JAMC 化学分析方法杂志 2090-8873 2090-8865. Hindawi 10.1155 / 2021/5566612 5566612 研究文章 同时量化14种化合物 蓍属原气相色谱-质谱分析和近红外光谱结合多元技术 https://orcid.org/0000-0001-6974-1411 郭 Lan-Ping 1 https://orcid.org/0000-0002-2273-4510 杨 江ydF4y2Ba 1 https://orcid.org/0000-0002-1240-8455 周 李 1 王 盛 1 https://orcid.org/0000-0002-2758-4785 康 Chuan-Zhi 1 https://orcid.org/0000-0002-6272-3242 哈克 基督教W。 2 Buccolieri 亚历山德罗 1 国家中药资源中心 中国中医科学院 Dao-di草本国家重点实验室育种基础 Beijng 100700. 中国 cacms.ac.cn 2 光谱学组 分析化学和放射化学研究所 Leopold-Franzens大学 Innrain 80. 6020年因斯布鲁克 奥地利 2021. 24 5 2021. 2021. 27 1 2021. 8 5 2021. 24 5 2021. 2021. 版权所有©2021 Lan-Ping Guo等。 这是一篇在知识共享署名许可下发布的开放存取的文章，它允许在任何媒体上无限制地使用、传播和复制，只要原始作品被适当地引用。

本文的工作重点是对该药用植物中的14种化合物进行同时定量 蓍属原基于近红外光谱（NIR）。单复合模型（SCM）和多组型模型（MCM）的回归模型由部分最小二乘回归（PLSR）创建。此外，这些模型被气相色谱质谱（GC-MS）校准。结果表明，SCM和MCM预测（SEP）的平均标准误差分别为0.49和0.62，其中大部分化合物明显相关。43个相关性在0.01级（总量的47.25％）显着，11个相关性在0.05级（占总量的12.09％）。主成分分析（PCA）的前三个主要成分（PC）可以解释总方差的78％。根据组分基质和公共表，十八烷酸对PC 1的影响最大（提取平方= 46.72％），其提取为0.932。还发现新苯二烯，Z，Z，Z-9,12,15-十八烷丙二烯酸和油酸的共同为大，其萃取分别为0.955,0.937和0.859。这些结果表明，如果一个化合物也显示与NIR吸光度信号（SCM）的线性关系，也可以由于这些化合物的密切相关而产生MCM。在这种情况下，本作工作突出了合适的样品制备技术，以便对原料植物材料进行NIR分析，从稳健和精确的校准中受益。 To sum up, this NIR spectroscopic approach offers a precise, rapid, and cost-effective high-throughput analytical technique to simultaneously and noninvasively perform quantitative analysis of raw plant materials.

 国家重点研发计划项目 2017年yfc1700701 国家自然科学基金项目 81891014 81603241. 中央公益性科研院所基本科研业务费专项资金 ZZXT201906 1.介绍

由于药用植物中含有大量有益的药用化合物，目前对药用植物分析的需求越来越大。 A. Millefolium.，广泛分布于欧洲和亚洲的药用植物，因其多种药理活性而被广泛用作民间药物，其精油对植物的抗炎活性具有重要作用[ 1- - - - - - 3.］.为了定量测定药用植物中的一种化合物，往往只提取一种化合物而丢失了其余化合物的信息，但这可能是治疗效果的关键[ 4， 5］.多年来，这些研究研究专注于指纹技术，如高效液相色谱（HPLC），气相色谱（GC），高性能薄层色谱（HPTLC），毛细管电泳（CE）和核磁共振（NMR），有助于整体理解化学活性成分[ 6- - - - - - 10］.在这样做时，必须考虑到指纹技术通常是复杂的，并且只针对一个或几个化合物非常具体，这使得基于单谱的指纹技术不仅耗时，而且很难标准化[ 11］.为了同时测定多种化合物，必须应用其他分析技术，通常与生成一系列指纹图谱的多变量技术相结合。近红外(NIR)区域从4000厘米扩展到12800厘米−1(2500-780 nm)，涵盖了C-H、O-H和N-H基团的泛音和组合跃迁。与中红外光谱相比，近红外吸收带较弱，且由于激发键水平较高，难以识别[ 12］.NIR中的分子泛孔和组合带通常宽而重叠，导致复杂的光谱混合物。年代ince it is very difficult to assign characteristic features to specific chemical components, multivariate analysis (MVA) techniques, e.g., regression (PLSR), principal component regression (PCR), or multiple linear regression (MLR), are often employed to extract the desired chemical information and to bring out hidden data structures. These days, an increasing number of research is focused on the chemical assembly of the medicinal plants to quantify the relevant compounds in the samples by NIRS [ 13， 14),例如, Cortex Phellodendri.［ 15]， 木兰officianlis［ 16]， 吹笛者methysticum福尔斯特。F。［ 17， 18),而 西洋参［ 19］.近红外光谱测定药物相关化合物的非侵入性特征显示出许多其他技术的优势，例如几乎不需要样品制备，可以使用商业可用的手持仪器进行室外分析[ 20.， 21］.由于近红外光谱通常与MVA和统计学相结合，正确选择校准集(训练集)和验证集(测试集)样本、数据预处理和构建模型的统计方法等参数对建立合适的定量模型起着重要的作用[[ 22- - - - - - 25］.只有少数研究专注于化学活性化合物的相互关系，这可能是谈论草药时最重要的因素之一。大多数情况下，使用每个属性的一个回归模型，可以称为单复合模型（SCM）。这意味着为了量化药用植物中的许多化合物，必须在样品中存在许多回归模型。为了同时确定多于一种化合物，必须产生多种复合模型（MCM）。此外，MCM可以仅通过一个测量反映样品中所有化合物的相互关系。总而言之，本研究的主要目的是量化14个主要化合物中的每一个 A. Millefolium.采用近红外光谱法，并对单组分数据与多组分数据评价技术进行比较。回顾了不同的样品制备程序，并详细讨论了不同的多变量数据评价方法。

