發(fā)布時(shí)間：2022-03-15所屬分類：醫(yī)學(xué)論文瀏覽：1次
摘 要： 摘 要：化學(xué)計(jì)量學(xué)是以計(jì)算機(jī)和近代計(jì)算技術(shù)為基礎(chǔ)的一門新興交叉學(xué)科，在中藥鑒別、定性表征、質(zhì)量控制、組效關(guān)系等研究中均具有廣泛應(yīng)用，尤其在中藥的質(zhì)量控制與評價(jià)研究中具有重要意義。綜述近年來化學(xué)計(jì)量學(xué)中化學(xué)模式識別方法，包括 2 種無監(jiān)督模式識別方法(聚類
摘 要：化學(xué)計(jì)量學(xué)是以計(jì)算機(jī)和近代計(jì)算技術(shù)為基礎(chǔ)的一門新興交叉學(xué)科，在中藥鑒別、定性表征、質(zhì)量控制、組效關(guān)系等研究中均具有廣泛應(yīng)用，尤其在中藥的質(zhì)量控制與評價(jià)研究中具有重要意義。綜述近年來化學(xué)計(jì)量學(xué)中化學(xué)模式識別方法，包括 2 種無監(jiān)督模式識別方法(聚類分析、主成分分析)和 4 種有監(jiān)督模式識別方法(簇類獨(dú)立軟模式法、偏最小二乘法判別分析、支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò))，并從產(chǎn)地、基原、炮制、真?zhèn)蔚榷鄠�方面總結(jié)了化學(xué)模式識別方法在中藥質(zhì)量控制研究中的應(yīng)用。
關(guān)鍵詞：化學(xué)模式識別;化學(xué)計(jì)量學(xué);質(zhì)量控制;中藥;聚類分析;主成分分析;簇類獨(dú)立軟模式法;偏最小二乘法判別分析;支持向量機(jī);人工神經(jīng)網(wǎng)絡(luò)
中藥具有系統(tǒng)的科學(xué)理論、獨(dú)特的辨證論治思想，歷經(jīng)了數(shù)千年的發(fā)展和應(yīng)用，蘊(yùn)含著深厚的人文底蘊(yùn)和科學(xué)內(nèi)涵，在中醫(yī)藥理論指導(dǎo)下引入現(xiàn)代科學(xué)、實(shí)現(xiàn)中藥現(xiàn)代化是中藥發(fā)展的必由之路[1]。中藥質(zhì)量控制與評價(jià)是中藥現(xiàn)代化研究的關(guān)鍵問題之一，是實(shí)現(xiàn)中藥標(biāo)準(zhǔn)化的重要基礎(chǔ)，然而中藥本身化學(xué)成分復(fù)雜，同時(shí)基原品種、產(chǎn)地來源、生長環(huán)境、采收季節(jié)、加工炮制工藝等諸多因素進(jìn)一步增加了中藥質(zhì)量控制與評價(jià)研究的難度。隨著現(xiàn)代科學(xué)技術(shù)特別是儀器分析、計(jì)算機(jī)科學(xué)、化學(xué)計(jì)量學(xué)等學(xué)科的迅速發(fā)展，中藥質(zhì)量控制與評價(jià)研究的新思路與新方法不斷出現(xiàn)，有效地促進(jìn)了中藥標(biāo)準(zhǔn)化研究。針對中藥本身的復(fù)雜性及特有的藥性理論基礎(chǔ)，在中醫(yī)藥理論指導(dǎo)下尋找一種適用于中藥特點(diǎn)的質(zhì)量控制與評價(jià)方法，解決中藥質(zhì)量控制的數(shù)據(jù)化、標(biāo)準(zhǔn)化難題，并在此基礎(chǔ)上用科學(xué)的語言闡述中藥的基礎(chǔ)理論是中藥現(xiàn)代化亟待解決的關(guān)鍵問題之一。為完善中藥質(zhì)量標(biāo)準(zhǔn)體系，促進(jìn)中醫(yī)藥產(chǎn)業(yè)的健康發(fā)展，劉昌孝院士[2-3]提出中藥質(zhì)量標(biāo)志物(Q-markers)的這一新概念，為規(guī)范中藥質(zhì)量的研究和標(biāo)準(zhǔn)的建立奠定了基礎(chǔ)，有利于中藥全程質(zhì)量控制和質(zhì)量溯源體系的建立。
