近紅外(NIR)紅外光譜法是材料生產質量檢測過程中一重要測試方法，尤其是在種類眾多原材料質量控制過程中。原材料樣品可能為多種物理形態，如液體、凝膠和固體等多種形態，故原材料測試時，儀器要能方便適用于測試不同形態原材料樣品。
圖1 配備NIR 反射附件的Spectrum Two N
利用近紅外光譜儀快速測試原材料樣品近紅外光譜圖，與已知原料近紅外譜圖比對，確定樣品主要成分或可能成分，測試速度快，方便快捷，非常適用于產品質量控制過程中。
本文主要介紹在符合21 CFR 第11 部分的規定的前提下，利用PerkinElmer Spectrum Two N ? FT-NIR 近紅外分光光譜儀，建立符合數據完整性規程的測試模型，從而克服原材料測試過程中的多重挑戰。近紅外(NIR)光譜法是測試固體原材料樣品優秀的測試方法，與其他分析方法相比(例如拉曼光譜)，近紅外測試更快速、更簡單，樣品無需前處理，直接通過玻璃瓶或者培養皿作為反射采樣附件，對樣品無破壞。Spectrum Two N 近紅外光譜儀搭配NIR 反射附件(NIRM)，如圖1 所示。
與可替代積分球附件相比，NIRM 具有以下顯著的性能
優勢：
通過可微小調控光學附件，確保高效率采集實驗數據，樣品測試范圍廣，測試結果精確， 同時方便數據在不同儀器間的傳遞;
優良光學器件確保光束的均勻一致性;
更低的雜散光，精確度更高;
儀器內置穩定的標準樣品;
雜散光和參比校正，確保測試得到的吸收光譜圖全為樣品吸收。
圖2 原材料樣品NIR 光譜圖，從上至下依次是雙氯芬酸（黑色），泊咯沙姆（紅色），滑石（藍色）
原材料樣品近紅外光譜圖主要有合頻峰和倍頻峰兩部分組成，不同材料樣品分別具有其獨特的指紋譜峰，圖2 為三種原材料樣品的近紅外光譜圖。利用軟件自帶數據處理算法，通過與已有參比譜圖比對來確定樣品主要成分。
近紅外光譜軟件擁有多種可選數據計算處理方法，根據樣品復雜程度選擇不同算法處理數據。對比(Compare)?算法是常用處理手段，通過對比算法計算未知樣品近紅外光譜圖與一系列已知化合物近紅外光譜的相關系數，給出樣品與已知譜圖的匹配系數(匹配系數1 表示100% 匹配，匹配系數0 表示樣品光譜與參考光譜無相關性)。樣品近紅外光譜圖測試時，需關注不同樣品紅外指紋譜圖細微差別。下列測試差異容易導致樣品紅外譜圖匹配時出現問題：
- 取樣的重現性，如固體樣品不均一導致兩次測試結果的偏差
- 基線波動
- 多次測試時噪音的不一致性
上述實驗誤差可以通過優化算法設置，盡量減小上述波動帶來的數據誤差。通過算法優化，減小因儀器、樣品、空氣環境帶來的測試誤差，提高樣品光譜測試準確性和精確性。
根據特定材料與參考材料的相關性以及與參考材料中二次匹配影響因數，對比算法設置了通過/ 未通過閾值，確保準確測試原材料樣品，避免因實驗操作帶來的測試誤差。軟件獨立建模分類法(SIMCA)是一種化學計量學方法，它可以在參考光譜的集合范圍內為特定材料建立數學模型，區分不同樣品間紅外光譜圖的細微變化。SIMCA 法可以準確區分出不同純度樣品、不同批次樣品以及因取樣不均一導致的紅外光譜圖的細微變化。
圖3 原材料測試標準操作流程界面
為了測試過程簡單易操作，可以用軟件自帶宏為每一個測試方法編制標準操作流程，如圖3 所示。
圖4 樣品近紅外光譜：從上至下依次是：Avicel? 、聚維酮、抗壞血酸鈣、羥丙基甲基纖維、硬脂酸鎂
(Spectrum Touch)? ES 軟件包括測試時所有操作步驟，知道用戶完成儀器設置、數據采集、結果分析等整個測試過程。軟件內置專業化數據處理模型，快速完成整個數據處理過程，即使無專業化學背景也可完成整個測試過程。Spectrum Touch ? ES 軟件滿足21 CFR第11 部分的所有要求。
實驗
針對不同原料樣品測試，分別測試了大量樣品近紅外光譜圖，針對不同樣品分別進行數據處理，建立數據測試模型。
測試了多達34 種化學性質不同的固體原材料樣品的近紅外(NIR)光譜圖，原材料“紅外譜圖庫”包含少量幾種活性物質(AI)，其余均為輔料。這些原材料樣品的化學性質不一樣，其近紅外(NIR)光譜圖也不相同，利用軟件對比算法(Compare)快速區分不同原材料樣品。
實驗測試7 種不同等級Avicel? 樣品，Avicel 為微晶狀態的纖維素。上述材料的化學性質相同、物理性質不同，需用到更強大的算法SIMCA 來區分各紅外光譜圖差異。
對于測試失敗樣品進行二次確證。若出現部分原料樣品比對測試失敗，需進一步利用軟件譜圖庫檢索功能，檢索商業譜圖庫進行二次檢測確認。
實驗1. 采用對比(compare)測試不同原材料樣品
