本發(fā)明涉及近紅外光譜法結(jié)合化學計量學技術(shù)快速無損鑒別藥物散劑輔料的方法，屬于藥物制劑分析領域。

背景技術(shù)：

《中國藥典》規(guī)定，藥用輔料是指生產(chǎn)藥品和調(diào)配處方時使用的賦形劑和附加劑；是除活性成分以外，在安全性方面已進行了合理的評估，且包含在藥物制劑中的物質(zhì)。輔料是藥品的重要組成部分，除了賦形、充當載體、提高穩(wěn)定性外，還具有增溶、助溶、緩控釋等重要功能，可能會影響藥品的安全性、有效性和均一性。

藥物散劑是指藥物(或)與適宜的藥用輔料經(jīng)粉碎、均勻混合制成的干燥粉末狀制劑，可不含或含有藥用輔料。根據(jù)需要，藥物散劑可加入矯味劑、芳香劑和著色劑等藥用輔料。目前，相同種類的原料藥散劑常常因生產(chǎn)廠家不同所使用的輔料往往不同，使其理化性質(zhì)及效應有一定差異。這些不同輔料的相同藥物散劑，其外觀相似，使這些藥物散劑在臨床應用與監(jiān)管中不易辨認。而且，《中國藥典》2010年版收載的藥物散劑未見檢查其輔料。因此，急需建立一種快速、無損鑒別藥物散劑輔料的方法。

近紅外光譜法是一種快速、無損、無污染的分析技術(shù)，可以獲得被測物分子中C-H、N-H、O-H等含氫基團的倍頻和合頻吸收的詳細信息，信息量豐富，近年被廣泛用于各種藥物制劑化學組分和物理參數(shù)的分析。

本發(fā)明采用近紅外光譜法結(jié)合化學計量學技術(shù)，建立了一種快速無損鑒別藥物散劑輔料的方法，為加強藥物散劑的質(zhì)量控制提供了新的技術(shù)支持。

技術(shù)實現(xiàn)要素：

藥物散劑輔料的近紅外光譜快速無損鑒別法，具體包括以下步驟：

(1)收集相同種類原料藥不同輔料的散劑樣品；

(2)采集藥物散劑樣品的近紅外光譜；

(3)以最優(yōu)的化學計量學前處理方法對近紅外光譜進行前處理；

(4)以最優(yōu)的建模光譜范圍、較低的光譜數(shù)據(jù)維度建立藥物散劑輔料的鑒別模型；

(5)評價所建藥物散劑輔料鑒別模型的性能；

(6)應用所建模型鑒別未知藥物散劑樣品的輔料類別。

所述步驟(1)中，收集的散劑樣品包括但不限于藥物(或)與適宜的輔料經(jīng)粉碎、均勻混合制成的干燥粉末狀制劑；包括但不限于口服散劑和局部用散劑。

所述步驟(2)中，近紅外光譜的測量儀器包括但不限于傅里葉變換近紅外光譜儀；測量模式包括但不限于漫反射模式；測量參數(shù)包括但不限于分辨率、掃描次數(shù)和掃描波長范圍。

所述步驟(3)中，化學計量學前處理方法包括但不限于未處理、多元散射校正、標準正則變換、一階導數(shù)、二階導數(shù)、Savitzky-Golay平滑、Norris平滑和均值中心化中的一種或幾種。

所述步驟(4)中，建模光譜范圍的選擇包括但不限于計算軟件自動選擇、手動選擇和計算軟件自動選擇與手動選擇相結(jié)合。

所述步驟(4)中，降低光譜數(shù)據(jù)維度的方法包括但不限于主成分分析法(PCA)。

所述步驟(4)中，輔料鑒別模型的建立，建模算法包括但不限于判別分析(DA)和對向傳播人工神經(jīng)網(wǎng)絡(CP-ANN)。

所述步驟(5)中，評價所建模型性能的參數(shù)包括但不限于校正集正判率和驗證集正判率。

所述步驟(6)中，應用所建模型鑒別未知藥物散劑樣品的輔料類別，所用的光譜測量參數(shù)、光譜測量方法、化學計量學前處理方法、建模光譜范圍、降維方法均與校正集樣品一致；所用計算軟件包括但不限于TQ Analyst和MATLAB。

本發(fā)明采用近紅外光譜法結(jié)合化學計量學技術(shù)，建立了一種快速無損鑒別藥物散劑輔料的方法，為加強藥物散劑的質(zhì)量控制提供了新的技術(shù)支持。