化學(xué)計(jì)量學(xué)是以計(jì)算機(jī)和近代計(jì)算技術(shù)為基礎(chǔ)的一門新興交叉學(xué)科，通過統(tǒng)計(jì)學(xué)或數(shù)學(xué)方法在化學(xué)體系的測量值與體系的狀態(tài)之間建立聯(lián)系，在中藥鑒別、定性表征、質(zhì)量控制、組效關(guān)系等研究中均有廣泛應(yīng)用，尤其在中藥的質(zhì)量控制與評價(jià)研究中具有重要意義[4]。化學(xué)模式識別是化學(xué)計(jì)量學(xué)的重要組成部分，也是篩選中藥 Q-markers 的重要數(shù)學(xué)方法，按照有無訓(xùn)練可劃分為無監(jiān)督的模式識別和有監(jiān)督的模式識別方法。前者指在無樣品類別信息的情況下，進(jìn)行學(xué)習(xí)或訓(xùn)練，獲取分類信息的方法;后者則根據(jù)樣品特征和已知類別的樣品(訓(xùn)練集)，用特定的方法或模型進(jìn)行學(xué)習(xí)或訓(xùn)練，從而建立分類模型，再根據(jù)獲取的分類模型和未知樣品的特征，對未知樣品進(jìn)行分類[5]。其中無監(jiān)督的模式識別方法包括聚類分析(cluster analysis，CA)、主成分分析(principal component analysis，PCA)等。有監(jiān)督的模式識別方法包括簇類獨(dú)立軟模式法(soft independent modeling of class analogy，SIMCA)、判別分析(discriminant analysis，DA)、偏最小二乘法判別分析(partial least squares discriminant analysis， PLS-DA)、人工神經(jīng)網(wǎng)絡(luò)(artificial neural networks， ANNs)等[6-7]。本文就近年來化學(xué)模式識別方法在中藥質(zhì)量控制方面的應(yīng)用展開綜述，為中藥質(zhì)量控制研究提供參考。
1 化學(xué)模式識別
1.1 無監(jiān)督模式識別
1.1.1 CA CA 屬于無監(jiān)督模式識別方法，將樣本數(shù)據(jù)在沒有先驗(yàn)知識的前提下，基于樣本所表現(xiàn)的變量特征，按照相似度進(jìn)行歸類。根據(jù)聚類途徑不同，CA 可分為系統(tǒng)聚類法(HCA)和動態(tài)聚類法[8]。常用的 CA 方法包括 HCA、K-均值聚類分析和 Ward’s method 等，其中 K-均值聚類分析屬于典型的劃分聚類分析方法，其首先給予數(shù)據(jù)集初始劃分，再以此為起始點(diǎn)，通過迭代不斷調(diào)整樣本歸屬，最終達(dá)到最優(yōu)目標(biāo)函數(shù)，進(jìn)而獲取聚類結(jié)果。Ward’s method 屬于分層聚類分析方法的一種，其著眼于將聚類分析作為 1 個方差分析的問題，而不是通過測量距離或者關(guān)聯(lián)度，這種方法不需要計(jì)算集群中心，而是最小化群集方差(相對于每個群集的質(zhì)心)[9-10]。 CA 常用于數(shù)據(jù)的初步探索性分析，具有直觀、結(jié)論形式簡明的優(yōu)點(diǎn)[11]。然而聚類之前須對變量進(jìn)行預(yù)處理，采用不同的標(biāo)準(zhǔn)化方法獲取的聚類結(jié)果不同。當(dāng)樣本量較大時(shí)，聚類結(jié)論存在一定的困難，無法對分類結(jié)果的準(zhǔn)確性進(jìn)行預(yù)測[3,11]。
