近红外光谱技术与化学计量学的结合在评估Fritillaria thunbergii中Peimine/Peiminine含量及其抗病毒活性中的应用

《Journal of Spectroscopy》:Application of Near-Infrared Spectroscopy Combined With Chemometrics for the Assessment of Peimine/Peiminine Content and Antiviral Efficacy in Fritillaria thunbergii

【字体: 大 中 小 】 时间:2026年02月14日 来源:Journal of Spectroscopy 2.1

编辑推荐:

  摘要 Fritillaria thunbergii的球茎是一种传统的中药,因其祛痰和止咳效果而被广泛使用。然而,现有检测方法的实际应用受到复杂的样品制备、漫长的实验程序和严格的技术要求的显著限制。在这项研究中,我们利用近红外光谱(NIRS)结合化学计量学建立了一种快速准确的方法

  摘要

Fritillaria thunbergii的球茎是一种传统的中药,因其祛痰和止咳效果而被广泛使用。然而,现有检测方法的实际应用受到复杂的样品制备、漫长的实验程序和严格的技术要求的显著限制。在这项研究中,我们利用近红外光谱(NIRS)结合化学计量学建立了一种快速准确的方法,用于测定F. thunbergii中peimine(PE)、peiminine(PEM)和抗病毒活性(AVA)的含量。共收集了79批样品,以研究五种不同加工方法(包括壳粉加工、硫熏处理、切片干燥、半完全干燥和冷冻干燥)对质量属性的影响。基于偏最小二乘(PLS)算法建立了定量模型,并通过两种波长选择方法(协同区间偏最小二乘(Si-PLS)和竞争性自适应加权采样(CARS)进行了模型优化。结果表明,加工方法显著影响了PE/PEM的含量和AVA。冷冻干燥的F. thunbergii表现出最佳性能,获得了最高的总PE/PEM含量(0.1735%)和优异的AVA(8.517 U/mg)。CARS-PLS模型的性能最佳,PE、PEM和AVA的决定系数分别为0.8850、0.8240和0.8336。PE、PEM和AVA的预测均方根误差(RMSEP)分别为0.0101%、0.0070%和1.7921 U/mg。所有三个模型的残差预测偏差(RPD)值均大于2.4。这些结果表明,所建立的模型能够快速测定F. thunbergii中的PE、PEM含量和AVA,并可用于快速无损地鉴别F. thunbergii药材的质量。

1. 引言

Fritillaria thunbergii球茎(FTB)是一种著名的中药材料。其球茎作为药用部分,具有清热、化痰、止咳和解毒的药理作用[1–4]。FTB主要在中国东南沿海、中部和东部地区(如浙江、江苏、安徽和湖南省)栽培[5]。Peimine(PE)和peiminine(PEM)被确定为FTB中的主要生物碱化合物,负责其多样的药理活性,包括止咳、抗哮喘[6]、抗炎[7–9]和抗病毒[10]作用。2020年版《中国药典》规定PE和PEM的总含量作为评估该药材质量的化学标志物[1]。然而,目前的标准检测方法——高效液相色谱(HPLC)由于其操作复杂性、耗时性和对有毒溶剂的依赖性而存在显著局限性[11–13]。这突显了迫切需要快速、无损的质量评估方法。除了化学成分外,FTB的生物活性同样重要。FTB是传统中药配方中常用的草药,用于治疗病毒性流感[1]。值得注意的是,Kim等人[10]证明F. thunbergii提取物能有效抑制A/H1N1病毒在细胞、鸡胚和小鼠模型中的复制。与神经氨酸酶(NA)抑制剂奥司他韦相比,该提取物在实验剂量下表现出更好的安全性,表明其作为新型抗流感候选药物或辅助治疗的巨大潜力。因此,评估抗病毒活性(AVA)对于FTB的全面质量评估至关重要。加工方法显著影响FTB的质量。历史上,已经应用了多种加工技术,如壳粉加工和硫处理F. thunbergii。不同的加工方法会改变生物活性成分(包括PE和PEM)的含量,导致一些样品无法达到药典标准[12]。然而,这些不合格FTB样品的临床适用性仍不确定。比较不同加工方法下的化学成分和生物活性可以为优化F. thunbergii的生产和加工提供关键指导。近红外光谱(NIRS)在预测传统中药中生物活性成分和生物活性方面显示出巨大潜力[14, 15]。例如,Du等人[16]利用NIR光谱结合偏最小二乘(PLS)回归,以水分含量、鞣花酸和总黄酮类化合物作为指标,开发了Rubi Fructus的定量模型。Hao等人[17]使用NIR建立了Prunus mume总黄酮类化合物含量(TFC)、黄嘌呤氧化酶(XO)抑制活性和抗氧化活性(AA)的PLS定量模型。Zhang等人[18]将NIR光谱与化学计量学结合,采用PLS和支持向量机(SVM)算法构建了银杏叶中奎宁酸、原儿茶酸和6-羟基基努雷尼酸的校准模型,具有稳健的预测性能。然而,利用NIR光谱检测F. thunbergii中PE/PEM含量及相关生物活性的研究很少报道。在这项研究中,我们旨在利用NIR光谱结合化学计量学开发一种快速无损的方法,同时测定F. thunbergii中的PE、PEM含量和AVA。PE和PEM含量使用经过验证的HPLC方法进行量化,而AVA则使用神经氨酸酶抑制剂筛选试剂盒进行测定。基于PLS算法建立了定量模型,并通过两种波长选择方法(协同区间偏最小二乘(Si-PLS)和竞争性自适应加权采样(CARS)进行了模型优化。此外,我们还研究了各种加工方法对这些质量指标的影响。我们的发现为F. thunbergii药材的全面快速质量评估提供了有价值的参考。

