藏药五脉绿绒蒿提取过程的在线近红外光谱质量控制研究 (1).pdf

第42 卷 第 8 期2023 年8 月Vol.42 No.8920929分析测试学报FENXI CESHI XUEBAO（Journal of Instrumental Analysis）藏药五脉绿绒蒿提取过程的在线近红外光谱质量控制研究龙若兰1，2，3，冯丹1，2，3，罗西1，2，3，孙菁1，2*（1中国科学院西北高原生物研究所 青海省青藏高原特色生物资源研究重点实验室，青海 西宁 810008；2中国科学院西北高原生物研究所 中国科学院藏药研究重点实验室，青海 西宁 810008；3中国科学院大学，北京 100049）摘要：利用近红外光谱技术和自建的在线检测系统，实现了藏药五脉绿绒蒿提取过程中总黄酮含量的在线近红外光谱监测和提取终点的判定。以403个样品为建模集，分别获得了主成分回归（PCR）、偏最小二乘（PLS）、决策树（DT）、随机森林（RF）算法下的最佳光谱预处理方法和建模区间，以残差预测偏差（RPD）值为指标选择最佳建模方法。以62个样品为外部验证集，考察模型应用于总黄酮含量实时监测的可行性。此外，还探讨了利用模型预测值进行相对浓度变化率（RCCR）分析直接判定提取终点的可行性，并比较了标准偏差绝对距离法（ADSD）和移动窗口标准偏差法（MBSD）对提取终点判定的适用性。结果表明，在预处理方法为Constant+一阶导数+SG平滑、建模区间5 300 9 000 cm-1条件下所建的总黄酮含量的PLS模型效果最好，其校正集和验证集的误差均方根均小于0.14、相关系数均大于0.97，RPD值为4.68。所建PLS模型对未知样品的平均预测率为79%，实际值与预测值的相关系数大于0.98，表明模型有较好的预测效果。外部验证集中RCCR法判定的预测提取终点和ADSD法判定的提取终点均与实际提取终点一致。所建模型性能较好，通过对未知样品进行准确快速的定量分析，实现了五脉绿绒蒿提取过程中总黄酮含量的实时监测，同时，以RCCR和ADSD作为提取终点的判定方法较为准确，可为藏药材提取过程在线近红外光谱分析技术的研究提供有益借鉴。关键词：近红外光谱技术；质量控制；在线检测；五脉绿绒蒿；总黄酮中图分类号：O657.3；R284 文献标识码：A 文章编号：1004-4957（2023）08-0920-10Online Near Infrared Quality Control on Extraction Process of Tibetan Medicine Meconopsis Quintuplinervia Regel.LONG Ruo-lan1，2，3，FENG Dan1，2，3，LUO Xi1，2，3，SUN Jing1，2*（1Qinghai Provincial Key Laboratory of QinghaiTibet Plateau Biological Resource Research，Northwest Institute of Plateau Biology，Chinese Academy of Sciences，Xining 810008，China；2Key Laboratory of Tibetan Medicine Research，Northwest Institute of Plateau Biology，Chinese Academy of Sciences，Xining 810008，China；3University of Chinese Academy of Sciences，Beijing 100049，China）Abstract：A near infrared spectroscopy with self-built online detection system was developed for the online detection of total flavonoids and the end-point determination in the extraction process of Meconopsis quintuplinervia Regelin this paperTotal 403 samples were used as the modeling set to obtain the best pretreatment methods and modeling bands for principal component regression（PCR），partial least squares（PLS），decision tree（DT），and random forest（RF）algorithms，respectivelyAnd the best modeling method was selected with the ration of prediction to deviation（RPD）value as the indexThe feasibility for