一种基于多糖类活性成分信息的黄芪质量等级评价方法技术

本发明专利技术提供一种基于多糖类活性成分信息的黄芪质量等级评价方法，所述方法通过利用核磁共振氢谱采集样品信息得到数据矩阵，之后利用逐步判别分析法提取特征变量，而后建立不同的Fisher判别函数，完成对中药黄芪不同基原样品蒙古黄芪和膜荚黄芪的判别以及不同种植方式样品的判别和不同产地样品的判别。其判别准确率均能够达到100％，为黄芪整体质量控制和评价奠定了基础。评价奠定了基础。评价奠定了基础。

【技术实现步骤摘要】
一种基于多糖类活性成分信息的黄芪质量等级评价方法


[0001]本专利技术属于中药质量评价
，涉及一种基于多糖类活性成分信息的黄芪质量等级评价方法。

技术介绍

[0002]中药在我国已有数千年的临床实践，在预防、治疗疾病中有独特优势和潜能，是中华民族智慧的结晶，也是新药研发的天然宝库。优良的中药品质是保证中药疗效的前提，但中药来源复杂多样，不同基原、生长环境(野生品与栽培品)、生长年限、产地等样品在质量存在差异，由于现有质量标准和方法的不完善，市售药材常出现“以次充好”的现象，扰乱中药市场秩序，影响人民用药有效性。因此，建立简单、快速的中药质量等级评价方法十分必要。
[0003]黄芪是我国乃至世界范围内常用的大宗中药材，被称为“补气诸药之最”，其现代药理作用主要有增强机体免疫力、抗肿瘤、保护心脑血管、延缓衰老等。中药有效活性成分的含量高低是评价中药质量优劣的重要指标，然而目前国内外黄芪质量标准主要以一种或几种皂苷类和黄酮类成分控制评价黄芪质量，黄芪中含量最多、免疫活性最强的多糖类物质并未纳入质控指标体系中，存在局限性和片面性。无法有效解决黄芪在生产过程中遇到的不同基原难区分、不同产地样品质量优劣评价难、正品生长年限难判别等问题。在基原方面，除《欧洲药典》10.0版只收载蒙古黄芪(Astragalus membranaceus(Fisch.)Bge.var.mongholicus(Bge.)Hsiao)一种，其他现行版《中国药典》、《美国药典》、《日本药局方》等标准中基原为2种，分别蒙古黄芪和膜荚黄芪(Astragalus membranaceus(Fisch.)Bge.)，制成饮片之后较难区分。资源方面，黄芪野生资源较少，主要是栽培品种，有研究发现野生或者仿野生质量优于栽培品，售价前者高于后者，由于缺乏有效的技术方法，市场上存在以栽培品充当野生或仿野生的现象。黄芪主要产地主要分布在山西浑源县、甘肃岷县、内蒙古赤峰和陕西，其中甘肃、内蒙古的产量比较大；行业内主要以药材的性状、外观区别药材的优劣，认为山西浑源县产的品质最好，但是产量低。受地理环境、气候等因素影响，不同产地样品化学成分和药效存在差异，生产企业为保持成药的药效稳定性，常需要采购固定产区的样品，但是目前尚缺乏对市场上流通黄芪不同产地样品识别手段。
[0004]因此，在本领域中，期望开发一种基于黄芪多糖类活性成分的信息的能够有效进行黄芪质量等级评价的方法。