2. 材料与方法

2.1. 样品

从中国浙江收集了79个F. thunbergii样品(表1)。样品S6–S79直接从生产区获得。样品S1–S5(每组三个重复)于2024年5月12日在潘安县新沃镇同一地块收获,并按以下方法处理:壳粉加工的F. thunbergii:选择新鲜球茎,去芯,清洗并磨去表皮。与煅烧的壳粉(每100公斤球茎4公斤)混合以吸收渗出物,储存过夜,然后间隔2–3天堆叠晾晒3–4天。硫处理的F. thunbergii:将清洗后的球茎包裹在尼龙织物中,用硫熏处理(每1000公斤材料6公斤硫)24小时,然后晾晒。半完全干燥的F. thunbergii:选择完整新鲜球茎(高度:1–1.5厘米;直径:1–2.5厘米),清洗后晾晒。冷冻干燥的F. thunbergii:选择、去芯并清洗的球茎在-40°C预冻过夜,然后在2.4 Pa压力下冻干30小时。切片干燥的F. thunbergii:收获的球茎清洗、去芯、切片并脱水至恒重(见支持图S1)。所有样品通过80目筛子(<180微米粒径)粉碎,并在4°C下密封保存。表1. 样品信息。

2.2. 试剂

PE(CAS: 23496-41-5)、PEM(CAS: 18056-10-4),上海宇源生物科技有限公司提供;乙腈(HPLC级;TEDIA,美国)、甲醇(分析级)、氯仿(分析级)、磷酸(85%,分析级;浙江化工有限公司)、帕拉米韦三水合物(98%,批次S06M11H109335;上海宇源生物科技有限公司)。

2.3. 参考分析

2.3.1. PE、PEM的化学测定值

检测方法参照2020年版《中国药典》进行。

2.3.2. 体外抗病毒活性测定

参考标准溶液制备:精确称量8.47毫克帕拉米韦三水合物,溶解在甲醇中,并稀释至25毫升以获得储备溶液。根据样品浓度和NA抑制率(维持在50%)将此溶液稀释X倍和1.33X倍。

2.3.2.1. 测试样品溶液制备

准确称量2.0克过筛的F. thunbergii粉末到50毫升带塞的锥形瓶中。加入30毫升80%(v/v)乙醇,并记录总重量。超声处理45分钟,然后过夜浸泡。用甲醇补充至初始重量,然后通过0.45微米注射器过滤器过滤。使用滤液作为测试溶液。

2.3.2.2. 测定程序

(a) 标准曲线制备:在黑色96孔荧光微孔板中,向6×2孔中加入70微升NA测定缓冲液。依次加入0、1、2、5、7.5和10微升NA溶液,然后用Milli-Q水调整每孔的总体积至90微升。(b) 样品检测设置:使用平行线测定法(ChP 2020 Vol III, Section 1431, 2.2)确定样品效力。关键参数:剂量-反应重复次数(m):4;标准品(S)和测试品(T)的两个浓度水平;相邻浓度之间的剂量比(r):0.75。向每个孔中加入70微升NA测定缓冲液和10微升NA溶液。然后加入10微升测试样品溶液(总体积:90微升/孔)。(c) 检测程序:(1) 搅拌1分钟;(2) 在37°C下孵育2分钟;(3) 向每个孔中加入10微升荧光NA底物;(4) 搅拌1分钟;(5) 在黑暗中在37°C下孵育10分钟;(6) 测量荧光强度(激发波长322纳米,发射波长450纳米);(7) 计算平均值。根据加入的NA量和相应的测量荧光强度制作标准曲线。结合NA标准曲线,计算不同浓度样品对NA的抑制率。抑制率计算为抑制率 = (10?M)/10×100%,其中M表示与样品反应后的剩余NA体积。滴度计算:根据2020年版《中华人民共和国药典》第三部分中1431生物测定统计方法的平行线方法计算每个样品的滴度。