the assay model applied to real-time monitoring of total flavonoids content was investigated with 62 samples as an external validation setIn addition，the feasibility for direct determination of the extraction end-point by relative concentration changing rate（RCCR）analysis was also investigated using the model prediction valuesFuthermore，the suitabilities for the determination of extraction endpoints by the absolute distance of standard deviation（ADSD）and moving block standard deviation（MBSD）method were comparedThe results showed that the PLS model doi：10.19969/j.fxcsxb.23050906收稿日期：20230509；修回日期：20230607基金项目：国家自然科学基金面上项目（32270402）；青海省自然科学基金面上项目（2023-ZJ-919M）通讯作者：孙 菁，博士，研究员，研究方向：中药质量评价与控制，E-mail：第 8 期龙若兰等：藏药五脉绿绒蒿提取过程的在线近红外光谱质量控制研究constructed under the pretreatment method Constant+first derivative+SavitzkyGolay smoothing and the modeling bands 5 3009 000 cm-1 had the best results，which had the root mean squared errors for calibration and validation both less than 0.14，correlation coefficients for calibration and validation both greater than 0.97，and a RPD value of 4.68The average prediction rate of the constructed PLS model for unknown samples was 79%，the correlation coefficient between the actual and predicted values was greater than 0.98，which meant that the model had a good prediction effectThe prediction extraction end-points determined by both RCCR and ADSD methods in the external validation sets were consistent with the actual end-point of 84 minIt can be seen that the performance of the proposed model was good enoughThe real-time monitoring of the total flavonoids content in the extraction process of Meconopsis quintuplinervia Regelwas achieved through the accurate and rapid quantitative analysis of the unknown samples，and the determination methods with RCCR and ADSD as the extraction endpoint were accurate enoughThis paper provided a reliable reference for the application of online near infrared spectroscopy in the extraction process of Tibetan herbal medicine.Key words：near infrared spectroscopy；quality control；online detection；Meconopsis quintuplinervia Regel.