肖玥 熊峻 黄渊帅

·药物研制与监管·

罗红霉素采用近红外光谱法快速分析药物中两种主要成分

肖玥 熊峻 黄渊帅

采用近红外光谱对大环内酯类抗生素罗红霉素制剂进行分析，然后对全光谱波长使用后向区间偏最小二乘法进行选择预处理，接着将其压缩为主要成分，运用BP人工神经网络进行预测模型的构建，并对罗红霉素药物的主要成分进行分析。该模型的建立能够对噪声等偶发因素造成的瞬时扰动进行有效抵御，同时还可减少建模使用的波长数、运算时间，提高预测精度。

罗红霉素；大环内酯类抗生素；近红外光谱法

罗红霉素在当前的疾病治疗中得到了广泛的运用，该药物属于大环内酯类抗生素，可以有效的对革兰阳性菌进行灭杀。在进行罗红霉素药物成分的及质量的鉴定中，一般会使用分析速度快、操作便捷、无损效果好的近红外光谱分析法，本文将对罗红霉素采用近红外光谱法快速分析药物中两种主要成分进行研究。

1 罗红霉素药物的药理毒理

罗红霉素属于半合成14元环大环内酯类抗生素。该药物与红霉素的抗菌谱、抗菌作用类似，其主要抗菌对象就是革兰阳性菌与嗜肺军团菌。同时，其对肺炎衣原体、支原体以及溶脲脲原体的抗微生物作用较强。本品可透过细菌细胞膜，在接近供体（“P”位）与细菌核糖体的50S亚基呈逆性结合，阻断了转移核糖核酸（t-RNA）结合至“P”位上，同时也阻断了多肽链自受位（“A”位）至“P”位的转移，因而细菌蛋白质合成受到抑制[1]。

2 药物分析的基本原理介绍

首先，在多元变量校正法的运用中，预测的精度直接受到建模波段位置与数目的影响。本实验中建模波长区间的选择使用最小二乘法，算法为：（1）以光谱所有范围为基础建立待测光谱偏最小二乘模型。（2）把光谱所有区域分成n个波长子区间，每一次都联合n-1个子区间，构建n-1个局部偏最小二乘的回归模型。（3）衡量标准以交叉验证均方根误差（RMSECV）为基础，对全光谱模型与各局部模型精度进行对比，筛掉差RMSECV值最差子区间，当仅有唯一一个子区间时筛选结束；处理期间，在开始时建立的最小二乘模型的RMSECV会跟随联合区间数的减小而减小；当RMSECV为最小值时，有跟随联合区间数的持续减小而增大。（4）选择模型内最佳性能者即RMSECV最小者，该值所在的波长区间组合就是最适合建模预测的组合[2～3]。该法选择的波动，存在光谱数据连续相关性好、噪声及偶发因素引发的顺势扰动抵御性强、光谱信息保留完整等特点。

其次，是分析人工神经网络ANN。ANN的特点是容错及非线性表达能力强，具有多组分精确测定的优势。在ANN模型建立中要保证输入变量的正确性，输入原则为在尽可能减少样本所有变量相关性的情况下，最大限度保持原是信息。一般在ANN方法操作中，神经元的输入在几个到十几个最佳[4]。本次实验中把选择的最佳波长区间组合原始数据压缩成了主要成分，然后把该数据作为了BP网络的输入，从而实现了在最大限度保留有效光谱信息的基础上，减少神经元输入数量、优化数据运算效率的目的[5]。

3 试验研究

3.1 仪器分析

本实验使用的近红外光谱仪为LUMINAR5030型、探测器使用铟镓砷探测器。

3.2 数据的采集与软件

通过漫反射测定方法进行试验，扫描的范围控制在1 300～1 796 nm波长，波长间隔为2 nm,采集波长点数为249个。通过仪器的SNAP2.03光谱处理软件对吸收的光度曲线进行一阶导数预处理，得到光谱图，并对光谱图进行分析[6]。

然后使用Matlab进行最小二乘法及BP神经网络程序的编制。

再次使用该法测定罗红霉素制剂中的罗红霉素及乳糖两大成分，并标记为组分1、组分2，用“%”表示含量。最后，使用HPCL法对相关数值实施测定，从而为近红外光谱法的实施提供参考数值，提高预测准确性[6]。

3.3 构建预测模型

把65个样本分成训练集与验证集，前者使用60个样本建模、后者使用5个样本进行独立检验。第一步使用最小二乘法筛选波长区间，第二步将选择的最优波长区间组合原始数据压缩成主成分后输入到ANN内实施训练，第三步通过验证集实施预测。在该法使用中模型预测结果评价指标为验证集样本决定系数R2，公式如下：

