免费文献传递   相关文献

Application of chemical pattern recognition to quality control of Radix Paeoniae Alba

模式识别在白芍质量控制中的应用



全 文 :·592· 中革蒋ChineseTraditionalandHerbalDrugs第37卷第4期2006年4月
记技术的发展,各种新的技术不断产生,如果要科
学、准确地对植物的遗传多样性和亲缘关系进行研
究,还得运用多种分子标记技术,将每种标;己的结果
和传统的分类结果进行全面的比较和分析,才能获
得令人信服的结果。
References:
:11 ChcnxM,Guosx.Adv{I⋯inthercseaIeholcofl#l】_lIE¨I。
andpbarmncologyolDend,obium[J]Natr,od2%s,*¨1天
然产物讲)‘与开发).2001.13( ):70-75
f2-YangSf_PlantB*,dogyt植物生物学1LM]BeijingScience
Press,2000
L8JI川lMxDend,obium(白斛)[M].Beiiing:Seicaceand
】’echnologyBibliographyPress.2002
rd—PengR,LiQS,II,YRAPDbasedmolecularidentification
ofDend*obiumspecies[J]..,SouthwestAF,12£7川,^、“,,8ci
(西南农业大学学报:自然科学版1,2004.26(4):137-440.
一51 LuoYM.Di.gX Y XuL S.“alldentitiealionof
Dend,obiⅢ”n*nili[btmew IhPCRtechniqueLJJ。,爿_“叫in
7ca⋯hs oll:N“fS i1淮阴帅范学院学撤:自然科学版).
2002.I(11:82—89.
[6]I.1Tx,WaagJ K,t3aiYF,wⅡ,.Anovelmethodfor
screeningspeciesspecificDNAprobesfor5peciesideml
fication[J]Nu(1eic/h爿jRest(棱酸研究)·2004·32(4)
4j
[7]I洲DT,ShawPc.WangJ,r,“,Amhenticationof
nKdicln“f)rwdrobi“{¨’⋯esh7theln托rnaItraascrlhed
spacerof ibosomal】)HA[I].PluntaMrd-2001,67(3):
456 460
—8 YuH,H£I.NiC,“alFingerprifinganalysisofplantof
Dend,拍川ⅢSwbyAFI.P[J].Chin7’rod#tterb西ugs(巾
草药).2004,3517):808—810
r9]1sizH ApreliminarystudoftheorchidgenusDendrobium
SwinChinaLJJ d。:“Phytota.ronSin(植物分类学报).
J 980,l8t4):272S
模式识别在白芍质量控制中的应用
冯雪松1.刘骓茹’,张克荣!,
(1中国医科大学药物分析学敦研室.辽宁沈阳 11()()()i
郭晓明。,刘俊亭。
2.沈阳药科大学药学院,辽宁沈|;口 1100161
摘要:目的 旨在通过通用性强的中药色谱数据特征的抽取和神经网络识别,建立白芍的质量评价模式。方法
首先通过实验获取同一品种小同质量29个白芍样本的高敛液相色潜数据,然后依照非线性的核主成分分析
(KPCA)进行数学特征提取.将取得的压缩数据,输人BP神经阿络进行学习,运用训练后的网络识别白芍的质量
分类。并探讨了模式识别中人工神经网络的数据预处理、网络隐含层数、隐节点数、激励函数和过拟合现象等。结果
通过改良后网络训练,已成功地识别白芍药材质量类别(识别率100%)。结论非线性特征提取K1’CA法与人工
神经网络结合适用于白芍整体质量分析。
美键词:白芍;质量;高教液相色谱;非线性的核土成分分析
中图分类号:R282.7 文献标识码:A 文章编号:02532670(2006)04—0592—04