；total flavonoids青藏高原独特的地理气候条件孕育了众多疗效独特且活性成分含量较高的生物资源，许多资源被收载于 四部医典、晶珠本草 等医学典籍中，成为享有较高声誉的藏药材，具有较高的药用价值。藏药组方独特，通常处方药味众多，但由于藏药产业发展起步较晚、基础研究滞后等原因，致使藏药在质量控制和安全风险方面的研究相对落后。目前藏药的制药过程普遍采用离线检测技术，以高效液相色谱法、紫外分光光度法等作为质控方法，此类方法存在严重的滞后性，无法实现对药品质量的实时在线监测，难以达到国际上对于成药内在品质稳定均一的标准1，严重制约了藏药产业的高质量发展。因此，亟需建立一种快速、简便、准确、实时的检测体系及方法，从源头保障药材品质，为临床用药的安全性和有效性提供技术支撑。近年来，过程分析技术与光谱技术结合，逐步实现了成药药品质量的实时监测2。目前，在药品生产过程中用来获得质量参数的光谱分析方法主要有紫外光谱、红外光谱、拉曼光谱、荧光光谱等，其中近红外光谱分析技术（NIRS）因简单、高效、无损等特点得到广泛应用34，已经成功应用于制药的全工艺流程，包括原药材的质量评价56、提取79、浓缩1011、制粒干燥1213和混合1415等制作单元，从而可将产品质量控制在生产线上，保障最终产品质量稳定。五脉绿绒蒿（Meconopsis quintuplinervia Regel.）为罂粟科（Papaveraceae）绿绒蒿属（Meconopsis）多年生草本植物，是藏医常用辅药，收载于 晶珠本草、藏药志 等经典典籍中，在 中华人民共和国卫生部药品标准（藏药）第一册中含此药的药方占总药方的14%，可见其用药量之大、药用价值之高。已有研究表明，五脉绿绒蒿中的黄酮类化合物具有良好的镇痛、护肝、抗菌1619作用。迄今为止，围绕五脉绿绒蒿的系列研究集中在化学成分分析、药理药效作用20等方面，围绕其质量评价与控制的报道并不多见，仅有李佩佩等21、李朵等22分别对五脉绿绒蒿的不同居群和不同药用部位进行了中红外光谱分析，尚未见五脉绿绒蒿提取过程在线质量控制分析的相关报道。因此，本研究针对药材的提取过程研发了一套设施完备的近红外（NIR）光谱在线检测系统，以五脉绿绒蒿提取过程为研究载体，总黄酮含量为质控指标，建立了在线近红外光谱检测模型，并用未知样品对模型进行了验证，同时探讨了适用于该体系的提取终点判定方法。该研究的开展，可为藏药材提取过程在线近红外光谱分析技术的应用提供方法学借鉴，同时也为NIRS在藏药过程分析中的应用奠定了基础。1 实验部分 1.1仪器与试剂傅里叶变换红外光谱分析仪（Thermo Fisher，美国），Carry 60紫外可见分光光度计（Agilent，美国），5810R离心机（Eppendorf公司，德国），电子精密分析天平（ME104，Mettler Toledo，瑞士），纯水机（MilliQ，美国），粉碎机（北京中兴伟业仪器有限公司），提取罐、超声波破碎仪、搅动棒、电机（郑州瑞一得仪器仪表有限公司），高温循环油浴锅（上海秋佐生物仪器有限公司），蠕动泵（甘肃鼎弈硕921第 42 卷分析测试学报生物科技有限公司），流通池（光程2 mm，Solvias公司，瑞士）。芦丁（成都曼思特生物科技有限公司、中国科学院成都生物研究所研制，批号：MUST20011302），CH3OH、CH3CH2OH、NaNO2、Al（NO3）3、NaOH均为分析纯。1.2在线检测系统的搭建在线检测系统由温控模块、提取模块、旁路采样模块3个模块组成，温控模块主要包括高温循环油浴锅和温度补偿器，提取模块主要包括提取罐和冷凝管，旁路采样模块主要包括过滤器、蠕动泵、除泡池和流通池等，示意图如图1所示。其工作原理为：高温循环油浴锅连接提取罐进行夹套式加热，提取液从600目过滤头进入旁路循环通路，由蠕动泵控制旁路内液体的流速和流向，两个8 m过滤器再次过滤药渣，滤液流入除泡池去除气泡后，再进入流通池，由NIR检测仪进行光谱采集，流通池下装有温度补偿器，保障光谱采集过程在恒温状态进行；滤液流经三通阀取样后进行化学值测量，最后经管道流回提取罐，形成一个闭合回路。1.3药材来源15个批次的五脉绿绒蒿药材于6 7月花期采自青海省不同采样点，采样点的地理位置信息见图2。将其清洗、阴干、烘干、全草粗粉碎，过80目筛后，待用。原植物标本由中国科学院西北高原生物研究所孙菁研究员鉴定为罂粟科绿绒蒿属植物五脉绿绒蒿（M.quintuplinervia Regel.）。1.4实验方法1.4.1标准曲线的绘制精确称取0.025 0 g芦丁标准品，以 70%甲醇为溶剂，分别配制 0.001、0.200、0.400、0.600、0.800、1.000 mg/mL质量浓度的标准工作液。量取上述工作液 1 mL 置于10 mL容量瓶中，加入 0.50 mL 5%NaNO2摇匀，静置 5 min后，加 0.50 mL 10%Al（NO3）3摇匀，静置6 min，再加0.50 mL 40%NaOH，定容至10 mL，静置15 min，以溶剂为空白对照，在波长500 nm处进行检测。以吸光度为纵坐标（y），芦丁质量浓度为横坐标（x），进行标准曲线绘制。