基于近红外光谱技术和多变量统计过程控制的五味子提取生产过程监测方法

2017-11-11 20:01徐敏张磊岳洪水庞洪伟叶正良丁黎
中国中药杂志 2017年20期
关键词:冻干

徐敏 张磊 岳洪水 庞洪伟 叶正良 丁黎

[摘要]将近红外光谱分析技术与多变量数据分析技术相结合,建立注射用益气复脉(冻干)组方药材五味子提取过程的在线监测方法。采用生产上5个正常批次建立了五味子提取过程的多变量统计过程控制(multivariate statistical process control, MSPC)模型,并利用PC scores,DModX和Hotelling T2 3种控制图对2个测试批次进行监测。结果显示,MSPC模型对提取过程具有良好的监测性能。将所建立的MSPC模型应用到实际生产中,能够有效地实现对五味子提取过程的在线监测,并实时反映生产过程中物料属性的变化。该文建立的监测方法为过程分析技术在中药注射剂生产过程质量控制领域的应用提供了参考。

[关键词]多变量统计过程控制; 近红外光谱分析技术; 五味子提取过程; 注射用益气复脉(冻干)

[Abstract]To establish an online monitoring method for extraction process of Schisandrae Chinensis Fructus, the formula medicinal material of Yiqi Fumai lyophilized injection by combining near infrared spectroscopy with multivariable data analysis technology The multivariate statistical process control (MSPC) model was established based on 5 normal batches in production and 2 test batches were monitored by PC scores, DModX and Hotelling T2 control charts The results showed that MSPC model had a good monitoring ability for the extraction process The application of the MSPC model to actual production process could effectively achieve online monitoring for extraction process of Schisandrae Chinensis Fructus, and can reflect the change of material properties in the production process in real time This established process monitoring method could provide reference for the application of process analysis technology in the process quality control of traditional Chinese medicine injections.

[Key words]multivariate statistical process control; near infrared spectroscopy (NIR); extraction process of Schisandrae Chinensis Fructus; Yiqi Fumai lyophilized injection

注射用益氣复脉(冻干)是基于传统中药古方生脉散发展起来的一种新型冻干粉针制剂,由红参、麦冬、五味子3种药材组成,具有益气复脉,养阴生津的功效。其生产制造过程分为2个阶段,首先将3种药材单独加工成提取物(即原料药),再将提取物经过混合、配制、超滤、冷冻干燥等一系列工序制得最终产品。五味子作为其组方药材之一,具有收敛固湿、补肾宁心的功效[12]。五味子提取物的生产过程包括提取、浓缩、醇沉、过滤等多步工序,其中水煎煮回流提取是获得提取物的关键工艺单元,其工艺控制水平将直接影响提取液中有效成分的含量和质量一致性。五味子水提过程中涉及的参数众多,原料药材的质量、提取温度和提取时间的变化等都会对中间体以及产品质量产生影响。然而,现行生产中主要依靠工艺参数管理和质量标准指标分析,缺乏快速分析方法,无法实时获得提取过程中物料属性的变化,对提取过程中出现的情况不能及时作出响应。因此,亟需建立一种在线监测方法,对其进行更为严格的控制。

近红外光谱技术作为一种在线分析工具,由于其无损、高效等特点,已经应用于制药领域的各个方面[35]。各个国家药品管理部门也相继出台了一系列与近红外应用相关的指导文件,如2012年欧洲医药管理局颁布的《欧盟制药工业近红外光谱技术应用、申报和变更资料要求指南(草案)》对近红外光谱分析方法的开发、验证、维护和应用等提出了一系列指导原则,进一步规范了近红外光谱技术在制药领域的应用[6]。近年来,随着中药现代化的大力推进,近红外光谱技术在中药制药工业也得到了迅速发展。

