药物散剂辅料的近红外光谱快速无损鉴别法制造技术

本发明专利技术涉及药物散剂辅料的近红外光谱快速无损鉴别法，属于药物制剂分析领域。包括以下步骤：1.收集相同种类原料药不同辅料的散剂样品；2.采集药物散剂样品的近红外光谱；3.以最优的化学计量学前处理方法对近红外光谱进行前处理；4.以最优的建模光谱范围、较低的光谱数据维度建立药物散剂辅料的鉴别模型；5.评价所建药物散剂辅料鉴别模型的性能；6.应用所建模型鉴别未知药物散剂样品的辅料类别。该方法准确快速，无需进行复杂的预处理，不使用试剂，不破坏样品，为加强药物散剂的质量控制提供了新的技术支持。

【技术实现步骤摘要】

本专利技术涉及近红外光谱法结合化学计量学技术快速无损鉴别药物散剂辅料的方法，属于药物制剂分析领域。
技术介绍
《中国药典》规定，药用辅料是指生产药品和调配处方时使用的赋形剂和附加剂；是除活性成分以外，在安全性方面已进行了合理的评估，且包含在药物制剂中的物质。辅料是药品的重要组成部分，除了赋形、充当载体、提高稳定性外，还具有增溶、助溶、缓控释等重要功能，可能会影响药品的安全性、有效性和均一性。药物散剂是指药物(或)与适宜的药用辅料经粉碎、均匀混合制成的干燥粉末状制剂，可不含或含有药用辅料。根据需要，药物散剂可加入矫味剂、芳香剂和着色剂等药用辅料。目前，相同种类的原料药散剂常常因生产厂家不同所使用的辅料往往不同，使其理化性质及效应有一定差异。这些不同辅料的相同药物散剂，其外观相似，使这些药物散剂在临床应用与监管中不易辨认。而且，《中国药典》2010年版收载的药物散剂未见检查其辅料。因此，急需建立一种快速、无损鉴别药物散剂辅料的方法。近红外光谱法是一种快速、无损、无污染的分析技术，可以获得被测物分子中C-H、N-H、O-H等含氢基团的倍频和合频吸收的详细信息，信息量丰富，近年被广泛用于各种药物制剂化学组分和物理参数的分析。本专利技术采用近红外光谱法结合化学计量学技术，建立了一种快速无损鉴别药物散剂辅料的方法，为加强药物散剂的质量控制提供了新的技术支持。
技术实现思路
药物散剂辅料的近红外光谱快速无损鉴别法，具体包括以下步骤：(1)收集相同种类原料药不同辅料的散剂样品；(2)采集药物散剂样品的近红外光谱；(3)以最优的化学计量学前处理方法对近红外光谱进行前处理；(4)以最优的建模光谱范围、较低的光谱数据维度建立药物散剂辅料的鉴别模型；(5)评价所建药物散剂辅料鉴别模型的性能；(6)应用所建模型鉴别未知药物散剂样品的辅料类别。所述步骤(1)中，收集的散剂样品包括但不限于药物(或)与适宜的辅料经粉碎、均匀混合制成的干燥粉末状制剂；包括但不限于口服散剂和局部用散剂。所述步骤(2)中，近红外光谱的测量仪器包括但不限于傅里叶变换近红外光谱仪；测量模式包括但不限于漫反射模式；测量参数包括但不限于分辨率、扫描次数和扫描波长范围。所述步骤(3)中，化学计量学前处理方法包括但不限于未处理、多元散射校正、标准正则变换、一阶导数、二阶导数、Savitzky-Golay平滑、Norris平滑和均值中心化中的一种或几种。所述步骤(4)中，建模光谱范围的选择包括但不限于计算软件自动选择、手动选择和计算软件自动选择与手动选择相结合。所述步骤(4)中，降低光谱数据维度的方法包括但不限于主成分分析法(PCA)。所述步骤(4)中，辅料鉴别模型的建立，建模算法包括但不限于判别分析(DA)和对向传播人工神经网络(CP-ANN)。所述步骤(5)中，评价所建模型性能的参数包括但不限于校正集正判率和验证集正判率。所述步骤(6)中，应用所建模型鉴别未知药物散剂样品的辅料类别，所用的光谱测量参数、光谱测量方法、化学计量学前处理方法、建模光谱范围、降维方法均与校正集样品一致；所用计算软件包括但不限于TQAnalyst和MATLAB。本专利技术采用近红外光谱法结合化学计量学技术，建立了一种快速无损鉴别药物散剂辅料的方法，为加强药物散剂的质量控制提供了新的技术支持。附图说明图1阿咖酚散样品的原始傅立叶变换近红外漫反射光谱图。图2不同辅料的阿咖酚散样品的DA投影图：大写字母(A，B，C)代表校正集样品，小写字母(a，b，c)代表验证集样品。图3不同辅料的阿咖酚散样品的二维分布图：灰色方块代表A类样品，白色方块代表B类样品，深灰色方块代表C类样品；大写字母(A，B，C)代表校正集样品，小写字母(a，b，c)代表验证集样品。具体实施方式下面结合附图和实施例对本专利技术进一步说明，该实施例不应解释为对本专利技术的限制。实施例1.样品信息收集市售阿咖酚散样品A、B、C三类，共14批。A、B、C三类分别代表辅料为滑石粉、淀粉和无辅料的阿咖酚散样品。2.光谱的测量仪器：AntarisII傅立叶变换近红外光谱仪(美国ThermoFisherScientific)，配有积分球附件，信号采集软件为Results3.0。光谱测量条件：分辨率8cm-1，扫描次数为64，扫描范围为10000～3800cm-1。光谱测量方法：取同一批号阿咖酚散样品适量，置一个清洁干燥的透明圆形平底小玻璃瓶中，使样品填充高度约为1.0cm，将已装样品的小瓶置于积分球附件窗上，调整积分球上支架的窗口直径，使其与小玻璃瓶的底部直径相吻合，再以选定的光谱测量条件测定样品的傅里叶变换近红外漫反射光谱，每次扫描样品前均采用相同测量条件扫描并扣除背景，共测量得到135张阿咖酚散样品的近红外漫反射光谱，见图1。3.DA鉴别阿咖酚散的辅料类别将所得135张近红外光谱分为校正集和预测集，其中校正集样品92个，验证集样品43个，并使校正集样品与验证集样品中的阿咖酚散辅料种类一致。建立阿咖酚散辅料DA鉴别模型的计算软件为TQAnalyst，最优的化学计量学前处理方法为多元散射校正和一阶导数的组合，计算软件自动选取的建模光谱范围为9878～3922cm-1，采用PCA降低光谱数据维度，得到最优的DA鉴别模型，其投影见图2。所建模型的校正集正判率和验证集正判率均为100.0％，表明所建阿咖酚散辅料DA鉴别模型有良好的判别性能。图2显示，同种辅料的阿咖酚散样品相互聚集，不同辅料的阿咖酚散样品相互离散。4.CP-ANN鉴别阿咖酚散的辅料类别以校正集样品光谱数据的前9个主成分得分(累计贡献率为99.3％)为输入变量，采用MATLAB建立神经网络结构为10×10×9(100次训练集)的阿咖酚散辅料CP-ANN鉴别模型，阿咖酚散的二维分布情况见图3。所建模型的校正集正判率、交叉验证正判率和验证集正判率均为100.0％。从图3可以看出，辅料为滑石粉、淀粉和无辅料的阿咖酚散样品被准确地区分在3个区域内。5.鉴别未知阿咖酚散样品的辅料类别取2份未知阿咖酚散样品，应用所建DA和CP-ANN模型鉴别未知阿咖酚散辅料类别，所用光谱测量参数、光谱测量方法、化学计量学前处理方法、建模光谱范围、降维方法均与校正集样品一致。应用两个模型对2份未知阿咖酚散样品的辅料鉴别结果一致，分别为滑石粉和淀粉。6.结论本专利技术采用近红外光谱法结合化学计量学技术，建立了一种快速无损鉴别药物散剂辅料的方法。研究结果表明，通过建立的DA和CP-ANN模型，近红外光谱法能够准确鉴别出阿咖酚散的辅料类别。该方法准确快速，无需进行复杂的预处理，不使用试剂，不破坏样品，为加强药物散剂的质量控制提供了新的技术支持。本文档来自技高网...