在0.001 1.000 mg/mL范围内，芦丁的质量浓度与吸光度呈良好的线性关系，回归方程为y=1.057 9x+0.009 7，r2=0.999 6。1.4.2样品制备以70%甲醇为提取溶剂，在料液比1 35（g mL）条件下进行药材的提取，提取前0.5 h每1.5 min取样一次，中间0.5 h每5 min取样一次，后0.5 h每6 min取样一次。每个批次的药材均获得31个提取液样品，共获得465个样品，随机选取批次7、8的62个样品组成外部验证集，其余403个样品组成建模集。1.4.3NIR谱图采集通过光纤将流通池与光谱仪连接，在流通池处进行NIR谱图采集，光谱采集的图1在线NIR检测系统示意图Fig.1Schematic diagram of online NIR inspection system图215个不同批次五脉绿绒蒿的采样地理位置Fig.2Sampling geographical locations of 15 different batches of M.quintuplinervia Regel.922第 8 期龙若兰等：藏药五脉绿绒蒿提取过程的在线近红外光谱质量控制研究时间同“1.4.2”下的取样时间。以空气为背景参比，设置光谱扫描波数范围为10 0004 000 cm-1，扫描次数为32，分辨率为8 cm-1，光程为2 mm，自动优化增益。1.4.4总黄酮含量测定按“1.4.1”方法进行稀释、显色和吸光度测定，再代入标准曲线，得到样品的总黄酮含量值，重复3次，以每个样品的平均总黄酮含量为参考值。1.5模型的建立1.5.1异常值判别及光谱预处理采用马氏距离（MD）和主成分回归分析（PCA）对NIR谱图进行异常值剔除。运用单因素试验方法将散射校正（Costant、标准正态变换（SNV）、多元散射校正（MSC），光谱维度（原谱图、一阶导数谱图（D1）、二阶导数谱图（D2），平滑处理（不平滑、Norris平滑（5点5差分）、SavitzkyGolay（SG）平滑（5点3次）等光谱预处理方法进行组合，分别建立主成分回归（PCR）、偏最小二乘（PLS）、决策树（DT）、随机森林（RF）模型，以建模集残差预测偏差（RPD）为指标选择最佳预处理方法，RPD值的计算公式如（1）所示。RPD=SD()c-C2m-1（1）其中，SD值为验证集实测值的标准差，C表示参考值，c为模型预测值，m表示验证集样本数量。1.5.2建模波段选择采用随机抽样（RS）法23将建模集样品按6 1的比例划分为校正集（Cal）和验证集（Val）。用全波段、PCA、相关系数法（CC）、PCA+CC方法分别选择建模区间建立PCR、PLS、RF、DT模型，以RPD值为指标选择最佳建模区间。1.5.3模型建立及评价根据优选预处理方法和建模区间建立模型，并将模型导入在线检测系统，用于提取过程的实时检测。以校正集相关系数（Rc）、验证集相关系数（Rp）、校正集误差均方根（RMSEC）、验证集误差均方根（RMSEP）和RPD值为模型评价指标。1.6外部验证1.6.1总黄酮含量预测比较模型所给出的62个外部验证样品计算值与实际值的差异，并通过模型预测率（公式（2）和Pearson相关系数判断模型对外部验证预测结果的准确性。预测率=()1-|实际值（2）其中=实际值预测值。1.6.2提取终点判定提取终点判定方法主要包括两种，一种是根据提取液样品中有效成分的相对浓度变化率（RCCR）进行判断（公式（3），当RCCR值稳定在1%以下时判定为提取终点；第二种是利用光谱间的差异来确定样品内在的变化过程，以光谱间的差异趋于稳定时所对应的时间点作为提取终点。常用的方法有标准偏差绝对距离法（ADSD）和移动窗口标准偏差法（MBSD）24。RCCRi=Ci-Ci-1Ci-1 100%（3）其中RCCRi为i时刻的相对浓度变化率，Ci表示i时刻某有效成分的浓度，i 1。ADSD通过比较实时在线光谱与目标光谱之间的差异来判断过程终点，该方法首先选定n张过程结束时的光谱作为终点光谱库，取其平均谱图为标准谱图，计算在线采集的谱图与标准谱图间的差异度，计算公式如（4）所示。Dij=|Aij-Ai|/Si（4）其中Dij表示时间j处光谱在波数i处的标准偏差，Aij表示时间j处光谱在波数i处的吸光度值，Ai和Si分别表示终点光谱在波数i处吸光度的平均值和标准偏差。MBSD通过计算特定窗口内连续的x条光谱在不同波长点处吸光度的平均标准偏差（SD）值来比较光谱间的差异，随着窗口不断向前移动，可得到连续变化的MBSD值来表征整个提取过程中光谱间差异的变化趋势。本研究中窗口大小设定为5，计算公式如（5）所示。MBSD=i=1nSDin 100（5）923第 42 卷分析测试学报其中n表示波数数目，i表示光谱在同一波数处所对应的吸光度值。1.7数据处理分别利用TQ-analyst和SIMCA 14.1软件对光谱数据进行MD分析和PCA得分构图，从而进行异常值剔除，并利用PCA分析和CC法选择建模区间；应用Python软件进行谱图预处理和PCR、PLS、RF、DT模型的建立。