測試34 種不同粉末狀原材料樣品的近紅外反射光譜圖，作為對比原材料識別方法的參考光譜庫。另外測試九種獨立原材料樣品紅外光譜圖，分別包含不同批次的三種聚維酮樣品，不同批次的三種Avicel? 樣品，和抗壞血酸鈣、羥丙基甲基纖維素和硬脂酸鎂各一個樣品。上述原材料樣品來自于不同的供應商，五種原材料樣品近紅外光譜見圖4。比對成功/ 失敗閾值設為0.98，最小辨識因子為0.05。
所有材料比對結果均超過設定的相關值和區別值的閾值，比對結果(如表2所示)為通過。上述原材料樣品的化學性質不同，通過近紅外光譜圖和對比算法可以輕松識別出各種材料。
進一步分別測試三個批次同一等級Avicel? PH10 樣品，驗證上述結果。取每批次的樣品放置于玻璃瓶振蕩混合均勻，每個樣分別取三份放入近紅外光譜儀上測試。上述9 份樣品測試結果見表3，結果顯示對于微小變化樣品，測試結果重復性好。
實驗2、相似樣品近紅外測試
Avicel? PH 原料因PH 適中，是廣泛應用于醫藥原料的一類微晶纖維原料，它具有良好的壓縮性，可用于壓縮片劑生產和濕法顆粒生產過程中。Avicel? PH 有多種不同等級原料，例如PH101、PH102、PH103、PH301 和PH302，主要區別在于顆粒大小和水分含量。選擇適當等級原料對于保證片劑生產過程中壓縮性和對水份敏感藥品生產過程中水份含量控制顯得非常重要。不同等級Avicel? 原料化學性質完全相同，其近紅外(NIR)光譜幾乎一樣，通過紅外光譜圖區分不同等級原料有一定難度。但是樣品近紅外光譜圖會受樣品顆粒大小和水份含量影響，其指紋譜圖會存在一定差別。
首先測試一系列不同等級的Avicel? PH 樣品近紅外(NIR) 光譜圖， 建立SIMCA 模型。不同等級的Avicel? ：PH101、PH102、PH103、PH105、PH113、PH301 和PH302，分別取三份樣品測試。將上述不同等級樣品放在NIRM 平臺上測試，每個樣品測試3 次，最終每個等級樣品得到9 份近紅外光譜圖，上述7 個等級樣品最終得到63 張近紅外光譜圖。所有樣品的光譜圖見圖5。
圖5 Avicel? 樣品光譜圖
利用軟件自帶對比(Compare)算法來區分不同等級Avicel? 樣品紅外光譜圖，對比后得出通過/ 未通過相關系數還是無法區分不同等級樣品。采用SIMCA 化學建模方法，它不僅能夠發現不同材料之間的譜圖差異，還能檢測出因批次差異造成的同一材料之間的細微變化。我們將上述Avicel? 樣品的63 個光譜圖導入到SIMCA 模型中，結果見圖6。
圖6 Avicel? 樣品SIMCA 模型圖
圖中每一個球體代表一個Avicel? 等級樣品;球體之間間距越遠(材料之間的差距越大)，區分就越容易。圖7 為樣品Coomans 圖，顯示兩類材料間模型距離，可以看到Avicel? PH101 和PH102 兩個樣品有著明顯的區別。在上述模型中，不同等級樣品之間沒有重疊，表明不會因此導致誤判的情況。
圖7 不同樣品的Coomans 圖
上述實驗結果表明SIMCA 算法強大的區分能力，能夠區分出具有不同物理屬性、但有相同化學屬性的物質間細微的差異。本實驗中SIMCA 成功地區分了七個不同等級的Avicel? ，不同等級樣品間只存在顆粒大小和水分含量的差異。而對比算法能正確地識別樣品是不是Avicel? ，但無法區分不同等級Avicel? 樣品。
實驗3、樣品譜圖檢索
有時候原材料樣品近紅外光譜分析可能會失敗，這個時候就需要作進一步的測試確認樣品成分。例如當新供應商供應某一特定原材料，或者在極端情況下采購了完全錯誤的原材料。盡管這個意外概率極低，但仍需要做進一步研究，確認上述原材料樣品成分。這個時候可以利用商業藥品近紅外(NIR)光譜譜圖庫，它包括藥用賦形劑、藥物或活性物質、藥品行業所使用的其他輔助性化學藥品等1300 多種光譜圖。通過譜圖庫檢索識別上述未知原材料樣品。
圖8 位置樣品比對結果
用反射模式測試玻璃瓶中未知粉末樣品近紅外光譜圖，與上面實驗得到的34 個參考標準品對比組光譜圖比對。樣品比對顯示未通過，最佳匹配材料是右旋糖，相似系數為0.48，遠遠低于軟件設置的閾值0.98，見圖8。
圖9 未知樣品檢索結果
比對失敗后，利用軟件自帶檢索功能，檢索譜圖庫為日本的STNIR 藥品數據庫(含有1340 張光譜圖)。通過譜圖庫檢索功能正確識別出該樣品為甘露醇，匹配系數為0.99，如圖9 所示。
結論
實驗表明近紅外(NIR)光譜學是藥品行業快速簡單地測試原材料的方法，可以在數秒類完成樣品測試。取樣簡單，例如直接將樣品放在玻璃瓶中測反射，無需樣品制備過程。近紅外光譜法將待測樣品與標準參考光譜數據庫進行對比，分析樣品譜圖差異，確認樣品成分。可以根據不同測試需求選擇不同的算法，不僅能識別化學性質不同的材料，還能區分化學性質極其相似的材料樣品，以及確認未知材料樣品可能成分。可以通過軟件建立樣品測試方法模型，滿足數據完整性(Enhanced Security)?(ES)版本軟件所有要求，符合21 CFR 第11 部分的要求。