1.1.2 PCA PCA[12]為雙線性模型方法，利用方差最大原則，對原始數(shù)據(jù)所包含的多個自變量進(jìn)行線性擬合，以新的低維變量代替原始高維變量，即主成分，各主成分之間互不相關(guān)，從而這些主成分能夠反映原始變量的絕大部分信息，且所含的信息互不重疊，進(jìn)而實(shí)現(xiàn)數(shù)據(jù)的降維。高維數(shù)據(jù)可以通過以下方程進(jìn)行降維。 X=CST +E X 為原始數(shù)據(jù)，C 為得分矩陣，ST為載荷矩陣轉(zhuǎn)置陣，E 為誤差矩陣
每個樣本對象在每個主成分上都有 1 個值，同時(shí)每個變量在每個主成分上均有 1 個載荷值，因此 PC1 與 PC2 的雙標(biāo)圖(biplot)描述了最大的數(shù)據(jù)差異，并提供了樣本與荷載變量的比較，可用于獲取樣本聚類的相似性以及載荷變量間、載荷變量與樣本之間的關(guān)聯(lián)等相關(guān)信息[13]。PCA 屬于探索性數(shù)據(jù)分析方法(exploratory data analysis)的范疇[14]，其采用少數(shù)綜合變量來代替原始的眾多變量，具有可信度高、靈活性強(qiáng)，側(cè)重于綜合評價(jià)信息的貢獻(xiàn)影響力的特點(diǎn)[3,11]。但是當(dāng)分組過多時(shí)，PCA 可視化的分類效果則會大大降低;原始數(shù)據(jù)間的相關(guān)性較弱時(shí)，無法進(jìn)行良好的降維，獲取的主成分無法綜合地反映原始變量信息;當(dāng)存在許多未被檢測的變量時(shí)，如代謝組學(xué)研究中代謝產(chǎn)物只能在某些樣本中發(fā)現(xiàn)，PCA 獲取的分析結(jié)果也會存在問題[15]。然而 PCA 仍然是一種良好的探索性數(shù)據(jù)分析方法，可為有監(jiān)督的模式識別方法奠定分類依據(jù)。近年來，該方法在中藥質(zhì)量控制方面具有廣泛的應(yīng)用。
1.2 有監(jiān)督模式識別
1.2.1 SIMCA SIMCA[16]是一種有監(jiān)督的數(shù)據(jù)分類方法，每個類別獨(dú)立使用 PCA 建立模型，保留足夠數(shù)量的主成分，進(jìn)而產(chǎn)生了可用于每個類別的專屬模型。因此，一類空間構(gòu)建的邊界可用于判別擬合分類模型樣本與在選定置信區(qū)間內(nèi)不屬于該類別的樣本。每個預(yù)測樣本的信息可被劃分成 2 個分量，一部分通過分類模型解釋，另一部分通過殘差解釋，以表明預(yù)測樣本與模型之間的擬合情況。1 個 SIMCA 模型由 1 個 PCA 模型集組成，數(shù)據(jù)集中每個分類均有 1 個 PCA 模型，每類可具有不同的主成分?jǐn)?shù)目，主成分?jǐn)?shù)目取決于相應(yīng)類別的數(shù)據(jù)。每個 PCA 子模型包含了所有 PCA 通常部分，如均值向量、縮放信息、預(yù)處理(平滑、衍生等)。SIMCA 是建立在 PCA 基礎(chǔ)上的有監(jiān)督模式識別方法，原始數(shù)據(jù)的變量數(shù)和樣本數(shù)的比例并非十分關(guān)鍵，在計(jì)算過程中 PCA 對其結(jié)果起到?jīng)Q定性作用。復(fù)雜的數(shù)據(jù)和不確定的測量信息均會導(dǎo)致顯著主成分?jǐn)?shù)目的估計(jì)困難，對于每個目標(biāo)分類，主成分過多或者過少均會降低 SIMCA 模型的分類及預(yù)測能力，該缺點(diǎn)在一定程度上影響了 SIMCA 的廣泛使用[17-18]。
1.2.2 PLS-DA PLS 是一種尋找獨(dú)立變量 X 與獨(dú)立變量 Y 之間基本聯(lián)系的方法，這個模型不僅考慮了 X 變量，同時(shí)也考慮了 X 變量與 Y 變量之間的關(guān)聯(lián)，以 PCA 為數(shù)學(xué)基礎(chǔ)，能夠在自變量存在多重相關(guān)性的條件下進(jìn)行回歸建模。PLS-DA 是 PLS 的一種轉(zhuǎn)化形式，采用分類響應(yīng)變量 Y 來提高類別間的分離，計(jì)算校正模型的數(shù)據(jù)包括校正誤差均方根、交叉驗(yàn)證誤差均方根及測定的相關(guān)系數(shù)[13]。 PLS-DA 是一種有監(jiān)督的模式識別方法，適用于區(qū)分兩類及更多類別的樣本，同時(shí)具備線性判別分析的分類能力又兼具 PLS 降維、降噪的優(yōu)勢[19]。此外， PLS-DA 的優(yōu)勢還在于其更強(qiáng)大的解釋能力，尤其是在原始變量方面。
