小中大【转载】讨论近红外结合化学计量学在药用辅料中研究应用
最近在申请近红外结合化学计量学在药用辅料的研究应用科技创新项目，原研药和仿制药的疗效应该是等同的。但由于仿制药的原料药和辅料来源、辅料种类和配比不可能和原研药完全一致，因而仿制药和原研药之间仍有可能存在疗效和安全方面的差异。近红外快速可以快速分析辅料的来源、辅料种类和配比，从而提高我国仿制药质量，可使仿制药内在品质趋近于原研药。不知道我这个想法可行否？顺便把我的研究方法附上研究方法：
1.建模集样品预处理
建模集样品预处理主要包括建模集中异常样品的剔除及建模集样品的选取
1)异常样品的剔除方法
剔除建模集中异常样品的准则，通常有基于预测浓度残差、基于重构光谱残差以及杠杆值与学生T检验等标准。
2)建模集样品的选取方法
建模集样品的选择有常规选择和计算机识别两种方法。常见的建模集样品挑选方法较多，如含量梯度法、Kennard-Stone法、SPXY法。
2.建模集光谱预处理
建模集光谱预处理研究主要包括两个方面：一是谱图预处理；二是波长选择。
1)谱图预处理
常用的光谱预处理方法有数据增强变换、平滑、导数、光散射校正、傅里叶变换等。近几年，小波变换、正交信号校正和净分析信号等一些新方法正在得到发展和应用。
2)波长选择
波长选择方法主要有相关系数法、无信息变量的消除法（Uninformative Variables elimination， UVE）、遗传算法（Genetic Algorithm， GA）。其中，GA是应用较为广泛的一种波长选取方式。
3.近红外光谱定量分析
红外光谱分析中建立定量分析校正模型的方法可分为两大类：线性和非线性
常见的多元线性校正方法有：主成分回归（PCR）、偏最小二乘回归（PLS），PLS是目前近红外光谱定量分析中主流的线性多元校正建模方法。
非线性校正方法主要有：支持向量机（SVM）、人工神经网络方法（ANN）、局部权重回归（LWR）方法。SVM能较好地解决对于神经网络的训练比较致命的一些问题，即小样本、高维数，以及局部极小点问题。
4评价近红外光谱分析模型性能的基本参数
均方根校正误差RMSEC（Root Mean Squared Error of Calibration）建模过程评价模型拟合的效果。
交互验证标准差SECV（Standard Error of Cross Validation）
PRESS（Prediction Residual Squared Sum）——预测残差平方和
5模型评价
根据ICH指导原则，从专属性、线性、重现性和准确性对模型进行验证。
数据处理由TQ Analyst光谱数据处理软件（Version8.5，美国Thermo Fisher公司）和Matlab（matlab2012a，美国Math Works公司）软件完成。
研究内容附上研究内容：
(1)样品的收集 选择足够多且有代表性的样品组成建模样品集
(2)参比值（理化指标）的测定 收集完样品后，运用标准方法测定建模样品集中各个样品的组成或性质，
(3)近红外光谱的采集 样品准备好了后，就可以用高精密度、高分辨率的仪器与规范一致的测试条件，以及尽可能宽的谱区来扫描样品光谱了
(4)模型的建立与优化 模型的建立即“信息的关联”过程。
(5)模型的验证 用验证集样品对所建模型是否适合分析待测样品进行验证，如果不适合则需要返回修正与优化模型；通过反复的验证与优化，直至模型与样品相适配为止
(6)模型建立好后，如果有未知样品需要测定，则在与建模光谱相同的条件下扫描待测样品的近红外光谱后，运用已经建立的数学模型即可计算出未知样品待测量的近红外预测值了
(7)若模型应用于分析其他新的样品或者在另一台仪器上应用，则模型需要适配性检验，并可能进行模型的修正、传递等工作。
希望大家给出意见，讨论下有没有应用价值，期待听到你们的声音
