一種基于近紅外光譜技術的阿膠化皮液中總蛋白含量的軟測量方法
【專利摘要】本發明公開了一種基于近紅外光譜技術的阿膠化皮液中總蛋白含量的軟測量方法，屬于中藥生產【技術領域】。本發明以實際生產過程中的化皮液樣本與實驗室模擬樣本共同組成樣本集，采集樣本集的近紅外光譜圖，提取化皮液的特征光譜信息，以凱氏定氮法測得的化皮液總蛋白含量作為參比值，采用偏最小二乘回歸法建立化皮液近紅外光譜與其總蛋白含量之間關系的定量校正模型，對待測樣品采集其近紅外光譜，利用所建模型求取其總蛋白含量。本發明提供了一種快速、精確的總蛋白含量軟測量方法，有利于提高阿膠生產過程的質量控制水平。
【專利說明】一種基于近紅外光譜技術的阿膠化皮液中總蛋白含量的軟測量方法
【技術領域】
[0001]本發明為一種基于近紅外光譜技術的軟測量方法，具體涉及一種基于近紅外光譜技術的阿膠化皮液中總蛋白含量的軟測量方法，屬于中藥生產【技術領域】。
【背景技術】
[0002]阿膠(Colla corii asini )為馬科動物驢(Equus asinus L.)的干皮或鮮皮經去毛、煎煮、濃縮制成的固體膠，始載于《神農本草經》，被列為補血“圣藥”。阿膠中主要成分為膠原蛋白、肽類和氨基酸，占干重的五分之四左右。阿膠的化皮工序是阿膠的生產過程中最關鍵的工序之一；在此工序中，化皮液的總蛋白含量則是評價過程優劣的一項重要質量指標。
[0003]目前阿膠的總蛋白含量主要采用凱氏定氮法(Kjeldahl)測定。該法主要分為常量凱氏定氮法、微量凱氏定氮法及改良凱氏定氮法(催化劑中增加TiO2)三種。凱氏定氮法雖然具有較高準確度和精密度，但在實際應用中卻有許多缺點，如所需時間較長，操作復雜，試劑消耗量大等。雖然全自動凱氏定氮儀的出現一定程度上克服了分析過程冗長、操作復雜的缺點，但實驗過程依舊需要大量消耗強酸強堿試劑，這些有毒化學試劑的使用給環境帶來了較大污染。
[0004]近紅外光譜(Near Infrared Spectroscopy,NIRS)是可見光與中紅外光譜之間波長范圍為780至2500nm的光譜區。該光譜區主要是含氫基團(C_H、N-H、0-H)的倍頻與合頻吸收區間，通過掃描樣品的近紅外光譜，可以得到樣品中有機分子含氫基團的特征信息。近紅外光譜技術與化學計量學相結合已廣泛應用與中藥質量控制的各個階段(原料藥材、過程中間體及終產品)。軟測量技術則是近年來在過程控制領域涌現出的一種新技術，它主要是通過間接測量的思路，對難以測量或者暫時不能測量的重要變量，選擇容易測量的變量，通過構成某種數學關系來推斷或者估計。近紅外光譜作為一種軟測量技術，具有樣品無需或僅需極少的預處理、操作簡便、不消耗化學試劑等諸多優點，因而被稱為“綠色分析技術”。由于化皮液樣品中的含氮基團在近紅外光譜區有N-H振動合頻與倍頻的吸收區間，因此可以依據易測的近紅外光譜與總蛋白含量之間的數學關系，建立總蛋白含量的軟測量模型。
【發明內容】
[0005]本發明的目的在于提供一種基于近紅外光譜技術的軟測量方法，尤其是針對阿膠化皮液中總蛋白含量的軟測量方法，快速地反映化皮液的化學信息，提高阿膠生產過程的質量控制水平，也為實現工藝過程的在線監測奠定基礎。
[0006]本發明的目的通過如下技術方案實現:
[0007]1.樣本的收集:以實際生產中收集的化皮液樣本和實驗室模擬樣本組成樣本集；
[0008]優選的，步驟I中所述的實際生產過程采集的樣本的具體步驟為:收集實際化皮過程共b (b ^ 20)個批次，每個批次取三遍化皮液樣本；步驟I中所述的制備實驗室模擬樣本的具體步驟為:收集各批次化皮后的毛渣，毛渣加1.5-2倍量的水煮沸30分鐘，以模擬第四遍化皮過程。
[0009]2.樣本集中各樣本總蛋白含量的測定:采用凱氏定氮法測定，具體操作方法為: 精密量取2mL化皮液樣品置于硝化管中，依次加入IOg無水硫酸鈉和0.5g硫酸銅，沿管壁緩緩加入12mL濃硫酸，用凱氏定氮儀進行硝化、蒸餾、滴定，滴定結果以空白組校正。所得總氮含量乘以蛋白質換算系數6.25即為總蛋白含量。