运用Excel计算预测率和进行提取终点判定，Pearson相关系数由SPSS 26软件进行计算，Origin 2021用于制图。2 结果与讨论 2.1NIR光谱特征分析图3为五脉绿绒蒿提取液样品的NIR光谱，其中图3A为建模集的NIR原始谱图，该谱图较平滑，波峰明显，噪音较低，谱图质量较高，反映了所建系统在光谱采集方面的可靠性。图3B为建模集的NIR平均谱图，6个特征峰分别位于6 868、5 895、5 180、4 887、4 400、4 278 cm-1处。其中6 868 cm-1和5 180 cm-1处的峰归属于OH的伸缩振动2526，5 895 cm-1和4 278 cm-1处的峰由CH伸缩振动引起25，27，4 887 cm-1处为NH面内弯曲和CN伸缩振动的组合频28，4 400 cm-1处为OH伸缩和CO伸缩振动的组合频29。2.2总黄酮含量测定结果图4为建模集样品总黄酮含量的测定结果。由图可知，随着提取时间的增加，总黄酮的质量浓度缓慢增加，但不同批次样品的增长幅度存在差异，且不同采样点的总黄酮含量存在差异。建模集的总黄酮含量范围为 0.01 2.88 mg/mL，变异系数为104%，表明数据涵盖范围较大，具有一定浓度梯度，满足建模需求。2.3异常值判别异常值的存在会降低模型的精度和鲁棒性30，因此需要对异常值进行判别。MD表示样品谱图与平均谱图的距离，当该距离超出Chauvenet检验的临界值时，该样品被诊断为异常值。图5为MD诊断结果，所有光谱的MD均小于1.6，表示该方法下无异常值。PCA得分图可以反映建模样品分布的均匀性，超出95%置信区间范围的样品可诊断为异常点。图6为PCA得分诊断结果，共判别出6个异常值，分别为第4批次的样品41、42、48、412和第6批次的样品62、64。综合MD和PCA两种方法，可以准确地对异常值进行诊断，本研究中共剔除了6个异常光谱，增强了模型的可靠性。图313批次五脉绿绒蒿提取液的NIR光谱Fig.3NIR spectra of 13 batches extraction solution of M.quintuplinervia Regel.A.original spectra；B.average spectrum图4不同批次五脉绿绒蒿提取液样品中总黄酮的含量变化趋势Fig.4Trend of total flavonoids content of M.quintuplinervia Regel.extract samples from different batches924第 8 期龙若兰等：藏药五脉绿绒蒿提取过程的在线近红外光谱质量控制研究2.4光谱预处理近红外光谱在采集过程中可能会受样品理化性质、外部环境和仪器性能的影响，采用散射校正、导数处理、平滑处理等光谱预处理方法可以帮助提高模型的准确性31。根据RPD值选择最佳预处理方法，由表1可知，本研究中PCR模型的最佳预处理方法为SNV/MSC+原谱图+不平滑，PLS模型的最佳预处理方法为Costant+D1+SG，RF模型的最佳预处理方法为Constant+原谱图+不平滑，DT模型的最佳预处理方法为SNV+D2+Norris。可以发现，不同模型对应的最佳预处理方法不同，建模时需针对不同建模方法分别进行光谱预处理方法的选择。2.5建模波段选择通过主成分分析得知第一主成分的贡献率为76%，即能够解释76%的光谱特征信息。因此，提取第一主成分进行深入分析。基于各波数对第一主成分的贡献率（图 7），选择贡献值 90%的 5 388 6 958 cm-1、7 250 7 440 cm-1波段区间进行建模。CC法是NIR光谱领域常用的变量选择方法，可通过建图5MD诊断结果Fig.5MD diagnosis results图6PCA得分诊断结果Fig.6PCA score diagnostic results表1不同建模方法下预处理方法的单因素分析表Table 1Single factor analysis of pretreatment methods under different modeling approachesScattering correctionConstantSNVMSCSpectral dimensionSpectrumD1D1D2D2SpectrumD1D1D2D2SpectrumD1D1D2D2Smoothing treatmentNo smoothingSGNorrisSGNorrisNo smoothingSGNorrisSGNorrisNo smoothingSGNorrisSGNorrisRPDPCR1.250.900.930.860.931.270.891.150.861.021.270.891.150.861.02PLS2.602.962.332.452.262.512.652.022.542.182.772.652.022.542.19RF3.511.881.721.961.952.141.143.302.122.732.211.103.221.762.56DT3.332.263.052.303.033.322.303.572.343.623.392.283.572.373.58925第 42 卷分析测试学报立光谱数据和实测值之间的相关性确定建模波段32。