近红外光谱技术在川麦冬原位检测中的应用研究.pdf

第42 卷 第 8 期2023 年8 月Vol.42 No.8943951分析测试学报FENXI CESHI XUEBAO（Journal of Instrumental Analysis）近红外光谱技术在川麦冬原位检测中的应用研究杨向春1，陈丽芳1，王浩伟1，臧恒昌1，2，3，5*，郭学平1，4*，聂磊1（1山东大学 齐鲁医学院 药学院，山东 济南 250012；2山东大学 国家糖工程技术研究中心，山东 济南 250012；3山东大学 化学生物学教育部重点实验室，山东 济南 250012；4华熙生物科技股份有限公司，山东 济南 260000；5“药物制剂技术研究与评价”国家药品监督管理局重点实验室，山东 济南 250012）摘要：原药材检测费时费力一直是川麦冬质量分析中亟待解决的问题。该文将近红外光谱分析技术应用于川麦冬原药材的质量分析，以漫反射模式对麦冬颗粒进行无损原位检测后，采用光谱预处理方法减少因粒径造成的干扰，通过变量筛选方法提取有效信息，最终建立了快速定量分析模型。结果表明，水分、浸出物和总皂苷含量模型的验证均方根误差（RMSEP）分别为0.165 5%、0.401 9%、0.078 4%，验证集决定系数（R2val）分别为0.965 1、0.696 5、0.803 6，相对分析误差（RPD）分别为4.50、2.68、2.22，3个质量指标的RPD均大于2，说明模型性能较好，能够满足川麦冬质量分析的要求。该法通过近红外光谱技术采集川麦冬颗粒的原位光谱，避免了粉碎，真正意义上实现了川麦冬无损、绿色、快速的含量分析，为川麦冬的质量分析提供了参考。关键词：川麦冬；近红外光谱；质量分析；原位检测；水分；浸出物；总皂苷中图分类号：O657.3；R284 文献标识码：A 文章编号：1004-4957（2023）08-0943-09Research on Application of Near Infrared Spectroscopy in Situ Detection of Sichuan Ophiopogon JaponicusYANG Xiang-chun1，CHEN Li-fang1，WANG Hao-wei1，ZANG Heng-chang1，2，3，5*，GUO Xue-ping1，4*，NIE Lei1（1School of Pharmacy，Qilu Medical College，Shandong University，Jinan 250012，China；2National Sugar Engineering and Technology Research Center，Shandong University，Jinan 250012，China；3Key Laboratory of Chemical Biology，Ministry of Education，Shandong University，Jinan 250012，China；4Bloomage Biotechnology Corporation Limited，Jinan 260000，China；5Key Laboratory of State Drug Administration of Technical Research and Evaluation of Pharmaceutical Preparations，Jinan 250012，China）Abstract：Sichuan Ophiopogon japonicus is an important medicine and is widely used in clinic as it has the effects of nourishing yin and nourishing fluid，moistening lung and clearing heartHowever，time-consumption and no on-site detection of the original medicinal material have always been the urgent problems to solve in its quality analysisIn this paper，near infrared spectroscopy was applied to the quality analysis of Sichuan Ophiopogon japonicusDifferent grades of Sichuan Ophiopogon japonicus were collected，and the content data of water，extract and total saponins were determined by segmented experimentIn-situ and non-destructive detection of Sichuan Ophiopogon