[0010]3.近紅外光譜數據采集和建模參數優選:使用近紅外光譜儀采集樣本近紅外光譜，剔除異常樣本后，選擇合適的建模光譜波段和主成分數，提取光譜特征信息。
[0011]優選的，近紅外光譜儀采集樣本近紅外光譜時采用透反射模式采集化皮液的近紅外光譜圖。
[0012]更優選的，近紅外光譜儀采集樣本近紅外光譜時以儀器內置背景為參比，分辨率為4cm—1，掃描次數為128次，掃描光譜波數范圍為4000-10000(^'
[0013]建模參數優選:在建立模型之前，首先需要鑒別并剔除異常樣本。本發明采用 Chauvenet檢驗法和杠桿值與學生化殘差值相結合的方法進行異常樣本的剔除，同時兼顧了化學值和光譜數據的異常，更有助于對異常樣本的鑒別及剔除。
[0014]Chauvenet檢驗法首先計算所有樣品光譜的平均光譜,然后計算每個樣品光譜與平均光譜之間的馬氏距離，將距離值從小到大的順序排列，根據Chauvenet判別準則判定距離值最大的樣品光譜是否為異常，若是則繼續判別距離值第二大的樣品光譜是否為異常，以此類推，直至某一樣品光譜被判定為正常。本發明中軟件根據準則自動判斷異常光譜。Chauvenet判別準則公式如下:
【權利要求】
1.一種基于近紅外光譜技術的阿膠化皮液中總蛋白含量的軟測量方法，其特征在于， 該軟測量方法通過以下步驟實現:(1)樣本的收集:以實際生產中化皮過程收集的化皮液樣本和實驗室模擬樣本組成樣本集；(2)樣本集中各樣本總蛋白含量的測定:以凱氏定氮法測得樣本的總蛋白含量作為參比值；(3)樣本近紅外光譜采集和建模參數優選:使用近紅外光譜儀采集樣本近紅外光譜，剔除異常樣本后，選擇合適的建模光譜波段和主成分數，提取光譜特征信息；(4)軟測量模型的建立:使用多變量分析(MultivariateAnalysis, MVA)方法構建樣本的近紅外特征光譜與其總蛋白含量之間的定量校正模型，以校正集樣本建立軟測量模型， 并以驗證集樣本對模型預測能力進行評價；(5)軟測量模型的應用:用所建模型對待測化皮液樣本進行預測分析，得到待測樣本的總蛋白含量。
2.根據權利要求1所述的方法，其特征在于，步驟(1)所述的樣本收集具體步驟為:收集實際化皮過程共b個批次，每個批次取三遍化皮液及化皮后的毛渣，毛渣加1.5-2倍量的水煮沸30分鐘，以模擬第四遍化皮過程，其中，b≥20。
3.根據權利要求1所述的方法，其特征在于，步驟(3)所述的近紅外光譜的采集方式為:透反射模式采集樣本的近紅外光譜。
4.根據權利要求1所述的方法，其特征在于，步驟(3)所述的近紅外光譜采集的相關參數為:以儀器內置背景為參比，分辨率為4CHT1,掃描次數為128次,掃描光譜波數范圍為 4000-10000cm_1o
5.根據權利要求1所述的測量方法，其特征在于，步驟(3)所述的建模參數優選的具體步驟為:采用Chauvenet檢驗法結合杠桿值與學生化殘差圖剔除異常樣本，采用變量投影重要性規則(Variable importance in projection, VIP)選擇合適的建模光譜波段,采用蒙特卡洛交叉驗證(Monte Carlo Cross Validation, MCCV)選擇模型的最佳主成分數。
6.根據權利要求1所述的測量方法，其特征在于，步驟(4)所述的軟測量模型，其優化性能評價指標為:以相關系數r、校正集均方根偏差RMSEC及交叉驗證均方根偏差RMSECV 為指標優化建模參數；模型對待測樣本的預測能力用驗證集相關系數r和驗證集均方根偏差RMSEP來考核。
7.根據權利要求1所述的測量方法，其特征在于，步驟(4)所述的多變量分析方法為偏最小二乘回歸法。
8.根據權利要求1-7所述的測量方法，其特征在于，所述的樣本為中藥生產過程中間體。
9.根據權利要求8所述的測量方法，其特征在于，所述的樣本為阿膠化皮液。
【文檔編號】G01N21/3577GK103592255SQ201310597558
【公開日】2014年2月19日 申請日期:2013年11月22日 優先權日:2013年11月22日
【發明者】瞿海斌, 秦玉峰, 周祥山, 李文龍, 韓海帆, 張淹, 段小波, 張云霞, 張路, 史兆松 申請人:山東東阿阿膠股份有限公司