应用BP神经网络模型研究麻杏石甘汤方中麻黄对甘草酸含量的影响

1、应用BP神经网络模型研究麻杏石甘汤方中麻黄对甘草酸含量的影响                    作者：武孔云，梁光义，贺祝英，靳凤云，孙超，李星 【摘要】   目的考察麻杏石甘汤中不同组方配伍对甘草酸含量的影响。方法采用混料均匀设计法，固定麻杏石甘汤中的甘草量，将其他药材(麻黄、杏仁、石膏)作为可变因素，以甘草酸的测定量作为考察指标，应用BP(back propagation)神经 网络 模型

2、对试验数据进行学习、预测。结果 BP神经网络模型对麻杏石甘汤方中甘草酸含量的预测值可用。结论在一定范围内甘草酸含量随着麻黄用量(1.099 811.423 1 g)的增大而增大;麻黄用量超过11.423 1g后，方中甘草酸含量稳定在7.444 2 mg/g。 【关键词】   麻杏石甘汤; 混料均匀设计; 甘草酸; BP神经网络Abstract：ObjectiveTo investigate the effect of Ephdra vulgaris in Maxingshigan Decoction on glycyrrhizic acid content. MethodsThe g

3、lycyrrhizic acid content in Maxingshigan Decoction was fixed with tempering uniformity , other medicinal materials (ephdra vulgaris, almond, plaster) were used as variable factors,and the content of glycyrrhizic acid was used as inspection target,tested data were studied and forcasted with back prop

4、agation neural network model.ResultsThe forecasted and measured value of glycyrrhizic acid contents were the same as BP neural network model. The forecasted value in Maxingshigan Decoction was available with BP neural network model. ConclusionThe content of glycyrrhizic acid augmented when ephdra co

5、ntent (1.099 8 11.4231 g) was increased within limits. When the ephdra vulgaris content exceeded 11.433 1 g, glycyrrhizic acid content was 7.444 2 mg/g steady.Key words： Maxingshigan decoction; Tempering equation design; Glycyrrhizic acid; BP neural network麻杏石甘汤一方出自东汉名医张仲景伤寒论一书，由麻黄6 g，苦杏仁9 g，甘草6 g，石

6、膏24 g组方，该方具有辛凉宣肺、清热平喘之功效，主治表邪未解，肺热咳喘证。原方各药用量为：麻黄四两，杏仁五十个，炙甘草二两，石膏半斤。根据 现代 临床经验证明，石膏用量的大小在麻杏石甘汤 治疗 咳喘症的疗效上起到了关键的作用，重用石膏能够使该方的疗效大大提高，使咳喘诸症更快得到缓解1。为了研究麻杏石甘汤中麻黄药材对甘草酸溶出的影响因素，我们运用混料均匀设计法在保证麻杏石甘汤处方量的前提下，对各提取液的甘草酸用HPLC进行了含量测定，用BP神经网络对测定结果进行了分析。此工作对阐明复方配伍原理有一定的意义。现报道如下。 1 仪器与试药 美国Agilent1100高效液相色谱仪，包括Agilen

7、t-G1312A二元泵，G1315B二极管阵列检测器，G1313自动进样器，G1316A柱温箱，G1322A真空脱气机，Agilent-A.08.03847化学工作站;超声波清洗机(HS10260D，10L);800型离心沉淀器(25 W，最高转速4 000 r/min，上海手术器械厂)。药材经贵阳中医学院董丽莎教授鉴定，麻黄(批号2005601)为麻黄科植物草麻黄Ephedra sinica Stapf;甘草(批号2005601)为豆科植物甘草Glycxycrrhiza uralensis Fisch.;苦杏仁(批号2005601)为蔷薇科植物杏Prunus armeniaca L.的干燥成

8、熟种子;石膏(批号20041010)为硫酸盐类矿物硬石膏族石膏Gypsum Fibrosum.。以上药材均购于贵州圣济堂制药有限公司。甘草酸单铵盐( 中国 生物制品鉴定所，批号：0731-9704)对照品;麻杏石甘汤传统复方汤剂(自制);甲醇为色谱纯，醋酸胺、冰醋酸为分析纯，水为重蒸馏水(自制)。 2 方法与结果 2.1 色谱条件色谱柱为Diamonisl C18柱 5m(250 mm×4.6 mm);流动相为甲醇-0.2 mol/L醋酸胺溶液-冰醋酸(67331);流速1 ml/min;检测波长为250 nm(甘草酸单铵盐在200400 nm扫描在250 nm处有最大吸收);柱温2

9、5。进样量为5l，在上述条件下，甘草酸与杂质峰可完全分离，空白样品无干扰。见图1。2.2 对照品溶液的制备精密称取甘草酸单铵盐对照品11.28 mg，置50 ml量瓶中，用流动相溶解并稀释至刻度，摇匀，即得(每毫升甘草酸单铵盐对照品0.225 6 mg，折合甘草酸为0.221 mg)。2.3 标准曲线的绘制分别精密吸取甘草酸标准溶液，用流动相稀释配制浓度分别为0.044 2，0.088 4，0.132 6，0.176 8，0.221 0，0.265 2 mg/ml的甘草酸系列对照品溶液。精密吸取上述甘草酸系列对照品溶液各10 l，按上述色谱条件依次测定，记录色谱，以峰面积积分值(A)对进样量(

