腰痹通胶囊4种中间体粒径的近红外光谱通用定量模型研究

中草药杂志社 · 公众号 · 药品 · 2021-01-14 09:12

正文

摘要：目的旨在通过近红外光谱（ NIRS ）信息与腰痹通胶囊（ Yaobitong Capsules ， YC ）中间体中值粒径（ D ₅₀ ）的关系分析，探讨对该品种生产过程中 4 种中间体建立 D ₅₀ 近红外通用定量模型的可行性。方法采集 YC 生产过程中的原料细粉、干燥颗粒、整粒颗粒和总混颗粒 4 种中间体的 NIRS ，考察不同预处理方法对模型的影响，并采用间隔偏最小二乘法（ iPLS ）、组合间隔偏最小二乘法（ siPLS ）和移动窗口偏最小二乘法（ mwPLS ）优选 NIRS 波段，采用偏最小二乘法（ PLS ）对 4 种中间体建立 1 个 D ₅₀ 通用定量模型。结果通用模型的交叉验证均方根误差（ RMSECV ）为 3.918 μm ，预测均方根误差（ RMSEP ）为 2.832 μm ，预测相对偏差（ RSEP ）为 2.26% ，小于 5% ，性能偏差比（ RPD ）为 4.60 ，大于 3 ，该模型可以用于定量测定，且与独立模型比，预测准确性相差不大。结论 NIRS 通用定量模型可用于 YC 4 种中间体 D ₅₀ 的测定。

腰痹通胶囊（ YaobitongCapsules ， YC ）是由三七、川芎、延胡索、白芍、牛膝、狗脊、熟大黄、独活 8 味中药组成，具有活血化瘀、祛风除湿的功效，主要用于治疗腰椎间盘突出症 ^[1] 。颗粒粒径是评价制粒所得颗粒是否合格的关键指标 ^[2-3] ，并对多个关键质量属性有影响，例如吸湿稳定性 ^[4] 、流动性 ^[5] 、可压缩性 ^[6] 、溶出度 ^[7] ，它还影响制粒工艺参数的选择 ^[8] 及胶囊的填充 ^[9] 。在实际生产应用中，中值粒径（ D ₅₀ ）是评价颗粒粒径的主要指标， D ₅₀ 是指粒径分布累积达到 50% 时对应的粒径值 ^[10-11] ，它能较准确的反映样本的粒径情况。目前， YC 正在进行工艺优化提升质量标准， D ₅₀ 拟纳入质量内控标准。

近红外光谱（ nearinfrared spectrum ， NIRS ）技术与化学计量法结合，能够实现快速检测化学成分含量及物理性质指标，在药材鉴别与化学成分含量快速测定中应用较多 ^[12‑14] ，但较少用来快速检测物性指标。粒径信息可以通过 NIRS 基线的变化反映出来 ^[15] ，已有研究者将 NIRS 技术用于粒径的快速检测。 Rosas 等 ^[16] 以实验室自制尼美舒利为研究对象，成功开发出 NIRS 快速检测颗粒粒径分布（＜ 125 μm 、 125 ～ 250 μm 、＞ 250 μm ）的模型，模型的预测均方根误差（ root mean squareerror of prediction ， RMSEP ）为 2.5% 。 Otsuka 等 ^[17] 采用 NIRS 技术实时监控实验室规模的扑热息痛散流化床制粒过程，建立了颗粒 D ₅₀ 的快速检测方法，模型的校正集相关系数达 0.961 。 Pauli 等 ^[18] 开发了 3 个在线 NIRS 定量分析方法，用于测定双氯芬酸钠湿法制粒和流化床干燥过程中的颗粒粒径分布，预测值在允许的误差范围内。潘晓宁 ^[19] 以党参与玄参药材为研究对象，分别构建了粒径分布累积为 10% 、 50% 、 90% 对应的粒径值（ D ₁₀ 、 D ₅₀ 、 D ₉₀ ）的 NIRS 定量预测模型。上述研究表明， NIRS 技术结合化学计量法是可以测定药物颗粒粒径的，但多数研究都是针对某一类样本进行分析，且都集中于化学药领域。通用模型是指针对某个指标建立一个模型，可以用于分析 2 种及以上的样本，通用性强，可以节约较多成本。建立一个稳定、可靠的 NIRS 定量预测模型是一项较为复杂的工作，耗时长且成本高。如果能针对两种及以上的样本建立一个通用的模型，将会提升检测效率，节约成本。本研究以 YC 生产过程中的 4 种中间体为研究对象，通过采集 4 种中间体的近红外漫反射光谱，以中间体 D ₅₀ 为参考值，采用偏最小二乘法（ partialleast squares ， PLS ）建立一个检测 4 种中间体 D ₅₀ 的通用方法。

