基于红芪芒柄花素保留率建立纤维性根茎药材超滤预测模型

柳 春，刘晓霞，魏舒畅，王继龙，宋晓春，金 辉，李子荣

甘肃中医药大学，兰州 730000

超滤可通过膜滤过的方式使分子量不同的物质分离，在中药提取液的纯化过程中，与目前常用方法相比较，该技术具有过滤精度高、除杂效果好、绿色环保、成本低、适合工业化生产应用、能保持中药方剂配伍等特点［1，2］。但由于基础研究不足，目前该技术在用于同类药材的纯化时仍需反复进行工艺优化，因此如何快速、准确预测同一类药材的超滤纯化工艺具有十分重要的意义。

人工神经网络(artificial neural network，ANN)是以有向图为拓扑结构的动态系统，它通过对连续的输入做出状态响应而进行信息处理［3］，具有良好的自组织、自学习、自适应的非线性映射能力，以及高度的容错性和鲁棒性。BP(back propagation)神经网络是目前理论最成熟、使用最广泛的人工神经网络，它是前向网络的核心，体现了人工神经网络最精华的部分，通常包含输入层、隐含层和输出层，其学习过程由信号的正向传递及误差的反向传播两个过程组成，能对任意非线性函数进行无限逼近，在复杂体系的研究中具有独特的优势［4-9］。

本文以纤维性较强的红芪为研究对象，收集其酶解提取液在不同超滤条件下的芒柄花素保留率数据，建立基于BP 神经网络的芒柄花素保留率预测模型，为成分相近的纤维性根茎药材在应用超滤纯化技术时的工艺模拟提供依据。

1 仪器与材料

SJM-DGN-030 型多功能膜分离设备、SJM-FHM-02 型陶瓷复合膜分离设备，合肥世杰膜工程有限责任公司;Waters 600E-2487 型高效液相色谱仪，美国Waters 公司;ABT100-5M 电子天平，德国KERN 公司;AKRY-UP-1816 超纯水机，成都唐氏康宁科技发展有限公司。

红芪、黄芪药材均来源于甘肃武都，经甘肃中医药大学药学院魏舒畅教授鉴定分别为豆科植物多序岩黄芪Hedysarum polybotrys Hand.-Mazz.和蒙古黄芪Astragalus membranaceus (Fisch.)Bge.var.mongholicus (Bge.)Hsiao 的干燥根。纤维素酶、木聚糖酶、果胶酶均购于甘肃华羚生物科技有限公司;甲醇为色谱纯，其他试剂均为分析纯。

2 方法与结果

2.1 实验数据的采集

2.1.1 供试品溶液的制备

按优选的提取工艺(酶用量3.40 mg/g、酶解时间110 min，总加水量22 倍，共提取3 次，每次50 min)制备红芪酶解提取液，不经浓缩(浓度:0.0551 g/mL)在临界通量值以下改变超滤条件进行超滤。分别将各透过液及提取液浓缩至每1 mL 浓缩液相当于0.25 g 原药材，精密移取浓缩液10 mL，用乙酸乙酯萃取(20 mL×3)，合并萃取液，挥干溶剂，提取液浓缩物加甲醇溶解定容至10 mL 量瓶中，摇匀，滤过，取续滤液，即得各供试品溶液。

2.1.2 芒柄花素保留率的测定

采用HPLC 对上述各供试品溶液进行测定，按回归方程y=1.27 ×105x +1.80 ×104(r=0.9999;y:峰面积;x:质量浓度，μg/mL)计算提取液及各透过液中芒柄花素的含量，进一步计算得到不同超滤条件下的芒柄花素保留率数据。色谱条件为:Agilent ZORBAX SB-C18色谱柱(4.6 mm ×250 mm，5 μm)，检测波长255 nm，流动相为甲醇-0.2%乙酸(60∶40)，柱温31 ℃，流速1.0 mL/min，进样量20 μL。