附圖說明

圖1阿咖酚散樣品的原始傅立葉變換近紅外漫反射光譜圖。

圖2不同輔料的阿咖酚散樣品的DA投影圖：大寫字母(A，B，C)代表校正集樣品，小寫字母(a，b，c)代表驗證集樣品。

圖3不同輔料的阿咖酚散樣品的二維分布圖：灰色方塊代表A類樣品，白色方塊代表B類樣品，深灰色方塊代表C類樣品；大寫字母(A，B，C)代表校正集樣品，小寫字母(a，b，c)代表驗證集樣品。

具體實施方式

下面結(jié)合附圖和實施例對本發(fā)明進一步說明，該實施例不應解釋為對本發(fā)明的限制。

實施例

1.樣品信息

收集市售阿咖酚散樣品A、B、C三類，共14批。A、B、C三類分別代表輔料為滑石粉、淀粉和無輔料的阿咖酚散樣品。

2.光譜的測量

儀器：AntarisII傅立葉變換近紅外光譜儀(美國Thermo Fisher Scientific)，配有積分球附件，信號采集軟件為Results 3.0。

光譜測量條件：分辨率8cm^-1，掃描次數(shù)為64，掃描范圍為10000～3800cm^-1。

光譜測量方法：取同一批號阿咖酚散樣品適量，置一個清潔干燥的透明圓形平底小玻璃瓶中，使樣品填充高度約為1.0cm，將已裝樣品的小瓶置于積分球附件窗上，調(diào)整積分球上支架的窗口直徑，使其與小玻璃瓶的底部直徑相吻合，再以選定的光譜測量條件測定樣品的傅里葉變換近紅外漫反射光譜，每次掃描樣品前均采用相同測量條件掃描并扣除背景，共測量得到135張阿咖酚散樣品的近紅外漫反射光譜，見圖1。

3.DA鑒別阿咖酚散的輔料類別

將所得135張近紅外光譜分為校正集和預測集，其中校正集樣品92個，驗證集樣品43個，并使校正集樣品與驗證集樣品中的阿咖酚散輔料種類一致。

建立阿咖酚散輔料DA鑒別模型的計算軟件為TQ Analyst，最優(yōu)的化學計量學前處理方法為多元散射校正和一階導數(shù)的組合，計算軟件自動選取的建模光譜范圍為9878～3922cm^-1，采用PCA降低光譜數(shù)據(jù)維度，得到最優(yōu)的DA鑒別模型，其投影見圖2。所建模型的校正集正判率和驗證集正判率均為100.0％，表明所建阿咖酚散輔料DA鑒別模型有良好的判別性能。

圖2顯示，同種輔料的阿咖酚散樣品相互聚集，不同輔料的阿咖酚散樣品相互離散。

4.CP-ANN鑒別阿咖酚散的輔料類別

以校正集樣品光譜數(shù)據(jù)的前9個主成分得分(累計貢獻率為99.3％)為輸入變量，采用MATLAB建立神經(jīng)網(wǎng)絡結(jié)構(gòu)為10×10×9(100次訓練集)的阿咖酚散輔料CP-ANN鑒別模型，阿咖酚散的二維分布情況見圖3。所建模型的校正集正判率、交叉驗證正判率和驗證集正判率均為100.0％。

從圖3可以看出，輔料為滑石粉、淀粉和無輔料的阿咖酚散樣品被準確地區(qū)分在3個區(qū)域內(nèi)。

5.鑒別未知阿咖酚散樣品的輔料類別

取2份未知阿咖酚散樣品，應用所建DA和CP-ANN模型鑒別未知阿咖酚散輔料類別，所用光譜測量參數(shù)、光譜測量方法、化學計量學前處理方法、建模光譜范圍、降維方法均與校正集樣品一致。應用兩個模型對2份未知阿咖酚散樣品的輔料鑒別結(jié)果一致，分別為滑石粉和淀粉。

6.結(jié)論

本發(fā)明采用近紅外光譜法結(jié)合化學計量學技術(shù)，建立了一種快速無損鑒別藥物散劑輔料的方法。研究結(jié)果表明，通過建立的DA和CP-ANN模型，近紅外光譜法能夠準確鑒別出阿咖酚散的輔料類別。該方法準確快速，無需進行復雜的預處理，不使用試劑，不破壞樣品，為加強藥物散劑的質(zhì)量控制提供了新的技術(shù)支持。