1 仪器与材料

1.1 仪器

Antaris II 型傅里叶近红外变换光谱仪，配有积分球漫反射采样系统、 Result 光谱采集软件，美国 Thermo 公司； BT-2600 激光粒度分布仪，丹东百特仪器有限公司。

1.2 材料

YC 生产过程中的中间体，包含原料细粉、干燥颗粒、整粒颗粒和总混颗粒，由江苏康缘药业股份有限公司提供。本研究收集的样品为 2019 年 8 月至 2020 年 5 月生产的中间体样品，收集到的中间体样品批次为 Z190801 ～ Z190820 、 Z190901 ～ Z190918 、 Z200301 ～ Z200320 、 Z200401 ～ Z200420 、 Z200501 ～ Z200502 ，包含 4 种中间体共 320 个样品。

2 方法

2.1 NIRS 采集

取 4 g 左右样品，置于配备的样品杯里，轻轻压实，采用积分球漫反射方式采集 NIRS 。扫描范围为 10 000 ～ 4000 cm ⁻¹ ，分辨率为 8 cm ⁻¹ ， 2 倍增益，扫描次数 64 次，以空气为背景，每小时扫描 1 次背景。每个样品扫描 3 次，平均值用于分析。

2.2 参考值测定

激光粒度分布仪法测粒径代表性强且适用于粒径小的颗粒 ^[10] ，“ 1.2 ”项下的样本粒径小于 550μm ，采用该法测粒径结果较为准确。取适量样品置于进料斗中，使用 BT-2600 激光粒度分布仪测定样品的粒径分布，并计算 D ₅₀ （粒径分布累积为 50% 时对应的粒径值）。参数设置：分散介质为空气，空气压力为 0.25 MPa ，遮光率为 3% ～ 12% 。

2.3 光谱预处理方法

采集光谱时，由于受到环境温湿度、仪器状态以及颗粒状态等各种因素的影响， NIRS 会产生噪声信号、基线漂移等，获取的光谱中包含了自身的信息以及其他不必要的信号。对 NIRS 进行合适的预处理，可以减少噪声，滤过无关信息，提高模型稳健性。常见的预处理方法有矢量归一化法、导数法（一阶导数、二阶导数）、平滑法［ Savitzky-Golay （ SG ）平滑、 Norris Derivative （ ND ）平滑］、多元散射校正（ multiplicativescatter correction ， MSC ）、标准正态变量变换法（ standardnormal variate transformation ， SNV ）、基线校正以及上述几种方法的结合。矢量归一化法能增强光谱差异，可以校正由光程或样品稀释等导致的光谱变化； MSC 和 SNV 可以消除颗粒大小、分布不匀带来的干扰；导数法可以消除基线漂移；平滑法能够滤除噪声 ^[20-21] 。

2.4 数据处理与评价方法

采用 Unscramble X10.4 （ Camo softwareAS ， Norway ）软件对 NIRS 进行预处理，采用 Matlab 2016a （ Mathwork Inc. ， USA ）软件对样本进行变量筛选与建模，采用留一交叉验证法以交叉验证均方根误差（ root mean square errors of cross validation ， RMSECV ）为评价指标确定主因子数。以中间体 D ₅₀ 为因变量，以对应的 NIRS 值为自变量建立 PLS 定量模型。本研究以下列参数来评价模型性能，以优选最佳模型。校正集相关系数（ R _cal ）、验证集相关系数（ R _pre ）分别表示校正模型与验证模型的拟合程度， R _cal 和 R _pre 越大，模型拟合效果越好；校正均方根误差（ root mean square errors of calibration ， RMSEC ）、 RMSEP 分别指校正模型与验证模型中参考值与预测值之间的均方根误差，越小模型预测性能越高；校正集偏差（ BIAS _cal ）和验证集偏差（ BIAS _pre ）分别表示校正模型与验证模型中参考值与预测值之间的偏差，其越小，模型预测精度越高 ^[22-23] 。预测相对偏差（ relative standard error of prediction ， RSEP ）是模型中参考值与预测值之间的相对偏差，一般 RSEP 越小模型预测性能越好；性能偏差比（ ratio of performance to deviation ， RPD ）表示模型预测性能，是标准差（ SD ）与 RMSEP 的比值，当 RPD ＞ 3 时，表示模型预测精度高 ^[24] 。各项评价参数不能孤立参考，需要综合起来评价。