2.2 数据的整理分组

为防止训练(学习)过程发生“过拟合”和评价所建模型的性能和泛化能力，从输入输出数据中随机选取50 组数据作为网络训练数据，10 组数据作为网络测试数据。

2.3 输入/输出变量的确定及其数据的预处理

为减少BP 网络的输入变量数，提高网络学习速度，选取超滤过程中影响成分保留的主要参数膜孔径、操作压力、滤过温度为输入变量，芒柄花素保留率为输出变量。

为消除量纲不同、指标值数量级差异过大带来网络学习速度慢、神经元易进入饱和状态的影响，训练前需对输入数据进行归一化处理，使其与输出数据均分布在(0.1，0.9)之间，数据归一化公式为:

式中，xn为x 的归一化值，xmin、xmax分别为x 的最小值和最大值。

2.4 神经网络拓扑结构的确定

网络的拓扑结构包括隐含层的层数及各层的节点(神经元)数。为防止网络复杂化导致网络训练时间的增加和“过拟合”的倾向，首先考虑通过增加隐含层节点数来获得较低的误差与较好的训练效果，即采用3 层BP 网络(有1 个隐含层)。因网络有3 个输入变量和1 个输出变量，所以输入层节点数为3，输出层节点数为1。在综合考虑网络结构复杂程度与误差大小的情况下用节点扩张法确定合理的隐层节点数，隐层节点数取误差迅速减小后基本稳定时的节点数。在综合考虑精度要求与网络结构紧凑性后最终确定隐层节点数为6，因此网络的拓扑结构为3-6-1，如图1 所示。

图1 BP 神经网络拓扑结构Fig.1 Topological structure of BP neural network

2.5 网络的训练

将训练样本数据代入神经网络，采用Matlab7.2软件，利用L-M(Levenberg-Marquardt)改进算法对网络反复进行训练，直到输出误差达到可以接受的程度或预先设定的训练次数为止。网络的参数选取为:最大训练次数为1000 次，目标误差为0.001，学习率为0.01，隐含层与输出层传递函数为logsig，训练函数为trainlm，结果见图2。

图2 BP 神经网络收敛曲线Fig.2 Convergent curve of BP neural network

由图2 可知，所设计的芒柄花素保留率神经网络模型用50 个训练样本进行训练，当训练达到指定训练次数1000 次时，平均误差率较小。

2.6 模型的预测

用训练好的神经网络对测试样本数据进行预测，以测试样本误差来评价模型的预测精度，结果见图3、4。

由图3、4 可知，芒柄花素保留率的预测输出与期望输出吻合较好，误差在-2.62%～3.35%之间，平均误差率为1.78%。说明该BP 神经网络具有较高的预测精度和较好的预测效果，可用于预测红芪酶解提取液超滤的芒柄花素保留率。

图3 BP 神经网络预测输出Fig.3 Predicted output of BP neural network

图4 BP 神经网络预测误差Fig.4 Predicted error of BP neural network

2.7 模型的适用性考察

为进一步考察所建网络模型对同类药材的适用性，选用黄芪作为考察药材，将按最优提取工艺［10］制得的酶解提取液不经浓缩(浓度:0.0585 g/mL)在不同条件下超滤，测定芒柄花素保留率，用所建神经网络计算各条件下的保留率预测值，结果见表1。

表1 预测值与实测值结果Table 1 Results of predictive value and measured value

由表1 可知，黄芪酶解提取液经超滤后芒柄花素保留率的预测值与实测值也有较好的吻合性，表明研究所得预测模型具有较好的实用价值。

2.8 各条件对芒柄花素保留率的影响

利用已建立的神经网络对各工艺条件组合进行预测，得最优超滤工艺条件为:膜孔径100 nm，操作压力0.15 Mpa，滤过温度45 ℃。以该条件组合为准，采用神经网络预测出变动单个条件下的芒柄花素保留率，得到各条件对芒柄花素保留率的影响规律，如图5 所示。

由图5 可知，芒柄花素保留率随膜孔径(A)、操作压力(B)和滤过温度(C)的升高，均呈先上升后平衡的趋势。其中，滤过温度对芒柄花素保留率的影响显著，膜孔径次之，操作压力的影响较小。