ApplicationofchemicalpatternrecognitiontoqualitycontrolofRadixPaeoniaeAlba
FENGXue—son91.I。IUYarul,ZHANGKe—ron92,GUOXiao—min91,I。IUJtin—rlng。
(1.DepartmentofPharmaeeuticaIAnalysis,ChinaMed c lUniversily,Shenp≈11000i·China;
2.CollegeofPharnmcy.ShenyangPharm ceuticalUniversitytShenyang110016,China)
Abstract:ObjectiveWithgeneralizationandsteadiness,anewevaluationmodelbyIntegratingNo
I。inearFeaturesextractionalgorithmwithartificielneuralnetworks(ANN)usedforpatternrecognitionof
qualitycon{FOfofRadixPaeonlaeAlbawasproposedinthispaper,MethodsT eHPI,Cdatafrom29
sampleswithdifferentqualilywereproceededwithnonlineark rnelprincipalcomponentanalysis(KPCA)
andanimprovedBackpropagationlg rithmofANN.TheextractcharacteristicswasfedintoBPneural
networksasinputelementsforpatternrecognition.Inthemeantime,theproc ssingdata,theoptimal
numbersofhiddenlayers.thenumbersofhiddennodes,excitationfunctions,andover—fitting,etc.were
discussedwhollysothatstandardlzalionnetworkswasdesignedwithoutjamming.ResultsA recognition
ratioWaS100%,thepatternrecognitionofqualitycontrolofRadiaPaeoniaeAlbawasestablished
sueeessluIlybytrainedtworksandpredictedresults,ConclosionIntegratingKPCAalgorithmwith
ANNforpatternrecognitionofqualitycontrolofRadixP口eM如PAlbahasbeenprovedtobeavailable.
Keywords:RadixPaeoniaeAlba;quality;HPLC;kernelprincipalcomponentanalysis(KPCA)
箨萋磊羿;驽誓嚣警籍贯辽宁锦州,讲挪,硕士,毕业于沈阳曲科大学药物分析专业,研究方向为中葑质量分析
lel:13889161239Email.⋯ce山r@21cncom.feedar@sinacoHi
万方数据
中草焉ChineseTraditionalandHerbalDrugs第37卷第4期2006年4月·593·
白芍为毛茛科芍药Paeonia[acttifloraPall.的
干燥根;主产于浙江、安徽、四川等地,昧苦、酸,微
寒,归肝、脾经。具有平肝止痛、养血调经,敛阴止汗
之功能。自芍根主要含有芍药苷、芍药内酯苷、羟基
芍药苷、苯甲酰芍药苷和苯甲酰羟基芍药苷等苷类
成分。目前,白芍质量标准多单用芍药苷作为自芍的
质控指标,难于全面控制白芍内在质量,鉴于中药具
有复杂的作用机制和化学成分,属于典型的灰色体
系,色谱指纹图谱是全面评价中药质量的有效方法
之一,本研究首次将核主成分分析、人工神经网络应
用于RPHPI,C色谱指纹图谱数据处理,确立r白