1.2.3 支持向量機(jī)(support vector machine，SVM) SVW 是一種通用的，特別是用于非線性數(shù)據(jù)的分析方法，基于使用 1 個核函數(shù)將原始數(shù)據(jù)映射到 1 個高維特征空間，并在該空間構(gòu)建最佳的分類超平面[20]。SVM 主要思想是針對兩種分類問題，目標(biāo)是在高維空間尋找 1 個最優(yōu)分類超平面，以保證最小的分類錯誤率。SVM 建模的目的是確定在 2 個分類之間具有最大余量的最佳超平面，其可以應(yīng)用于線性和非線性數(shù)據(jù)集和分離多個類。支持向量機(jī)判別分析(SVMDA)是建立在 SVM 基礎(chǔ)上的一種有監(jiān)督的分類方法，通過在 2 個類之間生成超平面邊界，將樣本表示為空間中的點(diǎn)，超平面使類之間的距離最大化，并且與校準(zhǔn)集中的樣本的概率分布無關(guān)。SVMDA 包括 v-支持向量分類(v-support vector classification)和 c-支持向量分類(c-support vector classification)2 種分類方法，可較好地解決小樣本、高維數(shù)、非線性和局部極小點(diǎn)等問題[21]。然而，這種方法通過適當(dāng)?shù)暮撕瘮?shù)將原始數(shù)據(jù)指向了更高維的空間[19]。
1.2.4 ANNs ANNs 也稱為神經(jīng)網(wǎng)絡(luò)，是 1 個有向拓?fù)浣Y(jié)構(gòu)和學(xué)習(xí)規(guī)則的動態(tài)處理系統(tǒng)，具有自學(xué)習(xí)、自適應(yīng)、聯(lián)想存儲、高速尋找優(yōu)化解等功能優(yōu)勢[22]。目前應(yīng)用最普遍的 ANNs 是誤差反向傳播人工神經(jīng)網(wǎng)絡(luò)(back propagation artificial neural network， BP-ANN)、自組織映射神經(jīng)網(wǎng)絡(luò)(self organising maps，SOMs，也稱 Kohonen 網(wǎng)絡(luò))和對偶傳播人工神經(jīng)網(wǎng)絡(luò)(counter-propagation artificial neural networks，CP-ANNs)。BP-ANN 是典型的多層網(wǎng)絡(luò)，分為輸入層、隱含層和輸出層，層與層之間多采用全互連方式，同一層單元間不存在相互連接[23]。 Kohonen 網(wǎng)絡(luò)是自組織競爭神經(jīng)網(wǎng)絡(luò)的一種，該網(wǎng)絡(luò)為無監(jiān)督性學(xué)習(xí)網(wǎng)絡(luò)，能夠識別環(huán)境特征并自動聚類;CP-ANNs 是基于 Kohonen 網(wǎng)絡(luò)發(fā)展起來的，同時(shí)能夠處理非監(jiān)督性和監(jiān)督性分類問題[7]。基因算法(遺傳算法)是一種自適應(yīng)啟發(fā)式群體型、概率性迭代全局收斂算法，可優(yōu)化神經(jīng)網(wǎng)絡(luò)中神經(jīng)元與迭代次數(shù)，使神經(jīng)網(wǎng)絡(luò)能夠快速收斂，并且可以避免過訓(xùn)練問題[24-25]。此外，徑向基函數(shù)(radial basis function，RBF)神經(jīng)網(wǎng)絡(luò)，在中藥質(zhì)量、指紋圖譜研究及藥材真?zhèn)蝺?yōu)劣鑒別中也得到了廣泛的應(yīng)用[26]。
