紫外线可见光谱和化学计量策略使加纳的过期的抗疟药药品进行分类和检测

摘要

为了满足对疟疾互补和替代治疗的需求不断增长，制造商生产几种抗疟药草药产品。由于其复杂的化学性质，草药药品调节难以困难，需要麻烦，昂贵，耗时的分析方法。该研究的目的是与用于分类的化学计量模型和过期的液体抗疟药草药产品的化学计量模型一起开发一种简单的光谱方法。主要成分分析模型已成功地用于区分不同的草药产品并鉴定过期产品。主成分分析显示，所有五种草药产品（HMP）之间的透明类别分离，第一个和第二主成分的解释差异分别为37.51％和26.38％，而第三个主要成分具有18.74％。支持向量机分类对所有产品的培训设置数据提供1.00（100％）的特异性和准确性。验证集HMP1，HMP2和HMP3具有灵敏度，特异性和精度为1.00。HMP4和HMP5分别具有0.90和1.00的灵敏度和特异性，精度为0.98。支持向量机分类和主要成分分析模型已成功用于识别过期的草药产品。该策略可用于快速现场检测过期的液体抗疟药草药药品。

1.介绍

2019年疟疾的全球死亡率为409,000人，其中384,000人发生在非洲，其中大多数是儿童和孕妇[1］．非洲的这些死亡病例占全世界与疟疾有关死亡的93%以上。在全球87个疟疾流行地区中，28个非洲国家和印度占全球报告疟疾病例的95% [1]多年来，人们越来越关注正统抗疟药物的有效性和安全性，以及对用于治疗疟疾的药物的耐药性的发展[2］．介绍了青蒿素组合疗法以降低抗性的发展速度。然而，有关副作用和不良药物反应使某些患者的吸引力是没有吸引力[3.]，以及治疗成本、治疗失败和可获得性。

在这种情况下，植物药为治疗疟疾提供了正统药物的可行替代品。在加纳，植物药仍然是抗疟治疗的主要来源，因为观察到大量加纳人光顾草药抗疟药物。这种偏好源于产品成本较低，据信疗效和副作用降低，以及基于同行推荐的可接受性。使用这些草药的治疗结果在许多情况下是积极的，因为药用植物是许多生物活性化合物的来源，包括用于抗疟药物（如奎宁和青蒿素）的天然支架[4.那5.］．这些植物药物可能通过几种成分次级代谢物的协同活性来规避寄生虫抗性和毒性的挑战[6.］．

由于内部缓冲效果，植物药物通常以早熟的pH和最小的毒性制定为草药产品（HMP）[5.分别相对较低的组成植物化学物质浓度。目前，加纳中HMP的使用普遍性约为76％[7.］．考虑到疟疾使人衰弱的性质以及在严重病例中发生器官和神经并发症的可能性，有必要对hmp进行监测和持续的质量监测，以保护产品的完整性，以保护公众。然而，hmp的有效质量监测仍然是一个重大挑战。在常规药物的情况下，可以进行分析，以确定可能存在的活性成分和其他杂质的水平。另一方面，hmp通常有几种植物化学成分，这使得几乎不可能识别所有的生物活性化合物，并相应地对它们进行量化，尤其是当产品是多草药时。尽管如此,植物材料收集的植物成份含量的变化从不同来源和不同时期的一个主要担忧的监测hmp含量均匀度,特别是在产品的情况下用于治疗疟疾等传染病。众所周知，植物次生代谢物的水平受生长条件、收获时间和方法、储存条件以及地理位置等因素的影响[8.-11.］．由于目前这些因素影响了药用植物中植物植物植物的水平，而且制造业的实践不标准化，因此对迅速，经济高效和高效的系统来说，这对HMP顾客的利益来说是重要的HMP的质量。

由于存在大量次级代谢物，因此开发HMPs检测方法存在困难，因此加纳食品和药品管理局批准和注册HMPs的方法主要集中在微生物负载量、毒性、pH值和一些物理化学参数（如灰分和酸值）上。然而需要有一种技术，其中方案涉及HMP的某些植物化学成分的测量。在资源有限的环境中，与此类所需方法相关的一些挑战是设备、配件和维护成本。此外，预计这些方法将以检测和定量为目标多草药HMP或选定标记的几乎所有植物化学成分的离子[12.］．这些方法通常涉及高效液相色谱(HPLC)、气相色谱-质谱(GC-MS)和毛细管电泳(CE)等技术，这些技术在加纳等国家难以用于HMPs的常规化学质量监测。此外，仪器的挑战是繁琐的样品制备，大量的溶剂和浪费溶剂的分离方法[12.那13.］．

