芍藥苷、5-O甲基維斯阿米醇苷以及淫羊藿苷含量預測模型，即得相應成分含量的預測值；

采用與步驟(3)相同的一階導數結合Norris平滑方法對所述待測樣品的紅外漫反射光譜進行預處理，將所述預處理所得數據代入步驟(4)所述朝藿定C含量預測模型，即得朝藿定C含量的預測值。

為了提高模型預測的準確性，同時便于實際操作，步驟(1)所述多個尪痹制劑干燥中間體的標準品的個數優(yōu)選為50～100個，分別取自不同生產批次。

步驟(1)所述水分、芍藥內酯苷、芍藥苷、5-O甲基維斯阿米醇苷、淫羊藿苷以及朝藿定C的含量均采用本領域常規(guī)的方法進行檢測。

作為一種優(yōu)選方案，步驟(1)所述水分含量的測定方法為：

精密稱取質量為1g的樣品，在100～110℃干燥4～6h，移至干燥器中冷卻25～35min，精密稱定質量；再在相同溫度下干燥55～65min，移至干燥器中冷卻25～35min，精密稱定質量，至連續(xù)兩次干燥后的差值差不超過5mg停止干燥；依據干燥前后樣品質量之差計算水分含量。

作為一種優(yōu)選方案，步驟(1)所述芍藥內酯苷、芍藥苷、5-O甲基維斯阿米醇苷、淫羊藿苷以及朝藿定C含量的測定采用高效液相色譜法，包括以下條件：

色譜柱為C18柱；

流動相的A相為0.1％冰醋酸，B相為乙腈；采用梯度洗脫，具體為：0～15min，B相為15％；15～45min，B相為15％～19％；45～75min，B相為19％～32％；

檢測波長為235～245nm；

采用峰面積歸一化法分別計算芍藥內酯苷、芍藥苷、5-O甲基維斯阿米醇苷、淫羊藿苷以及朝藿定C的含量。

其中，所述高效液相色譜法還包括對樣品的預處理，具體為：取樣品，精密稱定質量，以25ml/g加入稀乙醇，超聲提取25～35min，放冷，用稀乙醇補足失重，過0.45um濾膜，即得。

本發(fā)明步驟(2)所述紅外漫反射光譜的采集條件包括：以空氣為參比，掃描次數為30～35次，光譜分辨率為6～10cm^-1。為了提高模型預測的準確性，每個樣品至少采集3次紅外漫反射光譜，計算平均光譜。

由于全光譜中存在的一些非相關信息和干擾信息會損害模型的性能，因此步驟(3)需要對光譜進行預處理。本領域存在大量已知的光譜預處理方法，如無光譜預處理、SG平滑、一階導數+SG平滑、一階導數+Norris平滑、二階導數+SG平滑、二階導數+Norris平滑等，本發(fā)明通過大量的實驗，從大量預處理方式中優(yōu)選出針對每一種質控指標的特定預處理方式，從而提高模型的預測能力。

為了能夠盡量準確、全面地提取有效信息，簡化模型和提高模型的預測能力，本發(fā)明針對每一項質控指標，對預處理的具體波段和方法進行了進一步優(yōu)選；具體而言：

對于水分的含量預測：提取4500～7500cm^-1范圍內的光譜數據，采用一階導數結合SG平滑的方法進行預處理；

對于芍藥內酯苷的含量預測：提取4500～7500cm^-1范圍內的光譜數據，采用一階導數結合SG平滑的方法進行預處理；

對于芍藥苷的含量預測：提取4500～10000cm^-1范圍內的光譜數據，采用一階導數結合SG平滑的方法進行預處理；

對于5-O甲基維斯阿米醇苷的含量預測：提取4000～10000cm^-1范圍內的光譜數據，采用一階導數結合SG平滑的方法進行預處理；

對于淫羊藿苷的含量預測：提取4300～4600cm^-1、5500～6100cm^-1以及7500～9400cm^-1范圍內的光譜數據，采用一階導數結合SG平滑的方法進行預處理；

