红外光谱数据融合对栽培滇重楼产地鉴别*

目的 多样的环境因素使得不同产地栽培滇重楼的化学成分也丰富多样，不同居群栽培滇重楼的甾体皂苷类成分具有很大的差异，多源数据融合分析能更全面的表征药材化学信息，建立一个高效而准确的产地鉴别模型，为其资源合理开发利用提供依据。方法 以来自云南和四川的8个产地（保山、楚雄、大理、红河、丽江、成都、文山、玉溪）共366份栽培滇重楼根茎为实验材料，采集其傅里叶变换近红外光谱（FT-NIR）和衰减全反射-傅里叶变换中红外光谱（ATR-FTMIR）数据。采用Kennard-Stone算法将不同产地的样品分为2/3的训练集和1/3的预测集，基于4种特征变量提取方法（CARS、VIP、SPA、SO-Covsel）结合2种数据融合策略（低级数据融合和中级数据融合），建立偏最小二乘产地判别分析模型。根据模型参数交叉验证均方根误差（RMSECV）和预测均方根误差（RMSEP）评估模型的稳定性，模型训练集和预测集准确率（ACC）评估模型分类性能。结果 近红外光谱和中红外光谱均能反应不同产地栽培滇重楼的化学成分差异，在中级数据融合中，基于VIP和SPA提取的特征变量建立的模型正确率均大于94%。相较于中级数据融合，低级数据融合模型得到了最为满意的结果，其预测集分类正确率达到100%。结论 根据近红外和中红外数据建立的低级数据融合PLS-DA模型，能够用于栽培滇重楼的产地鉴别分析。     

基于HPLC指纹图谱的半夏及其伪品鉴别研究

目的?建立高效液相色谱法（HPLC）对半夏及其伪品进行指纹图谱分析,以鉴定半夏的真伪。方法?用SB-Aq色谱柱（4.6?mm×250?mm,5?μm）,以0.2%磷酸二氢铵溶液-甲醇为流动相进行梯度洗脱,进样量20?μL,流速0.8?mL/min,柱温30?℃,采用双波长检测。结果?生半夏共有10个共有峰,通过对照品比对指认了其中5个共有峰;伪品半夏中同时含有8种有效成分;随机选取部分生半夏与伪品半夏样品建立叠加指纹图谱得出:虎掌南星于34~38?min出现2个特征峰;姜水半夏在32~34?min出现2个特征峰;而水半夏出峰整体峰高较低,峰面积偏小。结论?建立的指纹图谱特征性强,能明显区分半夏与其伪品水半夏及虎掌南星,可用于半夏的鉴别和质量控制。      

一种基于近红外的红参药材质量快速评价方法

目的应用近红外(NIR)光谱技术和化学计量学方法建立红参药材质量评价的新方法。方法对红参同时进行原料定性鉴别和水分含量检测。将样品NIR光谱同标准光谱库相比较，计算相似度匹配值。以传统的干燥失重法(LOD)为参照方法，应用相关光谱法进行波长选择和多重散射校正(MSC)方法进行光谱预处理，采用偏最小二乘(PLS)回归方法建立NIR光谱预测水分含量的校正模型。结果NIR光谱库可正确区别红参和伪品；最优PLS校正模型相关系数为0．9997。结论此方法快速、准确，可用于中药生产企业的原料药材质量控制。     

AOTF-近红外光谱技术在肾宝合剂渗漉液理化指标快速分析中的应用研究

目的:用声光可调滤光器(AOTF)-近红外(NIR)光谱法在线分析肾宝合剂渗漉液密度及淫羊藿苷含量。方法:在线收集肾宝合剂渗漉液样品,建立肾宝合剂渗漉液的含量、比重数据库,同时采集近红外光谱图谱,用偏最小二乘(PLS1)法分别建立NIR光谱与含量、比重数据之间的校正模型,并对在线过程中收集的预测集样品进行含量预测来验证所建模型。结果:渗漉液NIR光谱与含量、比重数据之间的校正模型相关系系数R2分别为0.9706和0.9890,外部样品预测相对偏差分别为0.11%,0.45%;该方法精密度、稳定性均小于2.0%,预测回收率分别为103.0%,99.0%。结论:AOTF-近红外光谱技术在肾宝合剂渗漉液密度及淫羊藿苷含量分析中具有快速、直接、多成分同时测定,并能实现现场在线分析。     