 2.材料和方法 2.1。<italic>千叶蓍</italic> .样品制备

A. Millefolium.植物被收集在因斯布鲁克(奥地利，欧洲)附近。每个样品由5株单株组成，共36个样品。12个样品在40℃烘箱中烘干，其余24个样品在室温下烘干。干燥后，花头被切断和研磨使用滚切机(IKA/ULTRA TURRAX/Tube drive, Staufen, Germany)约1毫米。所有研磨后的样品在近红外分析前都保存在干燥器中。

 ２.２.近红外光谱

傅里叶变换光谱仪(FT-NIR;Büchi, Flawil，瑞士)用于测量近红外光谱(4000 - 10000厘米)−1）样品。通过使用积分球装置（Büchi），在漫反射模式中记录光谱。36个样品中的每一个测量三次，导致108个NIR光谱，并通过化学计量软件NIRCAL 4.21（BÜCHI）分析。将这些光谱随机分为两部分，学习集（67％，C集）和测试集（33％，V-SET）。反射光谱被转移到日志（1 / R）吸收光谱，然后进行各种数据预处理，以校正由于不均匀的粒度分布而偏移效应。实施局部最小二乘回归（PLSR）和主成分回归（PCR）分析来构建模型。

 2.3。GC-MS分析

用CH提取干花头3次2Cl2（1：10 w / v）和超声化10分钟。蒸发溶剂后，将上清液转移到体积烧瓶中;N-庚醇用作内标。通过GC-MS使用Agilent 6890网络GC系统MSD Chemostation（Palo Alto，US）来鉴定提取的化合物。柱：MS石英毛细管柱（0.25 mm i.d×30 m×0.25  μ.载气:氦气，2 mL/min;分流比:1:10;温度程序:60°C至180°C在5°C/min和180°C至280°C在2.5°C/min。在−70 eV时获得了电子碰撞谱。搜索库是NIST02、Wiley7n和Flavor2。

 2.4。定量数据分析 2.4.1。NIRS模型评估

通过给出的预测的剩余误差（按压）函数的预测剩余误差总和获得了建筑模型的最佳因素数 （1） 新闻 ＝ ∑ x n − y n 2 ， 在哪里 x n为预测值和 y n用于参考值。

通过以下计算值对最优回归模型进行评价:

c-集和v-集的偏差，表示预测值与实际值之间的偏差;经过偏差校正后自然为零。 （2） 偏见 ＝ 1 N ∑ x n − y n ．

C-Set请参阅和V-Set See（SEP），其分别显示C-Set和V-Set的回归模型的精度。 （3） 偏见 ＝ 1 N ∑ x n − y n ．

一致性，表明回归模型的稳健性;应该接近100。一致性= SEE/SEP × 100。

回归系数( R2)，表示预测值与实际值之间的关系; R方法1。

c-集和v-集的回归截距和斜率。

2.4.2。PLS模型的比较

采用配对t检验比较SCM回归模型与MCM模型的差异。采用方差分析比较不同样品制剂(风干、风干和风干)的差异。方差齐性采用Levene统计量检验，方差相等时采用LSD进行多重比较，方差不相等时采用Tamhane进行多重比较。采用Pearson双变量相关分析、主成分分析(PCA)、聚类分析等方法分析14个化合物之间的内在联系。

 3。结果与讨论

单化合物模型(scm)和多化合物模型(MCM)的比较。

通过GC-MS鉴定44种化合物（此处未显示），而那些似乎特别感兴趣的草药似乎是用于产生PLS模型（表 1）.

14种精选化合物 A. Millefolium.它用于构建NIR回归模型。

化合物 Rt(分钟) 的名字 分子式 分子量 匹配的质量 相对含量(平均%) SE SD
C1 20.4 n-Decanoic酸 C10H20.O2 172.15 98 1.17 0．1 0．6
C2 23.9 2,5-双（1,1-二甲基乙基）-phenol C14H22O 206.17 91 1.17 0．2 1.1
C3 31.1. CIS，CIS-7,10， - 海法成型 C16H28O 236.21 99 0.80 0．1 0．6
C4 33.2. neophytadiene. C20.H38 278.3. 99 2.44 0．4 2.6
C5 36.5 棕榈酸 C16H32O2 256.24 98 4.97 0．3 2.1
C6 41.2 3a，5,5a，9,9a，9b-六羟基-9-羟基-5a，9-二甲基-3-亚甲基 - 萘[1,2-b]呋喃-2,6（3h，4h） - 二乙醚 C15H18O4 262.12 94 1．42 0．1 0．9
C7 41.7 （Z，Z）-9,12-十八二烯酸 C18H32O2 280.24 99 2.17 0．2 1.1
C8 41.8 （Z，Z，Z）-9,12,15-十八烷丙二酸 C18H30.O2 278.23 90 2.47 0．4 2.2
制备过程 42.0 油酸 C18H34O2 282.26 97 3.07 0．2 1.3
10大 42.1 2-Methyl-Z、Z-3 13-octadecadienol C19H36O 280.28 93 2.40 0．2 1.1
C11 42.3 Z,依照13-octadecadien-1-ol C18H34O 266.26 99 1.34 0．1 0．6
C12 42.8 硬脂酸 C18H36O2 284.27 99 2.17 0．2 1.0
C13 56.0 γ-梨酮醇 C29H50O 414.39 99 3.72 0．4 2.6
碳 70.5 Stigmastan-3, 5-dien C29H48 396.38 98 2.50 0．2 1.4