从近红外光谱技术在中药制药过程监测的运用情况来看,主要是通过建立定量校正模型,在线监测过程中少数几个有效成分的含量[79]。但中药体系复杂,生产过程受诸多因素影响,仅通过对个别指标的监测无法全面反映过程的运行状态;而且,采用近红外光谱技术对中药制药过程进行在线测量时,得到的是大量复杂的光谱信息,如何从上述釆集到的信息中提取出与生产过程和物料属性相关的数据,实现对工艺单元过程的快速监测,还需要借助有效的过程数据分析技术。随着统计科学、化学计量学、计算机技术等多门学科的发展,多变量统计过程控制(MSPC)方法得到重视。目前,该方法已经被引入到中药制药的过程监测中,并取得了部分成果。黄红霞等[10]将该技术应用于丹参注射液醇沉过程的在线监控,所建MSPC模型能准确区分正常批次和人为设定的异常批次;程志伟等[11]建立了痰热清注射液生产过程中熊胆粉提取物配液过程的MSPC模型,并对测试集批次进行了在线监控;陈厚柳等[12]利用在线采集的可见光近红外光谱结合MSPC技术建立了银杏叶提取物柱色谱洗脱过程的在线监测模型;陈国权等[13]以感冒灵颗粒醇沉液的浓缩过程为研究对象,建立了基于过程光谱数据的定性MSPC监控模型,并对模型的性能进行了考察。endprint

注射用益气复脉(冻干)制备工艺复杂,生产周期长,仅通过成品检验只能保证产品质量满足现有法定标准,无法进一步提高产品质量。目前针对该产品的质量控制方法研究还不够深入,且未出现将MSPC技术应用于其生产过程的相关报道,所以本文以注射用益气复脉(冻干)组方药材五味子提取过程为研究对象,将近红外光谱分析技术与多变量数据分析技术相结合,建立提取过程的MSPC模型,并探讨所建模型在提取过程在线监测中的应用,从而确保提取过程平稳可控。

1材料

MATRIXF型傅里叶变换近红外光谱仪(德国BRUKER公司)。

五味子药材(辽宁鑫泰药业有限公司生产)。

2方法

21五味子提取过程样收集

所有数据均采集于注射用益气复脉(冻干)商业批次生产过程。在注射用益气复脉(冻干)生产工艺中,五味子单独加水回流提取,煎煮3次得到水提取液,一煎60 min,二煎45 min,三煎30 min。

采用近红外光谱技术监测五味子提取工序,水提过程每1 min采集1次近红外光谱。共进行7批次实验,其中前5个批次用于MSPC模型的建立,后2个批次用于过程监测。

22NIR光谱采集

在室温环境下,以内部空气作为参比,采用透射模式采集光谱,光程为2 mm,分辨率为8 cm-1,扫描范围12 000~4 000 cm-1,扫描次数32次。采集装置见图1。

23数据处理与软件

本研究采用SIMCAP+130软件(美国Umetrics公司)进行数据分析。

MSPC是将多变量数据分析理论和传统单变量统计过程控制方法相结合,对采集到的NIR光谱数据进行整合,将大量高度相关的过程变量投影到由少数潜变量定义的低维空间,并通过过程运行轨迹,用正常批次所建立的统计模型来判断生产上的批次是否处于正常波动范围以及及时检测异常状况,以实现对生产过程的质量监测。

在建立MSPC模型时,常采用的过程控制图有PC scores,Hotelling T2和SPE等。其中主成分得分是将高维变量空间进行降维处理转换到低维主成分空间。Hotelling T2统计量是所有主成分的归一化得分共同累加得到的,可以达到同时监测多个主成分的目的,其主要反映采样点偏离模型中心的程度,是对模型内部数据变化的一种测度。第n个采样点的Hotelling T2统计量计算公式如下[14]。

T2n=(tn-) λ-1(tn-)T(1)

其中,tn(1×A)是采样点Xn的A个主成分得分构成的向量,是由每个主成分在所有采样点上的得分均值构成的向量,λ是由A个主成分对应的特征值组成的对角矩阵。

在SIMCAP+130软件中以DModX(Distance to the Model X)统计量代替SPE进行分析,其主要反映每个采样点到模型的距离,是对模型外部数据变化的一种测度。第n个采样点的DModX统计量计算公式如下[15]。