筋骨痛消丸中醇浸出物的近红外光谱法快速测定

目的 运用近红外光谱技术和化学计量学方法,对筋骨痛消丸中醇浸出物的含量进行快速测定.方法 测定100份筋骨痛消丸醇浸出物的含量,采集所有样品的近红外光谱.采用光谱处理方法为偏最小二乘法(PLS)+二阶导数(SD),用TQ 8.0软件结合PLS建立醇浸出物的近红外光谱(NIR)定量模型.结果 建模范围为8 116.04～11 983.82 cm-1,主因子数为7,校正集内部交叉验证决定系数(R2)为0.99 778,校正集均方根偏差(RMSEC)为0.0 376,交叉验证集均方根偏差(RMSEP)为0.547,预测集平均相对误差为2.39％.结论 利用近红外光谱技术建立的模型对筋骨痛消丸中醇浸出物的含量测定是可行的,该方法快速、简便、结果准确.     

近红外光谱法快速测定青翘中醇浸出物的含量

目的运用近红外光谱技术（NIR）快速测定青翘中醇浸出物的含量。方法运用NIR结合偏最4、二乘法（PLS）建立青翘药材中醇浸出物含量的定量校正模型。结果所建立的定量校正模型内部交叉验证决定系数为0．99262,内部交叉验证均方差为0．83793,校正均方差为0．284,预测均方差为0．438。结论运用NIR测定青翘药材中醇浸出物含量是可行的。     

近红外光谱法预测红参醇提过程中总皂苷的变化研究

目的应用近红外(NIR)光谱技术快速分析红参乙醇回流提取过程。方法采用比色法测定提取液样品的总皂苷质量浓度作为对照值,同时采集提取液样品的NIR光谱。运用正交信号校正算法消除光谱中的干扰信息,采用偏最小二乘回归法建立NIR光谱校正模型。结果NIR光谱校正模型能够准确地预测红参提取过程总皂苷质量浓度。结论NIR光谱技术可用于红参醇提过程快速分析。     

HPLC指纹图谱法鉴别半夏及其伪品

目的:建立半夏药材的HPLC指纹图谱,用以鉴别半夏与其伪品。方法:采用HPLC法,Hypersil C18(4.6 mm×250 mm,5μm)色谱柱,以甲醇-乙腈-0.1%磷酸二氢钠(8∶8∶84)为流动相,进样量10μL,流速为1.0 m L/min,柱温30℃,检测波长为204 nm。结果:建立半夏药材对照HPLC指纹图谱,标示出5个不同产地半夏HPLC指纹图谱共有特征峰11个,多数峰可以达到较好分离,其中有7个易于辨认的特征峰,可用于鉴别半夏及其伪品。半夏HPLC指纹图谱与其伪品水半夏、天南星及虎掌南星差异明显。结论:该方法快速、简便、专属性及重复性好,可用于半夏药材鉴别和质量控制的依据评价。     

白及粉品种近红外快速定性鉴别模型的建立

目的:采用近红外光谱技术建立白及粉的定性分析模型,为快速判别白及粉入药品种提供简便方法。方法:采集不同品种白及粉样品的近红外光谱图,采用聚类分析方法建立白及粉末鉴别模型,并进行模型的外部验证和内部验证。结果:在4 000~10 000 cm-1光谱范围内白及与其同属黄花白及、小白及的粉能够分别聚为一类,内部验证准确率达到100%,外部验证准确率达到90%。结论:采用近红外光谱技术鉴别白及粉准确、快速、简便,可为白及同属药材的鉴别提供快速鉴别方法。     

近红外光谱法测定银黄混合液终点黄芩苷和绿原酸含量

目的:建立银黄混合液终点的近红外光谱(near infrared spectroscopy,NIR)校正模型,探讨NIR快速测定黄芩苷和绿原酸含量的方法。方法:采用多种光谱预处理方法、波长选择方法结合偏最小二乘法对银黄混合液的光谱图与黄芩苷、绿原酸的含量进行关联拟合,并通过交互检验标准偏差(SECV)、校正标准偏差(SEC)和决定系数(R2)及优选校正模型。结果:建立的黄芩苷、绿原酸的NIR校正模型的预测能力较好。结论:NIR技术可以用于银黄混合液终点阶段的黄芩苷、绿原酸含量。     