108 log (1/ Rnir spectra（图 1)用于创建17个PLSR模型(表 2,数据 2（a）和 2（b）)，每个单一化合物1 ~ 14有14种型号，风干样品、烘干样品和烘干-风干样品分别有3种型号。

研磨后的近红外吸收光谱 A. Millefolium.植物。

比较了近红外单化合物回归模型(SCM)和多化合物回归模型(MCM)的优化参数。

样品制备1 模型 化合物 n2 波数（CM.−1） 数据预处理 方法 因素
年代空气 供应链管理 C1 52/26 4008 - 9996 MSC. PLS. 5
C2 52/26 4008 - 9996 MSC. PLS. 6
C3 52/26 4008 - 9996 MSC. PLS. 7
C4 52/26 4596 - 9996 MSC. PLS. 6
C5 52/26 4008 - 9996 MSC. PLS. 7
C6 52/26 4008 - 9996 MSC. PLS. 11
C7 52/26 4008 - 9996 平滑(萨维茨基-戈莱9分) PLS. 8
C8 52/26 4596 - 9996 MSC. PLS. 6
制备过程 52/26 4440 - 9000 一阶导数(Savitzky-Golay, 9分);单位长度归一化 PLS. 11
10大 52/26 4440 - 9000 一阶导数(Savitzky-Golay, 9分);单位长度归一化 PLS. 5
C11 52/26 4440 - 9000 第一个衍生（BCAP）;通过关闭标准化 PLS. 11
C12 52/26 4008 - 9996 MSC. PLS. 6
C13 52/26 4008 - 9996 MSC. PLS. 6
碳 52/26 4596 - 9996 日志(1 / R）;通过关闭标准化;第二衍生物（Savitzky-golay，9分） PLS. 12
年代空气 罗马数字 C1-14 52/26 4008 - 9996 MSC. PLS. 8
年代烤箱 C1-14 24/12 4596 - 9996 第一个衍生（BCAP）;通过关闭标准化 PLS. 5
年代air-and-oven C1-14 76/38 4008 - 9996 规范化的关闭 PCR. 12

1 年代空气 = air-dried A. Millefolium.； 年代烤箱=烘干的 A. Millefolium.；年代air-and-oven风干和烘干的混合物 A. Millefolium.，2校准集中的样品编号/验证集中的样品编号。

测定正癸酸含量的SCM (a)和MCM (b)模型的PLS回归线 A. Millefolium.．

可以从Table中收集 2采用不同波长、数据预处理、定标方法和因子对每种化合物建立最佳和最具体的回归模型。不同化合物的波长差别不大;它们中的大多数集中在4596到9000厘米的宽波数范围−1．17个模型中有9个模型使用了MSC作为数据预处理，以抑制由于样品中存在不同粒径而产生的不必要的散射效应。由于PLS非常适合耦合数字滤波[ 24，表明近红外光谱数据在一定程度上呈现共线关系。耦合数字导致了在所有情况下的低一致性，这是MSC作为数据预处理所需要的。MSC降低了定标因子，或简化了回归模型，提高了模型的一致性(稳健性)。［ 26］.MSC数据预处理后的平均因子数为6个，是所有数据预处理中平均因子量最低的。PLS模型评价结果显示，SCM和MCM的平均SEE分别为0.35和0.56，而SEP分别为0.49和0.62。SCM和MCM回归线的平均一致性分别为69.01和92.34。SCM和MCM的c集的平均R2分别为0.93和0.83，而SCM和MCM的v集的平均R2分别为0.89和0.82 3.）.结果表明，SCM和MCM都具有高R2和低见SEP和SEP，这是各个SCM的高预测能力和通过MCM同时测定的指示。成对的T检验显示了SCM和MCM的每个参数之间的显着差异，除了偏差，尽管SCM和MCM都非常适合预测未知样本。SCM校准的14种化合物的见解和SEP低于MCM获得的化合物，并且通过SCM计算的14个化合物的C型和V型的R 2高于MCM的r2。详细地，从SCM到MCM，看到在0.22增加（ p < ＝ 0.01 )，而SEP值为0.12 ( p < ＝ 0.01 ）.一致性在23.33时增加( p < ＝ 0.05 ）分别的r2在0.10和0.07时降低，C-Set和V型。这些结果表示MCM，代表14种化合物，一方面表示回归模型的更高稳健性，但另一方面降低了精度和预测能力。换句话说，必须通过实现单复合模型来决定是否执行同时性，快速，鲁棒但不是非常精确的分析（MCM）或执行非常精确的单复合分析。