japonicus granules was performed by diffuse reflectance mode，and its near infrared spectra were collectedMeanwhile，different spectral pretreatment methods were used to deal with the spectrum in order to reduce the interference caused by particle size to the spectrumThe best pretreatment methods for moisture，extract and total saponins were multivariate scattering correction combined with standardization，multivariate scattering correction combined with first-order derivative，SG smoothing and mean center，respectivelyMoreover，the variable screening method was used to extract the effective information in the spectrum，the best band screening method for moisture was piecewise random frog，and the best band selection method for extract and todoi：10.19969/j.fxcsxb.23050606收稿日期：20230506；修回日期：20230531基金项目：山东省重点研发计划项目（2021CXGC010507，2022CXGC020515，2021CXGC010511）；药品全生命周期孪生数字系统建设项目（1310022049）通讯作者：臧恒昌，博士，教授，研究方向：药物制剂技术研究与评价、药品监管科学，E-mail：郭学平，博士，研究员，研究方向：生物制药，微生物发酵技术，E-mail：第 42 卷分析测试学报tal saponins was variable importance projectionFinally，the model was established according to the optimal pretreatment method and the optimal variable screening methodThe root mean square errors（RMSEP）of the model for moisture，extract and total saponins were 0.165 5%，0.401 9%and 0.078 4%，respectively，and the determination coefficients for validation（R2val）were 0.965 1，0.696 5 and 0.803 6，respectivelyThe relative percent deviations（RPDs）were 4.50，2.68 and 2.22，respectivelyThe RPDs for the three quality indicators were all greater than 2，indicating that the performance of the model was good，and the model built in this paper could meet the requirements for quality analysisIn this paper，a near-infrared quantitative model for water，extract and total saponins in Sichuan Ophiopogon japonicus was established by in-situ detection and parameter optimization，which could meet the needs of“rapid and non-destructive”in collection，processing and product testing，realizing a new real-time and green analysis for the quality control of Sichuan Ophiopogon japonicus，and providing a reference for the quality analysis of Sichuan Ophiopogon japonicus.Key words：Sichuan Ophiopogon japonicus；near infrared spectroscopy；quality analysis；in situ detection；water；extract；total saponins麦冬是百合科植物麦冬Ophiopogon japonicus（L.f）KerGawl.