基于随机森林的中药寒、热药性代谢组学判别方法研究

目的:建立中药寒、热药性判别模型与方法。方法:利用中药寒、热药动物实验,获取代谢组学数据;再采用随机森林算法构建中药寒、热药性分类判别模型。结果:基于随机森林构建的中药寒、热药性代谢组学分类判别模型,能够很好地实现分类判别,总体准确率超过90%;用前30个最重要的M/Z值构建的分类判别模型,同样有很高的分类准确率;经7∶3测试,准确率也超过90%。结论:基于随机森林的中药寒、热药性代谢组学分类判别模型,经实验数据建模验证表明其可行有效。     

一种基于近红外的半夏炮制品快速鉴别方法

目的:分析法半夏、姜半夏、清半夏的近红外光谱,建立半夏不同炮制品的快速鉴别法.方法:采集半夏炮制品近红外光谱信息,结合二阶导数光谱、化学计量学技术,探究不同半夏炮制品的光谱差异及建立快速鉴别模型.结果:在近红外光谱中,半夏炮制品在8336.91、6861.57、6311.60、5861.42、5668.34、5162.24、4772.29、4330.16 cm-1处均有较强的振动吸收,表明半夏炮制品的主要化学组分较为相似.二阶导数光谱结合聚类、偏最小二乘法判别分析和K最近邻分类算法分析发现,半夏炮制品之间具有特征性差异.讨论:近红外光谱能快速有效地用于鉴别半夏炮制品,为半夏炮制工艺、质量评价提供科学的参考依据.     

代谢组学数据正态性对疾病分类准确性的影响

目的探讨在代谢组学数据中服从正态分布的变量个数逐步增加时统计分类方法分类准确率的变化趋势。方法首先模拟产生11组代谢数据,且数据中服从正态分布的变量逐渐增加,然后用传统的非机器学习统计方法[Bayes判别、Fisher判别、偏最小二乘判别分析(PLS-DA)]和机器学习方法[随机森林(RF)、支持向量机(SVM)]进行统计分析,比较分类准确率的变化;最后用两个实例分析对模拟结果的合理性进行评价。结果代谢组学数据正态性对Bayes判别、Fisher判别、PLS-DA的分析结果影响较大,随着数据中服从正态分布的变量个数增加,分类准确率增大,而对RF和SVM基本没有影响。结论传统的非机器学习方法在统计分析过程中对数据正态性有一定的要求,而机器学习类的方法对数据正态性基本没有要求,且分类准确率一直保持较高的稳定状态。     

近红外光谱快速测定栀子逆流提取过程中栀子苷含量

目的采用近红外光谱(NIR)透射法快速测定栀子逆流提取过程中栀子苷含量。方法以HPLC测定值作为参照,采用近红外光谱(NIR)透射法,结合偏最小二乘法(PLS)建立栀子苷含量的快速测定方法。结果建立的栀子逆流提取液中栀子苷校正模型的相关系数(R)、校正均方差(RMSEC)分别为0.997,0.113。经外部验证,校正模型的预测均方差(RMSEP)为0.132,预测值和真实值相关系数达到0.996。结论 NIR可以作为一种准确、快速、无损的检测方法用于中药逆流提取过程有效成分含量的变化规律。     

应用等位基因特异聚核酶链式反应鉴别半夏类药材

目的 建立能区分半夏正、伪品的分子鉴定方法.方法 下载GenBank中半夏属、犁头尖属及天南星属相关序列,利用DNAMAN进行比对分析,根据ITS序列中半夏的SNP位点设计引物PtITS178F和PtITS555R,采用等位基因特异PCR进行扩增.结果 对半夏5个产地的新鲜样品、10个产地的药材以及5批虎掌、水半夏样品进行PCR检测.引物PtITS178F和PtITS555R只对半夏类药材扩增395 bp片段,虎掌和水半夏均无扩增条带.结论 等位基因特异PCR能准确检测半夏的SNP位点,达到准确鉴别半夏正伪品的目的,是一种有前途的中药材分子鉴定方法.     