图5 膜孔径(A)、操作压力(B)和滤过温度(C)对芒柄花素保留率的影响Fig.5 Effects of membrane pore size (A)，operating pressure (B)and temperature (C)on the retention rate of formononetin

3 讨论

本研究首次提出对纤维性根茎类药材的超滤纯化工艺建立数学模型，该数学模型的建立可实现对符合使用条件药材的超滤纯化工艺的数学模拟试验，有效解决质地和成分相近的同类药材采用该技术时需要反复优化工艺的问题，降低工艺优化成本、缩短工艺研究周期，为陶瓷膜超滤技术在中药纯化领域的广泛应用起到一定的推动作用。

本研究以甘肃道地药材红芪为建立模型时的研究对象，由于建立模型时需要收集大量数据，需反复研究其在不同条件下的超滤情况，在建立数学模型的同时得到该药材的精制工艺资料，为其精加工和下游产品开发提供有力的技术支撑。

膜污染现象严重是制约超滤技术在中药工业化生产应用的主要因素。由于膜组件在临界通量以下运行可避免膜表面污染的形成，课题组对实验用陶瓷膜在不同超滤条件下的临界通量进行了预测，保证本文的滤过过程始终在低于临界通量的条件下进行，从而可达到降低膜使用费用、提高生产效率的目的。

课题组将在今后工作中对模型继续进行完善，以确保模型有较强的实用性，利于该技术的推广使用。

1 Xu H(徐缓)，Zhang W(张伟)，Deng YH(邓意辉).Application of ultrafiltration in the pharmaceutical analysis and determination.Chin J Pharm Anal(药物分析杂志)，2013，33:717-723.

2 Cheng P(程鹏)，Wu C(武超)，Hua J(华剑)，et al.Principle and application of ultrafiltration membrane separation inthe field of traditional chinese medicine.Guide China Med(中国医药指南)，2010，11:47-50.

3 Liang S(梁硕)，Pei YT(裴元腾)，Niu C(牛成).Human advanced thinking and artificial neural network.Consume Guide(消费导刊)，2006，11:531-532.

4 Fu XH(傅晓华)，Ye YF(叶毅芳)，Luo MJ(罗美娟)，et al.Prediction of blood tacrolimus concentration in liver transplantation recipients by artificial neural network.Acta Pharm Sin(药学学报)，2012，47:1134-1140.

5 Du SL(杜邵龙)，Zhou CS(周春山)，Zhang J(张杰).Dynamic simulation and prediction of degumming of coix seed oil using ultrafiltration based on neural networks.Membrane Sci Technol(膜科学与技术)，2007，27:17-22.

6 Shen B(沈斌)，Qi FP(漆奋平)，Jiang W(江维)，et al.Analysis and implement of separate Chinese medicine based on BP network.J Wuhan Inst Tech(武汉工业大学学报)，2009，31:55-58.

7 Li LJ(李玲娟)，Li G(李刚).Application and implementation of BP neural net in Chinese herbal medicine's membrane filtration.Computer Simulation (计算机仿真)，2009，26:195-199.

8 Guo LW(郭立玮)，Li LJ(李玲娟)，Dong J(董洁).Study on membrane separation process of Chinese medicine's water extraction based on the method of computer chemistry.Membrane Sci Technol(膜科学与技术)，2011，31:196-204.

9 Cao DM(曹冬梅)，Zhang DJ(张东杰)，Lu BX(鹿保鑫)，et al.Application in prediction of rice quality in storage of neural network.J Chin Cereals Oils Assoc(中国粮油学报)，2014，29:108-112.

10 Bao XH(包旭宏)，Wang JL(王继龙)，Wei SH(魏舒畅)，et al.Enzymatic extraction process of calycosin glucoside and pormononetin in Astragali Radix with quadratic general rotary unitized design.Chin Tradit Herb Drugs(中草药)，2014，45:2641-2646.