2.4. 近红外光谱采集

使用傅里叶变换近红外(FT-NIR)光谱仪(Antaris II,Thermo Fisher Scientific,美国)以漫反射模式采集近红外(NIR)光谱。将大约2克F. thunbergii粉末样品均匀加载到圆形样品杯中。光谱采集范围为4000~10,000厘米?1,分辨率为8厘米?1。每次扫描累积64个干涉图,使用空气光谱作为参考进行背景校正。为了最小化由异质性引起的误差,每个样品进行了三次测量,随后使用平均光谱进行变量分析。

2.5. 光谱预处理

由于物理变化,如背景噪声、仪器暗电流和颗粒大小/形状差异会干扰原始光谱。因此,实施预处理程序对于建立稳定可靠的模型至关重要,这些模型可以有效减少和消除不必要的光谱干扰。本研究采用了六种光谱预处理技术——包括一阶导数、MSC、SNV及其组合——以减轻基线漂移并增强样品之间的光谱对比度。一阶导数方法有效减少了峰重叠,同时消除了恒定和线性基线偏移。MSC使用统一的散射系数分离散射信号和吸收信号,解决了光谱中的加性和乘性效应。SNV标准化了NIR漫反射光谱中的变量,以减弱斜率变化并校正散射效应。

2.6. 最优波长选择

从样品收集的光谱数据包含许多变量,其中许多可能是无关的。最优变量选择可以减少额外因素,从而降低计算复杂性并提高模型准确性[19]。本研究采用了两种流行的变量选择方法——Si-PLS和CARS——来构建更精确的模型。CARS算法结合蒙特卡洛采样和PLS回归系数,利用自适应加权采样(ARS)保留具有较大绝对回归系数的波长,同时通过指数衰减函数(EDF)消除低权重波长。通过最小化交叉验证的均方根误差(RMSECV)来确定最优子集。与全谱建模相比,CARS提供了三个关键优势:显著降低维度以提高计算效率,消除冗余信息以提高预测准确性,并增加模型可解释性,便于关键光谱特征分析。实施过程包括:(1) 随机选择80%的样品用于PLS校准;(2) 通过EDF驱动去除具有小回归系数的波长;(3) 基于ARS保留高系数波长,最终选择RMSECV最小的子集。同样,Si-PLS通过将全谱划分为区间(例如10、20或30段)并评估2–4个子区间的组合来利用光谱区域之间的协同效应,从而确定提供最佳预测性能的区间组合。

2.7. 使用PLS的定量分析

使用PLS回归模型量化了79批FTB中的PE/PEM含量和AVA。回归模型基于预处理的NIR光谱数据建立,最佳预处理方法通过比较评估PLS模型性能指标确定。模型性能评估

模型的性能评估使用了六个统计指标,这些指标与已有的研究[20, 21]一致:校准()和预测()的决定系数、校准的均方根误差(RMSEC)和预测的均方根误差(RMSEP),以及校准的残差预测偏差(RPDC)和预测的残差预测偏差(RPDP)。通常,接近1的R2值和接近0的RMSE值表明模型具有较高的准确性和稳健性。此外,还基于残差预测偏差(RPD)值来评估模型的预测能力。RPD值大于2.0表示模型预测是可靠的,可以用于定量分析[22]。公式如下[21]:

其中yi表示样本的标准值,y_pred表示样本的预测值,x_mean表示样本集组分的平均值,N表示观测数量,SD表示标准差。当Y指的是训练集时,所得参数对应于训练集。所有的建模和分析都是使用MATLAB R2023b进行的。为了避免模型过拟合,所有建模过程都采用了全交叉验证方法(留一法交叉验证,LOOCV)来确定回归模型参数。同时,偏最小二乘回归(PLSR)模型中的潜在变量最大数量被设置为15个。通过迭代筛选样本子集,建立了PLSR校准模型:特定的样本被依次排除用于建模计算,其预测值与参考值进行比较。筛选范围逐渐扩大,直到覆盖所有剩余样本,同时计算交叉验证的决定系数()和RMSECV。RMSECV反映了预测值与实际值之间的偏差程度,而R2表示预测值与实际值之间的相关性[20]。