糖尿病线性判别诊断模型的建立

目的采用线性判别分析（LDA）法建立糖尿病计算机诊断模型。方法以血糖值及糖耐量实验等指标确定糖尿病病例,以患者血常规检查指标、生化检查指标为原始数据建立数据库,其中糖尿病病例352例,非糖尿病病例389例,利用SPSS统计软件判别分析方法构建糖尿病分类模型,以交互检验法对模型进行验证。结果线性判别分析筛选出8项对判别函数贡献较大的变量,训练集、测试集的判别准确率分别是85.7%、81.6%,诊断模型总判别准确率是84.9%,LDA法的特异性和灵敏性分别是0.88、0.75。结论糖尿病LDA诊断模型对糖尿病和非糖尿病有较好的判别能力。     

AOTF-NIR快速检测丹参中丹参酮Ⅰ含量的新方法

目的探索一种采用声光可调近红外(AOTF-NIR)光谱技术快速测定丹参药材丹参酮Ⅰ含量的新方法。方法依据2015年版《中国药典》,采用高效液相色谱法(HPLC)测定丹参药材丹参酮Ⅰ含量,采用偏最小二乘法(PLS),建立含量与NIR光谱之间的校正模型,利用NIR模型对未知的丹参样品进行预测。结果丹参药材丹参酮Ⅰ的NIR模型校正均方根偏差(RMSEC)为0.0052,预测均方根偏差(RMSEP)为0.0096,决定系数(CORRELATION)为0.9800,采用验正集样品进行外部验证,实测值与预测值的偏差为3.68%。结论 AOTF-NIR快速分析法对丹参药材丹参酮含量预测结果较好,为丹参药材快速定量分析提供了方法。     

主成分-线性判别分析在中药药性识别中的应用

目的探索利用主成分-线性判别分析基于中药的功效主治属性判别其药性的可行性。方法收集《中华本草》中收录的药性明确、功效主治属性特征详尽的植物药1 725种,首先运用主成分-线性判别建立模型,以此模型对药性进行判别分类,采用10次5折交叉验证评价模型稳定性,然后按照随机抽样的原则,从寒、热性两类药材中分别随机抽取80%(共1 380种)的药材作为训练集建立模型,其余20%(共345种)药材组成测试集,做预测。结果运用主成分-线性判别模型,全部1 725种中药的组内判别正确率为94.43%,交叉验证平均正确率为91.54%。训练组的组内回代判别正确率为94.78%,测试组的预测正确率为90.14%。结论基于主成分-线性判别对中药药性进行判别,不仅保证了线性判别的正常运行,而且判别准确率高,模型稳定性好,能够为临床用药提供依据。     

近红外光谱法快速分析玄参药材中毛蕊花糖苷含量

目的建立玄参药材指标成分毛蕊花糖苷的近红外光谱快速定量模型。方法采用偏最小二乘法建立玄参药材中毛蕊花糖苷的近红外光谱多元校正模型,并对未知样品进行含量预测。结果校正模型相关系数r=0.998 53,验证集预测误差平方根为0.027 3,验证集平均相对误差为3.7%。结论近红外光谱检测快速,模型预测效果好,可用于玄参药材中毛蕊花糖苷的快速测定。     

应用判别分析模型预测女性盆腔肿物性质的研究

目的探讨依据患者肿瘤标志物及一般资料建立的判别预测模型对于盆腔肿物性质诊断的价值。方法回顾性分析124例因盆腔肿物住院接受手术的患者,依据术后病理分为卵巢良性肿物组85例,子宫平滑肌瘤组25例,卵巢恶性肿瘤组14例,将所有的数据随机分成两个数据集,分别为训练集104例和验证集20例。收集上述所有患者的一般资料并检测其肿瘤标志物水平,建立判别预测模型并对其进行验证。结果本研究将训练集通过以下变量建立了判别预测模型-1: 年龄、孕次、产次、身高、体重、BMI、初潮年龄、绝经与否、CA153、CA125、AFP、CEA、CYFRA21-1、SCCAg、CA199、抑制素B,通过交叉验证得到其准确率为91.3%。同时,将上述数据采用Logistic回归分析,寻找有统计学意义的变量,发现年龄、孕次、抑制素B、CA125等统计资料差异有统计学意义(P<0.05)。再将上述变量建立判别预测模型-2,通过交叉验证后得到其准确率为93.3%。最后应用验证集将两个模型进行验证。结论判别预测模型-1和判别预测模型-2均可用于盆腔肿物性质的预测,但后者对盆腔肿物性质的预测具有数据简化、灵敏度高等优势,对于术前临床辅助诊断具有重要的临床意义。