DModXn=eneTn/(K-A)=∑kk=1(xnk-nk)2/(K-A)

其中,en是采樣点Xn残差项,xnk是采样点Xn第k个变量的观测值,nk是采样点Xn第k个变量的预测值。

3结果与讨论

31MSPC模型建立

311提取过程近红外光谱分析五味子提取过程(正常操作批次)的原始近红外光谱图见图2。4 500~4 000 cm-1波段吸收杂乱,主要为光纤吸收,应予以去除,12 000~9 000 cm-1包含大量冗余信息,目标信息较少,也应予以去除。所以,最后选择波段范围为9 000~4 500 cm-1进行建模。为了消除光谱中的干扰信息,选择矢量归一化、SavitzkyGolay和一阶导数组合的方法对光谱进行预处理。

312三维光谱分解五味子提取过程的NIR光谱数据可以表示为一个三维矩阵X(I×J×K),其中I为批次,J为光谱变量,K为时间。在建立MSPC模型之前,需要将三维的数据展开成二维,在MSPC模型中有2种展开方式,即按批次展开和按变量展开。本研究中保留光谱变量的方向,采用多向主成分分析的方法将批次变量和时间变量结合在一起,展开后的二维矩阵X(K×IJ)中每一列代表的是一个光谱变量在所有批次每一个时间点上的信息,可以对批次生产过程中所有时间点进行监测[14],见图3。

313监测模型建立采用5批NOC批次的一煎、二煎和三煎全部过程光谱数据作为训练集,首先将训练集数据矩阵按照变量展开方式展开为二维矩阵,再采用PLS法建立MSPC模型。所建模型的PC scores,DModX和Hotelling T2控制图见图4,可用于生产中对提取批次的实时监测。

图4a为提取过程的主成分得分图,采用±3SD作为控制图的上下限,表示每一批次样本在PC1上的得分随时间变化的趋势。得分控制图可以直观的反映整个提取过程的光谱变化情况。从图中可以看出各批次得分轨迹都处于控制限内且相互重叠,说明批次间具有良好的一致性和质量稳定性。

图4b为提取过程的DModX控制图,采用±3SD作为控制图的上下限。DModX统计量主要用来监测输入的数据结构是否发生了变化[1617],当DModX值超出统计限时,表明样本不能用已建立的模型来描述。从图中可以看出,5个批次的得分均处在控制限内,表明在不同批次的提取过程中光谱波动情况保持一致。

图4c为Hotelling T2控制图,采用95%为控制限。Hotelling T2统计量表主要用来考察模型内部变量的波动是否异常[1819]。若某个时间点的样本值超出控制限,说明该样本在模型内部的投影变化较大,即该时间点样本中多个相互关联的组分含量有了较大的变化。根据图中可以看出5个批次的得分随时间变化的趋势基本一致且处于控制限内,表明不同批次的提取过程药液中组分含量未发生明显变化。endprint

32模型应用

在实际应用中,每个被监测变量的信息都在DModX统计量中得到了反映,当DModX值超限时,说明输入的过程变量之间的相关关系发生了改变,

a主成分得分控制图;bDModX控制图;cHotelling T2控制图(图5同)。

且与统计模型所代表的正常运行状态的相关关系相差较大。而Hotelling T2统计量主要是在变量相互关系结构未发生变化的前提下监测系统工作点的变化,超出统计限的Hotelling T2值说明该点的生产运行状态发生了改变。

将Hotelling T2和DModX相互结合,用于生产过程的监测。当批次的统计量在控制限内时,认为批次是正常范围内的波动;当批次的任一统计量超出控制限时,说明这个批次出现异常状况。

