基于BP神經網絡的纖維性根莖藥材超濾總皂苷保留率預測模型

王繼龍,劉曉霞,魏舒暢,柳　春,金　輝,范凌云

(甘肅中醫藥大學,甘肅蘭州 730000)

?

基于BP神經網絡的纖維性根莖藥材超濾總皂苷保留率預測模型

王繼龍,劉曉霞,魏舒暢*,柳春,金輝,范凌云

(甘肅中醫藥大學,甘肅蘭州 730000)

為了建立纖維性根莖藥材超濾的總皂苷保留率預測模型,避免超濾技術在用于同類藥材時需重復優化工藝的問題,以紅芪超濾數據為基礎,采用Levenberg-Marquardt(LM)算法優化后的BP神經網絡(LM-BP神經網絡)構建總皂苷保留率預測模型,對模型的預測性能及其對黃芪、甘草的適用性進行考察,并利用連接權值計算輸入變量對輸出變量的相對貢獻率。結果表明,該模型具有良好的預測精度和適用性,對紅芪、黃芪和甘草總皂苷保留率預測的平均絕對誤差和平均誤差率分別為1.10%、1.28%、1.52%和1.48%、1.95%、2.20%,輸入變量的相對貢獻率大小為膜孔徑>壓力>溫度。該研究可為超濾和智能算法在中藥領域的應用提供有益參考。

紅芪,黃芪,甘草,總皂苷,超濾,BP神經網絡

分離純化是中藥生產過程的共性關鍵技術環節,超濾是一種可通過錯流過濾方式對分子量大小不同的物質進行分離的新技術,因過濾精度高、環保、適合工業化生產等特點而在中藥提取液的純化中顯示出獨特的優越性[1]。但由于中藥水提液是一個復雜體系,其超濾過程為非線性系統,加之基礎研究不足,目前該技術在用于每種藥材的純化時需對工藝進行逐一優化,不但延長了工藝研究周期,而且浪費人力物力。因此建立質地和成分相近的同類藥材的超濾工藝預測模型具有十分重要的意義。

人工神經網絡(ANN,Artificial Neural Network)是通過抽象和模擬生物神經網絡的結構與功能,對連續的輸入做出狀態響應的動態信息處理系統,具有良好的自組織、自適應、自學習的非線性映射能力以及高度的容錯性和穩健性,其中以BP神經網絡的使用最為廣泛。目前,BP神經網絡已在中藥材鑒定、劑型處方篩選、生產工藝優化及預測、藥物構效關系數據分析等方面有所應用[2-6]。

本文以纖維性較強的甘肅道地藥材紅芪、黃芪和甘草(均為藥食兩用或保健中藥)為建模和驗證藥材,通過收集其超濾數據,建立適用于纖維性根莖藥材超濾的總皂苷保留率BP神經網絡預測模型,以期為超濾技術在中藥分離純化領域的應用推廣提供參考。

1　材料與方法

1.1材料與儀器

紅芪、黃芪、甘草采于甘肅省武都區,均為藥典收載品種;纖維素酶、木聚糖酶、果膠酶甘肅華羚生物科技有限公司,比活力分別為1.4×106、1.0×107、1.5×105U·g-1;水超純水;其余試劑分析純。

SJM-FHM-02型多通道管狀陶瓷復合膜分離設備、SJM-DGN-030型多功能膜分離設備合肥世杰膜工程有限責任公司;UV Blue Star B型紫外-可見分光光度計北京萊伯泰科儀器有限公司;ABT100-5M電子天平德國KERN公司;AKRY-UP-1816超純水機成都唐氏康寧科技發展有限公司;DK-98-ⅡA型電熱恒溫水浴鍋天津市泰斯特儀器有限公司;1835型烏式黏度計上海笛柏化學品技術有限公司;PB-10型pH計德國Sartorius公司。

1.2實驗方法

1.2.1紅芪藥材的提取為提高成分提取率,采用復合酶(質量比為纖維素酶∶木聚糖酶∶果膠酶=1∶2∶2)按文獻[7]方法對紅芪飲片進行酶解提取,酶解液離心(4000 r·min-1,10 min)處理后取上清,備用。

1.2.2料液的超濾由于膜組件在臨界壓力或通量以下運行可避免膜污染的形成,降低工藝成本,提高生產效率,因此超濾前首先測定上清液的濃度、運動黏度及pH,利用臨界壓力預測模型計算不同溫度和膜孔徑下料液超濾時的臨界壓力值,然后分別在臨界壓力以下按膜孔徑(10、50、100 nm)、壓力(0.09～0.16 MPa)和溫度(20～45 ℃)的各種參數組合進行超濾,收集對應的超濾液,備用。

1.2.3總皂苷的含量測定及保留率計算分別將酶解液上清和超濾液濃縮(藥液比1∶4),依文獻[7]方法制備總皂苷樣品,采用差示比色法[8]測定總皂苷含量,并按下式計算總皂苷保留率:

總皂苷保留率(%)=超濾液中總皂苷含量/超濾前酶解液中總皂苷含量×100

1.2.4輸入變量的確定影響超濾的因素較多,包括膜孔徑、操作壓強、濾過溫度、藥液的濃度、黏度、pH及離子強度等。由于神經網絡的輸入變量數越多,網絡的結構就越復雜,訓練速度越慢。鑒于中藥提取液的離子強度變化有限,且藥液的濃度、黏度和pH等可通過上述臨界壓力預測得到較好的控制,因此選取超濾操作過程中的主要控制參數膜孔徑、壓力、溫度作為輸入變量,總皂苷保留率作為輸出變量。

1.2.5數據分組及預處理將收集到的總皂苷保留率數據隨機分為訓練組(n=50)和檢驗組(n=10)。由于各因素具有不同的量綱,為了加快網絡的學習速度,更好地反映各因素之間的相互關系,訓練前需將樣本數據歸一化至(0.1,0.9)區間內,即:xn=0.1+0.8(x-xmin)/(xmax-xmin),式中,xn為歸一化數據,x為原始數據,xmax和xmin分別為原始數據的最大值和最小值。

1.2.6網絡結構的確定理論已證實一個3層(有1個隱含層)的BP神經網絡可以逼近任意映射關系[9],因此采用3層BP網絡。BP網絡隱含層節點數對網絡的預測性能有直接影響[10],其數目由輸入、輸出層節點數及訓練樣本所蘊含規律的復雜程度等多種因素共同決定,計算公式為m=(l+n)1/2+a(式中,l和n分別代表輸入和輸出層節點數,a為1～10之間的常數),然后采用節點擴張法確定最佳隱含層節點數:已知輸入層和輸出層節點數分別為3和1,可計算得出隱含層節點數的整數區間為3～12,先取最小的節點數對網絡性能進行測試,然后逐漸增加節點數,直到測得網絡的逼近誤差不再有明顯的減小且收斂速度較快時為止。

1.2.7網絡訓練本文利用Matlab7.2的BP神經網絡工具箱對網絡進行訓練,隱含層和輸出層傳遞函數均設為logsig。為了克服傳統BP算法存在的收斂速度慢、學習精度低等缺點,訓練函數設為LM-BP算法對應的trainlm。最大訓練次數設為1000次,學習率為0.01,目標誤差為0.001。

1.2.8貢獻率的計算采用Garson[11]方法,利用連接權計算神經網絡輸入變量的相對貢獻率,其表達式為:

式(1)

式(2)

式中,Si、RIi分別為第i個輸入對第k個輸出的絕對貢獻和相對貢獻大小;Wij、Wjk分別為輸入層到隱含層和隱含層到輸出層的連接權;i、j、k分別為輸入、隱含和輸出層的節點序號;l、m、n則分別為各層節點數。

2　結果與分析

2.1網絡結構和訓練結果

當隱含層節點數為6時,網絡的收斂速度最快,逼近誤差較小,因此將隱含層節點數選為6,BP神經網絡的結構最終為3-6-1(圖1)。網絡在經過189次訓練后其輸出誤差為0.00099,小于0.001,達到了設定的誤差要求并停止訓練(圖2)。

圖1　BP神經網絡結構圖Fig.1　Structure diagram of BP neural network

圖2　誤差收斂曲線Fig.2　Convergent curve of error

2.2貢獻率定量分析

由于神經網絡建模具有“黑箱”特性,無法科學解釋輸入變量對輸出變量的重要程度,因此本文利用訓練好的神經網絡的連接權值(表1)來計算輸入變量的相對貢獻率(表2),不但有利于最佳超濾條件的選擇,而且可找出模型中存在的冗余變量,便于約簡模型。由表2可知,膜孔徑的相對貢獻率最高,其次是壓力,溫度的最低,但也達到了11.36%,對輸出也有較大影響,表明所選的這3個變量代表性較好,可將其確定為模型的最終輸入變量。

表2　輸入變量對輸出的相對貢獻率

表1　連接權矩陣

表3　預測值與測定值結果

圖3　模型預測輸出Fig.3　Predicted output of

圖4　模型預測誤差Fig.4　Predicted error of BP neural network

2.3模型檢驗結果

為了檢驗BP神經網絡模型的模擬能力,利用預留的檢驗組數據對總皂苷保留率進行模擬。結果發現,盡管有局部的高估或低估現象存在,但總體上預測輸出與期望輸出十分接近(圖3)。誤差分析結果(圖4)顯示,模擬的平均絕對誤差和平均誤差率分別為和1.10%和1.48%,表明模型的模擬精度和適用性較高。

2.4模型適用性考察

為了考察BP神經網絡模型對同類藥材的適用性,選擇甘肅大宗道地藥材黃芪和甘草進行考察。將按文獻[12-13]提取工藝制得的黃芪和甘草提取液在臨界壓力以下進行超濾,分別測定不同條件下的總皂苷保留率,并用上述神經網絡計算對應的預測值(表3)。結果顯示,利用神經網絡計算所得黃芪和甘草總皂苷保留率的預測值與實驗測定值的吻合性均較好,模擬的平均絕對誤差分別為1.28%和1.52%,平均誤差率分別為1.95%和2.20%,說明該BP神經網絡模型對建模藥材紅芪以外的同類其他藥材具有較高的模擬精度和適用性。