3 结果与分析

3.1 样本划分

采用随机抽样（ randomsampling ， RS ）法划分校正集与验证集，并保证验证集中参考值范围包含于校正集中 ^[12] 。每种中间体按照 3 ∶ 1 的比例划分校正集与验证集，随机选取 60 个样品作为校正集， 20 个样品作为验证集；通用模型的校正集为 4 种中间体校正集的总和，共 240 个样品，验证集为 4 种中间体验证集的总和，共 80 个样品，划分结果见表 1 。

3.2 光谱预处理方法的选择

YC 中间体的近红外原始光谱见图 1 。本研究考察了以下预处理方法：移动窗口平滑（ 9 点）、 SNV 、 S-G 1 ^st （ 9 点）、基线校正、 MSC 、归一化法。使用上述方法对光谱进行预处理后，建立 D ₅₀ 的 PLS 定量模型，不同预处理方法对模型性能的影响如表 2 所示。以 RPD 与 RSEP 为评价标准，筛选最优的预处理方法。由表 2 可知，原料细粉模型中，一阶求导结合 S-G 平滑对光谱进行预处理建模效果最优， RPD 为 4.50 ， RSEP 为 2.30% ；干燥颗粒模型中，采用移动窗口平滑（ 9 点）预处理方法最佳， RPD 为 4.12 ， RSEP 为 1.88% ；整粒颗粒模型里，采用原始光谱建模比进行预处理后建模效果好， RPD 为 4.15 ， RSEP 为 1.80% ；总混颗粒模型采用移动窗口平滑（ 9 点）方法对光谱进行预处理后建模效果最好， RPD 为 4.84 ， RSEP 为 1.54% ；通用模型中，采用原始光谱建模性能最佳， RPD 为 4.60 ， RSEP 为 2.26% 。

3.3 特征变量筛选

筛选特征变量可以剔除无关信息，提高模型性能。本研究在上述筛选出的最佳预处理方法基础上进一步筛选特征变量。

3.3.1 基于间隔偏最小二乘法（ interval PLS ， iPLS ）筛选变量 iPLS 是把全光谱划分成若干个子区间，然后在每个子区间进行建模 ^[25] 。本研究将全光谱划分成 20 个子区间，以 RMSECV 为评价指标，筛选最佳建模波段。

3.3.2 基于组合间隔偏最小二乘法（ synergy interval PLS ， siPLS ）筛选变量 siPLS 是基于 iPLS ，它是将全光谱划分成若干个子区间后，再把子区间任意组合起来建模。本研究是把全光谱划分成 20 个子区间，再以子区间组合数为 4 建立模型，以 RMSECV 为评价指标，筛选最佳建模波段。

3.3.3 基于移动窗口偏最小二乘法（ moving window PLS ， mwPLS ）筛选变量 mwPLS 是从整个光谱的第一个波长点开始移动，沿波长变化的方向截取选定窗口宽度的区间，建立一系列的 PLS 模型 ^[26] 。本研究以初始窗口宽度为 31 ，以 10 为步长依次增加窗口宽度，建立了窗口宽度为 31 ～ 311 的 PLS 模型，并根据 RMSECV 选取最佳建模波段。

3.3.4 筛选特征变量采用 3 种方法建立模型的性能参数如表 3 ～ 7 所示。分别以 RMSEC 、 RMSECV 、 RMSEP 为评价指标，综合评价筛选出建模的最佳波段。

原料细粉模型采用全光谱建模与 mwPLS 优选的波段建模性能相差不大，但是筛选波段后变量减少至 115 个，建模时间会缩短，因此选择建模波段 3 999.64 ～ 4 018.92 、 5 739.12 ～ 6 136.38 cm ⁻¹ 。

干燥颗粒模型采用 siPLS 和 mwPLS 筛选变量后，模型性能均有所提高，变量数分别减少到 392 、 278 个，但 mwPLS 筛选变量后的波点数更少且 R _cal 、 R _pre 较大， RMSEC 、 RMSEP 较小，故采用波段 4 030.50 ～ 4 219.49 、 4 443.19 ～ 4 504.90 、 6 957.91 ～ 7 767.86 cm ⁻¹ 建模。

整粒颗粒模型采用 siPLS 与 mwPLS 筛选变量模型性能有所提升，变量数分别减少至 312 、 83 个，但 mwPLS 的 R _cal 、 R _pre 更大， RMSEC 、 RMSEP 也较小，且波点数也较少，故选用波段 4 933.02 ～ 4 971.59 、 5 982.10 ～ 6 213.52 、 7 359.03 ～ 7 397.60 cm ⁻¹ 建模。

总混颗粒模型采用 mwPLS 法进行波段筛选后， R _cal 、

腰痹通胶囊4种中间体粒径的近红外光谱通用定量模型研究

正文

请到「今天看啥」查看全文