将批次6和批次7(五味子提取商业生产批次)的一煎、二煎和三煎全部过程光谱作为测试批次,来验证所建MSPC模型的监测能力,批次6和批次7的PC scores,DModX和Hotelling T2控制图见图5。在PC scores控制图中,2个批次得分轨迹基本保持一致,在DModX和Hotelling T2控制图中,2个批次过程光谱数据均落在控制限内,说明这2个批次在提取过程中均未出现异常情况。

33讨论

在中药制药过程中,变量数目繁杂且存在较高的相关性,很难通过对个别变量的单独控制来实现提高产品质量的目的。目前在生产中,五味子提取过程的开始和结束都由提取温度和提取时间控制,且固定不变。在主要依靠固定参数控制生产过程的模式下,无法对各种过程参数和质量参数进行实时监测与记录,容易引起批次之间质量的不稳定。基于近红外光谱技术的MSPC方法可以直接获得分析对象的整体信息,并从中提取出关键的过程光谱数据,建立正常提取状态下的模型,对提取过程质量的稳定性进行在线监测和分析。由于实验中所有批次样本均来自于商业生产,在收集数据的过程中未出现异常状况,所以本文在此基础上论述了所建模型在提取过程中的应用。

现今,药品质量控制的国际主流技术理念已经从“质量源于生产”(quality by production,QbP)模式迈入“质量源于设计”(quality by design,QbD)时代,以事前控制的方式保障药品质量。通过透彻分析制药过程,识别质量风险因素,建立过程控制模型,生产出质量可靠的药品[20]。中药工业作为我国医药领域中具有国际竞争力并拥有自主知识产权的朝阳工业,其产品安全性、有效性和质量可控性成为人们关注的焦点。近年来,不断有研究者将QbD 理念引入到中药质量控制技术领域中,提出中药生产全过程质量控制策略并对其开展相关研究[21]。目前,近红外光谱等分析检测方法和以过程建模为核心的过程分析技术已经广泛应用于中药制药领域的质量控制,且取得了巨大的发展。但是,我国中药制药过程质量控制技术整体水平仍比较落后,大部分产品的生产过程缺乏有效管控,中药生产依旧面临制药过程数据未合理采集利用,工艺参数与药品质量关系不清,关键质控点不明等诸多挑战和难题。为了进一步提升中药产品的质量,使其得到国际的认可,必须创新发展中药生产全程质量控制技术,综合利用在线检测、自动控制及統计过程控制等技术建立符合中药生产特点的全程质量控制体系,实现中药工业的转型升级,促进中药产业的健康持续发展。

4结论

五味子提取工艺环节流程较长,生产过程中不稳定因素多,目前缺乏有效的在线检测手段,无法即时反馈过程数据,对生产过程进行调控。本文基于近红外光谱分析技术和多变量数据分析技术,建立的MSPC模型可以对提取全过程进行监测,实时反映物料的质量信息和生产过程的变动情况,通过主成分得分、Hotelling T2和DModX 这3种控制图可以对过程进行异常诊断,有利于分析异常状况出现的原因,为工艺参数的调整和优化提供了科学依据,进一步确保生产出质量稳定、均一的产品。

[参考文献]

[1]韩晓萍,李德坤,周大铮,等.近红外光谱法测定注射用益气复脉(冻干)中的10种人参皂苷[J].中国中药杂志,2011,36(12):1603.

[2]仲怿,潘万芳,朱捷强,等.基于近红外光谱的五味子提取过程在线检测方法研究[J].药学与临床研究,2014,22(4):332.

[3]J Luypaert,D L Massart,Y Vander Heyden.Nearinfrared spectroscopy applications in pharmaceutical analysis[J].Talanta,2007,72(3):865.

[4]Marzena Jamrógiewicz.Application of the nearinfrared spectroscopy in the pharmaceutical technology[J].J Pharma Biomed Anal,2012,66:1.

[5]C De Bleye,PF Chavez,J Mantanus,et al.Critical review of nearinfrared spectroscopic methods validations in pharmaceutical applications[J].J Pharma Biomed Anal,2012,69:125.