10、C)进行线性回归，得回归方程：A= 710.033C +2.967，r =0.999 9，甘草酸单铵盐在0.4422.652 g间浓度与峰面积的线性关系良好。2.4 精密度实验考察精密吸取同一对照品溶液10 l，重复进样6次，RSD=0.83%，表明精密度良好。a-甘草酸单铵盐 b-传统汤剂 c-缺炙甘草传统汤剂阴性对照图1 样品HPLC图2.5 稳定性考察精密吸取供试品液各10 l，照上述色谱条件，每2小时测定1次，各测5次，RSD=0.79%，表明供试品液在8 h内稳定。2.6 回收率考察称取各味药材9份，精密按表1中的加入量加入甘草酸单铵盐对照品，按上述条件各制备高、中、低浓度的供试液各

11、3份，并按色谱条件项下进样，测定峰面积，记录色谱图， 计算 。结果见表1。表1 甘草酸加样回收率测定结果麻杏石甘汤混料均匀设计2处方组合：为考察处方组合对甘草酸含量的影响，固定各组合中炙甘草的处方量为6 g，对处方中其余三味药材采用混料均匀设计的方法进行设计，由DPS软件生成混料均匀设计表(见表2)。麻杏石甘汤整个处方总量为45.0 g，由于炙甘草称样量为6.0 g，则其余三味药材的药材量为39.0 g。根据不同配比组方称取药材，按照麻杏石甘汤传统复方汤剂的制备方法分别对9个组合进行制备。具体组方配比见表2。即按照各组合的不同组方配比称取药材，加10倍量水常温浸30 min，煎煮保持微沸30

12、min，趁热过滤，滤渣加7倍量水煎煮保持微沸20 min，趁热滤过，合并2次滤液，药渣水洗3次，与滤液合并，减压浓缩，定容至50 ml容量瓶中，每一复方号同法平行制备3份，即得。表2 混料均匀设计的方案及药材配比组合药材称样量(g)为3次平行实验称样量的平均值 2.7 供试品溶液的制备精密吸取各组方试液各2 ml，置25 ml容量瓶中，加流动相约20 ml，超声处理(功率250 W，频率20 kHz)20 min，取出，放冷，加流动相定容至刻度，摇匀，滤过，取续滤液用0.45 m的微孔滤膜滤过，即得。2.8 含量测定取各组供试液进样，在上述色谱条件下进行测定，测定不同组方配伍中甘草酸的含量。结

13、果见表3。表3 混料均匀设计麻杏石甘汤不同组方配伍中甘草酸的含量2.9 神经 网络 模型的建立及参数设定为避免使网络复杂化，增加网络的训练时间和出现“过拟合”的倾向。我们应用DPS39.01软件，建立含有一个隐层的BP神经网络数学模型，创建麻杏石甘汤的药材用量与甘草酸含量指标的非线性影射模型。选取麻杏石甘汤中可能影响甘草酸含量的3味药材作为输入层神经元，以甘草酸含量指标作为输出神经元，根据确定隐层节点数的基本原则和经验，隐层节点数确定为2。采用误差反向传递学习算法(BP算法)，建立起拓扑结构为3-3-1的药材用量与甘草酸含量指标的BP神经网络模型。初始权值的确定，由DPS产生一组-0.5+0.

14、5随机数，作为网络的初始权值;最小训练速率，训练速率越大全重变化越大，收敛越快，但是过大易引起系统震荡，故训练速率在不引起系统震荡的前提下越大越好，一般由经验而定，本研究取0.1;动态参数，一般也由经验决定，本研究取0.6;允许误差，本研究取值0.000 1;迭代次数，取值1000;Sigmoid参数，本研究取值0.9。神经网络模型的学习，将表3中9个处方的不同药材量及其甘草酸含量输入DPS，并定义为块，输入上面所选择的各项参数，让BP神经网络模型进行学习，网络训练误差曲线如图2所示。结果表明，所建立的BP 神经网络模型具有较好的收敛性，可用于麻杏石甘汤甘草酸含量的预测。图2 网络训练误差曲线

15、2.10 用BP模型预测甘草酸含量固定处方中苦杏仁、石膏的用量，麻黄由1.099 8 g增加到29.807 7 g，带入BP模型，预测结果见表4。表4 麻黄量引起的甘草酸变化的预测结果 3 结论 通过甘草酸含量的预测值(见表4)，从中我们可以看出，麻杏石甘汤中麻黄用量的变化可引起方中甘草酸含量的变化。在一定范围内甘草酸含量随着麻黄用量(1.099 811.423 1 g)的增大而增大;麻黄用量超过11.423 1 g后，方中甘草酸含量稳定在7.444 2 mg/g。BP神经网络模型对试验数据进行学习，要求试验数据涵盖面广，故我们采用混料均匀设计处方，其目的是使实验数据均匀分布在所要求的范围内，从而实现具代表性的目的;通过BP神经网络模型对我们感兴趣的目标进行预测，可产生与实测值相吻合的大量预测值，减少实验次数、节约经费，从而实现研究目标的目的。BP神经网络模型首次用于研究麻杏石甘汤方中的麻黄对甘草酸含量的影响，取得较好的结果，基本与我们以前的研究结果相一致4，说明将其应用于复方研究，探讨复方各组分之间的关系，具有一定的实用价值。 【 参考 文献 】   1 陈雪梅.麻杏石甘汤中石膏用量的重要性J.四川中医，2001，19