基於近紅外光譜技術快速檢測中成藥、保健食品或食品中添加化學成分的方法

2023-06-08 19:26:01

專利名稱：基於近紅外光譜技術快速檢測中成藥、保健食品或食品中添加化學成分的方法
技術領域：
本發明涉及中成藥、保健食品或食品的分析技術領域，具體涉及一種對中 成藥、保健食品或食品進行快速無損檢測的方法，尤其涉及一種基於近紅外光 譜技術快速檢測中成藥、保健食品或食品中添加化學成分的方法。
技術背景中藥具有毒副作用小，效果好，作用及療效可靠等優點，不但國人一直認 可，而且國際上也興起了中藥熱。 一些不法分子在利益的驅使下，利用西藥療 效快、作用迅速和中藥成分複雜的特點，在中成藥中違法添加化學藥物，並隨 意誇大療效，高價銷售牟取暴利，給人民群眾的身體健康造成了嚴重危害，影 響中藥聲譽。當前，很多保健食品和食品也打著中藥的旗號，魚目混珠，濫竽 充數。雖然在中成藥中添加化學成分本身並不違規，國家也曾批准了很多這樣 中西藥結合的藥物，目的是將中藥的調理作用與西藥的速效有機結合起來，但 中西藥結合必須經過嚴格的臨床實驗，擅自添加是一種非常危險的行為，會對 患者的生命安全帶來不可預料的危害。中藥本身成分複雜，各成分之間幹擾嚴重，檢驗標準還很不完善。單味的 中藥成分已很複雜，複方中成藥其化學成分更為複雜多樣，加上生產工藝的影 響，使得中成藥中添加化學成分的鑑別方法要求更具專屬性。目前常用的檢測 分析手段有理化反應、薄層色譜、高效液相色譜法、高效液相色譜一質譜聯用 等技術，其中最有效的手段是高效液相色譜一質譜聯用方法，但該方法存在儀器價格昂貴、維護成本較高、操作繁瑣、分析周期長、對儀器操作人員的要求 高，且只能在少數檢測條件較好的實驗室中使用等問題。針對當前中成藥、保健食品和食品中擅自添加化學成分的行為日益猖獗， 嚴重威脅人民群眾的身體健康，而我國現行質量標準尚不能對此進行有效監 管，監管覆蓋面太小等問題，大力發展藥品的快速檢測技術是解決此問題的有 效手段之一。快速檢測技術能夠在現場對藥品進行快速檢測和篩查，將可疑樣 品帶回實驗室後用法定檢驗方法確證。通過應用快速檢測技術，監督檢驗的效 率將大大提高、成本大大降低、監管覆蓋面大大增加，將成為打擊非法添加行 為的有力工具。公開號專利CN1275038C採用酸化提取、氧化去除幹擾和三硝基苯酚沉澱 三個步驟的理化反應方法檢測西地那非；公開號專利CN101021483A採用有 機溶劑提取、濃硫酸顯色兩個步驟的理化反應方法檢測他達拉非及其衍生物， 但是這些方法存在需對樣品進行預處理，需使用化學試劑，分離過程相對麻煩， 不能同時對添加的多種化學成分進行檢測鑑別等不足。近紅外光譜技術是20世紀90年代以來發展最快、最引入注目的光譜分析 技術之一，它與化學計量學和計算機軟體技術有機結合後在藥物分析、過程控 制等方面得到了迅速的發展。近紅外光譜主要為有機分子的倍頻和合頻吸收， 能夠獲得樣品分子結構、組成和物理狀態的豐富信息，它具有無需對樣品預處 理，不使用化學試劑，不破壞樣品，分析速度快，收集信息量大，能在幾分 鍾內僅通過對被測樣品完成一次近紅外光譜的採集即可完成其多項性能 指標的測定，對於經常性的質量監控是十分經濟和快速的。與常規分析技術不同，近紅外光譜是一種間接分析技術，必須通過建立校正模型來實現對未知樣品的定性或定量分析，具體的分析過程主要包 括以下幾個步驟 一是選擇有代表性的樣品並測量其近紅外光譜；二是採 用標準或認可的參考方法測定關心的組分或性質數據；三是將測量的組分 或性質數據與近紅外光譜進行關聯，用適當的化學計量方法建立鑑別模 型；四是測定未知樣品組分或性質。