真伪天麻的交叉响应特征谱研究

, ,,

(湖南环境生物职业技术学院,湖南衡阳 421000)

真伪天麻的交叉响应特征谱研究

杨赛男,戴斌*,呙爱秀,雷黎明

(湖南环境生物职业技术学院,湖南衡阳 421000)

利用哺乳动物味觉系统的交叉响应原理,构建天麻特征谱,对真伪天麻进行鉴别,并对该检测系统进行精简。利用96孔板构建8传感单元的阵列传感器,使用酶标仪采集信号,组合8个传感单元信号即构成检测对象的特征谱。利用该传感器对天麻、新鲜天麻,以及天麻的4种常见伪品(芭蕉芋、马铃薯、羊角天麻、紫茉莉根)进行鉴别。结合主成分分析(PCA)、分层聚类分析(HCA)和判别分析(LDA)等模式识别方法进行数据处理。PCA结果显示,该传感器主要是基于极性与酸碱度实现对6种样本的识别;HCA 结果表明,6类材料共24个样本均正确归类;LDA结果显示,该传感器对6类材料的识别准确率达100%。通过分析8个传感点的相关性,可对传感器进行精简,精简后的3单元传感器也可将6类材料聚类分开。该方法简单有效,且可批量操作,在真伪天麻的快速、通量鉴别中有潜在应用价值。

天麻,鉴别,味觉仿生,阵列传感器,特征谱

天麻作为我国的一种名贵中药材,常用于小儿惊风、头痛眩晕、癫痫抽搐等症状和疾病。天麻用途广泛,且可药食同源,因此市场需求大,导致一些不良商贩以次充好。目前,用于天麻鉴别的方法有性状鉴别和理化鉴别[1],但这些方法以单一的指标进行鉴别,而天麻含有多种有效成分,单一指标不能完整的反映其真实信息。近年化学指纹图谱法弥补了这种不足,可反映药材整体信息,具有整体性和模糊性,是中药质量控制的一种新的方法[2]。目前天麻指纹图谱方法包括:液相色谱法[3]、薄层色谱法[4]、红外光谱法[5]等。而本研究提供的阵列检测分析,为天麻的鉴别拓展了方法。

阵列传感分析是一种新型的味觉仿生技术,哺乳动物对于味道的识别是基于交叉响应识别的机理[6],即每一种味道在大脑里都是一个组合,一种由系列感受器响应所形成的信号组合。阵列传感技术通过构建一系列的传感点,集合各传感点对被检测物的响应信号,形成一个指纹谱图。该类传感器由多个传感点构成,每个传感点不必具有特异性,只需对不同的分析对象有不同程度响应,综合所有传感点的信息构成了分析对象的指纹图谱。虽然每个传感点不具备特异性,但集合几个传感点信号所形成的指纹图谱特异性强,已有课题组用于检测生物碱[7]、芳香胺[8]、蛋白质[9]、白酒[10]等。本研究利用交叉响应原理构建的阵列传感器,对天麻、新鲜天麻及其常见的4种伪品进行了识别。

1 材料与方法

1.1材料与仪器

溴酚蓝钠盐、甲基橙、桑色素、邻苯二酚、橙黄G、甲基蓝、次甲基蓝、4氨基比林 分析纯,阿拉丁公司。

测试样本包括芭蕉芋(新鲜,BJY)、马铃薯(新鲜,MLS)、天麻(TM)、新鲜天麻(XXTM)、羊角天麻(YJTM)、紫茉莉根(ZMLG),其中天麻、羊角天麻与紫茉莉根 瑞丰成中药材有限公司,芭蕉芋、马铃薯与新鲜天麻 竹林桃源百货。

SK201酶标仪 深圳盛信康科技有限公司;FW135中药粉碎机 天津泰斯特仪器有限公司;KQ2200超声仪 昆山超声仪器有限公司。

1.2实验方法

1.2.1 实验样品的准备 取各样本粉末0.5 g(过一号筛),加5 mL 70%甲醇,超声处理(功率100 W,频率40 kHz)30 min,滤过,取滤液作为测试样溶液。

1.2.2 传感器构建 选取了8种感应物质,其中溴酚蓝钠盐、甲基橙、橙黄G和甲基蓝对检测体系的酸碱度有响应,甲基橙、邻苯二酚、次甲基蓝和4-氨基比林对检测体系的氧化还原性有响应,甲基蓝对检测体系的极性有响应,桑色素对检测体系的金属离子有响应。

利用96孔板构建阵列传感器,如图1所示布局,每列的8个孔构成一个阵列,相当于一个传感器。一块96孔板,相当于12个传感器,可进行12个样本的检测。

图1 传感器构建图Fig.1 Actual picture of the array sensor

向每一列的8个孔中,分别加入100 μL对应传感物质S1～S8,传感物质的检测波长如表1所示;再向这8孔中,加入100 μL待检测物,于20 ℃下振荡10 min,测定对应波长的光密度(OD值),每个样本进行4个平行样测定。

