2017, Vol. 37 
表1(Table 1)
麻黄药材已有几百年的使用历史[1]。麻黄味辛、微苦，性温；归肺、膀胱经；具有发汗散寒、宣肺平喘、利水消肿的功能；用于风寒感冒、胸闷喘咳、风水浮肿[2]。虽然麻黄科植物的种类多，但中国药典、欧洲药典和日本药局方在“麻黄（Ephedrae Herba）”项下均仅收载麻黄科植物草麻黄（Ephedra sinica Stapf）、中麻黄（Ephedra intermedia Schrenk et C.A.Mey.）或木贼麻黄（Ephedra equisetina Bge.）的干燥草质茎[2-4]。由于上述3种药典收载麻黄药材与其他麻黄科植物在遗传特征上具有一定的相似性，其形态学、组织学及化学等特征也均具有一定的相似性。例如，丽江麻黄的性状与草麻黄相似[5]。另一方面，相同种类麻黄药材的分布广泛，仅草麻黄在我国就分布于辽宁、吉林、内蒙古、河北、山西等产区[6]。受不同生境的影响，相同种类麻黄药材的形态学、组织学及化学等特征均可能具有一定的差异性。
中国药典2015年版在麻黄项下分别描述了草麻黄、中麻黄或木贼麻黄的形态学特征及组织学特征。但是，由于不同种类的麻黄具有相似性，而相同种类不同产地的麻黄可能具有差异性，采用形态学鉴别方法[2-4]及组织学鉴别方法[2-3]鉴别药典收载麻黄药材均具有一定的局限性。结果，易于混淆的其他麻黄科植物可能被误用于临床。此外，中国药典2015年版还针对3种药典收载麻黄药材的共有化学成分，采用化学法和薄层色谱（thin layer chromatography，TLC）法进行鉴别，也有文献采用高效液相色谱（high-performance liquid chromatography，HPLC）法检查麻黄药材的指纹图谱[7-8]。但是，化学法及色谱法至少有以下缺点：仅表征化学信息，需进行繁复的样品制备，样品破坏，环境污染，分析时间长。
近红外光谱（near-infrared spectroscopy，NIRS）法结合化学计量学技术，能够基于待测样品中C-H、N-H、O-H和S-H等基团基频振动的倍频和合频吸收表征待测样品的多种性质[9-11]，从而综合反映样品的质量。该法具有快速、无污染、易操作等特点，已用于植物药材的分析[12-14]。本课题组早期也采用傅里叶变换近红外漫反射光谱（Fourier transform near-infrared diffuse reflectance spectroscopy，FT-NIRDRS）法，分别基于不同种类、不同产地及不同采摘时间的麻黄药材的差异，建立了其分析方法[15-16]。
本文采用FT-NIRDRS法和化学计量学技术，基于草麻黄、中麻黄和木贼麻黄3种药典收载麻黄药材的共性，及其与混淆品种丽江麻黄的差异，建立同时快速鉴别3种药典收载麻黄药材的近红外光谱法。
1 仪器与材料 1.1 仪器Antaris Ⅱ傅里叶变换近红外光谱仪（Thermo Fisher Scientific），配置铟镓砷检测器和积分球附件，控制软件为RESULT 3.0。化学计量学计算软件为TQ Analyst 8.0（Thermo Fisher Scientific）和Matlab 8.0（美国The MathWorks）。
1.2 材料所有样品均为全株植物，并经重庆市中药研究院刘翔鉴定，详细信息见表 1。表 1中，36批药典收载麻黄药材样品包括草麻黄、中麻黄和木贼麻黄。其中，草麻黄产自内蒙古和山西，中麻黄产自内蒙古、新疆和甘肃，木贼麻黄产自新疆。3批混淆品种样品丽江麻黄。
|
表 1 药典收载麻黄药材及丽江麻黄的样品信息 Table 1 Samples of the Ephedra authorized in pharmacopoeia and Ephedra likiangensis Florin |
按中国药典2015年版规定，草麻黄药材、中麻黄药材、木贼麻黄药材及丽江麻黄的每批样品均取其干燥草质茎。每批样品经粉碎、过80~100目筛后，取适量装入直径约为1.2 cm，高约为2.5 cm的圆形无色玻璃小瓶，并使瓶中的粉末厚约为2 cm[17]。将样品瓶置于Antaris Ⅱ傅里叶变换近红外光谱仪装有圆形支架的积分球检测窗上，调整支架使其与样品瓶紧密接触。在扫描范围10 000~4 000 cm-1内，以分辨率4 cm-1和扫描次数64测量样品的光谱[15]。在测量各批样品前，均采用相同的光谱测量参数值测量积分球镀金内壁的光谱，以扣除背景。每批样品重复装载和测量5次，39批样品共获195张光谱，见图 1。
|
图 1 36批药典收载麻黄药材样品和3批丽江麻黄样品的原始FT-NIRDRS光谱 Figure 1 Original FT-NIRDRS spectra of 36 samples of the Ephedra authorized in pharmacopoeia and 3 samples of Ephedra likiangensis Florin |
随机选取药典收载麻黄药材和混淆品种丽江麻黄的校正集与验证集样品，并使其比例为2:1，见表 1。每批样品的5张光谱均用于建模，以增加所建模型的耐用性。
