中药材品质无损检测技术研究进展
目前中药材品质检测的方法主要分为有损检测和无损检测两类。有损检测即常规检测方法，包括气相色谱法、高效液相色谱法、高效液相色谱-质谱联用法等，这些方法可以对中药材品质进行检测，但是检测的周期长，成本高，并且对中药材具有破坏性，不适合现场的快速检测。无损检测包 X 射线技术、计算机视觉技术、核磁共振技术、近红外光谱技术、高光谱成像技术、太赫兹光谱技术等，本研究系统地论述了这些技术在中药材品质检测领域的研究进展，以期为中药材品质无损检测标准研究提供技术参考。
1 X 射线技术
X 射线技术已广泛应用于中药材的质量检测，其不但可以实现中药材品质的定性分析，还可以实现定量分析。如 Ye 等采用同步辐射 X 射线同轴相衬显微层析法探究野山参的特征结构，从而获得了野山参草酸钙簇晶的三维显微结构、体积大小等定量信息。中药材微量元素的量化分析有助于处方计量的确定和给药时间标准的制定。Prasad等采用粒子诱导 X 射线发射( particle induced X-ray emission，PIXE) 技术实现了对具抗糖尿病活性的药用植物进行微量元素量化分析。X 射线技术的检测速度较快，可实现中药材的内部可视化分析，但是 X 射线设备较为昂贵，还会对人体产生辐射。
2 计算机视觉技术
计算机视觉技术是通过获取中药材的显微纹理、形状、颜色等特征来实现中药材品质检测。牛膝和川牛膝两种近缘中药材组织形态较为相近，传统主要依据性状和显微鉴别法进行鉴别。王耐等等将中药材样品性状和维管束组织特征参数输入反向传播神经网络( back propagation neural net-work，BPNN) 模型进行模式识别，平均识别率达到100%。颜色也是中药材质量标准中的重要内容，传统的中药材颜色检测大多依靠人的感官来进行评估，但是由于受到人为、环境等因素的影响，感官评价的结果往往不客观且重现性差。杨添钧研究采用自制的数码摄像箱对枸杞子等 14 种中药材进行图像采集，选取中药“五色”颜色特征值输入判别因子分析( discriminant factor analysis，DFA) 判别模型，所有中药材的判别正确率分布在73.33%～100%之间，可实现对中药材的数字化区分，具有一定的推广价值。藏红花在舒筋活络、保护心脑血管等方面具有一定的疗效，其价格比较昂贵，对其进行品质分级非常重要。Kiani 等提出了一种基于计算机视觉技术的藏红花表征方法: 藏红花颜色与其产地位置、某些化学属性之间存在着一定的相关性，通过采用图像处理技术和多变量数据分析可实现对藏红花的品质和新鲜度的预测。此后，Kiani 等又研究采用计算机视觉技术结合电子鼻( electronic nose，E-nose ) 对藏红花进行掺假鉴别，提取每个样品的颜色和香气特征变量，采用支持向量机( support vectors machines，SVM ) 和主成分分析( principal component analysis，PCA ) 对藏红花识别，成功率分别为89%和100%。
3 核磁共振技术
核磁共振技术不仅可以对中药材进行全成分指纹图谱研究，还可以进行中药材成分含量测定，是评价中药材品质的有力手段。狭叶红景天和长鞭红景天都是藏药，但是它们的药效成分等方面差异较大，如果混用会影响红景天临床用药的安全性。李涛等采用1H-NMＲ技术采集长鞭红景天和狭叶红景天中药材信息，采用化学模式识别中的层序聚类分析( hierarchical cluster analysis，HCA ) 、主成分分析( principal component analysis，PCA) 、偏最小二乘法-判别分析( partial least squares discrimination analysis，PLS-DA ) 、正交的偏最小二乘法-判别分析( orthogonal partial least squares discrimination analy-sis，OPLS-DA ) 进行识别，结果表明 OPLS-DA 识别效果最佳。番荔枝科植物中含有的番荔枝内酯具有抗癌作 用，Machado 等研究采用定量核磁共振( quantitative nuclear magnetic resonance，q NMＲ) 对其进行了定量检测分析，结果表明该方法检测速度快，并且可以同时检测多种分析物。Frédérich 等采用1H-NMＲ 技术对马钱子种子和茎中的番木鳖碱和马钱子碱进行定量分析，该方法可以在不需要参考生物碱校准曲线的情况下对番木鳖碱和马钱子碱实现快速、准确的区分。银杏内酯化合物属于萜类化合物，白果内酯、银杏内酯 A、银杏内酯 B、银杏内酯C 的差别在于含有的羟基数目和羟基连接的位置不同。采用1H-NMＲ技术对银杏叶和没有经过色谱净化的 6 种银杏产品中 4 种银杏内酯类化合物进行定量分析，结果在 5 min 内即可检测出各种内酯的含量。