芍指纹图谱与质量分类之间的数学模型,为全面控
制白芍的质量提供了实用方法。
1算法理论
在中药色谱指纹图谱数据间存在大量线性和非
线性关系及耦合交互作用,这对传统模式识别的结
论有严重误导,同时“维数灾难”造成算法复杂,计算
速度慢。具体对人工神经网络来说,网络结构变得相
对臃肿,易陷入局部最小,间接提高了对训练所需最
少样本数的要求,而且训练样本相对特征值过少则
可能由于“泛化现象”使网络的归纳能力变差,所以
必须采取信息提取、压缩,而且数据的特征提取在模
式识别中作用具有去除噪音、保证模型的稳健性有
重大作用。其中采用非线性数据压缩方法具有更优
的非线性类可分性,特征提取算法较多,但每种算法
都有其适用范围、适用条件和缺陷。本研究运用非线
性棱主成分分析和BP网络两种算法建立识别模型。
1.1 非线性核主成分分析(kernelprincipal
componentanalysis,KPCA)D]:核主成分分析是通
过事先确定的非线性映射函数仍将输入样本数据
向量以K(al^,a2^,a3^,⋯a“;搬×;k一1,2,3,⋯棚
样本数,”为特征数),映射到特征空间H:9(A。)中,
然后再在该特征空间H中对数据进行主成分分析,
最大限度地保留原数据所含原始信息,使新变量为
原变量的非线性组合,并增强其模式差异,进而运用
主因子来研究样本的方法。本研究将其用于原始数
据特征提取方法。
1.2 人工神经网络(artificialneuralnetworks,
ANN):是一种模拟人脑功能的信息处理系统,以数
学网络拓扑结构为理论基础,具有强大的处理信息
能力和速度,高度容错能力,并行性信息加工、处理
和储存一体化等特点,应用于构效分析、模式识别和
过程控制等方面o“]。算法具体步骤略。
2实验部分
2.1 仪器、试剂与药材样本:日本岛津公司I,c—
lOAD液相色谱仪,
芍药苷对照品(批号0736—2001l6),白芍对照
药材(批号0905—200106)均购于中国药品生物制品
检定所。29个白芍药材产地见表l。药材及炮制品
通过形态学鉴定为自芍,药材按照条直、均匀,根径
大小、质地,粉性程度及有无白心和裂隙为指标;炮
制品按规格、色泽是否均匀,杂质数量等指标分为3
类,I类为优质品.Ⅱ类为一般品.Ⅲ类为劣质品(沈
阳药科大学孙启时教授鉴定)。
表l样本鉴定和模型识别的绾果
Tabie1 Resultsofpatternrecognitionandquality
classificationsofsamples
序号 来源 鉴定类别 预测类别 芍药苷/%
中检所
毫州】
徐州
杭州
河南
长春
山蒙
湖南
安徽l
毫州Ⅱ
毫州II
徐州炒白芍
杭州炒白芍
杭白芍
贵州
山东曹县
上悔炒白芍
对照白芍
四川中江
兰|}Ii
上海
山东菏泽
大连
兰州炒自芍
浙江
安徽I
安徽I
毫州炒白芍1
亳州炒白芍2
*赖捌集
+predictedsets
2.2色谱条件:HypersilCL8柱(200mm×4.6mm,
5pm),大连依利特科学仪器有限公司生产;流动
相:乙腈一水(12:88,H。PO。调pH=3.o);体积流
量:0.8mI。/min;检测波长:230nm;柱温;室温。
2.3样本制备与分析
舯拈盯∽靶蹦%{号雌∞面拍∞吣耄皋拍儿∞船盯拈凹拈姑档阻∞
二厶二啦卜&i
2二j,i
i邑0仉m二i
i二二i
2
i互二卜薯
】I
l
I●,】1
I【I
I
l
l
I
I
I
I
r
●I【f
l
I
I
i
I
I
l
I
IⅡI■■
。o,o
o
o
u¨¨伸∞肌铒踮肺胛肺扣o
o¨¨伸憎¨o鹪∥
万方数据
-594· 中草嚆ChineseTraditionalandl er[omlDrugs第37卷第4期2006年4月
2.3.1对照品溶液的制备:精密称取芍药苷对照品
适量,用甲醇配制成0.25mg/mL的溶液。
2.3.2供试品溶液的制备:精密称取白芍粉末1.0
g,加入50%乙醇10mI.回流提取3次,每次2h,滤
过,合并各滤液,回收溶剂,残渣用甲醇溶解并定容
至10mL量瓶中,摇匀。再精密量取0.5ml。置5
m1.量瓶中,用流动相稀释至刻度,摇匀,微孔滤膜
滤过,取续滤液备用。