14个回归模型(SCM)所代表的14种化合物与14个回归模型(MCM)所代表的14种化合物的比较统计。

化合物 n1 偏见 看到 9月 一致性3. R2 截距 坡
C放2 V放 C放 V放 C放 V放 C放 V放 C放 V放
供应链管理 罗马数字 供应链管理 罗马数字 供应链管理 罗马数字 供应链管理 罗马数字 供应链管理 罗马数字 供应链管理 罗马数字 供应链管理 罗马数字 供应链管理 罗马数字 供应链管理 罗马数字 供应链管理 罗马数字 供应链管理 罗马数字
C1 52/26 0 0 -0.01 -0.03 0.23 0.28 0.23 0.29 98.9 94.5 0.85 0.76 0.85 0.74 0.25 0.38 0.28 0.42 0.72 0.58 0.69 0.57
C2 52/26 0 0 -0.02 -0.02 0.14 0.18 0.16 0.19 90.23 93.33 0.93 0.88 0.91 0.86 0.07 0.12 0.11 0.17 0.86 0.77 0.81 0.71
C3 52/26 0 0 0.01 -0.01 0.11 0．2 0.16 0.22 72.03 90.95 0.98 0.92 0.96 0.91 0.03 0．1 -0.01 0.11 0.95 0.85 0.99 0.86
C4 52/26 0 0 0 0.02 0.52 0.61 0.65 0.82 80.07 74.76 0.98 0.98 0.98 0.96 0.09 0.13 0.12 0.14 0.97 0.96 0.96 0.94
C5 52/26 0 0 -0.23 -0.25 1.07 1.29 1．16 1．37 92.91 94.07 0.85 0.78 0.83 0.75 1．21 1.74 1.69 2.23 0.72 0．6 0.67 0.55
C6 52/26 0 0 0.05 0.04 0.09 0.46 0.21 0.48 40 95.91. 0.99 0.81 0.96 0．8 0.01 0.41 0.02 0.39 0.99 0.66 0.94 0.64
C7 52/26 0 0 -0.11 −0.1 0.48 0．7 0.62 0.73 77.53 96.37 0．9 0.78 0.84 0.76 0.38 0.82 0.68 0.97 0.82 0．6 0.72 0.58
C8 52/26 0 0 -0.12 -0.07 0.47 0.56 0.58 0.75 80.88 75.39 0.98 0.97 0.97 0.95 0.09 0.13 0.24 0.22 0.96 0.95 0.95 0.94
制备过程 52/26 0 0 -0.15 -0.17 0.15 0.82 0.66 0.83 23.09 99.02 0.99 0.73 0.85 0.73 0.05 1.31 0.59 1.58 0.98 0.53 0.84 ０．５
10大 52/26 0 0 -0.12 -0.12 0.33 0.45 0.37 0.47 88.85 94.88 0.92 0.84 0．9 0.83 0.33 0.62 0.64 0.86 0.85 0.71 0.76 0.66
C11 52/26 0 0 -0.08. −0.1 0.09 0.36 0.32 0.37 28.57 98.91 0.99 0.77 0.84 0.77 0.03 ０．５ 0.29 0.66 0.97 0.59 0.83 0.54
C12 52/26 0 0 -0.07 −0.1 0.44 0.54 0.47 0.57 93.21 95.83 0.85 0.77 0.83 0.75 0.51 0.77 0.62 0.94 0.73 0.59 0．7 0.55
C13 52/26 0 0 -0.17 -0.13 0.69 0.85 0.82 0．9 84.45 94.32 0.86 0.79 0.81 0.77 0.73 1.1 1.31 1.59 0.75 0.62 0.61 ０．５
碳 52/26 0 0 -0.15 -0.09 0.07 0.59 0.48 0.63 15.37 94.47 1 0.85 0.91 0.84 0.01 0.57 0.37 0.62 1 0.73 0.89 0.74
的意思是 0 0 -0.08. -0.08. 0.35 0.56 0.49 0.62 69.01 92.34 0.93 0.83 0.89 0.82 0.27 0.62 ０．５ 0.78 0.88 0．7 0.81 0.66
SD 0 0 0.08 0.08 0.29 0.29 0.28 0.32 29.01 7.6 0.06 0.08 0.06 0.08 0.35 0.49 0.49 0.64 0.11 0.14 0.12 0.15
SE 0 0 0.02 0.02 0.08 0.08 0.08 0.08 7.75 2.03 0.02 0.02 0.02 0.02 0.09 0.13 0.13 0.17 0.03 0.04 0.03 0.04
意思是配对差异 0 -0.22 -0.12 -23.33 0．1 0.07 -0.35 -0.28 0.18 0.15
T -0.37 −4.29 −6.72 −2.72 5.1 7.12 −4.07 −4.14 5.1 5.7
SIG。（2尾） 0.72 05 05 0.024 05 05 05 05 05 05

1校正集中的样品数量/验证集中的样品数量;2不能对c集偏差进行方差检验，因为权重之和为零，3.一致性=(见/ 9月) ∗ 100;4平均差异在0.05水平上显著;5平均差异在0.01水平上显著。

 ３．１．样本集对回归模型的影响

建立了14种化合物在不同样品前处理下的PLS模型，并与MCMs模型进行了比较(表1) 2）.的年代烤箱模型显示出更高的视线（平均= 0.85），SEP（平均= 0.87），一致性（平均= 98.04），以及C集合的截距和V集（平均= 1.13和1.16），但V-设置偏见（平均= 0.02）， R2(c集v-set = 0.72 = 0.73),和斜坡(v-set = 0.54, c集= 0.53)比两个年代烤箱和S空气（表格 3.和 4）.的年代烤箱和s空气回归曲线显示，除一致性较高外，其余各参数间均无显著差异空气（92.34）比在s中烤箱（61.98）（ p < ＝ 0.01 )和v-set R2的年代空气（0.83）和s烤箱(0.92) ( p < ＝ 0.05 ）.所进行的方差分析显示，除v-set偏差外，大多数v-set参数与其他参数没有显著差异。这意味着许多样本具有很大的变化，可以增加回归模型的稳健性，但降低 R2以及由此带来的精确度。由于v-set评价没有差异，所有回归模型的预测能力几乎相同。必须考虑的一件事是，所有的16个回归模型(14个scm, S空气和S烤箱）由PLS雇用，只有S烤箱通过使用PCR显示出更好的回归参数，这可能与校准组中的更大的变化而是较低的相机性相关烤箱．