紫外可见光（UV-Vis）光谱学作为一种简单、经济、无损的技术，已在环境、医药和其他相关领域得到应用。例如，英国和美国药典采用基于紫外-可见光谱的方法对某些药物进行分析，以及采用辅助方法对某些药物进行鉴定活性药物成分。该技术也被报道用于液体HMP的分析[14.，其固有优点是这些方法易于使用，使实验室无需对技术人员进行广泛培训就能采用并有效实施这些方案。在紫外-可见光谱中，已经观察到从复杂混合物中获得的光谱，如液体hmp，通常是高度卷积的。这是因为复合样品中几个组分的吸收光谱是相互叠加的。然而，作者设想将化学计量学技术应用于复杂的UV-Vis数据可以导致有用的分析，并得出有关HMPs质量的相关结论。

化学计量学方法包括使用数学和统计工具从复杂数据中提取有用信息[15.]。这些方法已经存在了一段时间，但由于易于使用的软件和统计软件包的可用性，最近变得流行起来[16.那17.］．化学计量方法通常用于机器学习和实验优化（即，实验设计）[18.那19.］．这项工作将专注于前者，因为后者超出了本文的范围。机器学习方法通​​常被称为监督或未监督的[20.］．无监督的学习方法如主成分分析（PCA）可以是最常用的化学计量方法[20.那21.］．PCA是一种降维技术，它揭示了数据中固有的隐藏模式。在PCA模型中，具有相似属性的同一类样本彼此聚类更接近。因此，围绕一组样本生成的置信椭圆将在得分空间中显示出高可变性。偏离标准产品的样品将会被看到在离群集中心更远的地方投影。在我们的研究背景下，这可以为不健康或过期的hmp的检测提供指导。监督学习方法，如支持向量机(SVM)，也可以用来分类液体hmp，以区别于其他产品。因此，两种不同的抗疟hmp有望被分为两个不同的组。此外，当产品的紫外-可见化学指纹改变时，也可以确定由于产品过期而导致的化学成分的变化。这种变化可以通过主成分分析(PCA)或支持向量机(SVM)检测出来，可以用来识别过期的hmp。

因此，在本研究中，我们提出了一种使用SVM和UV-Vis光谱分类液体抗疟HMP的常规。我们进一步证明了使用PCA和SVM模型来监测液体HMP的变化并识别过期产品。该方法具有扩展到液体抗疟疾HMP中的掺杂剂和其他HMPS的掺杂剂的可能性。

2.实验性

2．1.样品制备

从Accra和Kumasi，加纳的药房和草药商店获得了五种液体抗疟疾HMP。用于本研究的抗疟药包装在500毫升琥珀色塑料瓶中。为了确保匿名，样本被编码HMP1，HMP2，HMP3，HPM4和HMP5。为每个样品获得三种不同的批次。还从草本商店获得了由已标记的HMP4x的过期HMP4组成的第四批。

将5ml各样品的各个样品移液到50ml容量瓶中。将蒸馏水加入体积烧瓶中，得到50mL标记。这在蒸馏水中产生5％（v / v）浓度的液体草药抗体性。

2.2。数据采集

使用jenway 7315 UV-Vis分光光度计（英国jenway，英国）收集UV-Vis光谱，配备有Perkin Elmer Spectrum（Spectrum二，版本10.03.09，序列号94133，Waltham，USA）。使用1mL熔融二氧化硅比色皿和200至700nm的波长范围和使用蒸馏水作为坯料/参考，分析样品。为每个样品制作至少十个重复的扫描。Spectrum的原始数据被导入Matlab R2020B（MathWorks®，Natick，MA，USA）。使用PLS Toolbox 8.9（特征向量Inc.，Manson，Wa，USA）生成PCA和SVM模型。

２.３.数据处理与分析

将数据组织成在列中以行和波长的样本矩阵。数据集矩阵由167×501组成（样本×波长）。使用五个窗口使用移动平均滤波器平滑光谱数据。随后使用基于最小二乘（GLS）的加权策略随后使用基于α值0.02 [22.］．数据矩阵的每列是居中的，而行被标准化为1。