2.3.3 白芍的指纹图谱:收集测定了不同质量的
29个白芍样品,共获得21个色谱峰,以自芍对照药
材为标准确定共有峰,结合不同产地白芍药材,确定
其中12个共有峰(峰号为1、2、3、4、5、7、12、13、14、
15、20、21)。其中,14号峰为芍药苷,作为参照物,以
其保留时间及峰面积为1,计算其他各峰的相对保
留时间及对应的峰面积比值,将相对峰面积作为图
谱特征变量,进行指纹图潜数据分析。样品11的色
谱图(图1).对照品芍药苷色谱图(图2)。
0 I¨ 20 30 40 30 60
,/min
圄1 白芍样品ll色谱指纹图谱(230nm)
Fig1 HPLCFingerprintsofNo·11Radix
PaeoniaeAIbasample(230nm)
白芍样品HPI。C的各个色谱峰相对面积作为
图谱特征变量,对指纹图谱数据进行计算。
3结果
3.1 对原始数据特征提取同时满足网络输入和最
大信息量要求。KPCA法的前5个主因子累计贡献
率达99,57%,因此,KPCA法将数据由21维压缩
到5维作为输入,隐含节点设5,形成5×5×3的
BP网络拓扑结构,迭代精度0.000Ol,经多次训练
其中20个样本,建立成识别模型。
3.2实验表明,任选1~n个自芍色谱指纹图谱数
据.经KPCA特征提取,输入网络,模型均能按质量
等级分类(表1),正确识别率为100%。同时测量29
个白芍样品中芍药苷的量,均符合2005年版《中国
药典》要求,按2005年版《中国药典》要求I、Ⅱ、1
类中芍药苷量各有5/19,3/7,1/3不符合要求,Ⅱ、
Ⅲ类芍药苷量合格率相对较低,同时从另一个角度
说明芍药苷不是代表白芍药
材质量的唯一指标。
4模式识别算法中ANN算
法的改进与讨论
4.1训练集、监督集的设计:
因为本研究的是药材不同质
量优劣识别,所以设计时必须
综合考虑训练集中各类样本
万方数据
中革菊ChineseTraditionalandHerbalDrugs第37卷第4期2006年4月·595·
双曲正切等激励函数,并首创用反正切激励函数训
练本模式,条件相同时,训练结果以反正切函数最
好,收敛最快,精度最高(表2),可能是函数斜率较
小,压缩坐标轴,从而摆脱误差函数的平坦区,避免
大部分的局部极小值,使算法的收敛速度变快,但有
时易发生振荡。
表2激励函数的比较
Table2 Comparisonofexcitationfunctions
4.5训练方式:训练网络时先采用累计误差校正算
法,即用全部样本都依次输入后计算总的平均误差,
校正各连接权值,达到一定精度阈值后,再用标准误
差校正算法处理,即每输入单一样本修改一次权值。
可以保证网络计算速度与输出精度统一均衡。
4.6针对神经网络的过拟台现象:由于中药指纹图
谱中普遍存在预测样本数与特征数量比低于模式识
别的分类要求,此外个别离散数据的存在,网络中不
适当的误差精度要求和训练样本设计不合理,均易
造成对训练样本的预测能力高于对未知样本的预测
能力,则产生过拟合现象。本研究应用刘平等提出逼
近度理论“1来减少过拟合现象发生,确定最优学习
次数及对应的权、阈值参数(图3)。
5结语
多种识别算法结合,较为有效地避免了单一算
法的不足,将其应用于中药指纹图谱的模式识别中,
l一训练集样本平均误差2一控制集样本平均误差3一逼近度
1一meanrelativeerrorftrainlngset2-HleaNrelativeeTroT
ofcontrolset3-approximationdegree
圈3 ANN逼近度优化
Fig-3ANNOptImizationbyapproximationdegree
有助于缓解中药色谱指纹图谱客观性和判别主观的
矛盾。未来如能制定保证诸如采样的普遍、代表性,
制备方法的科学、完善和系统的中药指纹图谱规范
要求,结合谱效关系,信息采集、分析自动化等技术,
必将极大促进中药现代化的进程。
Rdereucesj
[1]scholkopfB,SmolaA.MullerKR.Nonlinearcomponent
analysisasakerneligenvalueproblem[J].NeurComput,
1998,10(S)zI299.