的干燥块根1，因其道地产区的不同分为川麦冬和浙麦冬，四川产者为川麦冬2。川麦冬生长年限短、产量高、价格低、品质好，现已占据大部分麦冬市场3。但是，由于川麦冬具有吸湿性强、含糖量高的特点，导致其在质量分析过程中存在难以粉碎、含量检测繁琐、分析耗时较长等问题，大大限制了川麦冬的应用4。近红外光谱是由分子振动的能级跃迁产生的光谱，具有快速、无损、绿色、安全的特点，已广泛应用于中药材的质量分析56。祁梅等7 扫描了120批不同产区麦冬粉末的光谱，采用高效液相色谱蒸发光散射检测器测定了多个指标含量，建立了麦冬的偏最小二乘法定量分析模型；张会梅等8 以麦冬中的水分为指标，采用近红外漫反射法建立了麦冬粉末的水分含量模型；王远等910 采用漫反射近红外光谱法建立了麦冬多糖、总黄酮和总皂苷含量的定量分析模型，能准确预测麦冬粉末中指标性成分的含量。但是，目前研究中建立的含量模型均需对麦冬颗粒进行粉碎，耗时长且不能实现样本的无损检测。本研究针对川麦冬质量分析时需要粉碎、分析时间长等问题，以水分、浸出物和总皂苷为质量指标，采用漫反射模式原位检测川麦冬颗粒，利用预处理方法和变量筛选方法对模型进行优化，实现了川麦冬颗粒的快速、无损质量分析，以为川麦冬采收、炮制时的现场分析提供参考。1 实验部分 1.1仪器与材料SPTK 2500近红外光谱仪及NitSpectrometer光谱采集软件，附件包括直径为7 cm的样品杯和漫反射附件（四川斯菲提克科学仪器有限公司）；ESE210A分析天平（天津市德安特传感技术有限公司）；PHG907385烘箱（上海新苗医疗器械制造有限公司）；Evolution200 紫外光谱仪（Thermo Fisher Scientific，USA）；数据分析软件Matlab R2020a（Mathworks Inc.，USA）。正丁醇、氨水、高氯酸均为分析纯，购自国药集团化学试剂有限公司；对照品鲁斯可皂苷元（CAS：472117）购自成都瑞芬思生物科技有限公司，高效液相色谱测定纯度 98%。1.2近红外光谱采集实验前，将 SPTK 2500 近红外光谱仪预热30 min，并进行自检，以保证光谱仪运行稳定。设置数据模式为吸光度，波长范围为900 2 500 nm，分辨率为 1 nm。由于川麦冬样品颗粒较大（1.5 3 cm），导致同一批次样品光谱差异较大。因此本实验采用直径为7 cm的样品杯，并设置样品自动旋转，每旋转一次即可扫描一个位置的光谱，如图1所示（红色为每次装样的光谱采集位置）。每批样品重复装样3次，共得9张光谱，取其平均光谱建立近红外光谱模型。图1光谱采集点设计Fig.1Spectral acquisition point design944第 8 期杨向春等：近红外光谱技术在川麦冬原位检测中的应用研究1.3含量测定将烘干后的样品用粉碎机粉碎，过32目筛，得到川麦冬粉末，置于干燥环境中备用。参考 中国药典 2020版进行测定11：其中水分含量参考水分测定法的第二法（烘干法）进行测定；浸出物含量参考浸出物测定法中水溶性浸出物测定法（冷浸法）进行测定；总皂苷含量参考麦冬的含量测定法进行测定。1.4定量模型的建立采用偏最小二乘回归法建立川麦冬水分、浸出物和总皂苷的定量分析模型。首先采用马氏距离法剔除光谱中的异常值12，然后用SPXY方法对3个指标划分校正集和验证集，再对光谱进行预处理13：使用数据增强算法增加光谱之间的差异，包括数据中心化（MC）和标准化（AU）；选用物理信息消除算法消除光程、散射对光谱造成的影响，包括多元散射校正（MSC）和标准正态变量变换（SNV）；选用降噪算法消除噪声和基线漂移对光谱的 影 响，包 括 SG 平 滑 求 导 和 连 续 小 波 变 换（CWT）14。之后，再对光谱进行变量选择15，本研究主要采用两类变量选择方法：一类是一次性的变量筛选方法，包括相关系数法（CC）、无关信息变量消除法（UVE）、变量重要性投影（VIP）和间隔偏最小二乘法（iPLS）16；第二类是基于模型集群的变量筛选方法，包括竞争性自适应加权取样法（CARS）、间隔随机跳蛙法（iRF）17和变量组合集群分析（VCPA）法18。最后经主成分数选择后建立定量分析模型，其基本过程如图2所示。2 结果与讨论 2.1含量测定结果根据 中国药典 2020版参考方法，分别测得96个川麦冬样品的水分、浸出物、总皂苷的含量，具体信息如表1所示。从表中可以看出，水分含量为12.23%16.31%，浸出物含量为72.69%86.31%，总皂苷含量为0.49%1.50%，均具有较大的浓度梯度，可以用于建立线性定量模型。2.2近红外光谱分析川麦冬原药材的近红外光谱如图3所示。从图中可以看出，原药材的原位光谱重复性较差且基线漂移严重，这可能与川麦冬粒径较大，其光程差异对近红外光谱吸收影响较大有关。