3. 结果

3.1. 使用参考方法的PE、PEM和AVA结果

使用参考方法确定了79个样本的PE、PEM和AVA值,PE(%)、PEM(%)和AVA(U/mg)的含量范围在支持表S1中呈现。显然,由于加工方法的不同,F. thunbergii的PE/PEM含量和AVA存在显著差异。参考值的范围是PE为0.013~0.165%,PEM为0.009~0.084%,AVA为0.252~36.098?U/mg(支持表S1)。根据频率分布图(图1),PE含量(%)主要分布在0.05%–0.07%之间,PEM含量(%)在0.03%到0.06%之间,AVA(U/mg)主要分布在1到7?U/mg之间。图1(a)在图查看器中打开PowerPoint

Fritillaria thunbergii样本中PE(%)、PEM(%)和AVA(U/mg)的分布。(a) 样本中PE含量的频率分布图;(b) 样本中PEM含量的频率分布图;(c) 样本中AVA的频率分布图。图1(b)在图查看器中打开PowerPoint

Fritillaria thunbergii样本中PE(%)、PEM(%)和AVA(U/mg)的分布。(a) 样本中PE含量的频率分布图;(b) 样本中PEM含量的频率分布图;(c) 样本中AVA的频率分布图。图1(c)在图查看器中打开PowerPoint

Fritillaria thunbergii样本中PE(%)、PEM(%)和AVA(U/mg)的分布。(a) 样本中PE含量的频率分布图;(b) 样本中PEM含量的频率分布图;(c) 样本中AVA的频率分布图。

3.2. 加工方法对PE/PEM含量和AVA的影响

不同的加工方法显著影响PE/PEM含量和AVA(图2)。数据显示,冻干F. thunbergii的PE/PEM含量最高,其次是部分干燥F. thunbergii、切片干燥F. thunbergii、硫处理F. thunbergii和壳粉处理F. thunbergii,它们之间的差异很大。冻干F. thunbergii的PE含量是壳粉处理F. thunbergii的5.31倍,PEM含量是3.54倍。壳粉处理样本的AVA明显低于其他四种处理类型,不到它们的一半。冻干F. thunbergii的活性最高,达到8.517?U/mg。图2(a)在图查看器中打开PowerPoint

不同加工方法下Fritillaria thunbergii Miq.的PE/PEM含量和AVA的特性。(a) 不同加工方法下Fritillaria thunbergii的PE含量;(b) 不同加工方法下Fritillaria thunbergii的PEM含量;(c) 不同加工方法下Fritillaria thunbergii的AVA。样品Y01–Y05分别对应壳粉处理的Fritillaria thunbergii、硫处理的Fritillaria thunbergii、切片干燥的Fritillaria thunbergii、部分完全干燥的Fritillaria thunbergii和冻干的Fritillaria thunbergii。不同的大写字母表示统计上显著差异(p < 0.05)。图2(b)在图查看器中打开PowerPoint

不同加工方法下Fritillaria thunbergii Miq.的PE/PEM含量和AVA的特性。(a) 不同加工方法下Fritillaria thunbergii的PE含量;(b) 不同加工方法下Fritillaria thunbergii的PEM含量;(c) 不同加工方法下Fritillaria thunbergii的AVA。样品Y01–Y05分别对应壳粉处理的Fritillaria thunbergii、硫处理的Fritillaria thunbergii、切片干燥的Fritillaria thunbergii、部分完全干燥的Fritillaria thunbergii和冻干的Fritillaria thunbergii。不同的大写字母表示统计上显著差异(p < 0.05)。图2(c)在图查看器中打开PowerPoint

3.3. 基于PE、PEM和AVA结果的聚类分析

对标准化的PE、PEM和AVA结果进行了聚类分析(图3)。分析显示PE和PEM之间存在显著相关性,而PE/PEM与AVA之间没有明显的相关性。PE/PEM含量高的样本(Y01, Y05, Y06, Y07, Y08, Y48, Y71, Y72, Y73, Y74)和AVA含量高的样本(Y11, Y15, Y17, Y18, Y19, Y20, Y24, Y25, Y27, Y28, Y37, Y40)分别聚成了不同的组。图3在图查看器中打开PowerPoint