TQ-analyst软件自带的CC法推荐的建模区间为5 300 5 465 cm-1和7 143 9 000 cm-1。结合PCA和CC法结果，得到建模区间为5 300 9 000 cm-1。全波段建模区间为4 000 10 000 cm-1。结合各模型的最佳预处理方法在不同建模区间下进行建模，选择RPD值最高的建模区间为最佳区间，结果如表 2所示。由表 2可见 PCR、RF、DT模型的最佳建模区间均为 4 000 10 000 cm-1，所对应的RPD值分别为1.27、3.51、3.62；PLS模型的最佳建模区间为5 3009 000 cm-1，RPD值为4.68。可见PLS模型具有最高的RPD值，其次是DT模型，之后是RF模型，PCR模型效果最差。PLS结合了多元线性回归法和PCR的优势33，不仅可以关联两个数据矩阵的x和y，且可对x和y的结构进行建模34，被认为是一种预测能力强的可靠的回归方法35。DT和RF算法各有优势：DT有较高的可解释性36，RF能容忍噪音、不易过拟合37，两者均可用于回归分析。但研究发现，DT易偏向于采用值较多的属性而导致精确度不理想38，RF在回归方面存在明显偏差39。本研究中PLS模型的稳定性和预测性能更好，故而选用此算法进行建模。2.6模型建立与评价在预处理方法 Constant+D1+SG平滑，建模区间 5 300 9 000 cm-1条件下所建总黄酮含量的PLS 模型如图 8 所示，其 RMSEC、RMSEP、Rc、Rp、RPD值分别为0.123、0.139、0.983、0.975、4.68。相近且足够低的RMSEC和RMSEP表明模型的稳健性良好40，接近于1的Rc和Rp值表明模型有较好的线性关系41，RPD值 4，表明模型的预测性能较好42。2.7外部验证2.7.1总黄酮含量预测将所建PLS模型导入在线检测系统，获得2批次（第7批次和第8批次）共62个外部验证样品总黄酮含量的预测值。2个批次样品总黄酮含量实际值与预测值的对比图如图9A所示。通过计算得到第7批次外部验证样品的预测率为65%，第8批次外部验证样品的预测率为93%，平均预测率为79%，表明模型对未知样品中总黄酮含量的预测结果较准确。其中第7批次样品的NIR光谱可能在采集过程中受外部噪音或电源稳压的影响，导致预测值与实际值之间存在一个稳定差异（约0.25 mg/mL）。对外部验证样品的实际值和预测值进行相关性分析（图9B），得到两者的相关系数（r）为0.985（P 0.01），表明预测值与实际值极显著相关，说明所建PLS模型的预测性能良好。表2不同建模方法下建模区间的选择Table 2Selection of modeling intervals under different modeling methodsMethodPCACCPCA+CCFull bandModeling interval/cm-15 388 6 9585 300 5 4655 300 9 0004 000 10 000RPDPCR1.181.221.211.27PLS3.193.054.682.96RF2.022.233.203.51DT2.823.293.593.62图7不同波数对第一主成分的贡献率Fig.7The contribution rate of each wavenumber to principal component 1图8总黄酮含量的PLS预测模型Fig.8PLS model for total flavonoids content prediction926第 8 期龙若兰等：藏药五脉绿绒蒿提取过程的在线近红外光谱质量控制研究2.7.2提取终点判定传统浓度判断法 利用RCCR法对2批次外部验证样品的实际值进行分析，获得实际到达提取终点的时间，以此为标准，检测根据预测值判定的提取终点与标准的差距，讨论利用模型预测值直接判定提取终点的可行性。外部验证药材提取过程实际值和预测值的RCCR趋势如图10所示，图中红色箭头表示提取终点。由图可知，外部验证样品的实际提取终点和根据预测值计算的提取终点均为84 min，说明应用NIR光谱对指标成分含量进行预测，再根据预测值直接判定提取终点的方法可行。光谱判断法 以建模集中选定的提取终点谱图作为标准谱图，用ADSD法对外部验证药材进行提取终点的推算，结果如图 11A所示。由图可知，外部验证药材均在84 min达到提取终点，与RCCR 结果一致，表明在单指标提取体系中应用ADSD算法直接对光谱进行分析而不依赖于含量数据所得结果可靠。以拐点及MBSD趋于平稳的起始点作为提取终点，五脉绿绒蒿提取过程中MBSD随时间的变化趋势图见图11B。由图可知，第8批次样品在第72 min达到提取终点，与RCCR结果相差12 min，第7批次样品未见提取终点，表明该算法不适用于本研究。3 结论本研究搭建了五脉绿绒蒿提取过程的 NIR 光谱在线检测系统，以总黄酮含量为质控指标，对403个五脉绿绒蒿提取液样品进行回归模型拟合，建立了较为准确的五脉绿绒蒿提取过程在线近红外定量分析模型。