3　結論

通過建立人工神經網絡預測模型,對纖維性根莖藥材超濾的總皂苷保留率進行預測。研究結果表明,建立的3層結構BP神經網絡的預測精度和適用性較好,對于紅芪、黃芪和甘草超濾的總皂苷保留率預測的平均誤差率分別為1.48%、1.95%和2.20%。該模型的建立將有助于避免對同一類藥材超濾工藝的逐一優化,縮短工藝研究周期,節約大量的人力物力,對于膜分離技術及現代信息技術在中藥行業的推廣應用具有一定參考價值。同時通過大量實驗得到的紅芪精制工藝資料,可為高品質藥品及精加工功能食品的生產提供有力的技術支持。

[1]郭立瑋.中藥制藥工業對膜科學技術的重大需求與關鍵問題[J].中草藥,2009,40(12):1849-1855.

[2]楊詩龍,王瑾,汪云偉,等.基于電子鼻與人工神經網絡的陳皮鑒別研究[J].時珍國醫國藥,2015,26(1):112-114.

[3]李玲,李時鳳,何宇新.基于人工神經網絡的白芷總香豆素緩釋片處方篩選研究[J].中藥材,2014,37(5):875-880.

[4]張超,韓麗,楊秀梅,等.BP神經網絡結合正交實驗優化苦參方中荊芥揮發油的提取工藝[J].中成藥,2015,37(1):70-74.

[5]柳春,劉曉霞,魏舒暢,等.基于紅芪芒柄花素保留率建立纖維性根莖藥材超濾預測模型[J].天然產物研究與開發,2015,27(9):1550-1553.

[6]胡律江,郭慧玲,曾輝,等.基于BP-ANN模型的香附效應成分篩選[J].中國實驗方劑學雜志,2013,19(22):27-30.

[7]王繼龍,陳方圓,魏舒暢,等.二次通用旋轉組合設計優化紅芪中芒柄花素和總皂苷的酶解提取工藝[J].中成藥,2015,37(9):1926-1931.

[8]陳方圓,閆治攀,魏舒暢,等.差示比色法測定紅芪總皂苷含量的方法研究[J].時珍國醫國藥,2014,25(6):1305-1307.

[9]Robert H N.Theory of the back propagation neural network[D].International Joint Conference on Neural Networks,1989:593-605.

[10]Moody J O,Antsaklis P J.The dependence identification neural network construction algorithm[J].IEEE Transactions on Neural Network,1996,7(1):3-15.

[11]Garson G D.Interpreting neural-network connection weights[J].AI Expert,1991,6(4):46-51.

[12]包旭宏,王繼龍,魏舒暢,等.二次通用旋轉組合法優化黃芪中毛蕊異黃酮苷和芒柄花素的酶解提取工藝[J].中草藥,2014,45(18):2641-2646.

[13]朱中佳,熊富良,張雪瓊,等.甘草總皂苷的提取純化工藝研究[J].中成藥,2011,33(2):341-343.

Total saponins retention rate prediction model of ultrafiltration for fibrous rhizome herbs based on BP neural network

WANG Ji-long,LIU Xiao-xia,WEI Shu-chang*,LIU Chun,JIN Hui,FAN Ling-yun

(Gansu University of Chinese Medicine,Lanzhou 730000,China)

The objective of this study was to establish the total saponins retention rate prediction model of ultrafiltration for fibrous rhizome herbs. It could avoid optimizing ultrafiltration technology of similar herbs repeatedly. The model was established based on the ultrafiltration data ofHedysariRadixby Levenberg-Marquardt(LM)arithmetic combining BP neural network. The performance and applicability of the improved LM-BP neural network model were evaluated. Then the relative importance of input variables were assessed using the connection weights of the model. Results showed that the model had the better accuracy and applicability. The mean absolute error forHedysariRadix,AstragaliRadixandGlycyrrhizauralensiswas 1.10%,1.28% and 1.52%,respectively. Mean error rate was 1.48%,1.95% and 2.20%,respectively. The relative contribution of input variables to retention rate presented the order of membrane pore size>pressure>temperature. The study could provide a useful reference for the application of ultrafiltration and intelligence algorithm in Chinese medicine industry.

HedysariRadix;AstragaliRadix;Glycyrrhizauralensis;total saponins;ultrafiltration;BP neural network

2015-11-29

王繼龍(1986-)，男，碩士，助教，研究方向：中藥制劑工藝，E-mail：drake1520@163.com。

魏舒暢(1969-)，男，教授，研究方向：中藥制劑新劑型與新技術，E-mail：wshch006@sina.com。

國家自然科學基金資助項目(81060345，81460608)；甘肅省基礎研究創新群體項目(1506RJA034)。

TS218

A

1002-0306(2016)12-0085-04

10.13386/j.issn1002-0306.2016.12.008