對于朝藿定C的含量預測：提取4500～10000cm^-1范圍內的光譜數據，采用一階導數結合Norris平滑的方法進行預處理。

本發(fā)明步驟(4)所述采用偏最小二乘法建立回歸模型，可采用本領域已知的具有上述功能的模型、軟件或儀器進行操作。作為本發(fā)明的一種具體實施方式，可利用現有的近紅外光譜儀(如購自德國布魯克公司的Bruker MATRIX-F)中含有的軟件進行偏最小二乘回歸運算。

本發(fā)明所述方法，可采用校正集相關系數(R_c)、驗證集相關系數(R_p)、校正集均方差(Root mean square error in calibration，RMSEC)、驗證集均方差(Root mean square error in prediction，RMSEP)、相對偏差(Relative standard errors of prediction，RSEP)等參數考察模型性能。R越接近1表示模型的預測值與標準對照方法分析值之間的相關性越好；RMSEC和RMSEP的大小與樣品化學值相關，這兩個參數越小越接近，則表明模型性能越佳，預測精度越高；根據實際質量控制要求，當RSEP值低于20％時，認為所建模型的預測精度在可接受范圍內。

本發(fā)明提供的定量模型可通過以下方法進行驗證：用驗證集樣品對所述定量模型進行驗證，采集待測中間體的近紅外光譜，選取與校正集樣品光譜相同的波段和預處理方法，導入已建校正模型，預測出待測中間體的質控指標含量，驗證模型的性能。

本發(fā)明將近紅外光譜分析技術引入到尪痹制劑中間體的質量控制中，實現對各質控指標(水分、芍藥內酯苷、芍藥苷、5-O甲基維斯阿米醇苷、朝藿定C、淫羊藿苷)的快速測定，縮短檢測時間，節(jié)約生產成本，提高生產效率和經濟效益，保證尪痹片質量的安全、有效。

附圖說明

圖1是尪痹制劑干燥中間體的近紅外原始吸收光譜圖；

圖2是尪痹制劑干燥中間體標準品的真實值(即測定值)與預測值之間的比較關系圖；

圖3是尪痹制劑干燥中間體待測樣品的真實值(即測定值)與預測值之間的比較關系圖。

具體實施方式

以下實施例用于說明本發(fā)明，但不用來限制本發(fā)明的范圍。

以下實施例中，尪痹片干燥中間體顆粒由遼寧好護士藥業(yè)有限責任公司提供；近紅外光譜儀型號為Bruker MATRIX-F，購自德國布魯克公司；高效液相色譜儀為美國安捷倫公司的1100；各質控指標成分的對照品均購自成都曼斯特生物科技有限公司。

實施例

按照以下步驟進行尪痹制劑干燥中間體的多指標快速檢測：

(1)收集88批不同生產日期的中間體顆粒，置于干燥的密封袋中，共得到88個標準品；用傳統方法測定各關鍵質控指標，具體為：

1)水分含量測定：

精密稱取樣品1g于干燥恒重的扁形瓶中，置烘箱內105℃下干燥5h，移至干燥器中冷卻30min，精密稱定，再在上述溫度下干燥1h，冷卻，稱重，至連續(xù)兩次差不超過5mg，計算水分含量；

2)采用高效液相色譜福測定芍藥內酯苷、芍藥苷、5-O甲基維斯阿米醇苷、淫羊藿苷以及朝藿定C的含量：

a.樣品預處理：取樣品1g，精密稱定，精密加25mL的稀乙醇，超聲提取30min，放冷，用稀乙醇補足失重，過0.45um的濾膜，即得；

b.液相色譜條件：色譜柱：Lichrospher C18(4.6*250mm)；流動相：A相：0.1％冰醋酸；B相：乙腈；梯度設置：0-15min15％B；15-45min:15％-19％B；45-75min:19％-32％B；檢測波長240nm，溫度為25℃，流速為1mL/min，進樣量為10μL；