4 近红外光谱技术
近年来，近红外光 谱 ( near infrared spectrum，NIＲS ) 在制药工业中获得了广泛的认可，包括原料测试、产品质量控制和过程监控等。NIＲS 技术也可应用于中药材真伪鉴别、产地分析等。余驰等采用 NIＲS 技术结合 OPUS 软件建立了厚朴中药材鉴别模型，将光谱经过一阶导数和矢量归一处理之后，输入标准算法和因子化法所建立的模型，结果表明正品和伪品厚朴判别准确率都达到100%。何首乌与同科同属的伪品冀蓼、毛脉蓼外形类似导致难以区分，与混淆品白首乌也经常发生混用现象。韩莹等采集何首乌和制首乌样品以及其伪品白首乌、冀蓼、毛脉蓼的近红外光谱信息，采用矢量归一化方法进行预处理，最后将数据输入OPUS 软件建立的何首乌定性判别模型和一致性检验模型，结果表明所建模型能够有效对何首乌真伪进行鉴别。不同产地的雪莲花由于其受到地理因素等方面的影响，其有效成分的含量也不尽相同。赵杰文等对来自 4 个不同产地的雪莲花样本采集近红外光谱信息，采用正态变量变换( standard nor-mal variate transformation，SNV ) 、多元散射校正( multiplicative scatter correction，MSC ) 、一阶导数和二阶导数对光谱数据进行预处理，最后将数据输入K-最近邻域( K-Nearest Neighbor，KNN ) 模型中，结果表明SNV+KNN方法对雪莲花的产地的交叉验证识别率为 100%，预测准确率为 100%。丹参与紫丹参虽然具有类似植物形态和生物活性，但临床上不能相互替代使用。Ni 等采用 NIＲS 技术实现了对丹参和紫丹参的鉴别，并且发现两种中药不仅在近红外光谱上存在差异，在亲脂性成分的种类和数量上也存在差异。针对单一中药材进行鉴别和分析相对来说比较容易，然而很多情况下所针对的研究对象是中药材的混合物，传统的“先分离后分析”的方法在实际应用中具有局限性。彭惜媛采用 NIＲS技术采集 12 种种子类中药材的光谱信息，分析各中药材谱图的出峰位置、数量和强度，找出每种中药材间具有的共性以及差异性，实现了对中药材混合物进行鉴别。近红外光谱技术也能够实现对中药材的定量分析。Ali 等采集侧柏和辣木茎、叶的近红外光谱信息，采用 SNV 和一阶导数方法对光谱数据进行预处理，然后输入 PLS 模型预测总多酚含量( total polyphenol content，TPC ) ，结果表明辣木叶片中 TPC 含量最高，侧柏茎中 TPC 含量最低，该结果与 folin-ciocalteu 试剂法基本一致。另外，近红外光谱技术也能够实现对中草药提取过程( herb extrac-tion process，HEP ) 的有效监控。由于受到批次和质量的波动性的影响，HEP 很难得到有效监控。Suo等收集大量 HEP 的光谱和质量数据信息，所有光谱信息经过 MSC 和信息变量选择后输入偏最小二乘回归( partial least squares regression，PLS ) 模型中，并且与先验知识相结合，最终实现了 HEP 在线监测。
5 高光谱成像技术
高光谱成像技术在医药和生物领域得到了广泛的应用，它可以对选定波长的样品进行成像，能够准确反映出所测样品的物理和化学信息，采用高光谱成像技术可以实现对中药材的鉴别和有效活性成分含量的无损检测。Shikanga 等采用数据校正技术对高光谱数据进行预处理，采用 PLS-DA 模型可准确地对 Sceletium tortuosum 和 Sceletium crassicaule 进行分类，准确率大于 94%。Tankeu 等采用高光谱技术结合 PLS-DA 方法对广防己与粉防己进行鉴别，准确度达到 99%，并且可以检测大于 10%的掺假情况。Djokam 等采用高光谱成像技术采集 4 种不同草药茶及其不同比例混合物的高光谱图像信息，先将三维光谱数据降维到二维数据，然后采用 MSC、SNV 和 SG ( Savitsky-Golay ) 卷积平滑法进行数据预处理，采用 PCA 进行数据提取，最终以 PLS-DA 模型成功检测了每一种混合物的成分并精确地测定了混合比例。Vermaak 等采集八角茴香和日本莽草的高光谱图像信息，采用 PCA 对高光谱图像进行降维处理，采用 PLS-DA 模型对两种中药材进行鉴别，该模型对八角茴香的预测准确率为 97. 