基于PE、PEM和AVA结果的聚类分析图。内容/活性水平的指示器:红色:高含量(PE/PEM)或高活性(AVA);蓝色:低含量(PE/PEM)或低活性(AVA)。

3.4. NIR光谱特征和预处理方法的选择

图4显示了79个F. thunbergii样本在4000–10000?cm?1波数范围内的原始NIR光谱。在这个范围内,NIR光谱显示出几个明显的吸收峰,对应于特定的分子振动,包括:C–H和C–C键的组合振动(4000?cm?1)、羰基的第二泛音(5350?cm?1)、O–H和N–H键的第一泛音(6900?cm?1)以及伸缩振动。C–H键的不对称伸缩和不对称变形振动(7200?cm?1)。这些带可能分别反映了F. thunbergii中的甾体生物碱骨架、生物碱中的羰基/酯基团、多糖/水分含量以及脂肪酸链/生物碱侧链。所有样本的原始NIR光谱非常相似,直接区分较为困难。因此,光谱预处理对于提高光谱质量至关重要。比较了六种预处理方法,结果总结在表2中。使用一阶导数+乘法散射校正(MSC)预处理的PLS模型在确定PE/PEM含量和AVA方面显示出最高的准确性。因此,基于一阶导数+MSC预处理的光谱数据构建了PLS定量模型。图4在图查看器中打开PowerPoint

79个Fritillaria thunbergii样本的原始NIR光谱。表2. 不同光谱预处理方法对PLS校准模型性能的影响比较。属性

方法 PLS结果
RMSEC RPDC RMSEP RPD RMSECV nL
原始 0.8120 0.0119 2.3273 0.5791 0.0286 2.2031 0.6534 0.0173 11
一阶导数 0.9033 0.0093 3.2240 0.6644 0.0209 2.3958 0.5486 0.0204 5
MSC 0.5801 0.0202 1.5574 0.3418 0.0187 1.2591 0.3176 0.0398 7
SNV 0.5903 0.0199 1.5767 0.5169 0.0177 1.4696 0.3413 0.0269 7
一阶导数+MSC 0.9254 0.0084 3.6956 0.8180 0.0124 2.6528 0.8127 0.0107 5
一阶导数+SNV 0.9488 0.0061 4.4601 0.5634 0.0272 2.2803 0.5814 0.0153 5

PE 原始 0.8121 0.0131 3.2168 0.5724 0.0123 2.1976 0.2717 0.0135 8
一阶导数 0.8437 0.0056 2.5525 0.5293 0.0154 2.1636 0.6444 0.0048 4
MSC 0.4085 0.0123 1.3122 0.3140 0.0225 1.0852 0.5805 0.0061 9
SNV 0.3654 0.0124 1.2669 0.3059 0.0222 1.2261 0.5054 0.0108 9
一阶导数+MSC 0.9224 0.0044 3.6227 0.7538 0.0116 2.2708 0.4750 0.0068 5
一阶导数+SNV 0.8890 0.0049 3.0287 0.4207 0.0181 2.1571 0.5599 0.0045 4

AVA 原始 0.8578 3.3017 1.7253 0.6028 3.3760 1.6207 0.5157 0.7392 10
一阶导数 0.8301 2.2474 2.4485 0.6601 3.1484 1.5402 0.6435 1.6977 4
MSC 0.7414 2.3413 1.9847 0.5374 4.9004 1.5019 0.4084 0.8769 10
SNV 0.5569 3.7342 1.5161 0.5425 3.6910 1.5103 0.4889 2.2508 8
一阶导数+MSC 0.8824 1.5347 3.6230 0.8017 2.8371 2.4927 0.7923 0.8007 5
一阶导数+SNV 0.8890 0.0049 3.0287 0.4207 0.0181 2.1571 0.5599 0.0045 4

3.5. 最优波长选择

通常,全光谱NIR数据包含具有多重共线性的冗余变量,这使得模型开发变得复杂。因此,特征波长选择至关重要。我们比较了两种成熟的算法:Si-PLS和CARS。

3.5.1. Si-PLS模型的结果

对于PE的Si-PLS模型,区间数量设置为10,选择了区间2、4、7和8。对于PEM的Si-PLS模型,区间数量设置为30,选择了区间4、21、22和27。对于AVA的Si-PLS模型,区间数量设置为30,选择了区间4、10、12和20。这些配置产生了最佳的预测结果(支持图S2)。然而,与全光谱PLS模型相比,Si-PLS模型的预测性能并不一定更优(表3)。PE的Si-PLS模型获得了0.8268的R2值,PEM的Si-PLS模型获得了0.7883的R2值,都略优于各自的全光谱PLS模型。相比之下,AVA的Si-PLS模型获得了0.7795的R2值,低于其全光谱PLS模型。这是因为变量选择在消除不必要的光谱带的同时,也可能移除了有用的光谱信息。表3. 不同波长选择方法对PE、PEM和AVA的结果比较。属性