2.3 判别分析模型的建立与验证 2.3.1 光谱预处理方法的选择从未处理（no preprocessing，NP）、多元散射校正（multiplicative signal correction，MSC）或标准正态变量变换（standard normal variate，SNV）、一阶导数（first derivative，FD）或二阶导数（second derivative，SD）、Savitzky-Golay平滑（Savitzky-Golay smoothing，SGS）或Norris平滑（Norris derivative smoothing，NDS）及其组合中选择光谱预处理方法，以降低干扰，增强样品信号，提高所建判别分析（discriminant analysis，DA）模型的性能。结果，采用TQ Analyst 8.0进行MSC或SNV时，DA模型的性能均最佳，见表 2。因此，可选择MSC或SNV进行光谱预处理。
|
|
表 2 主要的判别分析模型及其性能 Table 2 Main DA models and their performance |
从扫描范围10 000~4 000 cm-1内选择建模光谱范围，以提高模型性能，简化模型，加快计算速度，结果见表 2。表 2中，建模光谱范围9 879.54~4 119.21 cm-1为采用TQ Analyst 8.0去除扫描范围两端高噪音部分后的结果，再经手动选择得到DA模型性能最佳的建模光谱范围6 900~6 500 cm-1和5 200~4 700 cm-1。如果采用更窄的建模光谱范围6 800~6 600 cm-1和5 100~4 800 cm-1，则DA模型校正集和验证集的预测准确率均降低。因此，选择6 900~6 500 cm-1和5 200~4 700 cm-1为建模光谱范围。
2.3.3 模型的建立与验证为减少数据冗余，采用TQ Analyst 8.0对校正集和验证集的样品光谱数据进行主成分分析（principal component analysis，PCA）降维。光谱数据经SNV处理后，建模光谱范围前3个主成分（principal components，PCs）的得分在三维空间的分布见图 2。从图 2可看出，药典收载麻黄药材样品与混淆品种丽江麻黄样品交叉严重，未呈明显的两类分布，提示该两类区分困难，需要使用更多的PCs建立判别模型。以校正集样品光谱数据的前8个PCs（累计贡献率为99.97%）的得分及其参比值建立DA模型，以验证集样品光谱及其参比值验证DA模型时，表征最优DA模型（模型3）性能的校正集预测准确率和验证集预测准确率均为100.0%，见表 2。从图 3（Ⅰ）可见，药典收载麻黄药材与混淆品种丽江麻黄被完全准确区分，证明所建DA模型能够提取不同药典收载麻黄药材共有的且区别于混淆品种丽江麻黄的近红外光谱特征信息，从而同时鉴别3种药典收载麻黄药材。
|
字母（A，a）分别表示药典收载麻黄药材校正集和验证集的样品光谱；字母（B，b）分别表示丽江麻黄校正集和验证集的样品光谱 (A and a represent the spectra of Ephedra authorized in pharmacopoeia in calibration and validation set, respectively; B and b represent the spectra of Ephedra likiangensis Florin in calibration and validation set, respectively) 图 2 39批样品FT-NIRDRS光谱前3个PCs的得分在三维空间的分布 Figure 2 Three-dimensional distribution of scores of the first three PCs of FT-NIRDRS spectra for 39 samples |
|
Ⅰ .药典收载麻黄药材与丽江麻黄的DA鉴别（identification of Ephedra authorized in pharmacopoeia and Ephedra likiangensis Florin by DA method） Ⅱ . 药典收载麻黄药材与丽江麻黄的 CP-ANN 鉴别（identification Ephedra authorized in pharmacopoeia and Ephedra likiangensis Florin by CP-ANN method） 字母（A，a）分别表示药典收载麻黄药材校正集和验证集的样品光谱；字母（B，b）分别表示丽江麻黄校正集和验证集的样品光谱 A and a represent the spectra of Ephedra authorized in pharmacopoeia in calibration and validation set，respectively; B and b represent the spectra of Ephedra likiangensis Florin in calibration and validation set，respectively） 图 3 药典收载麻黄药材与丽江麻黄的鉴别 Figure 3 Identification of Ephedra authorized in pharmacopoeia and Ephedra likiangensis Florin |