2 應(yīng)用軟件
SPSS 統(tǒng)計(jì)軟件是目前最常用的統(tǒng)計(jì)分析軟件之一，可實(shí)現(xiàn) PCA、CA、Ward’s method、RBF 神經(jīng)網(wǎng)絡(luò)、因子分析等多種模式識別分析[26-27]。矩陣實(shí)驗(yàn)室(Matlab)具有語言簡潔緊湊、運(yùn)算符豐富、程序設(shè)計(jì)自由度大、程序可移植性好、數(shù)據(jù)可視化簡單、擁有強(qiáng)大的工具箱等特點(diǎn)，是一種實(shí)用性強(qiáng)的科學(xué)計(jì)算工具，通過程序的編寫及工具盒可實(shí)現(xiàn)大量的化學(xué)模式識別分析，如 PCA、BP-ANN、 Kohonen 網(wǎng)絡(luò)、CP-ANNs、SVM、PLS-DA、SIMCA、線性判別分析(LDA)、K-最近鄰法(KNN)等，其中 Kohonen 網(wǎng)絡(luò)、CP-ANNs 可通過 Kohonen and CP-ANN toolbox 實(shí)現(xiàn)(http://michem.disat.unimib. it/chm/download/download.htm)[13,28-29]。多元數(shù)據(jù)分析軟件 SIMCA 是 1 款過程分析和質(zhì)量設(shè)計(jì)的工具軟件，能夠從眾多數(shù)據(jù)中獲取關(guān)鍵信息，可實(shí)現(xiàn) PCA、CA、PLS-DA、正交偏最小二乘法判別分析(OPLS-DA)、SIMCA 等多種模式識別分析，該軟件無需程序編寫，具有操作簡單、方便快捷的特點(diǎn)[30-31]。
相關(guān)知識推薦：中草藥英文版是ei版嗎?
3 化學(xué)模式識別在中藥質(zhì)量控制中的應(yīng)用
3.1 產(chǎn)地來源
我國疆域遼闊，具有復(fù)雜的自然地理環(huán)境，日照、溫度、土質(zhì)等環(huán)境不盡相同，為藥用植物及動物的生長提供了必要的有利條件，同時(shí)也使中藥材的生產(chǎn)和質(zhì)量具有一定的地域性[32]。這也是古今醫(yī)家都非常重視“道地藥材”的緣故。如表 1 所示，近年來化學(xué)模式識別方法廣泛應(yīng)用在中藥不同產(chǎn)地的研究中，常聯(lián)合的儀器分析方法包括 HPLC、核磁共振光譜(NMR)、紅外光譜(IR)、直接電離質(zhì)譜(DI-MS)、電感耦合等離子體質(zhì)譜法(ICP-MS)等，化學(xué)模式識別方法涉及 CA、PCA、DA、KNN、 PLS-DA、最小二乘支持向量機(jī)(LS-SVM)等，其中最常用的化學(xué)模式識別方法為 PCA。
3.2 基原
中藥基原是影響中藥質(zhì)量與療效的最基本的內(nèi)在因素之一。中藥基原物種混亂直接影響到臨床用藥的有效性和安全性，對其進(jìn)行基原鑒別，從源頭上控制質(zhì)量，是中藥資源開發(fā)、中藥生產(chǎn)及中藥質(zhì)量標(biāo)準(zhǔn)制定的必要環(huán)節(jié)[43]。葛根與粉葛長期以來均作為葛根藥材使用，兩者基原不同，分別來源于豆科植物野葛 Pueraria lobta (Willd.) Ohwi 和甘葛藤 Pueraria thomsonii Benth. 的干燥根，自《中國藥典》 2005 年版開始將二者單獨(dú)列出[44]。Wong 等[19]采用高效薄層色譜法(HPTLC)與 UPLC 對葛根和粉葛進(jìn)行分析，利用KNN、PLS-DA、PCA-DA、SVM-DA、 SIMCA 5 種化學(xué)模式識別方法比較 2 種色譜法的分類效果，結(jié)果顯示 HPTLC 與 UPLC 分類模型結(jié)果具有相似性，前 4 種模式識別方法對于葛根和粉葛具有良好的識別率，而 SIMCA 模型的分類效果最差。蘇浬等[45]采用 HPLC 結(jié)合 PCA，對貢菊、滁菊、杭菊和亳菊 4 種基原的藥用菊花中特征成分進(jìn)行分析，該方法能大體上將不同來源的菊花按基原進(jìn)行分類，為菊花的基原鑒定提供了研究思路。