方法 PLS结果
RMSEC RPDC RMSEP RPD RMSECV nL
全光谱PLS 0.9254 0.0084 3.6956 0.818 0.0124 2.6528
CRAS-PLS 0.9444 0.0071 4.2812 0.8850 0.0101 3.0120
Si-PLS 0.9137 0.0084 3.4351 0.8268 0.0123 2.4546
PE 全光谱PLS 0.9224 0.0044 3.6227 0.7538 0.0116 2.2708
CRAS-PLS 0.9620 0.0029 5.1770 0.8240 0.0070 2.4351
Si-PLS 0.9204 0.0042 3.6196 0.7883 0.0077 2.2203

PE 全光谱PLS 0.8824 1.5347 3.623 0.8017 2.8371 2.4927
CRAS-PLS 0.9156 1.1723 3.4731 1.7921 2.5041
Si-PLS 0.8912 1.3744 3.0591 1.7194 2.1569

3.5.2. CARS-PLS模型的结果

在CARS执行过程中,蒙特卡洛采样设置为100次迭代,每次迭代随机选择80%的样本来构建PLS模型。CARS对PE、PEM和AVA的波长选择和分布在支持图S3中展示。随着采样次数的增加,采样变量的数量显著减少并逐渐稳定(支持图S3 A、C、E)。这是因为EDF消除了许多不相关的波长,而ARS保留了具有较大绝对回归系数的变量。RMSECV在不同迭代中有所变化,其最小值(用蓝色星号标记)通常表示最优变量子集。最终,CARS分别为PE、PEM和AVA选择了41、44和113个波长变量(支持表S2)。这些最优变量在原始光谱上用红色圆圈突出显示(支持图S3 B、D、F),使得可视化更加清晰。使用这些最优变量构建的CARS-PLS模型得到了以下结果(表3):PE模型的RMSEP从0.0124%降低到0.0101%;PEM模型的RMSEP从0.0116%降低到0.0070%;AVA模型的RMSEP从2.8371?U/mg降低到1.7921?U/mg。所有RPD值都超过了2.4,证实了模型的稳健预测能力。图5显示了PE、PEM和AVA CARS-PLS模型的训练集与测试集的拟合图。图5(a)在图查看器中打开PowerPoint

PE、PEM和AVA CARS-PLS模型的训练集与测试集的拟合图。(a)、(c)、(e) 分别是PE、PEM和AVA CARS-PLS模型的训练集拟合图;(b)、(d)、(f) 分别是PE、PEM和AVA CARS-PLS模型的测试集拟合图。图5(b)在图查看器中打开(PowerPoint)

PE、PEM和AVA CARS-PLS模型的训练集与测试集拟合图。(a)、(c)、(e)分别为PE、PEM和AVA CARS-PLS模型的训练集拟合图;(b)、(d)、(f)分别为PE、PEM和AVA CARS-PLS模型的测试集拟合图。图5(c)在图查看器中打开(PowerPoint)

PE、PEM和AVA CARS-PLS模型的训练集与测试集拟合图。(a)、(c)、(e)分别为PE、PEM和AVA CARS-PLS模型的训练集拟合图;(b)、(d)、(f)分别为PE、PEM和AVA CARS-PLS模型的测试集拟合图。图5(d)在图查看器中打开(PowerPoint)

PE、PEM和AVA CARS-PLS模型的训练集与测试集拟合图。(a)、(c)、(e)分别为PE、PEM和AVA CARS-PLS模型的训练集拟合图;(b)、(d)、(f)分别为PE、PEM和AVA CARS-PLS模型的测试集拟合图。图5(e)在图查看器中打开(PowerPoint)

PE、PEM和AVA CARS-PLS模型的训练集与测试集拟合图。(a)、(c)、(e)分别为PE、PEM和AVA CARS-PLS模型的训练集拟合图;(b)、(d)、(f)分别为PE、PEM和AVA CARS-PLS模型的测试集拟合图。图5(f)在图查看器中打开(PowerPoint)

PE、PEM和AVA CARS-PLS模型的训练集与测试集拟合图。(a)、(c)、(e)分别为PE、PEM和AVA CARS-PLS模型的训练集拟合图;(b)、(d)、(f)分别为PE、PEM和AVA CARS-PLS模型的测试集拟合图。