[6]乔延江,杜敏,史新元,等.欧盟制药工业近红外光谱技术应用、申报和变更资料要求指南(草案)[J].世界科学技术——中医药现代化,2012,14(4):1933.

[7]Zhang C,Su J H.Application of near infrared spectroscopy to the analysis and fast quality assessment of traditional Chinese medicinal products [J].Acta Pharm Sin B,2014,4(3):182.endprint

[8]Yang Yue,Wang Lei,Wu Yongjiang,et al.Online monitoring of extraction process of Flos Lonicerae Japonicae using near infrared spectroscopy combined with synergy interval PLS and genetic algorithm[J].Spectrochim Acta A Mol Biomol Spectrosc,2017,182:73.

[9]Li Wenlong,Han Haifan,Cheng Zhiwei,et al.A feasibility research on the monitoring of traditional Chinese medicine production process using NIRbased multivariate process trajectories[J].Sensor Actuator B Chem,2016,231:313.

[10]Huang H,Qu H.Inline monitoring of alcohol precipitation by nearinfrared spectroscopy in conjunction with multivariate batch modeling[J].Anal Chim Acta,2011,707:47.

[11]程志伟.近红外光谱技术在熊胆粉制药过程质量控制中的應用[D].杭州:浙江大学,2013.

[12]陈厚柳.银杏叶提取和层析过程在线质量控制方法研究[D].杭州:浙江大学,2015.

[13]陈国权.近红外光谱技术在感冒灵颗粒生产过程质量控制中的应用研究[D]. 杭州:浙江大学,2017.

[14]王毅,马翔,温亚东,等.近红外光谱与多元统计方法用于生产过程实时分析[J].光谱学与光谱分析,2013,33(5):1226.

[15]李文龙,瞿海斌.基于近红外光谱技术的“过程轨迹”用于中药制药过程监控的研究进展[J].中国中药杂志,2016,41(19):3506.

[16]Xiong Haoshu,Gong Xingchu,Qu Haibin.Monitoring batchtobatch reproducibility of liquidliquid extraction process using inline nearinfrared spectroscopy combined with multivariate analysis[J].J Pharma Biomed Anal,2012,70:178.

[17]Huang Hongxia,Qu Haibin.Inline monitoring of alcohol precipitation by nearinfrared spectroscopy in conjunction with multivariate batch modeling[J]. Anal Chim Acta,2011,707(1/2):47.

[18]吴莎,刘启安,吴建雄,等.统计过程控制结合近红外光谱在栀子中间体纯化工艺过程批放行中的应用研究[J].中草药,2015,46(14):2062.

[19]Jin Ye,Wu Zengzeng,Liu Xuesong,et al.Near infrared spectroscopy in combination with chemometrics as a process analytical technology(PAT) tool for on line quantitative monitoring of alcohol precipitation[J].J Pharm Biomed Anal,2013,77:32.

[20]李振皓,钱忠直,程翼宇.基于大数据科技的中药质量控制技术创新战略[J]. 中国中药杂志,2015,40(17):3374.

[21]瞿海斌,程翼宇,王跃生.论加速建立现代化中药制造工业的若干制药工程技术问题[J].中国中药杂志,2003,28(10):904.

[责任编辑孔晶晶]endprint

猜你喜欢
冻干
冻干益生菌微胶囊保护剂及抗性研究
冻干鸡肉优势突出,2021-2025年市场需求在不断释放
·广告目次·
HPLC法测定注射用清开灵(冻干)中6种成分
猪瘟疫苗冻干保护剂的筛选及免疫效果评价
《猪瘟高免血清冻干粉的初步研究》图版
冻干系统设备的计算机化系统验证研究
嗜酸乳杆菌NX2-6冻干发酵剂的研究
预处理对冻干南美白对虾仁贮藏品质的影响
无硫护色液对冻干杏干护色效果影响的研究