类似于“2.3.1”项，光谱预处理方法的选择结果显示，对向传播人工神经网络（counterpropagation artificial neural network，CP-ANN）模型采用MSC或SNV时，模型的性能均最佳，见表 3。因此，可选择MSC或SNV进行光谱预处理。
|
|
表 3 主要的对向传播人工神经网络模型及其性能 Table 3 Main CP-ANN models and their performance |
类似于“2.3.2”项，建模光谱范围的选择结果显示，采用6 900~6 500 cm-1和5 200~4 700 cm-1建立CP-ANN模型时，模型的性能最佳，见表 3。
2.4.3 模型的建立与验证类似于“2.3.3”项，图 2显示了校正集和验证集的样品光谱数据经SNV处理后，建模光谱范围前3个PCs的得分在三维空间的分布。采用Matlab 8.0以校正集样品光谱数据的前6个PCs（累计贡献率为99.84%）的得分及其参比值建立CP-ANN模型，神经网络结构在10×10到30×30内选择，训练次数在60~500次内选择；以验证集样品光谱及其参比值验证CP-ANN模型。结果，以10×10为神经网络结构、训练60次时，表征最优CP-ANN模型（模型3）性能的校正集预测准确率、交叉验证预测准确率和验证集预测准确率均为100.0%，见表 3。从图 3（Ⅱ）可见，药典收载麻黄药材与混淆品种丽江麻黄被完全准确区分，证明所建CP-ANN模型能够提取不同药典品种麻黄药材共有的、且区别于混淆品种丽江麻黄的近红外光谱特征信息，从而同时鉴别3种药典收载麻黄药材。
3 讨论 3.1 样品的选择本工作收集了具有种类、产地多样性的药典收载麻黄药材样品，以使所建模型具有准确的预测能力。
图 1显示，混淆品种丽江麻黄与药典收载麻黄药材具有较强的相似性。结果说明，混淆品种的选择具有一定的合理性。
3.2 DA模型与CP-ANN模型的比较DA模型校正集和验证集的预测准确率均为100.0%，CP-ANN模型校正集、交叉验证和验证集的预测准确率均为100.0%，即DA模型与CP-ANN模型均能完全准确地同时区分不同药典品种麻黄药材与混淆品种丽江麻黄。但是，由于CP-ANN模型建模时使用的PCs较少，从一方面说明非线性CP-ANN模型的性能略优于线性DA模型。
3.3 所建近红外光谱法的特点及意义所建近红外光谱法能够基于草麻黄、中麻黄和木贼麻黄的共性，及其与丽江麻黄的差异，实现3种药典收载麻黄药材的同时快速鉴别。该项工作说明中国药典、欧洲药典和日本药局方仅将草麻黄、中麻黄和木贼麻黄均收载于“麻黄”项下具有一定的科学依据。
| [1] |
National Center for Complementary and Integrative Health. Bethesda, National Institutes of Health. Ephedra[EB/OL]. 2016[2017-01-04]. https://nccih.nih.gov/health/ephedra https://www.nlm.nih.gov/bsd/pubmed_subsets/comp_med_strategy.html
|
| [2] |
中国药典2015年版. 一部[S]. 2015: 320 ChP 2015. Vol Ⅰ[S]. 2015:320 http://mall.cnki.net/magazine/Article/YPBZ200001010.htm |
| [3] |
EP 8. 0[S]. 2013:1236 http://circep.ahajournals.org/content/6/6/1236
|
| [4] |
JP 16[S]. 2011:1637
|
| [5] |
张建生, 李胜华. 国产麻黄的形态组织学研究:Ⅱ.西南主产种及其它种[J]. 药学学报, 1990, 25(1): 54. ZHANG JS, LI SH. Morphological and histological studies of Chinese Ephedra, Ma Huang Ⅱ. Species produced in southwestern China and other species[J]. Acta Pharm Sin, 1990, 25(1): 54. |
| [6] |
中国科学院中国植物志编辑委员会. 中国植物志[M]. 北京: 科学出版社, 1978, 478. Delectis Florae Reipublicae Popularis Sinicae Agendae Academiae Sinicae Edita. Flora Reipublicae Popularis Sinicae[M]. Beijing: Science Press, 1978, 478. |
| [7] |
王丽琼, 范琦, 易珍奎, 等. HPLC指纹图谱结合反向传播人工神经网络和判别分析鉴定不同的麻黄药材[J]. 西南师范大学学报(自然科学版), 2012, 37(5): 73. WANG LQ, FAN Q, YI ZK, et al. Identification of different Ephedra plants using HPLC fingerprints in combination with backpropagation artificial neural network and discriminant analysis[J]. J Southwest China Normal Univ(Nat Sci Ed), 2012, 37(5): 73. |