所建模型的RMSEC和RMSEP均 0.97，RPD 4，模型预测性能较好，对未知样品的平均预测率达79%，实现了五脉绿绒蒿提取过程中指标成分含量的在线实时监测。提取终点的判定结果表明，RCCR和ADSD算法均适用于以单一成分为指标的提取终点的判定，两者结果与实际值一致。该研究为解决藏药材提取过程在线质量控制问题提供了技术支持，构建了适合单一质控指标提取体系的提取终点判定方法，同时也为NIRS在藏药过程分析中的应用提供了借鉴。图9外部验证结果Fig.9Results of external validationA.comparison of actual and prediction values；B.correlation chart of actual and prediction values图10外部验证药材提取过程总黄酮含量的RCCR趋势图Fig.10Trend of RCCR of total flavonoids content during extraction of external validation of herbs927第 42 卷分析测试学报参考文献：1Liu QApplication of Near Infrared Spectroscopy to Process Quality Analysis of Traditional Chinese Medicine.Hangzhou：Zhejiang University（刘全近红外光谱技术在中药生产过程质量分析中的应用研究.杭州：浙江大学），2004.2Karande A D，Heng P W，Liew C VInt.J.Pharm.，2010，396（1/2）：6374.3Lee Y C，Zhou G，Ikeda C，Chouzouri G，Howell LJ.Pharm.Sci.，2019，108：12031210.4Xue Y L，Sun Q Q，Wang J L，Zhang T TChin.J.Mod.Appl.Pharm.（薛云丽，孙启泉，王君莲，张婷婷中国现代应用药学），2012，29（12）：10781082.5Long W J，Hu Z K，Wei L N，Chen H Y，Liu T K，Wang S Y，Guan Y T，Yang X L，Yang J，Fu H YSpectrochim.Acta A，2022，271：120932.6Lau C C，Chan C O，Chau F T，Mok D K WJ.Chromatogr.A，2009，1212（11）：21302135.7Wu Y J，Jin Y，Li Y R，Sun D，Liu X S，Chen YVib.Spectrosc.，2012，58：109118.8Zhou Y F，Zhou L H，Zhang F L，Gao S H，Zhang S N，Ye Z LJ.Chin.Med.Mater.（周雨枫，周立红，张凤莲，高胜寒，章顺楠，叶正良中药材），2019，42（10）：23672370.9Yang Y，Yang L C，Ji X L，Li Y H，Xu Q R，Tong H BJ.Instrum.Anal.（杨越，杨留长，纪晓亮，李易航，徐倩茹，佟海滨分析测试学报），2020，39（11）：13111319.10Liu W，He Y，Wu B，Jiang K LJ.Instrum.Anal.（刘伟，何勇，吴斌，蒋轲磊分析测试学报），2020，39（10）：12391246.11Liu X S，Li M R，Wang Z Y，Tao L Y，Gu Z X，Wu Y JChin.Tradit.Herb.Drugs（刘雪松，李梦茹，王致远，陶玲艳，谷陟欣，吴永江中草药），2016，47（22）：39974002.12Mark J，Karner M，Andre M，Rueland J，Huck C WAnal.Chem.，2010，82（10）：42094215.13Barla V S，Kumar R，Nalluri V R，Gandhi R R，Venkatesh KJ.Near Infrared Spectrosc.，2014，23（3）：221-228.14Yang C，Xu B，Zhang Z Q，Wang X，Shi X Y，Fu J，Qiao Y JChina J.Chin.Mater.Med.（杨婵，徐冰，张志强，王馨，史新元，付静，乔延江中国中药杂志），2016，41（19）：35573562.15Huang X GTowards a Group Standard for the Intelligent Detection of Mixing Uniformity and Moisture in Chinese Medicine Manufacturing Near Infrared.Beijing：Beijing University of Tra