数据进一步分为两个主要组：2/3，用于模型培训和优化，以及外部验证集的三分之一。培训和验证集分别由111和56个样本组成。

对训练集数据进行判别变量（DIVA）测试，以识别光谱区域，从而提供有关数据重要区域的信息。

使用培训和优化设置数据生成PCA模型。在PCA模型中，每个组件由模型解释的方差表示为百分比。它用于展示模型与数据之间的差异的衡量标准。因此，期望更高的解释方差。随后将验证数据投影到PCA模型中。

使用训练数据为5类样本生成SVM分类模型。然后将验证数据投影到模型中，以评估外部验证集的性能。评估基于模型的敏感性、特异性和准确性[23.］．模型预测阳性样本的能力是真正的阳性率/敏感度（Sensitive =真阳性（TP）/阳性（NP））。特异性测量模型正确识别阴性样本的能力，也称为真正的负速率（特异性=真正的否定（TN）/否定否定（NN））。精度测量整体真实预测电源（精度=（TP + TN）/（NP + NN））。这些度量标准将从零缩放到1，分别为0和1是最坏和最佳模型。

SVM模型在HP4X上进一步测试，它们是过期的HP4样本。还分别使用培训和验证集生成和评估PCA模型。

3。结果与讨论

加纳对hmp质量的评估主要基于一些感官和理化参数，包括但不限于颜色、pH值和微生物负荷。然而，在化学质量评价中，有必要开发先进而简单的针对HMPs的植物成分的评价策略。众所周知，这些次生代谢物对HMPs的生物活性起着重要作用，它们的变异是环境、收获、制造、储存和稳定性等因素的结果。由于多味草本产品中存在无数化合物，且缺乏足够可靠的分析方法来检查批次间植物成分水平的一致性，并识别可能没有明显物理变化的过期或分解hmp，不法分子可以将不合格、不卫生的产品重新装瓶出售给公众。因此，本研究探索了紫外可见光谱和化学计量分析在解决这一问题中的应用。由于抗疟hmp的高需求和非处方使用，它们被选为试验案例。

通常，从液体抗疟液HMP的分析中获得的所有UV-Vis光谱显示出大约230nm，280nm和375nm的最大吸光度（图1（a）），这表明存在具有共轭系统或发色团的化合物以及我们选择的技术的适用性。这与其他研究结果同意，显示植物产品中发色酶的存在[12.］．

由于数据集中存在噪声，因此实现了移动窗口平滑算法（图1）1（b）)，显示出与原始光谱相似的光谱特征。为了识别光谱中信息更丰富的区域，如前所述进行了判别变量分析[24.]生成可变选择性比（SR）图（图2）.在本分析中，小于10的SR值被认为是低分辨能力，因此从数据中剔除。阈值显示了超出设定限制的变量，并将变量数量从501个减少到324个。必须强调的是，更少的具有更好辨别能力的描述符是更可取的，因为它们会导致更简单的模型[25.那26.］．

接下来，使用训练集数据（仅324个变量）执行主成分分析。结果显示了PC1与PC2与PC3的PCA分数图（图3.）.PC1和PC2的解释差异分别为37.51％和26.38％，而第三个主要成分具有18.74％。因此，观察到总解释的82.63％的差异。在这个三维分数空间中可以看出，各种抗疟疾HMP都集群在单独的组中。在每个群集中产生的95％置信椭圆显示相当多的培训集样本误入群集。这证明了UV-VIS光谱和PCA模型可用于区分各种液体抗疟液HMP。随后，在模型中投影了每个HMP类的外部验证集（图4.，其中HMP1是红色的圆圈，HMP2是紫色的正方形，HMP3是绿色的钻石，HMP4是红色的五角形，HMP5是蓝色的三角形)。在图4.，用于训练和验证集的样本分别由空心和填充标记表示。在这里，也显然，在训练模型中不使用的那些样品也将投影到正确的子组中。

对生成的主成分分析模型识别过期产品的能力进行了评价。HMP4过期产品，标签为HMP4X，也投影到模型中，如图所示4.．这些过期产品被聚集到一个不同的分数空间(用黑色三角形表示)。这进一步证明，使用紫外可见光谱和主成分分析，可以很容易地检测出过期的产品。这是非常重要的，因为事实上，液体hmp会变质，而不会在其物理外观和味道上显示出可察觉的变化。