發明內容本發明的目的是針對現有技術中存在的不足，提供一種基於近紅外光譜技 術快速檢測中成藥、保健食品或食品中添加化學成分的方法，檢測速度快、不 破壞樣品、無需樣品預處理、不使用化學試劑，可同時檢測多種化學成分，能 滿足日常監督檢驗的需要。本發明的上述目的是通過如下方案予以實現的一種基於近紅外光譜技術快速檢測中成藥、保健食品或食品中添加化學成 分的方法，該方法包括建立定性鑑別模型和未知樣品檢測兩個階段在建立鑑 別模型階段，需要收集各種添加已知化學成分的代表性陽性樣品和陰性樣品， 用已知的檢驗方法測定添加已知化學成分的種類和數量，同時採集近紅外光 譜，通過化學計量學方法建立添加化學成分信息與近紅外光譜的關聯關係即鑑 別模型；在未知樣品的檢測階段，採集未知樣品的光譜後用鑑別模型判斷樣品中是否添加了化學成分，模型自動將樣品光譜與建模樣品庫中的參考光譜進行 比較後給出判別結果，就可將添加有化學成分的樣品快速篩查出來。 上述方法具體包括如下步驟-(1) 收集不同廠家不同品種的樣品作為代表性樣品建立參考樣品庫；(2) 採集參考樣品庫中各代表性樣品的近紅外光譜；(3) 用已知的檢驗方法對參考樣品庫中各代表性樣品進行定性和定量分析，並區分陽性樣品和陰性樣品；(4) 收集待檢測化學成分的對照品並採集近紅外光譜；(5) 根據步驟(2)所得各光譜和步驟(4)所得光譜，選擇特徵譜段，通 過化學計量學方法建立鑑別模型；(6) 採集待測樣品的近紅外光譜，並利用步驟(5)建立的鑑別模型進行分 析，判斷待測樣品中是否添加化學成分。上述方法主要是對中成藥、保健食品或食品中是否添加化學成分進行快速 檢測，所述化學成分包括很多，主要是指在中成藥、保健食品或食品中非法添 加的一些化學成分，如補腎壯陽類中成藥、保健食品和食品中非法添加PDE5 型抑制劑(phosphodiesterase type隱5 inhibitor,磷酸二酯酶5型抑制劑)就是其 中的一種典型代表，包括西地那非類、他達拉非類、紅地那非類等化學成分， 添加情況普遍，且針對檢驗標準的高科技造假日益增多。上述步驟(1)中，鑑別樣品中是否添加化學成分需要將未知樣品光譜與 參考樣品光譜進行比較，因此建立穩定可靠的參考樣品庫，應儘可能從不同的 途徑收集各種不同品種、不同生產廠家的樣品。 一般情況下，參考樣品庫應至 少包括IO個以上陽性樣品或10個以上陰性樣品。如建模初期收集陽性樣品比 較困難，可根據該化學成分的有效劑量和用量加入擬檢化學成分自製陽性樣叩o上述步驟(2)中，對參考樣品庫中的樣品進行近紅外光譜分析時應針對不同的樣品劑型選擇合適的檢測方式固體製劑一般採用漫反射方式(如光纖 漫反射和積分球漫反射等)；液體製劑一般採用透射方式。對於膠囊劑，近紅外光能穿透膠囊殼，根據需要可透過膠囊殼測量樣品，也可收集膠囊內的樣品直接測試；對於糖衣片，需要去除糖衣後測量；對於薄膜衣片，淺色薄膜衣可以直接測量，黑色或棕褐色薄膜衣需要去除薄膜衣後測量。上述步驟(3)中，選擇國家標準方法或文獻方法對參考樣品庫中的各樣 品分別進行定性和定量分析，測定參考樣品庫中各樣品是否添加化學成分以及 添加的化學成分的量。 一般採用液相色譜和液質聯用方法進行定性和定量分 析。上述步驟(4)中，根據步驟(3)的分析結果，可以判斷出樣品庫中各樣 品添加什麼化學成分，然後收集這些化學成分的對照品，採集近紅外光譜；上述步驟(5)中，將上述步驟(4)獲得的近紅外光譜和上述步驟(2) 獲得近紅外光譜進行對比，找出添加化學成分的特徵譜段。