85%，对日本莽草预测准确率为 98. 42%。高光谱成像技术不但能够实现中药材品质的定性分析，也可以实现定量分析。银杏叶中主要的活性成分是总黄酮，张德涛采用高光谱图像技术实现了银杏叶总黄酮的定量分析，并实现了黄酮含量在叶片中分布的可视化，为银杏叶黄酮含量的无损检测提供了依据。枇杷叶富含三萜酸类化合物，具有抗癌、抗肿瘤等多种生物活性。邹小波等首先将提取的枇杷叶高光谱数据进行 SNV 预处理，然后采用联合区间偏最小二乘法( synergy interval partial least squares，si PLS )进行预测，实现了对枇杷叶中三萜酸的快速测定。
6 太赫兹光谱技术
太赫兹光谱技术可通过探测分子内振动和转动能级等参数，有效鉴别结构和功能相似的物质。由于光子能量低，其不会破坏检测物质的成分。Zhang 等采用太赫兹波光谱对 3 种易混淆中药材( 白英、龙葵、寻骨风) 进行鉴别，在 0. 2～1. 2 THz 范围内获得光谱信息，采用 PCA 进行数据降维，分别应用 SVM、决策树 ( decision tree，DT ) 和随机森林( random forest，ＲF ) 分类算法对中药材进行鉴别，结果表明 PCA-ＲF 法预测效果最佳，准确率达到 99%。杨玉平等采用太赫兹光谱技术采集藏红花和天然牛黄及其伪品的光谱数据，将光谱数据经过 SG 平滑预处理，利用 PCA 提取前两个主成分的得分值作为特征数据，然后将特征数据通过 Fisher 诊断线进行判别分析，结果藏红花和草红花分类鉴别准确率均为 100%，人工牛黄和天然牛黄的分类鉴别准确率分别为 100%和 90%。中药材染色剂可用以改善中药材的外观来提高消费者的购买意愿，但同时这些中药材染色剂对人们的健康和安全也构成潜在的威胁。金胺 O 是一种已被证实可致癌的黄色染色剂，而太赫兹波光谱技术对其定量分析提供了一种快速、有效的检测方法。Zhang 等采用太赫兹波光谱技术获取蒲黄与金胺 O 粉末不同混合比例的光谱数据，然后利用 2DCOS-PLSＲ 模型来预测金胺 O 含量，结果表明该方法可快速、有效地测定金胺 O 的含量。
7 拉曼光谱技术
拉曼光谱学是研究物质分子的振动和转动状态的方法，通过测量拉曼散射光中特定谱成分的相对强弱，可获得被测分子或体系的相关信息，实现中药材的产地、掺伪、染色等方面的鉴别。如人参皂苷含量因人参产地的不同，在构象和浓度上存在差异而表现出独特的光谱特征，借由这些特征的存在或缺失可以标定人参产地。北沙参、峨参和桔梗 3 种中药材的外观相似，易混淆，万秋娥等采用拉曼光谱技术对其进行鉴别，发现北沙参在 2206cm-1处出现拉曼特征峰； 峨参在 1050 cm-1和 1869cm-1处出现拉曼特征 峰； 桔 梗 在 600 cm-1和 691cm-1、1 227 cm-1处出现拉曼特征峰，通过特征峰可对 3 种中药材进行鉴别。张国庆等采用纸基-表面增强拉曼光谱法( paper-based surface-enhanced raman spectroscopy，SEＲS) 对染色南五味子进行快速鉴别。研究结果表明，通过比较染色前后 SEＲS 信号的变化就可将低浓度酸性红和赤藓红染色的南五味子成功鉴别。另外，拉曼光谱技术也能够实现中药材的定量分析。如王清蓉等采用拉曼光谱法对丹参根鲜样的不同植物组织进行原位检测，探明了丹参酮类成分在丹参根中的分布情况，并发现丹参酮类成分的分布与周皮细胞颜色分布之间呈正相
关性。
8 结论
近年来中药材无损检测技术得到了广泛的应用，而每一种无损检测技术都有其优势和劣势( 表1) ，技术的选择与中药材品种、性状等参数； 选用不同的技术也会对检测的效果产生一定的影响。
无损检测技术在中药材品质检测领域的发展亦存在一些不足之处，今后可从以下 4 个方面进一步发展完善: ( 1 ) 与深度学习融合。建立中药材品质检测数据库，采用深度学习算法对中药材品质检测大数据进行处理，以此使中药材品质检测更加智能、准确。( 2 ) 模型可移植。现今的无损检测模型基本上不具有普适性，导致开发成本过高，未来可向普适或者局部普适模型方向发展。( 3 ) 中药材完整性。目前采用无损检测技术对中药材品质进行检测时，大多数的研究都将中药材样本进行粉碎，此种方式严格来说不属于无损检测，更不利于中药材品质检测的便捷性。随着技术的发展，将可能向不粉碎样品的真无损检测方向发展，实现中药材品质的大规模、快速、无损检测。( 4 ) 经济适用性。现今无损检测设备价格较高，不具有大规模推广意义，未来可向实时、低成本和高效率检测设备发展。