为了消除基线漂移、噪音等干扰的影响，增大光谱之间的差异，需采用化学计量学方法对光谱进行处理。2.3川麦冬质量控制指标模型的建立2.3.1异常值剔除异常值是指光谱或一级数据中与其他样本存在较大差异的样本，异常样本的存在可能会影响模型的稳健性和准确性，因此需要进行剔除。本实验基于马氏距离法剔除光谱中的异常值，剔除结果如图4所示。从图中可以看出，样本23、44、46、48均在95%置信区间外，判定为异常样本，需将其剔除以保证模型的稳定性。表1川麦冬中水分、浸出物和总皂苷的含量信息Table 1Information on moisture，extract and total saponins content of Sichuan Ophiopogon japonicusContentMoistureExtractTotal saponinsSample969696Max/%16.3186.311.50Min/%12.2372.690.49Average/%13.6278.400.94RSD/%0.871.8715.08图2建模流程图Fig.2Flowchart of model building945第 42 卷分析测试学报2.3.2样本集划分本研究采用SPXY方法将92个川麦冬样本集按照3 1的比例划分为校正集和验证集，划分后水分、浸出物和总皂苷的含量信息如表2所示。从表中可以看出，3个指标验证集样本的最大值均小于校正集样本的最大值，验证集样本的最小值均大于校正集样本的最小值，验证集样本的相对标准偏差（RSD）均小于校正集样本的RSD，且验证集样本与校正集样本的平均值接近，说明此样本集划分结果合理，可用于川麦冬中3个指标近红外定量分析模型的建立。2.3.3光谱预处理由于图3中的光谱是原药材光谱而非粉末光谱，粒径、光程和散射的干扰远大于扫描粉末得到的光谱，因此需要尽可能消除这些因素的干扰。光谱预处理可剔除因噪音、粒径等因素造成的干扰，增加有效信息之间的差异。对比6种不同的预处理方法及其组合，用处理后的光谱建立模型得到模型的校正均方根误差（RMSEC）、验证均方根误差（RMSEP）、校正集决定系数（R2cal）、验证集决定系数（R2val）和相对分析误差（RPD），以RMSEP、R2val、RPD为主要评价指标，优化预处理的最佳参数。RMSEP越小，则预测误差越小，模型效果越好；R2val越接近于1，RPD越高，模型的性能越好。当定量模型的RPD 2时，说明模型性能较好，能够用于定量分析。川麦冬光谱经预处理后的结果如表3所示。表3川麦冬中水分、浸出物、总皂苷在不同预处理方法下的建模参数信息Table 3Modeling parameters of different pretreatment methods of Sichuan Ophiopogon japonicus moisture，extract and total saponinsMoistureExtractMCAUSNV+AUMSC+AUMSC+1st+SG（19，1）+AUMSC+CWT（sym 2，10）+AUMC77677260.304 60.296 60.309 60.210 50.086 40.285 00.524 90.308 40.300 80.233 80.205 10.278 00.303 80.553 40.911 20.916 00.908 10.958 60.993 10.922 70.871 60.890 10.897 30.885 60.925 50.841 60.743 60.525 72.412.483.193.632.682.451.95ContentPretreatment methodLVRMSEC/%RMSEP/%R2calR2valRPD表2川麦冬中水分、浸出物和总皂苷样本集的划分结果Table 2Sample set division of Sichuan Ophiopogon japonicus moisture，extract and total saponinsContentMoistureExtractTotal saponinsSample setTrainValidationTrainValidationTrainValidationSample number692369236923Max/%15.3914.1680.2579.371.341.18Min/%12.1112.5275.9877.200.530.69Average/%13.5313.3278.3078.610.930.91RSD/%7.295.992.701.3040.9024.21图4川麦冬原药材光谱的主成分分析（PCA）得分图Fig.4PCA score plot of the spectrum of Sichuan Ophiopogon japonicus original materials图3川麦冬原药材的近红外光谱Fig.3Near infrared spectroscopy of