特徵譜段的選擇是 建立鑑別模型的關鍵步驟，樣品中所添加化學成分的特徵譜段應能夠區分陽性 樣品和陰性樣品，因此建立鑑別模型時應儘量選擇在步驟(4)的光譜中吸收 值較強而且在步驟(2)的陰性樣品光譜中無幹擾的特徵譜段進行建模。上述步驟(5)中，通過對比步驟(4)和步驟(2)的近紅外光譜得到化 學成分的特徵光譜後，再通過化學計量學方法，結合步驟(3)的定性定量分 析結果，建立是否添加化學成分的定性鑑別模型。通過化學計量學方法建立定 性鑑別模型是本技術領域人員建立模型的常規操作，常用的化學計量學方法有 最近鄰法、判別分析法、主成分分析法、聚類分析法或簇類獨立軟模式法(SIMCA)等。本發明人通過實驗對比發現，採用最近鄰法建模效果最好， 如可採用Bruker公司的OPUS軟體的IDENT程序建立鑑別模型。IDENT程序定性分析的思路是判定未知樣品光譜與建模樣品庫中平均參考光譜的差異。在分析過程中未知樣品圖譜與各平均參考光譜進行比較，比較 的結果稱為光譜距離，也稱為匹配值。未知樣品光譜與平均參考光譜匹配越好， 距離越短，匹配值越小。有多種比較未知樣品光譜與參考光譜的方法，例如標 準化法、因子化法、第一範圍標定法、重現水平歸一化法或主成分分析法等， 本發明優選採用因子化法，光譜距離的計算採用歐氏距離。因子化法是將譜圖表示為因子譜的線性組合。因子法與傳統的主成分分析 法類似，不同之處在於因子化法採用每一類樣品的平均光譜進行分析。當有^類樣品時，s張平均光譜轉換為s張相互正交因子譜(loadings)的線性組合a = tla. f！ + t2a. f2 + t3a. f3 + ...其中a矢量表示一張光譜；因子譜表示為fp f2， f3等；t表示因子得分 (scores)。因子得分代表因子譜的貢獻，因子得分數值越大，貢獻越大，相應 因子譜的光譜強度也越大。因子化法能對複雜的近紅外光譜數據進行降維處 理，有利於添加化學成分特徵光譜的提取，建立鑑別模型時，選擇化學成分特 徵光譜的因子得分來建立模型。上述步驟(6)中，取需要檢測的樣品(如中成藥、保健食品或食品等)， 先採集待測樣品的近紅外光譜，用步驟(5)建立的鑑別模型進行對比分析， 從而判斷待測樣品中是否添加化學成分。對比分析方法可採用本領域技術人員 在進行近紅外光譜分析時常用的技術，如與閾值對比分析等。閾值是指對建模樣品庫中每一類樣品平均參考光譜定義的一個歐氏距離 限度，就是給平均參考光譜定義的置信區間。建立鑑別模型的過程就是使參考 樣品庫中添加同一種化學成分的所有樣品的單獨參考光譜與它們平均參考光 譜的歐氏距離都小於閾值，而庫中所有其它的光譜同這個平均參考光譜的歐氏距離都大於閾值。光譜a和光譜b的光譜距離D按下述方法計算光譜距離D越小，光譜a與光譜b越相似。閾值A的計算方法如下其中，A^為建模樣品庫中各參考光譜與平均參考光譜的最大距離值，s為標 準偏差，x是自定義的置信水平因子(預設值為0.25)，如果待測樣品光譜的 點落在添加同一種化學成分樣品的置信區間內，即匹配值小於閾值，那麼就認 為待測樣品與參考樣品庫中添加了那種化學成分的樣品屬於同一類，否則就不 屬於同一類。上述步驟(6)，通過鑑別模型對待測樣品進行檢測分析後，可初步判斷出 待測樣品中是否非法添加化學成分，對陽性樣品還需要進一步抽驗，用國家標 準方法或文獻方法進一步地確認(如液相色譜和液質聯用方法)。因此本發明 方法的主要作用是實現從大量的樣品中快速篩查出是否非法添加化學成分的 可疑樣品。在具體應用本發明的定性鑑別模型時，可根據實際應用情況適當地增加代 表性樣品，擴充參考圖譜圖庫，從而不斷完善鑑別模型。本發明的方法中，所用到的建立鑑別模型的樣品以及待測樣品，其非法添 加的化學成分的濃度應在近紅外光譜分析方法的可檢測範圍內。