3.3 炮制
中藥炮制蘊(yùn)含著中醫(yī)整體觀和辨證論治理念，是中醫(yī)藥學(xué)的特色之一，也是中藥臨床應(yīng)用的特點(diǎn)和必然要求，中藥通過炮制可達(dá)到增效減毒、改變藥物性能、引藥入經(jīng)及擴(kuò)大應(yīng)用范圍等目的[46]。 Zhou 等[47]采用 HPLC 指紋圖譜結(jié)合 HCA、PCA、 PLS-DA 3 種化學(xué)模式識別方法對炮制前后的播娘蒿種子進(jìn)行了比較分析，研究表明生品與炮制品的化學(xué)成分具有一定的差異性，炮制后產(chǎn)生了許多新的化學(xué)成分，并獲取了重要差異成分，進(jìn)而闡明了播娘蒿的炮制機(jī)制。孫立麗等[48]建立了何首烏 UPLC 指紋圖譜，并在此基礎(chǔ)上成功建立了 5 種化學(xué)模式識別(PCA、CP-ANN、PLS-DA、SVMDA、 CP-ANN)模型，并采用有監(jiān)督的 CP-ANN 模式識別模型下獲取的 Kohonen 權(quán)重值為研究指標(biāo)，探討了何首烏炮制前后的整體化學(xué)成分變化，為何首烏的炮制研究提供了研究思路與實(shí)驗(yàn)方法。
3.4 真?zhèn)舞b別
中藥真?zhèn)螁栴}是影響中藥質(zhì)量的另一重要因素，“真”即正品，指國家藥品標(biāo)準(zhǔn)所收載的中藥品種，“偽”即偽品，凡不符合國家藥品標(biāo)準(zhǔn)規(guī)定的中藥品種均應(yīng)視為偽品[49]。女貞子來源于木犀科植物女貞 Ligustrum lucidum Ait. 的干燥成熟果實(shí)，收載于《中國藥典》2015 年版一部中，為養(yǎng)陰常用中藥之一。日本女貞 Ligustrum japonicum Thunb. 與女貞來源于同科植物，果實(shí)性狀極為相似，但日本女貞誤用后可引起中毒，曹運(yùn)姣等[50]建立了紫外譜線組法-化學(xué)模式識別鑒別女貞子與日本女貞的方法，在 PCA 的基礎(chǔ)上對樣本進(jìn)行 Q 型聚類分析，結(jié)果表明二者之間有顯著性差異，且分類界限明顯;建立了 Fisher 判別分析，可用于女貞子與日本女貞子的鑒別。
3.5 其他應(yīng)用
Shan 等[51]采用化學(xué)模式識別方法綜合評價(jià) 2～ 6 年生于不同季節(jié)采收的人參 HPLC 指紋圖譜，建立的 PCA、HCA 2 種化學(xué)模式識別方法為不同生長年限及采收季節(jié)的人參樣本提供了質(zhì)量比較和有效的區(qū)分方法。顧志榮等[52]利用 13C-NMR 特征圖譜結(jié)合 PCA、模糊聚類分析(FCA)建立不同生長年限當(dāng)歸的鑒別與質(zhì)量評價(jià)方法，能夠?qū)碓从诓煌L年限的當(dāng)歸進(jìn)行快速、準(zhǔn)確地鑒別。湯彥豐等[53] 利用 BP-ANN 對傅里葉紅外色譜法數(shù)據(jù)進(jìn)行處理，該方法可以有效地鑒別野生和栽培的紫花地丁。
3.6 化學(xué)模式識別應(yīng)用過程中的技術(shù)問題