【技术保护点】
药物散剂辅料的近红外光谱快速无损鉴别法，具体包括以下步骤：(1)收集相同种类原料药不同辅料的散剂样品；(2)采集药物散剂样品的近红外光谱；(3)以最优的化学计量学前处理方法对近红外光谱进行前处理；(4)以最优的建模光谱范围、较低的光谱数据维度建立药物散剂辅料的鉴别模型；(5)评价所建药物散剂辅料鉴别模型的性能；(6)应用所建模型鉴别未知药物散剂样品的辅料类别。

【技术特征摘要】
1.药物散剂辅料的近红外光谱快速无损鉴别法，具体包括以下步骤：(1)收集相同种类原料药不同辅料的散剂样品；(2)采集药物散剂样品的近红外光谱；(3)以最优的化学计量学前处理方法对近红外光谱进行前处理；(4)以最优的建模光谱范围、较低的光谱数据维度建立药物散剂辅料的鉴别模型；(5)评价所建药物散剂辅料鉴别模型的性能；(6)应用所建模型鉴别未知药物散剂样品的辅料类别。2.权利要求1所述的方法，其特征在于：所述步骤(1)中，收集的散剂样品包括但不限于药物(或)与适宜的辅料经粉碎、均匀混合制成的干燥粉末状制剂；包括但不限于口服散剂和局部用散剂。3.权利要求1所述的方法，其特征在于：所述步骤(2)中，近红外光谱测量仪器包括但不限于傅里叶变换近红外光谱仪；测量模式包括但不限于漫反射模式；测量参数包括但不限于分辨率、扫描次数和扫描波长范围。4.权利要求1所述的方法，其特征在于：所述步骤(3)中，化学计量学前处理方法包括但不限于未处理、多元散射校正、标准正则变...

【专利技术属性】
技术研发人员：范琦，李诗倩，董艳虹，
申请(专利权)人：重庆医科大学，
类型：发明
国别省市：重庆;50