目的建立基于紫外光譜的畬藥地稔中浸出物、沒食子酸、阿魏酸、蘆丁、槲皮素、木犀草素、山奈酚的快速分析方法。方法測定地稔水提液中的浸出物和6種化合物濃度,采集紫外光譜。采用SIMCA-P+軟件,分別建立浸出物、6種化合物濃度與紫外光譜的偏最小二乘回歸模型。采用Visual Basic開發(fā)應用軟件,將所建模型嵌套入軟件,為同時快速分析待測溶液中浸出物和6種化合物濃度提供工具。結果驗證集浸出物和6種化合物濃度的預測均方根誤差分別為39.1,0.263,19.0,93.8,0.894,0.593,0.896 ng·mL^-1,預測值和真實值的相關系數(shù)均>0.9,并通過軟件在10 s內得到了浸出物和6種化合物濃度的預測結果。結論本方法可為地稔的快速質量評價提供依據(jù)。 

【文章來源】：中國現(xiàn)代應用藥學. 2020,37(13)北大核心CSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

地稔水提液中浸出物和6種化合物濃度的分析步驟

以浸出物濃度為Y，比較190～400,200～400,210～400 nm原始UV光譜下PLS回歸的建模結果，優(yōu)化起始波長，見圖3A。結果表明，以190 nm為起始波長所建模型的RMSECV最小。以浸出物濃度為Y，比較190～200,190～220,190～230,190～250,190～300,190～400 nm原始UV光譜下PLS回歸的建模結果，優(yōu)化終止波長，見圖3B。結果表明，當終止波長為200 nm時，RMSECV最大。隨著終止波長的增加，RMSECV逐漸減小，但當終止波長>250 nm時，RMSECV變化不明顯。綜上所述，選擇波長范圍為190～250 nm。以浸出物濃度為Y，采用190～250 nm，比較采用原始光譜和經(jīng)不同預處理光譜所建PLS回歸模型的建模結果，優(yōu)化光譜預處理方法，見圖3C。結果表明，光譜經(jīng)Savitsky-Golay平滑結合一階導數(shù)(SG+1st D)、Savitsky-Golay平滑結合二階導數(shù)(SG+2nd D)、多源散射校正(multiplicative signal correction,MSC)、標準正則變換(standard normal variate,SNV)預處理后所建模型的RMSECV增大，原始光譜(raw spectra,RS)、光譜經(jīng)中心化(centered,CTR)、標準化(unit variance,UV)處理后所建模型的RMSECV較小。考慮模型的簡單性，選擇原始光譜建立PLS回歸模型。

以浸出物濃度為Y，采用190～250 nm，比較采用原始光譜和經(jīng)不同預處理光譜所建PLS回歸模型的建模結果，優(yōu)化光譜預處理方法，見圖3C。結果表明，光譜經(jīng)Savitsky-Golay平滑結合一階導數(shù)(SG+1st D)、Savitsky-Golay平滑結合二階導數(shù)(SG+2nd D)、多源散射校正(multiplicative signal correction,MSC)、標準正則變換(standard normal variate,SNV)預處理后所建模型的RMSECV增大，原始光譜(raw spectra,RS)、光譜經(jīng)中心化(centered,CTR)、標準化(unit variance,UV)處理后所建模型的RMSECV較小。考慮模型的簡單性，選擇原始光譜建立PLS回歸模型。采用190～250 nm原始光譜建立浸出物濃度的最優(yōu)PLS回歸模型�；谧顑�(yōu)PLS回歸模型，樣品溶液中浸出物濃度的預測結果見表2。浸出物濃度校正集預測值與真實值之間的相關圖見圖4A。將所建模型應用于驗證集，驗證集預測值與真實值之間的相關圖見圖4B。

【參考文獻】：
期刊論文
[1]地稔藥材的研究進展[J]. 胡小祥,何艷.  甘肅中醫(yī)藥大學學報. 2017(04)
[2]高效液相色譜法測定地稔中沒食子酸的含量[J]. 戚重桓,倪觀鋒.  浙江中醫(yī)雜志. 2010(03)



本文編號：3226195