本發明的方法，在利用鑑別模型對待測樣品進行檢測時，可採用多層識別 的方法進行，多層識別是指基於某一特徵譜段、光譜預處理方法和化學計量學 方法建立定性模型時，當這個條件不能完成所有建模品種的彼此識別而只能使 其中一部分品種彼此識別時，可以選擇另外一組識別條件用來區分前一層模型不能區分識別的品種；這樣的過程可以重複多次使用，直至能夠將所有的陽性 樣品與陰性樣品完全區分識別。如添加了PDE5型抑制劑的樣品稱為陽性樣品，未添加PDE5型抑制劑的樣品稱為陰性樣品，因為PDEs型抑制劑分為西地那非類、他達拉非類和紅地那非類等，所以陽性樣品又可以細分，如添加西地那 非的稱為西地那非陽性樣品，添加他達拉非的稱為他達拉非陽性樣品等等。本 發明的近紅外光譜鑑別模型應能夠將各類陽性樣品與陰性樣品彼此區分識別， 需要時可通過上述多層識別的方式完成。本發明的方法，為了提高鑑別模型的準確性，可將同類樣品進一步細分為 不同的亞類分別區分識別，如西地那非陽性樣品又可分為西地那非陽性樣品1或西地那非陽性樣品2，陰性樣品分為陰性樣品1和陰性樣品2。 與現有技術相比，本發明具有如下有益效果1. 本發明採用近紅外光譜技術對中成藥、保健食品或食品中非法添加的化 學成分進行快速檢測，檢測速度快、且不破壞樣品，無需樣品預處理，也無需 使用化學試劑，可同時檢測多種非法添加的化學成分，能夠滿足日常監督檢驗的需要，從而可以大大提高監督檢驗的效率，降低監督檢驗的成本；2. 本發明的方法收集代表性樣品建立參考樣品庫，通過選擇添加化學成分 的特徵光譜，並將陽性樣品和陰性樣品細分為類和亞類，採用最近鄰法和多層 識別的方式進行建模，使得定性鑑別模型更加準確；3. 本發明通過預先建立定性鑑別模型，後續只需要採集待測樣品的近紅外 光譜，通過閾值來判斷待測樣品光譜是否屬於建模樣品庫中的參考光譜，即可 迅速檢測出待測樣品中是否含有非法添加的化學成分。目前文獻報導了大量在補腎壯陽類樣品中非法添加的PDE5型抑制劑，因 此本實施例以檢測補腎壯陽類中成藥、保健食品或食品中是否非法添加有 PDEs型抑制劑為例，詳細介紹本發明方法的具體實施過程，但本實施例僅作 為本發明的示例而不對本發明做任何限定，本領域技術人員可以清楚地通過本 實施例的描述了解本發明，並應用於其他中成藥、保健食品或食品中是否含有 非法添加的化學成分的快速檢測。PDE5型抑制劑按照化學結構可以分為西地那非類(如枸櫞酸西地那非、 豪莫西地那非、羥基豪莫西地那非)、伐地那非類(如伐地那非、偽伐地那非)、 他達拉非類(如他達拉非、氨基他達拉非)和紅地那非類(如紅地那非、羥基 紅地那非)等，其中添加頻率最高的為西地那非，其次為他達拉非。非法添加 化學成分的劑型主要為硬膠囊劑，其次為片劑和丸劑。按照包裝和劑型分別建立的近紅外光譜分析模型準確性較高。結合收集樣 品的實際情況，本實施例選擇建立西地那非和他達拉非膠囊劑的鑑別模型，然 後對膠囊劑包裝的補腎壯陽類中成藥、保健食品和食品中是否添加PDEs型抑 製劑進行快速檢測，其具體步驟如下(1) 從市場收集59個不同廠家不同濃度的補腎壯陽類樣品作為代表性樣 品建立參考樣品庫，包括中成藥、保健食品和食品； .