3.6.1 數(shù)據(jù)預(yù)處理方法 在建立化學(xué)模式識別分類模型之前，通常要對原始數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，使數(shù)據(jù)更有利于進(jìn)行分類運(yùn)算。標(biāo)度化方法可使所有變量的變化幅度處于同一個水平上，常用的標(biāo)度化方法包括范圍標(biāo)度化、自標(biāo)度化、標(biāo)準(zhǔn)化、變換法、組合法等，其中標(biāo)準(zhǔn)化預(yù)處理方法又包括面積歸一化、最大歸一化等[54]。不同的情況下可采用不同的數(shù)據(jù)預(yù)處理方法，采用的方法取決于數(shù)據(jù)的來源、問題的類型、化學(xué)或物理因素等，不可統(tǒng)而論之[55]。基于 Matlab 的化學(xué)模式識別工具盒中，常用的數(shù)據(jù)預(yù)處理方法有范圍標(biāo)度化、自標(biāo)度化、中心化等。 PLS_Toolbox 具有強(qiáng)大的數(shù)據(jù)預(yù)處理功能，除常用的標(biāo)度化方法外，還包括平滑、衍生、去趨勢化、基線(加權(quán)最小二乘法)等預(yù)處理方法來解決噪音、偏移和基線問題;數(shù)據(jù)選擇類型包括絕對值、log10;多種數(shù)據(jù)過濾方法包括正交信號校正方法、廣義最小二乘加權(quán)等[56]。
3.6.2 其他 數(shù)量充足、來源可靠、具代表性的中藥樣本是建立具有廣泛應(yīng)用價(jià)值、操作簡便規(guī)范、優(yōu)良的識別與預(yù)測能力化學(xué)模式識別模型的前提條件。建立化學(xué)模式識別模型所選的樣本量依賴于所選模型、研究的主體、待解決的中藥問題等多種因素。同時(shí)，由于化學(xué)模式識別方法各有其優(yōu)缺點(diǎn)，若僅使用單一方法則難以避免局限性，因此對于中藥質(zhì)量控制研究，需要建立多種模式識別方法加以互補(bǔ)以達(dá)到最佳的質(zhì)量控制結(jié)果。
4 結(jié)語與展望
中藥本身化學(xué)成分復(fù)雜，基原品種、產(chǎn)地來源、生長環(huán)境、采收季節(jié)、加工炮制工藝等諸多因素進(jìn)一步增加了中藥質(zhì)量控制與評價(jià)研究的難度。由于中藥本身的特殊性，僅靠傳統(tǒng)外觀鑒別、顯微鑒別及少數(shù)有效成分分析鑒定中藥的真假優(yōu)劣具有一定的不準(zhǔn)確性[57]。化學(xué)模式識別技術(shù)可對 HPLC、 UPLC-Q-TOF/MS、IR、NMR 等多種現(xiàn)代儀器分析獲取的數(shù)據(jù)進(jìn)行客觀分析，既可對多個指標(biāo)進(jìn)行統(tǒng)計(jì)分析，又可將整個圖譜信息數(shù)量化，進(jìn)而使其可以被計(jì)算機(jī)識別與處理，從而可以更加客觀地反映中藥的質(zhì)量信息，達(dá)到全面控制中藥質(zhì)量的目的。化學(xué)模式識別技術(shù)已在中藥質(zhì)量控制研究中得到了廣泛應(yīng)用，然而中藥的化學(xué)模式識別研究工作依然存在很多問題，獲取的中藥數(shù)據(jù)量不夠或樣本信息不可靠是最常見的問題之一，但是毋庸置疑的是化學(xué)模式識別技術(shù)是一種有效評價(jià)中藥質(zhì)量的方法。相關(guān)中藥樣品庫和數(shù)據(jù)庫的建立，如中藥多基原藥材的鑒別方法數(shù)據(jù)庫，以及來源信息確切的中藥購置渠道，將大大推進(jìn)化學(xué)模式識別技術(shù)在中藥質(zhì)量控制研究工作的順利展開，對中藥的質(zhì)量控制與評價(jià)具有重要現(xiàn)實(shí)意義。——論文作者：孫立麗 1 ，王 萌 2 ，任曉亮 1*
參考文獻(xiàn)
[1] 笪舫芳, 朱 華, 劉 穎. 中藥現(xiàn)代化之路: 向左走, 向右轉(zhuǎn) [J]. 中國醫(yī)藥導(dǎo)報(bào), 2012, 9(16): 122-123.
[2] 劉昌孝 , 陳士林 , 肖小河 , 等 . 中藥質(zhì)量標(biāo)志物 (Q-Marker): 中藥產(chǎn)品質(zhì)量控制的新概念 [J]. 中草藥, 2016, 47(9): 1443-1457.