比较了不同样品处理的scm的回归参数。

样本1 化合物 n2 偏见 看到 9月 一致性4 R2 截距 坡
c集3. v-set c集 v-set c集 v-set c集 v-set c集 v-set
年代 烤箱 C1 24/12 0 -0.06 0.09 0.21 43.94 0.98 0.92 0.06 0.63 0.97 0.69
C2 24/12 0 -0.11 0．4 0.46 87.43 0.79 0.72 0.99 1.76 0.62 0.39
C3 24/12 0 -0.01 0.15 0.22 68.76 0.96 0.94 0.07 0.28 0.93 0.75
C4 24/12 0 -0.05. 0.23 0.36 64.41 0.92 0.84 0.22 0．6 0.85 0.62
C5 24/12 0 -0.33 0．4 0.87 45.93 0.96 0.81 0.44 3.47 0.93 0.51
C6 24/12 0 -0.16 0.47 0.69 69.14 0．8 0.55 0.66 1.66 0.64 0.23
C7 24/12 0 -0.18 0.33 0.51 63.81 0.94 0.88 0．3 1.07 0.87 0.63
C8 24/12 0 -0.11 0.44 0.62 71.83 0.92 0.88 0.37 1．02 0.85 0.65
制备过程 24/12 0 -0.02 0.31 0．6 51.48 0.97 0.88 0.24 1.31 0.93 0.65
10大 24/12 0 -0.35 0.67 0.84 80.15 0.85 0.86 0.79 2.09 0.73 0.43
C11 24/12 0 −0.1 0.23 0.37 62.43 0.92 0.85 0.25 0.94 0.84 0.47
C12 24/12 0 -0.17 0.21 0.37 56.16 0.97 0.93 0.17 1．22 0.94 0.64
C13 24/12 0 -0.08. 0.61 2.67 22.73 0.99 0.72 0.16 3.78 0.97 0.36
碳 24/12 0 0.08 0.65 0.82 79.51 0.86 0.77 0.86 1.38 0.74 0.59
年代 烤箱 C1 76/38 0 0.03 0.35 0.35 98.94 0.81 0.81 0.41 0.39 0.65 0.65
C2 76/38 0 0.01 0.34 0.34 97.44 0.95 0.95 0.11 0．1 0．9 0．9
C3 76/38 0 0.02 0.36 0.37 96.14 0.77 0.76 0.32 0．3 0.59 0.59
C4 76/38 0 -0.14 1．05 1．15 91.54 0.91 0．9 0.42 0.59 0.83 0.82
C5 76/38 0 0.05 1.69 1.71 98.93 0.57 0.59 3.35 3.32 0.32 0.32
C6 76/38 0 0.02 ０．５ 0.47 105.94 0.81 0.84 ０．５ ０．５ 0.65 0.64
C7 76/38 0 0.01 0.91 0.95 96.12 ０．５ 0.48 1.62 1.66 0.25 0.23
C8 76/38 0 -0.16 0.98 1.08 90.85 0.89 0.87 0.52 0.69 0.79 0.78
制备过程 76/38 0 0.01 1.08 1.11 97.46 0.49 0.49 2.33 2.37 0.24 0.23
10大 76/38 0 0 0.76 0.76 100.48 0.69 0.72 1.24 1.32 0.48 0.46
C11 76/38 0 -0.01 0.48 ０．５ 97.06 0.57 0.57 0.91 0.96 0.32 0.29
C12 76/38 0 0.04 0.74 0.73 100.28 0.63 0.66 1.3 1.28 0．4 0.39
C13 76/38 0 0.11 1.84 1.83 100.34 0．7 0.72 1.91 1.91 0.48 0.46
碳 76/38 0 -0.02 0.79 0.79 101.05 0．8 0.82 0.89 0.84 0.64 0.67
年代 空气 的意思是 - - - - - - 0 -0.08a 0.56 ab 0.62 92.34A 0.83 ab 0.82 0.62 ab 0.78 0.70 aa 0.66
年代 烤箱 的意思是 - - - - - - 0 -0.12AA 0.37B. 0.69 61.98 b 0.92 aa 0.83 0.40 b 1.52 0.84ab. 0.54
SD - - - - - - 0 0.12 0.18 0.61 17 0.07 0.11 0．3 1．02 0.12 0.15
SE - - - - - - 0 0.03 0.05 0.16 4.54 0.02 0.03 0.08 0.27 0.03 0.04
年代 烤箱 的意思是 - - - - - - 0 0.00 bb 0.85 0.87 98.04 0.72B. 0.73 1.13A 1．16 0.54B. 0.53
SD - - - - - - 0 0.07 0.47 0.48 3.85 0.15 0.15 0.91 0．9 0.22 0.22
SE - - - - - - 0 0.02 0.12 0.13 1.03 0.04 0.04 0.24 0.24 0.06 0.06
F - - - - - - ‡‡‡ 5.971 7.159 1.007 43.655 12.007 3.065 5.059 2.525 12.168 2.336
s - - - - - - - - - - - - ０．００５ 6 0．002 6 0.375 0 6 0 6 0.058 0.011 5 0.093 0 6 0.11

1年代air-and-oven样品包括风干的和烘干的 一个原， 年代烤箱=烘干的 一个原； 年代空气 = air-dried 一个原；2验证集中校准集/示例号中的示例号;3.不能对c集偏差进行方差检验，因为权重之和为零;4一致性=(见/ 9月) ∗ 100;5平均差异在0.05水平上显著;6平均差异在0.01水平上显著。

 ３．２．<italic> </italic> . </italic> . </italic> . </italic> . </italic> . </italic> . </italic> . </italic> .

