Page 56 - 《中国药房》2021年20期
P. 56

C2H4O2] ,再脱去 1 分子 CO 形成碎片离子 m/z 203.143 1
               +
                                 +
        [M+H-H2O-C2H4O2-CO] 。根据裂解规律及特征并                               0.6
        参考相关文献[23],推测化合物17为1-O-乙酰旋覆花内                                 0.4
        酯,其可能的裂解途径见图4。
                                                                      0.2
                                                                    p[2]
                                                                       0

            m/z 309.169 4       m/z 291.054 1  m/z 231.137 6         -0.2
                                                                     -0.4
                                                                        0  0.05  0.1  0.15  0.2  0.25  0.3  0.35
                                                                                     p[1]
                                                                              2
                                                                                        2
                                               m/z 203.143 1                  R X[1]=0.777  R X[2]=0.031 8
                图4 1-O-乙酰旋覆花内酯的裂解途径                                图6 29个共有化学成分的PCA 载荷图
        Fig 4 Fragmentation pathway of 1-O-acetyl britanni-  Fig 6 PCA loadings plot of 29 common chemical com-
               lactone                                            ponents
        2.7 PCA                                             成分的峰面积为变量,采用 SIMCA 14.1 软件进行有监
            PCA 是一种通过降维的方法将多个变量转化成一                         督的OPLS-DA,结果见图7。由图7可知,累积解释能力
                                                                                                 2
                                                                   2
        组新的、互相无关的若干综合变量,且每个新的综合变                            参数(R X)为 0.799,累积解释能力参数(R Y)为 0.994,
                                                                                                   2
                                                                           2
        量均能够反映原始变量信息的统计方法                     [24 - 25] 。由于  预测能力参数(Q )为 0.988,均大于 0.5,且 Q 大于 0.9,
                                                                                    [11]
        PCA 是一种无监督的分析方法,有一定的局限性,一般                          表明该模型的预测能力较好 。
                                              [26]
        仅用来观察实验样品的自然分布和组别关系 。
                                                                     0.8
            本研究以 29 个共有化合物的峰面积为变量,采用
                                                                     0.6
        SIMCA 14.1 软件进行 PCA,结果见图 5、图 6。由图 5 可                        0.4
        知,旋覆花与蜜旋覆花分别位于得分图的两侧,预测能                                     0.2 0
                                              2
                 2
        力参数(Q )为 0.717,主成分累计贡献率[R X(cum)]为                         1.183 63*to[1]  -0.2
                                       [27]
        0.809,表明所建 PCA 模型聚类良好 ;旋覆花与蜜旋覆                              -0.4
                                                                    -0.6
        花可完全分离,提示经蜜炙后,旋覆花的化学成分发生                                    -0.8
        了明显变化。图6中,每个峰代表1个变量,PCA模型的                                  -1.0
                                                                      -5 -4 -3 -2 -1  0  1  2  3  4
        载荷图能够说明不同变量对于各个主成分的贡献大小,                                                    t[1]
                                                                  R X[1]=0.774  R Xo[1]=0.024 6  Ellipse:Hotelling’s T2(95%)
                                                                   2
                                                                             2
        距离原点越远表明该成分对样品的差异贡献率越
                                                                图7    旋覆花及蜜旋覆花的OPLS-DA得分图
          [27]
        大 。由图6可知,大部分成分聚集在同一区域,仅有少
                                                            Fig 7  OPLS-DA scatter score diagram of I. japonica
        部分离群,这少部分远离原点的成分是引起旋覆花与蜜
                                                                  and honey-fried I. japonica
        旋覆花化学成分差异的物质基础。
                                                                有研究指出,单一变量的系数置信区间和变量重要
                 0.8                                        性投影(VIP)值可衡量各个共有峰的表达模式对样本分
                 0.6
                 0.4                                        类判别的影响强度和解释能力,且当VIP值大于1时,表
                 0.2                                                                                   [29-30]
                                                            示该变量对于所建模型的贡献度高于平均水平                           。
                  0
               t[2]
                -0.2                                        从所建的 OPLS-DA 模型中得到 29 个共有化学成分的
                -0.4                                        VIP值,结果见图8。由图8可知,经炮制后,29个共有化
                -0.6
                -0.8                                        学成分的平均峰面积均降低;有 7 个成分的 VIP 值大于
                -1.0                                        1,分别为峰19(大花旋覆花素)、峰6(槲皮万寿菊苷)、峰
                  -5 -4 -3 -2 -1  0  1  2  3  4
                                t[1]                        1(1-咖啡酰奎宁酸)、峰21(紫花牡荆素)、峰20(tomento-
                2
                         2
               R X[1]=0.777  R X[2]=0.031 8  Ellipse:Hotelling’s T2(95%)
               图5 旋覆花及蜜旋覆花的PCA得分图                           sin)、峰13(菠叶素)、峰3(瑞香素),表明这7个成分为旋
        Fig 5 PCA scatter score diagram of I. japonica and  覆花与蜜旋覆花的差异性成分。
               honey-fried I. japonica                          根据上述这7个差异性成分的峰面积绘制旋覆花及
        2.8  OPLS-DA                                        蜜旋覆花的含量(以离子峰信号强度计)对比折线图,结
            由于 OPLS-DA 能够反映组间的最大差异,故已被                      果见图 9。由图 9 可知,经蜜炙后,这 7 个差异性成分的
                               [28]
        广泛用于筛选差异性成分 。本研究以 29 个共有化学                          含量均明显降低。

        ·2482 ·  China Pharmacy 2021 Vol. 32 No. 20                                 中国药房    2021年第32卷第20期
   51   52   53   54   55   56   57   58   59   60   61