表1 8种传感材料及其检测波长Table 1 The wavelengths of 8 sensing material

2 结果与讨论

2.1各分析物的指纹图谱

利用8个传感物质对同一个分析物进行检测时,可检测到8个OD值,将其组合即构成相应的检测特征谱图。实验研究了传感器对于6种材料的检测效果,所构成的特征谱如图2所示。利用单一的传感点,无法将6种材料分开,而集合了8个传感点的数据,所形成的特征谱,可以明显将6种材料区分。

图2 6种材料的特征谱Fig.2 The characteristic spectrum of six analytes

2.2主成分分析(HCA)

图3 前两个主成分为轴的样本散点分布图Fig.3 PCA score plot using the two most important principalcomponents based on the data for six analytes

利用阵列传感器进行检测分析时,其产生的反应数据是多维的,要从这些数据中分析检测机理难度大,因此,引入主成分分析对数据进行降维处理,以推断其检测机理。主成分分析是通过正交变换将原本有相关性的一组变量,删除重复的变量从而得到一组线性不相关的新变量,用尽可能少的综合变量来体现原来变量的信息。利用SPSS软件的主成分分析模块对数据进行处理,以提取的第一主成分作横坐标,第二主成分作纵坐标,可得到样本的二维散点分布图,如图3所示。由图可知,降维后所得到的两个综合变量主成分1(PC1)和主成分2(PC2),即覆盖了原有变量82.1%的信息。样本在第一主成分上的投影依次为羊角天麻、天麻、紫茉莉根、新鲜天麻、芭蕉芋、马铃薯。从投影的顺序看得,前三个样本均为干品,后三个样本均为新鲜样本,而含水量以及挥发油含量可影响溶液极性,溶液的极性影响指示剂颜色变化[11],因此推断第一主成分是基于样本极性的识别。样本在第二主成分上的投影依次为新鲜天麻、天麻、羊角天麻、芭蕉芋、马铃薯、紫茉莉根。从各物质的化学成分分析,各样本中均含有有机酸,而紫茉莉根有机酸最高[12],因此,推断第二主成分是基于样本的酸度的识别。

表2 8个传感点的相关性Table 2 The correlation of 8 sensing units

2.3聚类分析(HCA)

聚类分析是综合所有的数据信息对样本进行分析,依据分析对象之间的相似程度进行分类,性质相似的样本成一簇。该方法是对样本逐个扫描,根据每个样本与扫描过的样本的距离,归为一类或生成新类,并按照一定的标准,按类间距离进行合并,常用到的距离为欧式距离。聚类分析结果如图4所示。由结果可知,各种材料均清晰分类,而平行样均聚成一簇,表明该检测阵列重复性好,且分辨率高。其中,天麻与新鲜天麻在聚类分析图上,形成了两簇,说明天麻与新鲜天麻在成分上存在差异,然而,随着欧氏距离的增加,天麻与新鲜天麻又聚成了一簇,虽然两者存在差异,但差异较小。而其他的4类伪天麻,明显与天麻区分开。其中芭蕉芋与马铃薯聚成一簇,而羊角天麻,虽然在外观上与天麻最为类似,但利用该方法进行分辨时,其区别最大,反而更易区分。

图4 6种材料的聚类分析图Fig.4 HCA plots for six analytes

2.4判别分析(LDA)

判别分析是利用已有分类的样本信息进行训练,按照一定的判别规则建立一个或多个判别函数,通过判别函数计算未知样本的判别指标,从而判定其归属何类。本研究中,利用SPSS中“leave one out”模式进行判别分析,即任意取出1个样本,用剩余的23个样本作训练样本,得到判别模型,利用该模型对取出的1个样本进行分类,并与该样本的实际类别对比。依次对24个样本进行该项分析,判别结果表明,该液体阵列对6种材料识别准确率可达100%,无一例误判。

2.5阵列精简

阵列传感器的传感点越多,其交叉相应识别性能越强大,但过多的传感点,使得该传感分析技术成本增加,也不利于该传感阵列的微型化。而对于传感点数量的确定,有一定的随意性,作者未见关于阵列精简的相关研究,因此本研究对构建的8单元传感阵列进行了精简。构建阵列时,所选择传感物质均具有广谱响应的特点,而这些敏感物质在对同一分析物响应时,可能会信息重复,所以可以通过剔除识别性能相近的传感点以精简阵列。通过主成分分析,得到各传感点的相关性,如表2所示。

由表可知,S1与S6与其他几类传感器相关性低,保留S1和S6,而S2与S3、S4、S5、S7、S8相关性高,因此,仅保留S2。利用S1、S2、S6构建新阵列,对这6种材料进行鉴别,聚类分析结果如图5所示,结果表明,S1、S2、S6构建的阵列可将6种材料区分。

图5 3单元阵列(S1、S2、S6)检测6类材料的聚类分析图Fig.5 HCA plots for six analytes by the sensorincluding 3 sensing units(S1,S2,S6)