Sichuan Ophiopogon japonicus original materials946第 8 期杨向春等：近红外光谱技术在川麦冬原位检测中的应用研究Total saponinsAUSNV+AUMSC+AUMSC+1st+SG（15，1）+AUMSC+CWT（sym 2，20）+AUMCAUSNV+MCMSC+MC1st+SG（14，1）+MCCWT（sym 2，20）+MC655278866440.525 90.529 40.527 60.515 90.061 80.065 60.066 60.086 80.086 80.109 00.110 20.551 70.475 00.465 00.402 20.643 50.078 80.090 00.088 00.088 00.087 90.109 10.871 10.869 20.870 20.876 30.998 30.925 40.922 90.865 00.865 00.776 40.771 10.525 80.583 20.601 80.717 10.424 60.801 00.775 40.723 10.723 10.697 40.601 01.962.272.322.681.682.211.941.981.981.981.60（续表3）ContentPretreatment methodLVRMSEC/%RMSEP/%R2calR2valRPDSG（19，1）：19 means window width of SG smooth is 19 and 1 means first derivative；CWT（sym 2，10）：wavelet bases is sym2 and scale is 10（SG（19，1）：SG平滑窗口宽度为19和一次多项式；CWT（sym 2，10）：选择sym 2，尺度为10）首先采用数据增强算法对光谱进行处理，以提高光谱之间的差异。从表3中可以看出，当水分和浸出物模型采用AU、总皂苷模型采用MC时，模型评价参数更好，因此后续预处理将采用此方法提高光谱差异。采用物理信息消除算法后，水分和浸出物含量的建模效果得到明显提高：水分含量模型的RMSEP从0.300 8%（AU）减小到0.205 1%（MSC+AU），R2val从0.897 3（AU）提高到0.925 5（MSC+AU），RPD值从 2.48（AU）提高到 3.63（MSC+AU）；浸出物含量模型的 RMSEP 从 0.551 7%（AU）减小到 0.465 0%（MSC+AU），R2val从 0.525 8（AU）提高到 0.601 8（MSC+AU），RPD 值从 1.96（AU）提高到 2.32（MSC+AU）。水分和浸出物模型评价参数的明显提高说明川麦冬颗粒大小所造成的光程差和散射对光谱的影响较大，采用MSC消除影响后能明显提高模型质量。对比总皂苷模型评价参数发现，采用物理信息消除算法后评价参数结果更差，因此总皂苷光谱的后续预处理不使用此方法。针对光谱中出现的噪声，本文选用一阶导+SG平滑和CWT两种预处理方法，通过优化窗口宽度、小波尺度的参数后发现，水分和总皂苷的模型评价参数并没有提高，而浸出物含量模型的RMSEP从0.465 0%减小到0.402 2%，R2val从0.601 8提高到0.717 1，RPD值从2.32提高到2.68，此时的预处理方法为MSC+1st+SG（15，1）+AU，说明噪声对水分和总皂苷模型的影响较小，对浸出物的影响较大，需要剔除干扰以保证模型的准确性。通过比较不同预处理方法及其组合，得到水分的最佳预处理方法为MSC+AU；浸出物的最佳预处理方法为MSC+1st+SG（15，1）+AU；总皂苷的最佳预处理方法为MC。在3个模型中，水分含量模型比浸出物含量模型和总皂苷含量模型性能更好，可能与近红外光谱对水分的响应更好有关。总之，采用不同预处理方法及其组合后，模型质量均有提高，说明光谱预处理能够消除无关信息并凸显光谱中的有效信息。2.3.4变量选择为了提取光谱中的有效信息、减少运算量，本研究在预处理的基础上对光谱进行了变量选择。通过与全波段建模进行对比，选择最佳性能参数建立模型，得到的模型评价参数和建模变量如表4和图5（其中蓝色为经过变量选择后的变量）所示。表4川麦冬中水分、浸出物和总皂苷经不同变量选择方法处理后的结果Table 4Results of Sichuan Ophiopogon japonicus moisture，extract and total saponins after treated by different variable selection methodsMoistureFULLCCUVEVIP（1）1 6011 04763564077670.210 50.234 80.324 90.370 20.205 10.209 30.262 50.354 60.958 60.948 20.898 20.865 50.925 50.938 10.848 50.766 