技术实现思路

[0005]针对现有技术的不足，本专利技术的目的在于提供一种基于多糖类活性成分信息的黄芪质量等级评价方法。本专利技术的方法能够对不同基原(膜荚黄芪和蒙古黄芪)、不同生产方式(仿野生与栽培)、不同生长年限、不同产地黄芪样品进行区分，为黄芪整体质量控制和评价提供新方法。
[0006]为达到此专利技术目的，本专利技术采用以下技术方案：
[0007]一方面，本专利技术提供一种黄芪质量等级评价方法，所述方法包括以下步骤：
[0008](1)采集黄芪样品的黄芪多糖活性成分的核磁共振氢谱，获得核磁共振自由衰减信号，对所述核磁共振自由衰减信号进行校准，得到校准谱图，去除残留水峰和干扰峰，在图谱δ0.50～8.5ppm化学位移范围内，按每段0.02ppm的化学位移大小进行分段积分，设置总峰面积为参照物，对其进行归一化处理，得到各化学位移段对应的信号峰面积值，得到化学位移值段与积分值一一对应的数据矩阵；
[0009](2)蒙古黄芪和膜荚黄芪的判别：
[0010]a、将黄芪样品分为训练集和测试集样本，用逐步判别分析法以步骤(1)得到的训练集样本的数据矩阵为输入变量，用Wilks'Lambda检验(Wilks'Lambda检验是一种用来评估多元分类器表现的统计检验，值越小说明分类器表现越好)作为评价指标，进行特征变量提取，提取到的特征变量为X2、X7、X30、X69、X181、X251、X263、X270、X335、X347、X352和X353；
[0011]b、利用步骤a提取到的特征变量和Fisher判别函数系数建立区分蒙古黄芪和膜荚黄芪的Fisher判别函数如下：
[0012]F1＝0.611
×
X2‑
0.537
×
X7‑
0.355
×
X
30
+0.373
×
X
69
+0.332
×
X
181
‑
1.282
×
X
251
‑
0.493
×
X
263
+0.679
×
X
270
+0.495
×
X
335
‑
0.217
×
X
347
+0.492
×
X
352
+0.063
×
X
353
‑
0.897；
[0013]F2＝
‑
8.106
×
X2+2.826
×
X7+2.664
×
X
30
‑
6.692
×
X
69
‑
3.048
×
X
181
+13.498
×
X
251
+3.492
×
X
263
‑
3.487
×
X
270
‑
5.830
×
X
335
+2.755
×
X
347
‑
3.709
×
X
352
‑
2.046
×
X
353
‑
11.953；
[0014]F1、F2分别代表蒙古黄芪和膜荚黄芪，F1>F2则样品属于蒙古黄芪，F1<F2则样品属于膜荚黄芪；
[0015]c、进行模型的内部验证，以及利用测试集样本进行模型外部验证；
[0016](3)黄芪不同种植方式的判别：
[0017]A、将不同种植方式的黄芪样品分为训练集和测试集样本，用逐步判别分析法以步骤(1)得到的训练集样本的数据矩阵为输入变量，用Wilks'Lambda检验作为评价指标，进行特征变量提取，提取到的特征变量为X157、X159、X207、X241、X254、X268、X281、X294和X349；
[0018]B、利用步骤A提取到的特征变量和Fisher判别函数系数建立区分蒙古黄芪和膜荚黄芪的Fisher判别函数如下：
[0019]F1＝
‑
2.099
×
X
157
‑
3.3本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多糖类活性成分信息的黄芪质量等级评价方法，其特征在于，所述方法包括以下步骤：(1)采集黄芪样品的黄芪多糖活性成分的核磁共振氢谱，获得核磁共振自由衰减信号，对所述核磁共振自由衰减信号进行校准，得到校准谱图，去除残留水峰和干扰峰，在图谱δ0.50～8.5ppm化学位移范围内，按每段0.02ppm的化学位移大小进行分段积分，设置总峰面积为参照物，对其进行归一化处理，得到各化学位移段对应的信号峰面积值，得到化学位移值段与积分值一一对应的数据矩阵；(2)黄芪不同基原样品蒙古黄芪和膜荚黄芪的判别：a、将黄芪样品分为训练集和测试集样本，用逐步判别分析法以步骤(1)得到的训练集样本的数据矩阵为输入变量，用Wilks'Lambda检验作为评价指标，进行特征变量提取，提取到的特征变量为X2、X7、X30、X69、X181、X251、X263、X270、X335、X347、X352和X353；b、利用步骤a提取到的特征变量和Fisher判别函数系数建立区分蒙古黄芪和膜荚黄芪的Fisher判别函数如下：F1＝0.611
×
X2‑
0.537
×
X7‑
0.355
×
X
30
+0.373
×
X
69
+0.332
×
X
181
‑
1.282
×
X
251
‑
0.493
×
X
263
+0.679
×
X
270
+0.495
×
X
335
‑
0.217
×
X
347
+0.492
×
X
352
+0.063
×
X
353
‑
0.897；F2＝
‑
8.106
×
X2+2.826
×
X7+2.664
×
X
30
‑
6.692
×
X
69
‑
3.048
×
X
181
+13.498
×
X
251
+3.492
×
X
263
‑
3.487
×
X
270
‑
5.830
×
X
335
+2.755
×
X
347
‑
3.709
×
X
352
‑
2.046
×
X
353
‑
11.953；F1、F2分别代表蒙古黄芪和膜荚黄芪，F1>F2则样品属于蒙古黄芪，F1<F2则样品属于膜荚黄芪；c、进行模型的内部验证，以及利用测试集样本进行模型外部验证；(3)黄芪不同种植方式的判别：A、将不同种植方式的黄芪样品分为训练集和测试集样本，用逐步判别分析法以步骤(1)得到的训练集样本的数据矩阵为输入变量，用Wilks'Lambda检验作为评价指标，进行特征变量提取，提取到的特征变量为X157、X159、X207、X241、X254、X268、X281、X294和X349；B、利用步骤A提取到的特征变量和Fisher判别函数系数建立区分蒙古黄芪和膜荚黄芪的Fisher判别函数如下：F1＝
‑
2.099
×
X
157
‑
3.358
×
X
159
‑
2.083
×
X207+1.631
×
X
241
‑
3.129
×
X
254
+1.440
×
X
268
+4.125
×
X
281
‑
3.759
×
X
294
‑
1.634
×
X
349
‑
4.057；F2＝3.311
×
X
157
+5.833
×
X
159
+4.766
×
X
207
‑
2.206
×
X
241
+4.498
×
X
254
‑
2.051
×
X
268
‑
6.293
×
X
281
+5.921
×
X
294
+2.531
×
X
349
‑
9.090；F1、F2分别代表栽培黄芪和仿野生黄芪，F1>F2则样品属于栽培黄芪，F1<F2则样品属于仿野生黄芪；C、进行模型的内部验证，以及利用测试集样本进行模型外部验证；(4)不同产地黄芪样品的判别：I、将不同产地黄芪样品分为训练集和测试集样本，用逐步判别分析法以步骤(1)得到的训练集样本的数据矩阵为输入变量，用Wilks'Lambda检验作为评价指标，进行特征变量提取，提取到的特征变量为X27、X28、X36、X102、X167、X182、X212、X232、X245、X251、X278、
X282、X294、X318、X339和X377；II、利用步骤I提取到的特征变量和Fisher判别函数系数建立区分蒙古黄芪和膜荚黄芪的Fisher判别函数如下：F1＝
‑
3.179
×
X
27
+6.522
×
X
28
+2.554
×
X
36
‑
5.833
×
X
102
+5.908
×
X
167
+4.920
×
X
182
‑
5.319
×
X
212
‑
11.606
×
X
232
‑
4.034

【专利技术属性】
技术研发人员：王冰，王丽君，喻谢安，刘凯双，金一宝，王铁杰，王平，谷丽菲，殷果，李美芳，郭亚莉，
申请(专利权)人：深圳市药品检验研究院深圳市医疗器械检测中心，
类型：发明
国别省市：