我们的研究提出了以下问题：为什么仅通过一个NIR回归模型量化具有不同性质的14种化合物？

由此推测，这14种化合物之间一定存在着某种内在的联系。为了揭示这些，我们对14个化合物进行Pearson双变量相关分析、PCA分析和层次聚类分析。Pearson双变量相关分析显示，14个化合物大部分呈显著相关。43项相关性在0.01水平上显著(占总数的47.25%)，11项相关性在0.05水平上显著(占总数的12.09%)，37项相关性不显著(占总数的40.66%)，见表 5．

14个化合物之间的相关分析（表 1) 原。

化合物 参数 1 2 3. 4 5 6 7 8 9 10 11 12 13 14
1 R2 1 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
s - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
2 R2 0.70 ∗ ∗ - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
s 0 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
3. R2 0.75 ∗ ∗ 0.18 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
s 0 0.29 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
4 R2 −0.41 ∗ ∗ -0.28 -0.27 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
s 0.01 0.09 0．1 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
5 R2 0.67 ∗ ∗ 0.60 ∗ ∗ 0.32 ∗ -0.02 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
s 0 0 0.05 0.88 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
6 R2 0.14 0.52 ∗ ∗ -0.28 -0.18 0.21 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
s 0.41 0 0.09 0.28 0.21 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
7 R2 0.57 ∗ ∗ 0.27 0.49 ∗ ∗ -0.38 ∗ 0.71 ∗ ∗ 0．2 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
s 0 0．1 0 0.02 0 0.24 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
8 R2 -0.09 0 -0.04 0.92 ∗ ∗ 0.25 -0.12 -0.14 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
s 0.59 0.98 0.81 0 0.12 0.48 0.41 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
9 R2 0.72 ∗ ∗ 0.34 ∗ 0.64 ∗ ∗ -0.19 0.71 ∗ ∗ -0.01 0.74 ∗ ∗ 0．1 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
s 0 0.04 0 0.24 0 0.95 0 0.57 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
10 R2 0.53 ∗ ∗ 0.58 ∗ ∗ 0．1 -0.02 0.75 ∗ ∗ 0.37 ∗ 0.46 ∗ ∗ 0.23 0.56 ∗ ∗ - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
s 0 0 0.55 0.91 0 0.02 0 0.16 0 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
11 R2 0.67 ∗ ∗ 0.33 ∗ 0.51 ∗ ∗ -0.14 0.69 ∗ ∗ -0.09 0.58 ∗ ∗ 0.14 0.87 ∗ ∗ 0.67 ∗ ∗ - - - - - - - - - - - - - - - - - - - - - - - -
s 0 0.04 0 0．4 0 0．6 0 0．4 0 0 - - - - - - - - - - - - - - - - - - - - - - - -
12 R2 0.88 ∗ ∗ 0.59 ∗ ∗ 0.62 ∗ ∗ -0.37 ∗ 0.80 ∗ ∗ 0.15 0.76 ∗ ∗ -0.05. 0.83 ∗ ∗ 0.72 ∗ ∗ 0.79 ∗ ∗ - - - - - - - - - - - - - - - - - -
s 0 0 0 0.02 0 0.37 0 0.76 0 0 0 - - - - - - - - - - - - - - - - - -
13 R2 0.55 ∗ ∗ 0.56 ∗ ∗ 0.21 -0.31 0.48 ∗ ∗ 0.35 ∗ 0.37 ∗ -0.12 0.53 ∗ ∗ 0.45 ∗ ∗ 0.54 ∗ ∗ 0.53 ∗ ∗ - - - - - - - - - - - -
s 0 0 0.22 0.06 0 0.03 0.02 0.48 0 0.01 0 0 - - - - - - - - - - - -
14 R2 0.18 0.55 ∗ ∗ -0.34 ∗ 0.04 0.34 ∗ 0.39 ∗ −0.1 0.17 0.13 0.40 ∗ ∗ 0.22 0.15 0.43 ∗ ∗ 1.00
s 0.28 0 0.04 0.81 0.04 0.02 0.55 0.32 0.42 0.01 0.19 0.36 0.01 - - - - - -

∗ ∗ 相关性极显著(2尾); ∗ 相关性在0.05水平显著(2尾)。

PCA表明，3件PC解释了14种化合物总方差的> 78％。根据组分基质和合法表（这里未示出），十八烷酸（C12）主要与主成分（PC）1相关（提取平方为46.72％），其合程提取为0.932。C4（新苯二烯），C8（（Z，Z，Z）-9,15-十八二碳酸转化酸的公共性和C9（油酸）也很高，其萃取分别为0.955,0.937和0.859（桌子 6）.这些结果与图中的聚类分析相对应 3.这表明C1，C2，C3，C5，C6，C7和C1接近C9和C12，但远离C4和C8。换句话说，C4，C8，C9和C12代表了14个化合物的主要方差。