[3] 劉昌孝. 基于中藥質(zhì)量標(biāo)志物的中藥質(zhì)量追溯系統(tǒng)建設(shè) [J]. 中草藥, 2017, 48(18): 3669-3676.
[4] 馬詩瑜, 沈 嵐, 洪燕龍, 等. 化學(xué)計(jì)量學(xué)在中藥定量表征中的應(yīng)用 [J]. 世界科學(xué)技術(shù)—中醫(yī)藥現(xiàn)代化, 2014, 16(12): 2700-2707.
[5] 吳功煌, 史新元, 喬延江. 近紅外模式識別技術(shù)在中藥質(zhì)量控制中的應(yīng)用研究進(jìn)展 [J]. 世界科學(xué)技術(shù)—中醫(yī)藥現(xiàn)代化, 2010, 12(2): 265-270.
[6] 汪小莉, 李 嬛, 秦昆明, 等. 近紅外光譜學(xué)與化學(xué)計(jì)量學(xué)在中成藥液體制劑過程分析中的應(yīng)用 [J]. 中草藥, 2013, 44(15): 2165-2171.
[7] Ballabio D, Consonni V, Todeschini R. The Kohonen and CP-ANN toolbox: A collection of MATLAB modules for self organizing maps and counterpropagation artificial neural networks [J]. Chemom Intell Lab Syst, 2009, 98(2): 115-122.
[8] 邱新華, 唐鐵鑫, 劉 燕, 等. 幾種模式識別方法用于中藥揮發(fā)油紅外光譜法鑒別的比較研究 [J]. 中國藥房, 2015, 26(21): 2986-2988.
[9] 汪 濤, 鮑遠(yuǎn)程. 聚類分析在中藥復(fù)方研究中的應(yīng)用 [J]. 成都中醫(yī)藥大學(xué)學(xué)報(bào), 2013, 36(2): 121-122.
[10] Lee A, Willcox B. Minkowski generalizations of ward’s method in hierarchical clustering [J]. J Classif, 2014, 31(2): 194-218.
[11] 李新蕊. 主成分分析、因子分析、聚類分析的比較與應(yīng)用 [J]. 山東教育學(xué)院學(xué)報(bào), 2007(6): 23-26.
[12] 龐晶瑤, 王伽伯, 馬致潔, 等. 基于化學(xué)指紋圖譜和生物毒性檢測的何首烏質(zhì)量評控 [J]. 中草藥, 2014, 45(23): 3392-3396.
[13] Ni Y, Mei M, Kokot S. One-and two-dimensional gas chromatography-mass spectrometry and high performance liquid chromatography-diode-array detector fingerprints of complex substances: A comparison of classification performance of similar, complex Rhizoma Curcumae samples with the aid of chemometrics [J]. Anal Chim Acta, 2012, 712(2): 37-44.
[14] Gad H A, El-Ahmady S H, Abou-Shoer M I, et al. Application of chemometrics in authentication of herbal medicines: A review [J]. Phytochem Anal, 2013, 24(1): 1-24.
[15] Brereton R G. Chemometrics for Pattern Recognition [M]. Chichester: John Wiley & Sons, Ltd., 2009.
[16] Zhuang H, Ni Y, Kokot S. Combining HPLC-DAD and ICP-MS data for improved analysis of complex samples: Classification of the root samples from Cortex moutan [J]. Chemom Intell Lab Syst, 2014, 135(11): 183-191.
[17] 龍草芳. SIMCA 分類法中主成分分析算法的研究 [J]. 數(shù)字技術(shù)與應(yīng)用, 2017(4): 145-146.
[18] 徐 路, 付海燕, 姜 寧, 等. 基于偏最小二乘回歸的類模型方法用于中藥牛黃的真?zhèn)舞b別 [J]. 分析化學(xué), 2010, 38(2): 175-180.
[19] Wong K H, Razmovski-Naumovski V, Li K M, et al. Differentiating Puerariae Lobatae Radix and Puerariae Thomsonii Radix using HPTLC coupled with multivariate classification analyses [J]. J Pharm Biomed Anal, 2014, 95(3): 11-19.