4. 讨论

4.1. 加工方法对FTB成分和药理功效的影响

在本研究中,我们证明了不同的加工方法会改变FTB中的PE和PEM含量。具体来说,经过硫处理的F. thunbergii和壳粉处理的F. thunbergii的含量低于药典标准。壳粉研磨后晒干是最古老的加工技术,至今仍被一些中医从业者使用。硫熏处理用于在储存条件不佳的情况下防止虫害和霉菌[23]。这种方法存在潜在的安全隐患和质量问题。研究表明,硫熏处理会改变皂苷和生物碱的成分[24],熏蒸后水溶性成分也会发生显著变化[25]。现代具有温度控制的储存设施可以实现无硫处理。目前主流的方法包括直接干燥小鳞茎和新鲜切片后干燥大鳞茎。冷冻干燥因其能更好地保留生物活性成分而受到研究。不同加工类型的总PE/PEM含量(%)如下:冷冻干燥的F. thunbergii:0.1735%;部分干燥的F. thunbergii:0.1168%;切片干燥的F. thunbergii:0.0985%;硫处理的F. thunbergii:0.0647%;壳粉处理的F. thunbergii:0.0377%。加工方法的变化不仅会导致F. thunbergii中化合物的转化,还会改变生物活性成分的比例和含量。这些转化的具体条件及其对药理功效的影响尚不确定[26]。仅依赖PE和PEM含量进行质量评估会引发对其有效性的质疑。因此,我们评估了不同加工样品的AVA。壳粉处理的样品显示出显著较低的AVA,不到其他方法的一半,而其余四种加工类型(冷冻干燥、部分干燥、切片干燥和硫处理的F. thunbergii)的AVA均大于4 U/mg。综合结果表明,冷冻干燥、部分干燥、切片干燥和硫处理的F. thunbergii是更优的加工方法。

4.2. PE/PEM含量与AVA之间的相关性

FTB是传统中药中常用的抗病毒流感治疗的药材[1]。然而,关于其AVA的研究相对较少。Huang等人[27]证明PEM可以抑制MEK/ERK磷酸化,从而减少柯萨奇病毒B引起的病毒性心肌炎中的心肌细胞凋亡、炎症反应和纤维化。Kim等人[7, 10]报告称,F. thunbergii提取物在体外和体内均表现出强大的抗病毒效果,并且安全性优于奥司他韦。网络药理学分析表明β-谷甾醇和pelargonin可能是这种活性的潜在贡献者[28],尽管具体机制尚不清楚。值得注意的是,β-谷甾醇和pelargonin在FTB中的含量很低,我们的研究也未发现PE/PEM含量与AVA之间存在显著相关性。这表明AVA可能是多种生物活性成分协同作用的结果,符合中医的整体理论。

4.3. 光谱预处理对F. thunbergii定量准确性的影响

光谱预处理可以提高受多种干扰因素(如背景噪声、仪器变化和颗粒大小/形状差异)影响的测定结果的准确性[29]。在本研究中,采用一阶导数+MSC预处理的PLS模型在测定PE/PEM含量和AVA方面表现出更好的性能。一阶导数预处理有效减少了峰的重叠,并消除了恒定和线性基线漂移[17]。Guo等人[30]观察到随着导数阶数的增加,特征光谱带的显著性增强。然而,单独使用导数方法可能会放大噪声并降低信噪比(SNR)。正如Hao等人[17]所证明的,未经预处理的原始光谱能够得到更好的XO抑制活性PLS模型。因此,一阶导数通常与补充技术结合使用。MSC使用统一的散射系数将散射信号与吸收信号分离,有效减轻了由不同散射水平引起的光谱变化,并增强了光谱数据的相关性[16]。它与一阶导数的协同作用已被充分证实。预处理后,PE、PEM和AVA的模型值分别增加了0.2389、0.1814和0.1989,相比原始数据有所提高。AVA模型的稳健线性表明其抗病毒功效具有坚实的化学基础。相反,AVA与PE/PEM含量之间的不显著相关性表明F. thunbergii的抗病毒效果还受到其他生物活性成分的贡献。