4 结果

4.1 最小二乘法处理结果

把1 390～1 796 nm光谱段采用预处理法后，光谱段数据被分成20个区间，1～9号区间各区间波长点数为13个，其余各区间波长点数为12个。然后通过最小二乘法筛选出组分1与2的最佳建模波长区间。被确定的波长区间内由99个波长点吸光度数据。最后把确定的波长点原始数据压缩成主成分输入进BP-ANN中。

1、2 、3、4、5主成分贡献率分别为74.68%、19.58%、3.01%、1.88%、0.30%，累计贡献率为99.45%，已经基本涵盖了赝本信息，所以BP网络的输入数据以前5个主成分为主即可。

4.2 BP网络参数的科学选择

输入节点以选取主成分个数的方法实施，输出为两个预测指标。利用多次试验，构建3层BP网络，使用tansig和purelin函数传递所有层函数。通过反复试验确定隐含层节点数分别是26，目标误差是0.001。然后利用程度在规定范围例随机设置初始权值、动量因子、步长。通过训练集样本训练模型。网络学习最大训练次数为100 1次，通过实验结果，得出的结论为：在200步上下时就可实现预期设定学习误差0.001的目标，网络收敛过程从0次到180次期间，学习误差在不断降低[7～8]。

4.3 预测结果

运用模型，测定预测集样本中成分1、2的含量与HPLC测定值，成分1、2的最小二乘法-BP模型预测结果与相对误差如下：

组分1的五次HPLC法测定结果为23.561 7%、33.455 2%、41.749 5%、52.865 5%、66.971 1%，本法预测结果为22.651 3%、32.453 9%、42.699 9%、50.127 7%、70.094 5%，相对误差为-3.86%、-2.99%、2.28%、-5.18%、4.66%。

组分2的五次HPLC法测定结果为47.659 2%、37.374 3%、42.785 0%、37.144 6%、19.755 7%；本法预测结果为45.871 5%、36.553%、41.833 8%、38.561 3%、18.776 1%，相对误差为-3.75%、-2.20%、-2.22%、3.81%、-4.96%。

5 讨论

由数据分析可知组分1、2测定结果决定系数分别是0.998 1与0.998 5。

在数据分析结果中可以发现该测定结果和HPLC测定结果的模型预测结果相对误差＜±5%，因此，此结果具有实用性。在模型预测决定系数角度分析，发现模型预测效果很好。由此可以认为通过结合最小二乘法波长区间与BP-ANN构建的预测模型，可有效预测位置样品组成成分。

另外，通过使用最小二乘法选择最优建模波长区间，让代入预测模型波长数量降低了6成以上，进而实现了简化模型、提高预算速率的目的，这对罗红霉素快速在线成分的测定与分析提供了帮助。

[1]吴卫涛．复方丹参滴丸近红外一致性检验模型的建立与考察[J]．中国实用医药，2011，6（29）：170-171．

[2]叶杰胜．运用近红外漫反射光谱法对别嘌醇片进行一致性检验的研究[J]．中国药业，2011，20（19）：27-28．

[3]张学博，尹利辉．近红外光谱一致性检验方法用于快速判断药品质量的研究[J]．药物分析杂志，2011，31（3）：603-608．

[4]周嵩煜．近红外光谱技术在药物分析中的应用[J]．中国药业，2010，19（18）：84-87．

[5]解朝霞,吴迪,沈丽娟．近红外光谱一致性检验方法对盐酸雷尼替丁胶囊的快速检测[J]．中国药物经济学，2014，9（4）：20-21．

[6]陆广汇．罗红霉素制剂一致性模型建立及比较[J]．医药，2016，4（7）：187-191．

[7]桑育黎,于世海,朱璐等．近红外光谱技术在中药鉴别中的应用[J]．辽宁大学学报：自然科学版，2014，41（2）：142-144．

[8]曾红霞,张凤妹,王建．罗红霉素颗粒和干混悬剂中降解产物HPLC测定方法建立及降解产物产生原因探讨[J]．中国抗生素杂志，2013，38（11）：834-839．

Roxithromycin Rapid Determination of Two Main Components in Drugs by Near Infrared Spectroscopy

XIAO Yue XIONG Jun HUANG Yuanshuai Laboratory of Drug Control, Department of Pharmacy, Changde Vocational Technical College, Changde Hu’nan 415400, China

The macrolide antibiotic roxithromycin by near infrared spectroscopy, then, the back propagation partial least squares (PLS) method is used to preprocess the full spectral wavelength, then the compression is the main component, forecast model of BP artifcial neural network method, and the main ingredient of roxithromycin drug analysis. The model can effectively resist the instantaneous disturbance caused by noise and other accidental factors, and can also reduce the number of wavelengths used, the operation time and the prediction accuracy.

roxithromycin; macrolide antibiotics; near infrared spectroscopy

R9

A

1674-9308（2017）16-0190-03

10．3969/j．issn．1674-9308．2017．16．103

常德职业技术学院药学系药物检验教研室，湖南 常德415400