(2) 採集上述59個樣品的近紅外光譜用德國Bruker公司的MPA和 MATRIX-F型光譜儀分別採集近紅外光譜，測量方式為光纖漫反射，透過膠囊 殼測量樣品，測定條件為解析度8cm'1，掃描次數32次，數據範圍4,000至 12,000cm—1，檢測器為銦鎵砷，每個樣品測量3次；(3) 對上述59個樣品進行液相色譜和液質聯用分析，定性分析區分陰性 樣品和陽性樣品，(本實施例定義添加了西地那非的樣品為西地那非陽性樣品， 添加了他達拉非的樣品為他達拉非陽性樣品，未添加西地那非和他達拉非的樣品稱為陰性樣品)；根據液相色譜和液質聯用分析結果，參考樣品的59個樣 品中西地那非陽性樣品16個，他達拉非陽性樣品17，陰性樣品26個；(4) 收集西地那非和他達拉非對照品，分別採集近紅外光譜；(5) 建立鑑別模型採用Bruker公司OPUS軟體的IDENT程序建立定性 鑑別模型，具體步驟如下a. 根據步驟(3)的分析結果，按照所添加化學成分的種類和濃度，59個 代表性膠囊劑樣品進一步細分為西地那非陽性樣品1、西地那非陽性樣品2、 西地那非陽性樣品3、他達拉非陽性樣品1、他達拉非陽性樣品2、陰性樣品1 和陰性樣品2七個亞類。59個樣品中，5個為西地那非陽性樣品1， 9個為西 地那非陽性樣品2， 2個為西地那非陽性樣品3， 6個為他達拉非陽性樣品1， 11個為他達拉非陽性樣品2， 12個為陰性樣品1， 14個為陰性樣品2。樣品數 量為5個或5個以上的採用平均光譜建模，低於5個的用原始光譜建模；b. 選擇特徵譜段對於補腎壯陽類樣品，西地那非陽性樣品的優選特徵譜 段為6240cm" 5960cm—1和5670cm" 5635cm"，他達那非陽性樣品的優選特徵 譜段為6120cm" 6010cm"、 5900cm" 5860cm"、 5725cm" 5690cm"和5670 cm-1~ 5635 cm-1。C.光譜的校正與預處理光譜校正與預處理是本領域技術人員在對光譜進 行分析處理時的常規操作，其作用是將光譜規範化、消除背景幹擾、提高光譜 質量，並將隱藏在圖譜中信號差異放大出來，使定性鑑別更加直觀、可靠。本實施例選擇"二階導數"與"矢量歸一化"的組合作為預處理方法；d. 選擇因子化法計算光譜距離， 一般選擇1 2個因子；e. 模型驗證與模型參數的優化驗證建模樣品庫中不同品種平均光譜的置 信區間是否重疊，如果發現重疊，需要通過選擇不同的譜段、因子得分、平滑 點、調整閾值等方法去除重疊；本實施例採用多層識別(五層)將上述陽性樣 品與陰性樣品完全區分識別第一層識別西地那非陽性樣品1和西地那非陽性樣品2;第二層識別西地那非陽性樣品3;第三層識別他達拉非陽性樣品1; 第四層識別他達拉非陽性樣品2;第五層為陰性樣品l和陰性樣品2，不需要 進一步區分識別，定義為一類；用上述五層識別方式建立的定性模型，能將建模樣品庫的上述七個亞類完 全區分鑑別。(6)利用上述步驟(5)建立的鑑別模型對未知樣品進行分析，檢測樣品中是否添加PDE5型抑制劑，結果判定規則如下a.鑑別模型的判別結果有四種"西地那非陽性"(包括西地那非陽性樣品 1、西地那非陽性2和西地那非陽性3)、"他達拉非陽性"(包括他達拉非陽性 樣品1和他達拉非陽性2)、"陰性"(包括陰性1和陰性2)和"其他"(即不 能識別)；PDE5型抑制劑的化學結構比較相似，添加了其他PDE5型抑制劑的 樣品極有可能在與西地那非和他達拉非陽性樣品的特徵譜區也出現類似的特 徵譜段，因此判定結果為"其他"有可能是樣品中添加了除西地那非和他達拉 非的其他PDEs型抑制劑，如伐地那非、紅地那非、羥基豪莫西地那非等；雖 然本實施例的鑑別模型只選擇了西地那非和他達拉非陽性樣品，但也能同時鑑 別出其他結構相似的PDE5型抑制劑；當待測樣品介於兩類西地那非陽性置信區間之間或兩類他達拉非陽性置信區間之間、又不位於陰性樣品的置信區間 時，判定結果也會為"其他"；因此，除陰性外，"西地那非陽性"、"他達拉非 陽性"和"其他"均判定為陽性；b. 