使用相关性高的S2、S3、S4构成新阵列,对6种材料鉴别,聚类分析结果如图6,结果显示该阵列的鉴别能力要明显低于S1、S2、S6所构成的阵列。

图6 3单元阵列(S2、S3、S4)检测6类材料的聚类分析图Fig.6 HCA plots for six analytes by the sensorincluding 3 sensing units(S2,S3,S4)

因此,通过分析各传感点的相关性,可以对阵列进行精简。在精简实验中,发现仅利用3种传感物质即可对6种材料进行明显区分。

3 结论

本文利用8种常见的敏感材料构建了检测阵列,结合8种材料的光谱响应数据构成了分析物的特征谱,该检测阵列成本低廉且简单易行,所构成的指纹图谱分辨力高,利用该方法可对天麻以及其常见伪品进行了识别。同时,本文利用各传感点的相关性进行了阵列精简,为精简和优化阵列传感器提供了思路,精简后的3单元阵列有强大的鉴别能力,一次96孔板的测试能进行32个样本的分析,因此在天麻真伪快速通量鉴别方面有潜在应用价值。

[1]国家药典委员会. 中华人民共和国药典[S].一部. 北京:中国医药科技出版社,2015:58-59.

[2]韩哗华,霍飞凤,杨悠悠,等. 中药指纹图谱研究的某些进展与展望[J]. 色谱,2008,26(2):142-152.

[3]杨芝芳,邓薇,宗露,等. 不同产地和品种天麻的HPLC指纹图谱研究[J]. 华西药学杂志,2016,31(2):188-191.

[4]朱迪,谭丹,谢玉敏,等. 不同产地天麻药材薄层色谱指纹图谱分析[J]. 中国实验方剂学杂志,2015,21(5):75-78.

[5]季晓巧,李娜,王俊儒,等. 天麻及其5种伪品红外指纹图谱鉴别研究[J]. 西北植物学报,2008,28(4):831-835.

[6]K Mori,YK Takahashi,KM Igarashi,et al. Maps of odorant molecular features in the Mammalian olfactory bulb[J]. Physiological Reviews,2006,86(2):409-412.

[7]R Pei,A Shen,MJ Olah,et al. High resolution cross reactive array for alkaloids[J]. Chemical Communications,2009,22(22):3193-3195.

[8]NT Greene,KD Shimizu. Molecularly imprinted polymer sensor array[J]. Journal of the American Chemical Society,2005,127(15):5695-5700.

[9]Hao Kong,Da Liu,Sichun Zhang,et al. Protein sensing and cell discrimination using a sensor array based on nanomaterial assisted chemiluminescence[J]. Anal Chem,2011,83(6):1867-1870.

[10]侯长军,戴斌,霍丹群,等. 基于液体阵列味觉仿生传感器鉴别白酒香型的新方法[J]. 高等学校化学学报,2013,34(7):1623-1628.

[11]何瑾馨.染料化学.北京:中国纺织出版社,2004:54.

[12]中华本草编委会. 中华本草[S].第二卷. 上海:上海科学技术出版社,1999:748.

StudyoncharacteristicspectrumofGastrodiaelatabasedoncrossresponse

YANGSai-nan,DAIBin*,WOAi-xiu,LEILi-ming

(Hunan Polytechnic of Environment and Biology,Hengyang 421000,China)

A characteristic spectrum ofGastrodiaelatawas established based on the crossing response of gustatory system of mammals to identify true and falseGastrodiaelata. This detection system was simplified. The array sensor with 8 sensing units was established by a piece of 96-well plate. Signal were collected by the ELIASA and combined with signals of 8 sensing units into the characteristic spectrum of detection objects.Gastrodiaelata,freshGastrodiaelataand four common categories of fakeGastrodiaelata(Canna edulis Ker,potato,Dobinea delavayi and Radix Mirabilis)were identified by this sensor. Data processing was carried out by combining principal component analysis(PCA),hierarchical clustering analysis(HCA)and linear discriminant analysis(LDA). PCA results demonstrated that this sensor mainly identifies 6 samples based on polarity and pH value. According to HCA results,24 samples of 6 categories were all classified accurately. LDA results showed that the identification accuracy of this sensor to six categories reached 100%. The established array sensor could be simplified into a sensor with 3 sensing units by analyzing correlation of 8 sensing units. The simplified sensor also can make accurate classification of 6 sample categories. The proposed method is simple and effective and can make mass-operations. It possesses promising potential application values in fast flux identification ofGastrodiaelata.

Gastrodiaeelata;identification;taste biomimetic;sensor array;characteristic spectrum

TS201.2

A

1002-0306(2017)19-0227-04

10.13386/j.issn1002-0306.2017.19.041

2017-04-14

杨赛男(1988-)，女，硕士，讲师，研究方向：中药质量控制，E-mail:keepmoving9@163.com。

*通讯作者:戴斌(1986-)，男，硕士，讲师，研究方向：药物分析， E-mail:daibin208@126.com。

湖南环境生物职业技术学院青年基金项目(Z2015-05)。