4.4. PE/PEM和AVA CARS-PLS定量模型的应用

先前的研究探索了多种光学技术用于FTB的质量评估。激光诱导击穿光谱(LIBS)在元素分析和掺假检测方面显示出巨大潜力。例如,LIBS结合LASSO-PLSR-SVR模型在检测Fritillaria cirrhosa中的掺假时达到了非常高的决定系数(R2 = 0.9983)[31]。此外,LIBS与机器学习算法(如GBM、SVR和BPNN)结合使用,已成功用于快速定量FTB中的重金属(Cd、Cu和Pb),为安全监测提供了快速解决方案[32, 33]。然而,LIBS是一种微破坏性技术,主要对原子发射敏感,这可能限制了其与振动光谱相比在整体有机化合物定量中的应用。另一方面,高光谱成像(HSI)已被用于可视化FTB中的化学成分分布和品种区分。最近的研究将HSI与卷积神经网络(CNN)结合,实现了98.88%的训练准确率来区分FTB品种[34]。同样,HSI结合化学计量学成功可视化了硫熏鳞茎中的PE和PEM含量,预测相关系数(rp)超过0.8[12]。虽然HSI提供了有价值的空间信息,但其高数据维度和复杂的仪器可能导致较高的计算成本。相比之下,本研究中提出的NIRS方法在光谱分辨率和快速数据采集之间取得了平衡。我们基于NIRS的CARS-PLS定量模型对于PE、PEM和AVA的测试集预测系数分别为0.8850、0.8240和0.8336。这些结果与使用HSI获得的结果相当或略好,从而为常规质量控制提供了一种可能更简单且更具成本效益的解决方案。

5. 结论

本研究提出了一种基于NIRS的快速分析方法,用于评估经过不同加工方法的F. thunbergii的质量和AVA。在确认PLS方法的可行性后,广泛研究了各种光谱预处理和波长选择技术,并进行了比较,以构建最优的NIRS模型。实验结果表明,适当的光谱预处理算法(一阶导数结合MSC)和波长选择技术(CARS)显著提高了成分含量模型的预测准确性。我们基于NIRS的CARS-PLS定量模型对于PE、PEM和AVA的测试集预测系数分别为0.8850、0.8240和0.8336。同时,RMSEP显著降低,所有模型的RPD值均大于2.4,表明模型具有良好的稳定性。这证实了模型能够准确预测F. thunbergii中的PE/PEM和AVA含量。此外,研究还发现冷冻干燥方法最佳地保留了活性成分(总PE/PEM含量为0.1735%)和AVA(8.517 U/mg),而传统的硫熏处理则导致质量显著下降。本研究的结果表明,使用NIRS分析可以从化学成分的角度全面预测F. thunbergii的质量和功效是可行的。尽管基于的参考样本数量有限,但这些结果为该方法在F. thunbergii的质量控制和功效评估中的实际应用迈出了有希望的第一步。NIRS作为一种非侵入性、成本效益高且快速的替代传统化学分析的方法,为中药制造商提供了快速筛选大批产品的机会。然而,应注意的是,F. thunbergii的质量还受到物种、产地、栽培管理和储存条件等因素的影响。因此,需要进一步努力扩大样本量,以提高模型的性能和泛化能力,从而为中药的标准化管理贡献更多知识。

作者贡献

J.S.:概念化和写作–审稿和编辑;H.L.:方法学和写作–原始草稿准备;C.W.:软件;M.Z.:验证;L.C.:正式分析;Z.W.:监督和资金获取;A.L.和Q.S.:可视化;J.J.:项目管理。

同时,我们声明仅使用Google Gemini 3 Pro来翻译和精炼本手稿的英文语言。作者根据需要审阅和编辑了输出内容,并对出版物的内容负全责。我们进一步声明没有使用任何人工智能工具来操纵或生成任何实验数据或结果。

本研究得到了中国国家重点研发计划(2022YFC3501504)的支持;中央政府层面的关键项目:珍贵中药资源可持续利用能力的建立(2060302);浙江省的关键科学技术资助项目,用于培育新的农业品种(2021C02074);中国国家中医药管理局的遗产和创新项目(GZY-KJS-2021–020);浙江省的“三农九方”科技合作项目(2025SNJF078)。

支持本研究的资助机构对本研究中报告的科学调查没有直接影响,该研究是独立进行的。尽管一些作者隶属于浙江省中医药研究院有限公司,但该公司在研究设计、数据收集、分析或解释、手稿撰写或结果发表决定方面没有发挥作用。

作者声明没有利益冲突。

数据可用性声明

数据可向作者索取。

支持信息

支持文件包括F. thunbergii的加工流程图、通过化学检测获得的原始数据、用于最优Si-PLS模型的选定光谱区间、CARS的波长选择参数,以及CARS算法为PE、PEM和AVA选定的具体波长变量。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号