補腎壯陽類樣品中存在多種添加PDEs型抑制劑的情況，大部分添加一種化學成分，其次為添加兩種化學成分，添加三種及以上化學成分的樣品較少； 本發明的方法主要是對樣品進行快速篩査，篩查出來的可疑樣品還需用液相色 譜和液質聯用分析等技術進一步確認，因此本發明的定性鑑別模型的判定規則 為不管樣品中添加了幾種PDE5型抑制劑，只要鑑別出添加了其中一種即判斷 為陽性；c. 補腎壯陽類樣品中添加的PDE5型抑制劑種類很多，絕大部分為西地那 非、伐地那非和他達拉非的衍生物，當添加了其他PDEs型抑制劑被判斷為西 地那非陽性或他達拉非陽性時，結果正確。從市場收集305個不同廠家不同濃度的補腎壯陽類樣品作為未知樣品採 用本實施例的方法進行檢測，同時將這305個未知樣品採用液相色譜和液質聯 用分析，將兩種方法的檢測結果進行比較，結果發現假陽性樣品2個，假陰性 樣品2個，準確率達到98.7%，由此說明本發明的基於近紅外光譜技術快速檢 測中成藥、保健食品或食品中添加化學成分的方法能夠滿足監督檢驗在現場對 樣品進行快速無損篩査的要求。
權利要求
1、一種基於近紅外光譜技術快速檢測中成藥、保健食品或食品中添加化學成分的方法，其特徵在於該方法包括建立鑑別模型和待測樣品檢測兩個階段，具體包括如下步驟(1)收集不同廠家不同品種的樣品作為代表性樣品建立參考樣品庫；(2)採集參考樣品庫中各代表性樣品的近紅外光譜；(3)用已知的檢驗方法對參考樣品庫中各代表性樣品進行定性和定量分析，並區分陽性樣品和陰性樣品；(4)收集待檢測化學成分的對照品並採集近紅外光譜；(5)根據步驟(2)所得各光譜和步驟(4)所得光譜，選擇特徵譜段，通過化學計量學方法建立鑑別模型；(6)採集待測樣品的近紅外光譜，並利用步驟(5)建立的鑑別模型進行分析，判斷待測樣品中是否添加化學成分。
2、 根據權利要求l所述方法，其特徵在於所述步驟(3)中，對參考樣品 庫中的各代表性樣品進行定性和定量分析後，將同類樣品進一步細分為不同的 亞類分別區分識別。
3、 根據權利要求l所述方法，其特徵在於所述步驟(5)中，選擇特徵譜 段建立鑑別模型是選擇在步驟(4)的對照品近紅外光譜中吸收值較強而且在 步驟(2)陰性樣品的近紅外光譜中無幹擾的特徵譜段。
4、 根據權利要求1步驟(5)所述方法，其特徵在於所述建立鑑別模型採 用最近鄰法。
5、 根據權利要求l的方法，其特徵在於所述步驟(5)中，建立鑑別模型 時通過多層識別區分各種建模品種。
6、根據權利要求l的方法，其特徵在於所述步驟(6)中，採用閾值來判 斷樣品近紅外光譜是否屬於建模樣品庫中的參考光譜。
全文摘要
本發明公開一種基於近紅外光譜技術快速檢測中成藥、保健食品或食品中添加化學成分的方法，該方法包括六個步驟(1)收集代表性樣品建立參考樣品庫；(2)採集參考樣品庫中各樣品的近紅外光譜；(3)用已知檢驗方法對參考樣品庫中的各樣品進行定性和定量分析；(4)收集待檢測化學成分的對照品，採集近紅外光譜；(5)選擇特徵譜段，用適宜的化學計量學方法建立定性鑑別模型；(6)採集待測樣品的近紅外光譜，利用定性鑑別模型對該近紅外光譜進行分析，從而判斷出待測樣品中是否添加有化學成分。本發明檢測速度快、不破壞樣品、無需樣品預處理、不使用化學試劑、一次實驗可同時檢測多種非法添加的化學成分，能夠滿足日常監督檢驗的需要。
文檔編號G01N21/49GK101620178SQ200910040388
公開日2010年1月6日 申請日期2009年6月19日 優先權日2009年6月19日
發明者嚴全鴻, 毅 雷, 饒春意 申請人:廣東省藥品檢驗所