(2)精密稱取樣品1g置扁形瓶中，使用近紅外光譜儀采集近紅外漫反射光譜；光譜采集條件為：掃描范圍為4000～10000cm^-1，以空氣為參比，掃描次數為32次，分辨率為8cm^-1；每個樣品采集3張光譜，計算平均光譜；標準品的原始近紅外光譜如圖1所示；

(3)分別對每個中間體標準品的紅外漫反射光譜進行預處理；所述預處理具體為：

對于水分的含量預測：提取4500～7500cm^-1范圍內的光譜數據，采用一階導數結合SG平滑的方法進行預處理；

對于芍藥內酯苷的含量預測：提取4500～7500cm^-1范圍內的光譜數據，采用一階導數結合SG平滑的方法進行預處理；

對于芍藥苷的含量預測：提取4500～10000cm^-1范圍內的光譜數據，采用一階導數結合SG平滑的方法進行預處理；

對于5-O甲基維斯阿米醇苷的含量預測：提取4000～10000cm^-1范圍內的光譜數據，采用一階導數結合SG平滑的方法進行預處理；

對于淫羊藿苷的含量預測：提取4300～4600cm^-1、5500～6100cm^-1以及7500～9400cm^-1范圍內的光譜數據，采用一階導數結合SG平滑的方法進行預處理；

對于朝藿定C的含量預測：提取4500～10000cm^-1范圍內的光譜數據，采用一階導數結合Norris平滑的方法進行預處理；

(4)采用偏最小二乘法，分別建立步驟(1)測定的水分、芍藥內酯苷、芍藥苷、5-O甲基維斯阿米醇苷以及淫羊藿苷含量與步驟(3)所述對相應質控指標預處理所得的光譜數據之間的回歸模型，即得尪痹制劑干燥中間體中水分、芍藥內酯苷、芍藥苷、5-O甲基維斯阿米醇苷以及淫羊藿苷各自的含量預測模型；

采用偏最小二乘法，建立步驟(1)測定的朝藿定C含量與步驟(3)所述對相應質控指標預處理所得的光譜數據之間的回歸模型，即得尪痹制劑干燥中間體中朝藿定C的含量預測模型；

將標準品分別經步驟(1)所述方法所得的測定值與利用上述預測模型所得的預測值進行比較，部分標準品的比較結果如圖2所示；

各個質控指標對應的預測模型部分參數詳見表1；從表1中可以看出，所述模型的R值均大于0.85，RMSEC和RMSEP值較小而且互相接近，說明模型的穩(wěn)定性高，泛化能力好；

表1：各質控指標含量預測模型的參數匯總

(5)取尪痹制劑干燥中間體的24個待測樣品；對于每個待測樣品，采用與步驟(2)相同的方法采集所述待測樣品的紅外漫反射光譜；

(6)對于每個待測樣品，采用與步驟(3)相同的一階導數結合SG平滑方法對所述待測樣品的紅外漫反射光譜進行預處理，將所述預處理所得數據分別代入步驟(4)所述水分、芍藥內酯苷、芍藥苷、5-O甲基維斯阿米醇苷以及淫羊藿苷含量預測模型，即得相應成分含量的預測值；

采用與步驟(3)相同的一階導數結合Norris平滑方法對所述待測樣品的紅外漫反射光譜進行預處理，將所述預處理所得數據代入步驟(4)所述朝藿定C含量預測模型，即得朝藿定C含量的預測值。

將待測樣品分別經步驟(1)所述方法所得的測定值與利用上述預測模型所得的預測值進行比較，部分待測樣品的比較結果如圖3所示；從圖3中可以看出5個質控指標的含量測定值與預測值相比，無顯著誤差，結果基本一致。

雖然，上文中已經用一般性說明、具體實施方式及試驗，對本發(fā)明作了詳盡的描述，但在本發(fā)明基礎上，可以對之作一些修改或改進，這對本領域技術人員而言是顯而易見的。因此，在不偏離本發(fā)明精神的基礎上所做的這些修改或改進，均屬于本發(fā)明要求保護的范圍。