33.633.562.842.10ContentVariable selection methodNumber of variableLVRMSEC/%RMSEP/%R2calR2valRPD947第 42 卷分析测试学报ExtractTotal saponinsiPLSCARSiRFVCPAFULLCCUVEVIP（1）iPLSCARSiRFVCPAFULLCCUVEVIP（0.8）iPLSCARSiRFVCPA40091771121 6018845775497201051 331131 6017625057462404880111778725523846888879850.251 80.147 50.154 10.196 90.402 20.633 10.172 40.549 50.501 30.073 90.296 40.359 30.065 60.062 40.056 30.065 50.073 10.034 20.062 60.068 70.210 50.264 30.165 50.332 40.515 90.474 90.514 40.401 90.425 20.626 10.458 20.640 40.078 80.080 40.085 20.078 40.087 70.114 50.072 30.098 90.940 20.979 90.978 00.963 90.876 30.806 50.986 90.858 30.883 60.997 60.960 90.942 00.925 40.932 70.945 60.925 60.906 50.980 20.923 40.917 70.929 00.888 90.965 10.752 60.717 10.511 90.579 90.696 50.655 20.434 80.664 90.478 10.801 00.791 00.782 70.803 60.787 20.671 10.800 30.688 23.542.824.502.242.682.272.102.682.541.722.351.682.212.172.052.221.991.522.211.76（续表4）ContentVariable selection methodNumber of variableLVRMSEC/%RMSEP/%R2calR2valRPDVIP（1）：the variable selection method is VIP and the threshold is 1（VIP（1）：变量选择方法为VIP，阈值为1）图5川麦冬各指标变量选择后的结果Fig.5Results of each indicator of Sichuan Ophiopogon japonicus after variable selectionA.moisture spectra after iRF variable selection；B.extract spectra after VIP selection；C.total saponins spectra after VIP selection948第 8 期杨向春等：近红外光谱技术在川麦冬原位检测中的应用研究从表4中可以看出，当选择一次性变量筛选方法时，相较于全波段建模，水分含量模型性能并未明显提高，这可能与一次性变量筛选方法在进行变量剔除时剔除了部分有效信息有关。对比变量选择方法发现，当波段选择方法为iRF时（此时迭代次数为10 000次），水分含量经变量选择后的建模结果最佳，此时变量剩余771个。建模主成分数选择8时，其RMSEP为0.165 5%，R2val为0.965 1，RPD值为4.50；相较于全波段建模（RMSEP为0.205 1%，R2val为0.925 5，RPD值为3.63），经过iRF变量选择后的模型评价参数明显提高，说明iRF能提取出光谱中与水分含量相关的有效信息，其变量选择结果如图5A所示。用同样的变量筛选方法考察浸出物含量，通过对比不同变量筛选方法后的建模结果发现，除VIP波段筛选方法以外，其他波段筛选方法均比全波段的建模效果差，说明其他方法在剔除干扰信息的同时也剔除了有效信息。当波段筛选方法选择为VIP，阈值选择为1时，虽然R2val和RPD值与全波段建模结果接近，但其RMSEP值从0.515 9%减小到0.401 9%，变量数从1 601个减小到549个，说明VIP方法在减少变量的同时保证了模型的质量，因此浸出物的最佳变量选择方法为VIP，其变量选择结果如图5B所示。通过考察总皂苷含量的变量筛选方法可知，当采用VIP方法时，其建模结果与全波段建模结果接近，综合考虑波段筛选后的变量数、RMSEP、R2val和RPD值后，选择VIP（阈值选择0.8）作为最佳变量选择方法，此时变量数为 746。当建模主成分数选择 8 时，其 RMSEP 为 0.078 4%，R2val为 0.803 6，RPD值为2.22，经VIP变量选择后的光谱图如图5C所示。