| [8] |
REN XF, LIANG YZ, LI XN, et al. Chemical fingerprint analysis for quality control of Herba Ephedrae based on HPLC-DAD combined with chemometrics methods[J]. Anal Lett, 2012, 45(13): 1824. DOI:10.1080/00032719.2012.677971 |
| [9] |
中国药典2015年版. 四部[S]. 2015: 379 ChP 2015. Vol Ⅳ[S]. 2015:379 |
| [10] |
DA SILVA VH, GONÇALVES JL, VASCONCELOS FVC, et al. Quantitative analysis of mebendazole polymorphs in pharmaceutical raw materials using near-infrared spectroscopy[J]. J Pharm Biomed Anal, 2015, 115: 587. DOI:10.1016/j.jpba.2015.08.018 |
| [11] |
DONG YH, LI J, ZHONG XX, et al. High-throughput prediction of tablet weight and trimethoprim content of compound sulfamethoxazole tablets for controlling the uniformity of dosage units by NIR[J]. Spectrochim Acta A, 2016, 159: 78. DOI:10.1016/j.saa.2016.01.030 |
| [12] |
LI WL, CHENG ZW, WANG YF, et al. Quality control of Lonicerae Japonicae Flos using near infrared spectroscopy and chemometrics[J]. J Pharm Biomed Anal, 2013, 72: 33. DOI:10.1016/j.jpba.2012.09.012 |
| [13] |
杨海龙, 臧恒昌, 胡甜, 等. 近红外漫反射光谱法对不同产地山楂的定性鉴别和定量分析[J]. 药物分析杂志, 2014, 34(3): 396. YANG HL, ZANG HC, HU T, et al. Classification and quantification analysis of hawthorn from different origins with near-infrared diffuse reflection spectroscopy[J]. Chin J Pharm Anal, 2014, 34(3): 396. |
| [14] |
李化, 苏建春, 柯华香, 等. 基于近红外漫反射光谱和多元数据分析的黄芩质量标准的快速评价方法研究[J]. 药物分析杂志, 2015, 35(3): 518. LI H, SU JC, KE HX, et al. Study on fast assessment method of quality standard of Radix Scutellariae by near infrared spectroscopy and multivariate analysis[J]. Chin J Pharm Anal, 2015, 35(3): 518. |
| [15] |
FAN Q, WANG YL, SUN P, et al. Discrimination of Ephedra plants with diffuse reflectance FT-NIRS and multivariate analysis[J]. Talanta, 2010, 80(3): 1245. DOI:10.1016/j.talanta.2009.09.018 |
| [16] |
易珍奎, 范琦, 王丽琼, 等. 近红外漫反射光谱法结合CP-ANN和PLS高通量分析草麻黄药材[J]. 药物分析杂志, 2012, 32(8): 1402. YI ZK, FAN Q, WANG LQ, et al. High-throughput analysis of Ephedra sinica plants by NIR diffuse reflectance spectroscopy combined with CP-ANN and PLS[J]. Chin J Pharm Anal, 2012, 32(8): 1402. |
| [17] |
WORKMAN J, WEYER L. Practical Guide to Interpretive Nearinfrared Spectroscopy[M]. USA: CRC Press, 2008, 9.
|