14个化合物的主成分分析及总解释方差。

因素 初始特征值 载荷的提取和
总计 解释方差的％ 累计解释方差% 总计 解释方差的％ 累计解释方差%
1 6.54 46.72 46.72 6.54 46.72 46.72
2 2.35 16.76 63.48 2.35 16.76 63.48
3. 2.1 14.96 78.44 2.1 14.96 78.44
4 0.85 6.06 84.5 0 0 0
5 0.72 5.17 89.67 0 0 0
6 ０．５ 3.56 93.23 0 0 0
7 0.35 2.51 95.75. 0 0 0
8 0.27 1.92 97.66 0 0 0
9 0．1 0.72 98.38 0 0 0
10 0.08 0.59 98.97 0 0 0
11 0.07 0.47 99.43 0 0 0
12 0.05 0.33 99.76 0 0 0
13 0.02 0.18 99.94 0 0 0
14 0.01 0.06 100.00 0 0 0

14个化合物的树状图采用平均连锁(组内)，z评分标准化。

 3．3.选择正确的样本集

事实上，不同的样本集导致不同的NIR回归模型。即使它们都很好地，它们中的每一个可能具有不同的特征[ 27］.大量的样本品种和数量有助于建立高稳健的模型。相比之下，一个合适的样品预处理程序会导致同质的样品集，从而产生更高精度的校准模型。在分析之前仔细准备验证集可以得到更精确的预测，并将光谱数据预处理的需要降到最低。c集和v集样本越同质，模型和预测就越好。仔细开发c-集和v-集样品是近红外光谱分析的关键，以定量不同化合物的药用植物。

 4.结论

一种化合物（SCM）的一个回归模型或多元化合物（MCM）的回归模型可用于量化化合物 A. Millefolium.．前一种方法显示更高 R2对于C-Set和V-Set和降低的参见和Sep比后来的方法，相比之下显示比前一种方法更高的一致性。似乎虽然 R2降低和SEP和SEP增加，具有许多化合物的MCM产生了样品中存在的化合物的一些内部关系。MCM显示出稳健性增加，而精度降低。在我们看来，综合使用SCM和MCM非常适合定量分析 A. Millefolium.以及其他药用植物。该方法与化学指纹图谱方法有一定的相似性，但在操作上比其他方法简单[ 28］.从理论上讲，MVA支持的NIR技术可以合并由不同化学方法产生的数据，例如GC-MS，HPLC / HPLC-MS，HPCE和TLC，创建一个大复杂模型，它们看起来像一个多维指纹。一般来说，MCM的构建需要大量的样品量，越多，更强大，但一旦建立，它就可以帮助节省大量时间并使工作更具成本效益。

 数据可用性

用于支持本研究的数据可根据要求从通讯作者处获得。

 的利益冲突

提交人声明有关本文的出版物没有利益冲突。

 作者的贡献

兰平郭和建阳同样为这项工作贡献。

 致谢

该研究得到了中国国家重点研发计划（2017年2017YFC1700701），中国国家自然科学基金（No.81891014和81603241），以及中央公共福利研究机构的基本研究资金（ZZXT201906）.