[2]ZupanJ,GasteigerJ.Neuralnetworks:aⅡewmethodfor
solvingchemicalproblemsorjust8 passingphaseEJ3.Anat
ChimActa,1991,248(1):1-30.
[3JJinP.FanJB,TanY PrincipleofN uralNetworkand
AppliaKonofNeuralComputer(神经网络与神经计算机)
[M].Chengdu:SouthwestJiaotongUniversityPress,1991.
[4]l,iuP,LiangYz,ZbangL,da1.Artificialneuralnetworks
appliedintheanalysisofchemicald ta(I)[J].ChemJChin
Univ(高等学校化学学报),1996,17(9),86i一865.
不同培养基对掌叶大黄毛状根克隆系质量的影响
扬世海1,刘晓峰2,果德安3,郑俊华3
(1,吉林农业大学中药材学院.吉林长春130118;2.吉林亚泰(集团)股份有限公司,吉林长春130031
3.北京大学药学院,北京100088)
摘要:目的研究培养基优化和毛状根克隆系对掌叶大黄毛状根生物量和蒽醌产量的影响。方法选取4个单
克隆掌叶太黄毛状根和4种基本培养基,采用统计分析方法。研究影响大黄毛状根生物量积累和5种葸醌类化台
物的产量的因素。结果不同克隆间大黄毛状根生物量积累存在显著差异.以单克隆毛状根DH7a最高;培养基种
类对毛状根生物量的影响存在极显著差异,以WP培养基中毛状根生物量最高;大黄毛状根中的5种游离蒽醌中
以大黄酚和大黄隶甲醚为主i不同壳隆问5种游离蒽醌总产量存在显著差异,以DHTa最高,并且DH7a与Bs培养
基的组合,5种葸醌产量最高{克隆和培养基之间互作分析显示克隆DH5a、DH5d与WP培养基.克隆DH7a与B5
培养基对于游离蒽醌产最来说是优势组合,而克隆DH5c在4种培养基上5种游离蒽醌产量差异不显著。结论本
研究为利用掌叶大黄毛状根培养系统大规模生产蒽醌类化合物提供依据。
收疆日期:2005—07—10
¨¨n
m瞄¨¨们
毛一×雠蚪垦f霹郴嗤蓠霉羁
万方数据
模式识别在白芍质量控制中的应用
作者: 冯雪松, 刘雅茹, 张克荣, 郭晓明, 刘俊亭, FENG Xue-song, LIU Ya-ru, ZHANG
Ke-rong, GUO Xiao-ming, LIU Jun-ting
作者单位: 冯雪松,刘雅茹,郭晓明,刘俊亭,FENG Xue-song,LIU Ya-ru,GUO Xiao-ming,LIU Jun-
ting(中国医科大学,药物分析学教研室,辽宁,沈阳,110001), 张克荣,ZHANG Ke-rong(沈阳
药科大学药学院,辽宁,沈阳,110016)
刊名: 中草药
英文刊名: CHINESE TRADITIONAL AND HERBAL DRUGS
年,卷(期): 2006,37(4)
被引用次数: 2次

参考文献(4条)
1.Scholkopf B;Smola A;Muller K R Nonlinear component analysis as a kernel eigenvalue problem[外文期
刊] 1998(05)
2.Zupan J;Gasteiger J Neural networks:a new method for solving chemical problems or just a passing
phase[外文期刊] 1991(01)
3.Jin P;Fan J B;Tan Y D 神经网络与神经计算机 1991
4.Liu P;Liang Y Z;Zhang L Artificial neural networks applied in the analysis of chemical data (Ⅰ)
1996(06)

引证文献(2条)
1.樊岩.黎阳.刘素香 数理统计方法在中药质量评价中的应用[期刊论文]-中草药 2009(5)
2.刘江.陈兴福.邹元锋 基于中药指纹图谱多维信息的化学模式识别研究进展[期刊论文]-中国中药杂志 2012(8)


本文链接:http://d.wanfangdata.com.cn/Periodical_zcy200604043.aspx