近红外漫反射光谱结合PLS-ANN算法在‘睛’类药物有效成分定量分析中的应用.docxVIP

近红外漫反射光谱结合PLS-ANN算法在‘睛’类药物有效成分定量分析中的应用

一、技术背景与研究意义

“睛”类药物（如滴眼液、眼用凝胶等）作为眼部疾病治疗的关键制剂，其有效成分含量直接影响疗效与用药安全。传统高效液相色谱（HPLC）等检测方法存在操作复杂、耗时久、需破坏性取样等局限，难以满足药品生产实时质控需求。

近红外漫反射光谱（NIRS）技术凭借无损检测、快速分析、多组分同步测定的优势，成为药物定量分析的理想手段；而偏最小二乘-人工神经网络（PLS-ANN）算法，可有效解决NIRS数据维度高、非线性干扰强的问题，二者结合为“睛”类药物有效成分精准定量提供新路径。

二、实验设计与技术流程

1.样品制备与光谱采集

样品组：选取不同批次“睛”类药物（如含左氧氟沙星、玻璃酸钠等有效成分），配制100-150个梯度浓度样品（覆盖生产工艺浓度范围），其中80%作为训练集，20%作为验证集。

光谱条件：采用近红外光谱仪（扫描范围1000-2500nm），以漫反射模式采集光谱，每个样品重复扫描3次取平均值，通过多元散射校正（MSC）与一阶导数预处理，消除基线漂移、颗粒度差异等干扰。

2.PLS-ANN模型构建

PLS降维：对预处理后的光谱数据进行偏最小二乘分析，提取前10-15个主成分（累计贡献率＞95%），降低数据维度，保留有效特征信息。

ANN建模：以PLS提取的主成分为输入层，有效成分含量为输出层，构建3层神经网络（输入层-隐藏层-输出层），隐藏层节点数通过交叉验证优化（通常8-12个），采用Levenberg-Marquardt算法训练模型，设定迭代次数1000次、目标误差1e-6。

三、模型验证与结果分析

1.模型性能指标

以验证集样品为对象，通过决定系数（R2）、均方根误差（RMSE）、相对标准偏差（RSD）评估模型：

R2＞0.98，表明模型拟合度优异；

RMSE＜0.5%，说明预测值与真实值（HPLC法测定）偏差小；

RSD＜2%，验证方法重复性良好。

2.“睛”类药物分析优势

无损快速：单个样品检测耗时＜1分钟，无需破坏眼用制剂包装，可直接分析；

抗干扰强：PLS-ANN算法有效排除辅料（如防腐剂、增稠剂）的光谱干扰，定量精度优于传统PLS模型；

实时质控：可集成至生产线，实现“睛”类药物有效成分在线监测，降低不合格品率。

四、应用前景与展望

该技术可拓展至多种“睛”类药物（如抗青光眼药、人工泪液）的定量分析，未来结合微型近红外光谱仪与云端建模平台，有望实现药品从生产到终端销售的全链条质量管控，为眼部用药安全提供技术保障。