利用DIVA测试得到的324个特征生成SVM分类模型。该模型由径向基函数核生成，其代价值和gamma值分别为100和0.1。由于数据的结构，采用了百叶窗交叉验证，得到了一致的结果。模型由训练集数据生成，并使用外部验证集进行验证。所有5个产品(HMP1, HMP2, HMP3, HMP4, HMP5)的类预测概率图如图所示5（a）-5（e）其中HMP1是红色圆圈，HMP2是紫色方块，HMP3是绿色钻石，HMP4是红色五角星，HMP5是蓝色三角形，红划线是歧视屏障，分别由空心和填充标记表示训练和验证集。在图的SVM5.，较近零（黑色短划线）的课程预测概率表明属于所预测的类的样本的可能性较小。另一方面，接近1.00（绿色短划线）的类预测概率表示样本可以属于正在预测的类别。类别歧视边界由红色虚线表示。数字的数值结果5.如表所示1．没有假阴性或假阳性导致分类敏感性、特异性和准确率为1.00(代表100%)，这表明了UV-Vis光谱和SVM组合对HMPs分类的力量。然而，在验证集中，HMP4和HMP5出现了两个假阳性。分类模型在训练集数据上比在验证集上表现更好，这是正常的。

使用HMP4x的光谱评估SVM模型检测到期产品的能力。将HMP4x中的样本投影到模型中以检查，如果确实，该模型将预测为HMP4或其他模式。可以看出，HMP4x样本不预测在5个HMP组中的任何一个中（图6.）.因此，所有五类hmp的类预测概率都低于0.5。这是因为这些产物已经发生了一些化学变化，尽管没有明显的物理变化改变了它们的紫外可见光谱。这表明，利用紫外可见光谱和支持向量机分类，可以检测到过期的草药产品。研究范围将扩大到包括批次间hmp的一致性和稳定性。

4.结论

一种简单的光谱法（紫外-可见光谱法）与化学计量学模型一起成功开发并应用于液体抗疟HMPs的评估。该方法证明了PCA区分不同HMPs的能力。此外，我们将SVM模型应用于液体HMPs的UV-VIS光谱，以分类不同的抗疟药物。预测灵敏度、特异性和特异性精度为1.00（100%）对所有产品的训练集数据进行观察。就验证集而言，HMP1、HMP2和HMP3在所有情况下的灵敏度、特异性和预测准确度均为1.00。然而，HMP4和HMP5的灵敏度和准确度分别为0.90和0.98。SVM方法还证明了其区分n健康和过期产品。

数据可用性

该项目的数据可在LawrenceAdutwum / herbalproducts（github.com）.

