近紅外漫反射光譜結(jié)合PLS-ANN算法對(duì)藥物有效成分的定量分析測(cè)定.pdf

1、近紅外光譜(Near Infrared Spectroscopy,NIRS)技術(shù)是一種新興的環(huán)保分析技術(shù),將光譜測(cè)量、電子計(jì)算機(jī)和化學(xué)計(jì)量學(xué)方法“三合為一”的現(xiàn)代光譜分析技術(shù)。該技術(shù)廣泛涉及農(nóng)業(yè)、食品、煙草、環(huán)境、生物醫(yī)學(xué)等行業(yè)的分析,在制藥領(lǐng)域的研究和應(yīng)用起步較晚,研究范圍主要集中在藥物原料的鑒定、藥物制劑的分析、藥物生產(chǎn)過(guò)程的控制以及采用不同化學(xué)計(jì)量學(xué)方法對(duì)光譜數(shù)據(jù)信息處理效果的對(duì)比等。
　　 本實(shí)驗(yàn)研究的主要內(nèi)容是藥物原料

2、含量的測(cè)定和化學(xué)計(jì)量學(xué)方法的對(duì)比應(yīng)用。首先,將近紅外光譜測(cè)定結(jié)合化學(xué)計(jì)量學(xué)中的偏最小二乘法(Partial LeastSquare,PLS)對(duì)鹽酸托莫西汀,福多斯坦和復(fù)方阿司匹林雙嘧達(dá)莫三種藥物的待測(cè)成分進(jìn)行定量分析測(cè)定,并在各自最佳波段范圍內(nèi)分別建立三種藥物的最佳PLS模型。采用相關(guān)系數(shù)(Correlation coefficient,R)、交互驗(yàn)證均方根誤差(Root mean square error of cross valid

3、ation,RMSECV)、校正集均方根誤差(Rootmean square error of calibration,RMSEC)和預(yù)測(cè)集均方根誤差(Root mean squareerror of prediction,RMSEP)、主因子數(shù)(Factor)等參數(shù)對(duì)模型進(jìn)行分析評(píng)價(jià),結(jié)果為:鹽酸托莫西汀 PLS模型的R=0.98468,RMSECV=0.00290,RMSEC=0.00117,RMSEP=0.00476,Factor

4、=8；福多斯坦PLS模型的R=0.99477、RMSECV=0.00357,RMSEC=0.00304,RMSEP=0.00389,Factor=3；復(fù)方阿司匹林雙嘧達(dá)莫中雙嘧達(dá)莫PLS模型的R=0.99921,RMSECV=0.00170,RMSEC=0.00110,RMSEP=0.00291,Factor=5；復(fù)方阿司匹林雙嘧達(dá)莫中阿司匹林PLS模型的R=0.99517,RMSECV=0.00081,RMSEC=0.000378,R

5、MSEP=0.000831,Factor=8。鹽酸托莫西汀、福多斯坦、雙嘧達(dá)莫和阿司匹林四種待測(cè)成分PLS模型的最佳篩選波段范圍依次是:4550cm-1～4950cm-1、4900cm-1～5200cm-1、4250cm0-1～4950cm-1、4950cm-1～5250cm-1；平均回收率依次為:103.9％、99.6％、99.9％、99.3％；相對(duì)誤差范圍依次為:-6.8％～10.2％、-2.0％～1.0％、-2.0％～1.2％、-

6、5.5％～8.3％。
　　 其次,分別將鹽酸托莫西汀、福多斯坦、雙嘧達(dá)莫和阿司匹林四個(gè)待測(cè)成分的最佳壓縮波段信息與前饋人工神經(jīng)網(wǎng)絡(luò)(Back-Propagtion Artificial NeuralNetworks,BP-ANN)定量分析方法結(jié)合,對(duì)四個(gè)待測(cè)組分含量進(jìn)行預(yù)測(cè)。預(yù)測(cè)結(jié)果為:四個(gè)待測(cè)組分由原始光譜建立的PLS-ANN模型的預(yù)測(cè)效果均比一階、二階導(dǎo)數(shù)建立的PLS-ANN模型的預(yù)測(cè)效果好；相關(guān)系數(shù)依次為:0.6591、0

7、.8359、0.8646、0.4029；RMSECV分別為:0.0318、0.0317、0.0319、0.0318；RMSEP分別為:0.0232、0.0194、0.0212、0.0277；平均回收率依次為:93.9％、101.4％、94.8％、103.8％；相對(duì)誤差范圍依次為:-30.3％～25.5％、-4.8％～8.2％、-9.2％～0.5％、-21.7％～22.1％。
　　 最后,將三種藥物四個(gè)待測(cè)成分的PLS模型與PLS