从图中可以看出，经VIP选择后的变量主要在900 1 250 nm和1 400 1 700 nm范围，通过近红外光谱解析可知，这些区域主要是CH的二级倍频（1 100 1 200 nm）、三级倍频（900 950 nm）和第三组合频（1 000 1 100 nm）以及 OH 的一级倍频（1 430 nm）和二级倍频（950 nm）区，这与皂苷类化合物的螺甾烷结构相吻合，说明该方法能有效提取光谱中与总皂苷相关的信息，对提高模型性能至关重要。2.3.5模型的建立经光谱预处理、变量选择和主成分数选择后，川麦冬中3个指标的建模参数如表5所示，水分含量在选择最佳预处理方法为MSC+AU，最佳变量选择方法为iRF，最佳主成分数为8时，建模效果最佳，其RMSEP为0.165 5%，R2val为0.965 1，RPD值为4.50；浸出物含量在选择最佳预处理方法为MSC+1st+SG（15，1）+AU，最佳变量选择方法为VIP，最佳主成分数为2时，建模效果最佳，其RMSEP为0.401 9%，R2val为0.696 5，RPD值为2.68；总皂苷含量在选择最佳预处理方法为MC，最佳变量选择方法为 VIP，最佳主成分数为 8 时，建模效果最佳，其 RMSEP 为 0.078 4%，R2val为0.803 6，RPD值为2.22。川麦冬中3个指标的建模结果如图6所示，以测定值为横坐标、预测值为纵坐标得到图中所示圆点，蓝色点代表校正集，红色点代表验正集，紫色直线代表红色圆点的拟合直线，拟合直线越接近于黑色的1 1参考线，说明模型的预测准确性越高。由建模结果可知，水分和总皂苷的拟合直线与1 1参考线较为接近，但浸出物的拟合直线与1 1参考线重合性较差，说明水分和总皂苷的含量模型均能非常准确地预测川麦冬中水分和总皂苷的含量，浸出物含量的预测结果出现偏差可能与浸出物含量整体较高而线性范围较窄有关，RPD 2说明其仍然具有较好的模型性能。3个模型的建模结果说明此方法可用于川麦冬原药材中质控指标含量的快速、无损分析。3 结 论 本研究收集了不同等级川麦冬，参考药典方法测定了一级数据，首次采用旋转杯无损化的方式采集了川麦冬的近红外光谱，并采用不同预处理方法消除了光谱中因光程差异产生的干扰。经变量选择和最佳主成分数选择后，水分、浸出物、总皂苷含量3个模型的RPD值分别为4.50、2.68、2.22，均大于2，满足定量校正模型的要求。说明本研究所建模型具有较高的预测准确性，能够满足川麦冬采表5川麦冬中各指标的建模结果参数Table 5Modeling result parameters of each indicator in Sichuan Ophiopogon japonicusContentMoistureExtractTotal saponinsPretreatment methodMSC+AUMSC+1st+SG（15，1）+AUMCVariable selectioniRFVIP（1）VIP（0.8）LV828RMSEC/%0.154 10.549 50.065 5RMSEP/%0.165 50.401 90.078 4R2cal0.978 00.858 30.925 6R2val0.965 10.696 50.803 6RPD4.502.682.22949第 42 卷分析测试学报集、炮制和饮片检测中“快速且无损”的需求，为川麦冬原药材的质量控制提供了快速、无损、实时、绿色的新方法，从源头上保证了川麦冬的进一步研究与应用。参考文献：1Yang N，Zhang F，Yu M H，Yang J D，Zhu J X，Sun H FAsiaPacific Tradit.Med.（杨娜，张帆，于明慧，杨居东，朱俊秀，孙慧峰亚太传统医药），2023，19（3）：170173.2Liu K H，Tang S Y，Zhao L Y，Zhang Q Y，Zhu L L，Zhu B，Zhang Q L，Sun Y Q，Qin L PChin.Tradit.Herb.Drugs（刘考铧，唐诗怡，赵露颖，张巧艳，朱露林，朱波，张泉龙，孙艺琦，秦路平中草药），2021，52（6）：17651771.3Li H Y，Cai X Y，Yang R S，Tao L，Li MChin.Tradit.Pat.Med.（李红彦，蔡晓洋，杨瑞山，陶玲，李敏中成药），2023，45（2）：641646.4Gu Z R，Li Q，L X，Sun L P，Qi M，Ge BChin.Tradit.Pat.Med.（顾志荣，李芹，吕鑫，孙岚萍，祁梅，葛斌中成药），2021，43（6）：15131520.5Yang Z Y，Cai L W，Han L J，Fan X，Liu XJ.Near Infrared Spectrosc.，2021，29（6）：3133206Sun J Y，Pang R C，Chen S S，Chen H C，Xie Y R，Chen D D，Wu K，Liang J B，Yan K C，Hao Z FJ.Innovative Opt.Health Sci.，2021，14（6）：2130006.7Qi M，Gu Z R，Li Q，Wang A H，Ge