的利益冲突

作者声明他们没有利益冲突。

参考文献

1. 世界卫生组织，2020年世界疟疾报告，谁，日内瓦，瑞士，2021年。
2. F.Nosen和N.J.White，“基于青蒿素的联合治疗恶性疟原虫疟疾。”美国热带医学和卫生学会第77期6，页181-192,2007。视图:出版商网站|谷歌学术
3. R. Adisa, T. O. Fakeye和D. Dike，“尼日利亚大学社区对青蒿素类联合疗法的药物不良反应评估”，热带药学研究杂志，第7卷，第5期2，pp。937-944,2008。视图:出版商网站|谷歌学术
4. H. A. Pawar，“天然产品作为导致新药设计的来源”，天然产物化学与研究，卷。2，不。6，pp。1-3,2014，http://perpile.com/b/rsj4hz/tasf 10.4172 / 2329-6836.1000156．视图:出版商网站|谷歌学术
5. E.G.Azeh，“疟疾和治疗：草药抗疟药作为常规医学的替代品”植物研究杂志，第1卷，第1页，2015。视图:谷歌学术
6. S.M.Abdel Aziz，A.Aeron和T.A.Kahil，“草药的健康益处和可能的风险，”食品和健康中的微生物，第36卷，第97-116页，2016，http://perpile.com/b/rsj4hz/czl7 10.1007 / 978-3-319-25277-3_6．视图:谷歌学术
7. I. a . Kretchy, a . Koduah, K. F. M. Opuni等，“加纳草药产品使用的流行程度、模式和信仰:多中心社区跨部门研究”，热带医学与国际卫生，卷。26，不。4，pp。410-420,2021。视图:出版商网站|谷歌学术
8. D. Donno，R.Boggia，P. Zunin等，“用于天然食品的植物化学指纹和化学计量学，用于自然食品准备模式识别：粮食补充质量控​​制中的一种创新技术，”食品科学与技术杂志，卷。53，没有。2，pp。1071-1083,2016。视图:出版商网站|谷歌学术
9. H.C.Andola，K.S.Gaira，R. Rawal，M. S. M. Rawat和I. D.Bhatt，Berberis Asiaticaroxb的Berberine含量的栖息地依赖性变化。前任。DC。在Himalaya西部Kumaon，“化学与生物多样性，第7卷，第5期2, pp. 415-420, 2010，http://paperpile.com/b/rSJ4hz/31xH 10.1002 / cbdv.200900041．视图:出版商网站|谷歌学术
10. I.Zribi，F.Omezzine和R.Haouala，“植物化学成分和化感潜力的变化”黑种草与发展阶段南非植物学杂志，卷。94，pp。255-262,2014。视图:出版商网站|谷歌学术
11. A. Lavola，A. Salonen，V.Virjamo和R.Julkunen-Tiitto，“植物部分特定酚类野生群体（Empetrum Hermaphroditum HARTUP）种群的植物化学变化”，“植物化学字母， vol. 21, pp. 11-20, 2017。视图:出版商网站|谷歌学术
12. D. Kumadoh, K. O. Kwakye, N. Kuntworbe, O. Adi-Dako，和J. A. Appenahier，“使用高效液相色谱分析aarkers和systat sigmaplot软件测定四种草药产品的保质期”，应用制药科学，卷。10，没有。6，pp。72-80,2020。视图:出版商网站|谷歌学术
13. M. A. Archer，D. Kumadoh，G. N. Yeboah等，“含Cassia Sieberiana提取物的制剂和评估，提高治疗结果，”科学的非洲人，卷。10,2020。视图:出版商网站|谷歌学术
14. K.Kucharska-Ambrožej和J. Karpinska，“光谱技术与化学计量学结合的应用，以检测一些草药和香料的掺主掺杂”，“微型化学杂志，卷。153，pp。104-278,2020。视图:出版商网站|谷歌学术
15. I. E. Frank和B. R. Kowalski，“Chemometrics”，分析化学，卷。54，没有。5，pp。232-243,1982。视图:出版商网站|谷歌学术
16. J. Camacho和E. Saccenti，“大数据的化学计量学分析”，综合化学金化学，第36卷，第437-458页，2020。视图:出版商网站|谷歌学术
17. H. Martens，“定量大数据：化学四通测量可以贡献，”化学计量学杂志，第30卷，第2期9，第559页，2016。视图:出版商网站|谷歌学术
18. r·g·Brereton应用化学计量学的科学家，约翰·威利父子公司，美国新泽西州霍博肯，2007年。
19. M. Otto，化学计量学：分析化学的统计与计算机应用，约翰威利和儿子，霍博肯，新泽西，2016年。
20. M. Alloghani，D. Al-Jumeily，J. Mustafina，A. Hussain和A. J.Aljaaf，对数据科学的监督和无监督机器学习算法进行了系统审查，“无监督学习与半监督学习，第47卷，第3-21页，2020。视图:出版商网站|谷歌学术
21. C. Christophe， " PCA:化学计量学的基本组成部分"分析化学，卷。29，p。47,2012。视图:出版商网站|谷歌学术
22. Q.刘，Y. okui和Y. Yoshimura，“广义最小二乘模式平均”经济评论，卷。35，不。8，pp。1692-1752,2016。视图:出版商网站|谷歌学术
23. T. W. Loong，“理解右脑的敏感性和特异性，”BMJ，卷。327，没有。7417，第716-719,2003。视图:谷歌学术
24. T. Rajalahti，R. Arneberg，A.C.C.Kroksveen，M.Berle，K.M. Myhr和O. M. Kvalheim，“鉴别变量测试和选择性比例”：在复杂光谱或色谱谱中的解释和变量（Biomarker）选择的定量工具，“分析化学，卷。81，没有。7，pp。2581-2590,2009。视图:谷歌学术
25. A.Amirteimori、S.Kordrostami、A.Masoumzadeh和M.Maghbouli，“提高数据包络分析的识别能力，”国际业务研究杂志，第19卷，第2期，第198页，2014年。视图:出版商网站|谷歌学术
26. L. Angulo-Meza和M.P.E.LINZ，“审查数据包络分析中歧视的方法”，“运筹学研究年鉴，卷。116，没有。1-4，第225-242,2002。视图:出版商网站|谷歌学术

版权

版权所有©2021雅各布N. Mensah等。这是分布下的开放式访问文章创意公共归因许可证，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。