色譜法和光譜法結(jié)合化學(xué)計量學(xué)在某些食品和中藥質(zhì)量分析中的應(yīng)用.pdf

1、本文采用色譜法和光譜法相結(jié)合建立起能夠反映出中藥、食品等復(fù)雜物質(zhì)本質(zhì)特征的指紋圖譜,結(jié)合化學(xué)計量學(xué)手段對中藥和食品進(jìn)行質(zhì)量分析和監(jiān)督,同時對中藥和食品中的某些有效化學(xué)成分進(jìn)行定量分析。指紋圖譜能夠全面的獲得復(fù)雜物質(zhì)中化學(xué)成分群的特征信息,并能夠用于中藥和食品的質(zhì)量評價、質(zhì)量控制、定量分析,是一種綜合的、可量化的表征手段。指紋圖譜的特點不僅有全面性和整體性,還具有模糊性。化學(xué)計量學(xué)方法是一種強(qiáng)有力的輔助手段,能夠?qū)χ讣y圖譜中的有效信息進(jìn)行

2、提取和處理,進(jìn)而獲取關(guān)于中藥和食品中的質(zhì)量信息。本文采用指紋圖譜與化學(xué)計量學(xué)相結(jié)合的方法用于中藥連翹、牡丹皮和食品山藥質(zhì)量控制與定量分析。主要研究工作的內(nèi)容及結(jié)果如下:
　　1、采用高效液相色譜與質(zhì)譜相結(jié)合(HPLC-DAD-MS)獲得中藥青翹和老翹的指紋圖譜,結(jié)果發(fā)現(xiàn)青翹與老翹指紋圖譜在指紋峰的數(shù)量和強(qiáng)度上存在著很大的差異。采用化學(xué)計量學(xué)方法對不同產(chǎn)地的青翹指紋譜圖進(jìn)行解析,進(jìn)而對不同產(chǎn)地的青翹進(jìn)行質(zhì)量控制。通過 HPLC-DA

3、D-MS得到中藥連翹17個共有指紋特征峰,并結(jié)合相關(guān)文獻(xiàn)和數(shù)據(jù)庫得到12個特征峰具體的化學(xué)成分信息。利用主成分分析(PCA)、系統(tǒng)聚類分析(HCA)和判別分析(DA)對不同產(chǎn)地的青翹指紋圖譜進(jìn)行分析,結(jié)果發(fā)現(xiàn)不同產(chǎn)地間的青翹在化學(xué)成分及質(zhì)量上存在著差異。
　　2、以來自不同產(chǎn)地的中藥牡丹皮為研究對象,采用高效液相色譜與二極管陣列檢測器和質(zhì)譜技術(shù)(HPLC-DAD-MS)與電感耦合等離子體質(zhì)譜技術(shù)(ICP-MS)相結(jié)合,獲得牡丹皮醇

4、提取有機(jī)化學(xué)成分與無機(jī)金屬元素含量的數(shù)據(jù)信息。采用主成分分析對來自不同產(chǎn)地的牡丹皮進(jìn)行分類,分類結(jié)果顯示,基于化學(xué)成分的指紋圖譜和無機(jī)金屬元素含量的融合數(shù)據(jù)得到的分類結(jié)果比單一的數(shù)據(jù)信息得到的分類結(jié)果更佳。采用線性判別分析(LDA)進(jìn)一步證實了融合數(shù)據(jù)能夠得到很好的分類結(jié)果。同樣,利用三種有監(jiān)督模式-K-最近鄰法(KNN),反傳-人工神經(jīng)網(wǎng)絡(luò)(BP-ANN)和最小二乘-支持向量(LS-SVM)對單一的數(shù)據(jù)和融合后的數(shù)據(jù)建立校正預(yù)報模型,

5、預(yù)報結(jié)果顯示基于融合數(shù)據(jù)建立的預(yù)報模型的識別率和預(yù)報率最好。相比而言,KNN所建的產(chǎn)地預(yù)報模型,校正和預(yù)報率到能達(dá)到100％。采用多元線性回歸(MLR)模型探究了有機(jī)化學(xué)成分與無機(jī)金屬元素含量之間的關(guān)系,結(jié)果表明,某些化學(xué)成分與金屬元素之間存在一定的線性關(guān)系。
　　3、以來自四個不同產(chǎn)地的藥食同源的山藥樣品為研究對象,利用近紅外光譜法和中紅外光譜法分別獲得108個山藥樣品在12500-4000cm-1的近紅外指紋圖譜和2000-4

6、00cm-1的中紅外指紋圖譜,采用標(biāo)準(zhǔn)方法測定了山藥中總糖和總黃酮的含量。通過無監(jiān)督模式主成分分析對來自四個不同產(chǎn)地的山藥樣品進(jìn)行分類,結(jié)果發(fā)現(xiàn)近紅外指紋數(shù)據(jù)和中紅外指紋數(shù)據(jù)都能得到滿意的分類結(jié)果。分別基于兩種指紋光譜數(shù)據(jù),通過有監(jiān)督模式識別最小二乘-支持向量(LS-SVM)和偏最小二乘法(PLS)分別建立起近紅外光譜數(shù)據(jù)和中紅外光譜數(shù)據(jù)與總糖、總黃酮之間的定量預(yù)報關(guān)系。結(jié)果表明,對于總糖而言,采用最小二乘-支持向量(LS-SVM)基于