该成果以“Rapid Determination of Pachymic Acid Content by Near-Infrared Spectroscopy”为题发表在中科院4区期刊Journal of Food Quality（IF2.450）。
茯苓是一种重要的药用真菌，在我国应用历史悠久。茯苓酸是茯苓的关键活性成分，具有降血糖、抗炎、抗肿瘤等作用，因此常作为茯苓质量的标志性成分。目前茯苓酸的标准测定方法有比色法和高效液相色谱法。高效液相色谱法具有较高的准确性和稳定性，常被作为参考方法，但其分析过程耗时耗力，制约了其在市场上的广泛应用。而2020年版的《中国药典》中还未包含该成分的定量测定方法。因此，随着茯苓产业的快速发展，迫切需要一种高效、快速测定茯苓中茯苓酸含量的方法。
近红外光谱法具有速度快、效率高、灵敏度高、样品处理简单、仪器操作方便等优点，已广泛应用于食品、医药等行业，是近年来在中药研究领域广泛应用的一种快速分析方法。本研究使用近红外光谱法成功建立了茯苓中茯苓酸的快速定量分析模型，为茯苓的质量控制和市场管理提供技术参考。
不同的光谱区间内所包含的信息是不同的，通过选择合适的光谱区间建立定标模型，往往可以得到预测能力强、稳健性好的定标模型。通过比较不同光谱区间的建模结果，选择合适的光谱范围。通过研究发现，当光谱区间为4000-10000 cm-1，即近红外全光谱范围为近红外模型的最佳波长范围。
表 1 光谱区间的筛选实验结果
在近红外光谱数据分析过程中，一些系统因素，如样品粒度、表面纹理等，会导致基线漂移，影响模型建立的可靠性和稳定性。采用单个数据预处理方法和组合数据预处理方法评价不同的光谱预处理方法，进而筛选出最合适的，结果如表 2所示。
表 2 光谱预处理方法的筛选实验结果
在使用偏最小二乘法进行建模时，主因子数的合适与否直接关系到定标模型的好坏。如果主因子数选取过少，会造成原始光谱中有用信息的丢失，拟合不充分，这往往会降低模型的预测能力；如果主因子数选取太多，一些与样品本身无关的信息就会被包括进来，出现过度拟合的现象，导致模型的预测误差变大。本实验中又通过r2c、RMSEC和RMSEP确定最佳的主因子数。
表 3 最优近红外预测模型参数
经过多步建模，有表 3结果可以看出近红外光谱技术预测茯苓酸含量模型中分别有6套参数模型纳入备选项（即r2c大于0.9）。最后通过验证集从6个备选方案中再次筛选确定最优模型，其中茯苓酸近红外模型2号的r2v最大，为0.917。由此得到预测茯苓酸含量的最优NIR分析模型参数如表 4所示。
表 4 最佳近红外模型参数表
此模型的预测值和实验值十分接近（散点图如图2），两者的比值与1无统计学差异（P =0.512），证明，近红外分析模型对茯苓中茯苓酸的含量具有较好的预测精度。
图 2 验证集样品的模型预测值与实测值线性图
本研究采用NIR光谱分析结合化学计量学建立了茯苓酸含量检测方法，扩大了NIR技术的适用性。与现有的茯苓酸分析方法相比，NIR方法具有预处理简单、分析速度快、多样处理能力高、成本低等优点，有利于茯苓的质量控制，促进茯苓产业的快速发展。