 Moghadam a。R。 GC / MS分析抗氧化成分的检测和怠速 蓍属原L,“精油 孟加拉国植物学杂志 2017年 46 4 1317. 1321. Howyzeh m . S。 aslani. 年代。 Pooraskari O。 伊朗蓍草精油概况( 蓍属原） 基础油轴承厂杂志 2019年 22 1 295 300 10.1080 / 0972060x.2019.1586589 2-S2.0-85064529217 Berramdane T。 Gourine. N。 Bombarda 我。 Yousfi M。 新的精油嗜型 蓍属santolinaL.从阿尔及利亚的不同地区收集 食品测量与表征杂志。 2018年 12 3. 1 8 10.1007 / s11694 - 018 - 9793 - 5 2 - s2.0 - 85044520336 道 Y。 顾 X。 李 W。 吴 H。 蔡 B。 张 B。 中药生物指纹技术 分析化学的Trac趋势 2017年 97 272 282 10.1016 / j.trac.2017.09.008 2-S2.0-85030667555 刘 W。 张 Y。 他 J。 过渡无金属三组分反应:添加剂控制合成磺化咪唑 有机化学杂志 2019年 84 17 11348 11358 10.1021 / acs.joc.9b01818 2 - s2.0 - 85071724653 Hawrył m·A。 Skalicka-Woźniak K。 Świeboda R。 薄荷精油的GC-MS指纹 开放化学 2015年 13 1 1326. 1332. 10.1515 /化学- 2015 - 0148 2 - s2.0 - 84983200614 他 X。 李 J。 赵 W。 刘 R。 张 l 香港 X。 高效液相色谱法分析紫阳绿茶的化学指纹图谱 食品化学 2015年 171 405 411 10.1016 / j.foodchem.2014.09.026 2 - s2.0 - 84907842189 Pedan V。 韦伯 C。 做 T。 费舍尔 N。 re E。 rohn. 年代。 基于来源和基因型的可可原花青素HPTLC指纹图谱分析 食品化学 2018年 267 277 287 10.1016 / J.Foodchem.2017.08.109 2 - s2.0 - 85028942639 徐 l 张 R。 陈 M。 基于指纹图谱分析和毛细管电泳同时分离测定7种活性成分的冠心宁注射液质量评价 电泳 2017年 38 24 3168 3176. 10.1002 / elps.201700256 2-S2.0-85037556945 李 Z.-Y. 张 Z Z。 杜 G.-h. 秦 X.-M. 基于核磁共振的代谢指纹的DangGui和欧洲Dangui的比较分析 中国药物和生物医学分析杂志CHINESE 2015年 103. 44 51 10.1016 / j.jpba.2014.10.028 2 - s2.0 - 84914107214 Shulammithi R。 Sharanya M。 Tejaswini R。 Kiranmai M。 草药药物的标准化和质量评价 中国制药与生物科学杂志CHINESE 2016年 11 89 100. 了可乐 c·j·G。 牧场 T. C. M. Coradin V.T. R. 近红外高光谱成像和MCR-ALS在微观水平上对木种桃花心木的化学成分进行了测绘 微量化学杂志 2016年 124 356 363 10.1016 / j.microc.2015.09.022 2 - s2.0 - 84943614451 Basri k . N。 侯赛因 m . N。 Bakar J。 谢里夫 Z. khir. M. F. A. Zoolfakar 答:S。 便携式NIR光谱法的分类和定量棕榈油掺杂物 光谱化学学报A部分:分子和生物分子光谱 2017年 173 335. 342. 10.1016 / j.saa.2016.09.028 2 - s2.0 - 84988603466 新红 W。 晓光 W。 宵夜 G。 近红外光谱法快速同时测定肉苁蓉中6种有效成分 分子 2017年 22 5 843 10.3390 / molecules22050843 2-S2.0-85020229620 黄 Y。 郭台铭 蔡明俊。 江 K。 近红外光谱在中药分析中的定量研究进展 应用光谱学评论 2019年 54 8 653 672 10.1080 / 05704928.2018.1490312 2 - s2.0 - 85071253010 张 Z. 邱 X。 关 Y。 利用近红外LED水分含量传感器测定中药的水分含量，谱分析 光学和量子电子容量 2019年 51 133 Gaub M。 Roeseler C。 Roos. G。 卡瓦尔 K.-A。 NIRS分析植物提取物：同时测定哌哌酮盆中哌啶菌腐烂的水 中国药物和生物医学分析杂志CHINESE 2004年 36 4 859 864 10.1016 / j.jpba.2004.06.030 2-S2.0-7944228809 拉斯队 P。 Davrieux F。 Montet D。 莱博特 V。 瓦努阿图近红外反射光谱法测定卡瓦内酯和卡瓦化学型 农业与食品化学杂志 2008年 56 13 4976 4981 10.1021 / JF800439G 2 - s2.0 - 47849099259 黄 Y. W. 王 j . H。 杰奎琳 j·S。 Lei l 汉 D. H. 近红外光谱法测定西洋参和中国人参中主要皂苷的含量 中国分析化学杂志 2011年 39 3. 377 381 10.3724 / sp.j.1096.2011.00377 慧 Y。 Siesler H. W. 药物制剂的定量分析：不同手持近红外光谱仪的性能比较 中国药物和生物医学分析杂志CHINESE 2018年 160 179 186 10.1016 / J.JPBA.2018.07.048 2 - s2.0 - 85051014059 Pezzei. c K。 Schönbichler S. A. Kirchler C. G. 台式和便携式近红外光谱仪预测Varbena Officinalis的最佳收获时间的应用 talanta. 2017年 169 70 76 10.1016 / J.Talanta.2017.03.067 2-S2.0-85016143691 凡 l 谢泼德 J。 使用近红外光谱（NIRS）在生物制药行业中进行实时确定临界过程参数和使用MIDUS控制的高级反馈控制策略的整合 工业微生物学与生物技术杂志CHINESE 2017年 44 12 1589. 1603 10.1007 / s10295 - 017 - 1984 - 2 2 - s2.0 - 85032199132 康 年代。 邓 H。 陈 l 曾 X。 刘 Y。 陈 K。 结合支持向量机算法的近红外光谱快速鉴别中国药用蜈蚣 《光谱学 2019年 2019年 11 9636823 10.1155 / 2019/9636823 2 - s2.0 - 85073159957 Stenlund H。 约翰逊 E。 格特汇 J。 Trygg J。 近红外多变量标定中正交偏最小二乘解锁解译 分析化学 2009年 81 1 203 209 10.1021 / AC801803E. 2 - s2.0 - 58149471996 Khodabakhshian R。 Emadi B。 Khojastehpour. M。 Golzarian m·R。 Sazgarnia 一个。 通过可见/近红外光谱法不破坏性评价石榴果实的成熟度和质量参数 国际食品特产杂志 2017年 20. 1 41 52 10.1080 / 10942912.2015.1126725 2 - s2.0 - 84984699043 Teye E。 Amuah. c . l . Y。 麦格拉思 T。 艾略特 C。 利用手持近红外光谱和化学计量学对大米真实性进行创新和快速分析 光谱化学学报A部分:分子和生物分子光谱 2019年 217 147 154 10.1016 / J.SAA.2019.03.085. 2 - s2.0 - 85063422557 邓肯 P. A. Clanton D. C. 克拉克 D. H. 近红外反射光谱，用于桑迪尔草甸牧草的质量分析 动物科学学报 1987年 64 6 1743 1750. 10.2527 / JAS1987.6461743x. 梁 Y。 义 l 徐 Q。 化学计量学与中药现代化 中国科学B辑:化学 2008年 51 8 718. 728. 10.1007 / s11426 - 008 - 0084 - 6 2-S2.0-47749114522