Bước đầu xây dựng mô hình in silico quá trình hòa tan của dạng cốm bột chứa một số hoạt chất nhóm NSAIDs

DANH MỤC CÁC KÍ HIỆU, CÁC CHỮ VIẾT TẮT ADME Hấp thu - Phân bố - Chuyển hóa - Thải trừ Adsorbtion - Distribution - Metabolism - Elimination ANN Mạng neuron nhân tạo Artificial Neural Net

BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ Y TẾ

TRƯỜNG ĐẠI HỌC DƯỢC HÀ NỘI

QUẢN DUY QUANG

BƯỚC ĐẦU XÂY DỰNG MÔ HÌNH IN SILICO

QUÁ TRÌNH HÒA TAN CỦA DẠNG CỐM BỘT CHỨA MỘT SỐ HOẠT CHẤT NHÓM NSAIDs

LUẬN VĂN THẠC SĨ DƯỢC HỌC

HÀ NỘI 2017

BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ Y TẾ

TRƯỜNG ĐẠI HỌC DƯỢC HÀ NỘI

QUẢN DUY QUANG

BƯỚC ĐẦU XÂY DỰNG MÔ HÌNH IN SILICO

QUÁ TRÌNH HÒA TAN CỦA DẠNG CỐM BỘT

CHỨA MỘT SỐ HOẠT CHẤT NHÓM NSAIDs

LUẬN VĂN THẠC SĨ DƯỢC HỌC

CHUYÊN NGÀNH CÔNG NGHỆ DƯỢC PHẨM VÀ BÀO CHẾ

Xin cảm ơn Ban Giám hiệu trường Đại học Dược Hà nội, phòng Sau đại học và các phòng ban liên quan khác đã tổ chức lớp cao học, xây dựng nội dung chương trình giảng dạy hiệu quả, giúp tôi tích lũy thêm nhiều kiến thức giá trị

Cảm ơn các em sinh viên K67 Bùi Phương Anh và Nguyễn Thị Hiền đã không quản ngại thời gian giúp tôi thu thập số liệu

Cuối cùng, xin gửi lời cảm ơn trân trọng nhất đến gia đình, người thân, bạn bè và những người đã luôn sát cánh bên tôi vượt qua mọi khó khăn

Hà nội, ngày 31 tháng 3 năm 2017

Học viên

Quản Duy Quang

MỤC LỤC

Danh mục các kí hiệu, các chữ viết tắt

Danh mục các bảng

Danh mục các hình vẽ, đồ thị

ĐẶT VẤN ĐỀ 1

CHƯƠNG 1 TỔNG QUAN 3

1.1 Nghiên cứu in silico 3

1.1.1 Vai trò của in silico trong nghiên cứu phát triển thuốc mới 3

1.1.2 Vai trò của in silico trong bào chế, sản xuất công nghiệp 4

1.1.3 Khái quát một số thuật toán thường sử dụng trong chương trình mô phỏng 5

1.2 Độ hòa tan 6

1.2.1 Vai trò của phép thử hòa tan 6

1.2.2 Các giả thuyết về bản chất động học của quá trình hòa tan 7

1.2.3 Các yếu tố ảnh hưởng đến động học hòa tan của viên nén 8

1.2.4 Xây dựng phương trình động học hòa tan cho viên nén 10

1.3 Các phương trình động học hòa tan cho hệ đơn thành phần 11

1.3.1 Các phương trình động học cổ điển (chỉ xét đến đối tượng hòa tan) 11

1.3.2 Các phương trình động học có xét đến ảnh hưởng của môi trường hòa tan 13

1.4 Mạng neuron nhân tạo 21

1.4.1 Cấu tạo và phương thức hoạt động của các đơn vị neuron 21

1.4.2 Mạng neuron nhân tạo 23

1.4.3 Một số nghiên cứu dự đoán độ hòa tan bằng mạng neuron nhân tạo 26

1.5 Đánh giá độ phù hợp của mô hình 27

1.5.1 Phương pháp thống kê 27

1.5.2 Phương pháp mô hình độc lập 27

1.5.3 Hệ số xác định R2 và tiêu chuẩn thông tin Akaike 28

1.6 Một số thông tin về dược chất & chế phẩm chứa dược chất nhóm NSAIDs 29

1.7 Phần mềm dự đoán độ hòa tan DDDPlus TM 30

CHƯƠNG 2 ĐỐI TƯỢNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU 31

2.1 Nguyên liệu và thiết bị thí nghiệm 31

2.1.1 Nguyên liệu 31

2.1.2 Thiết bị 31

2.2 Phương pháp nghiên cứu 32

2.2.1 Chuẩn bị các mẫu thử hòa tan 32

2.2.2 Xác định các thông số hóa lý của dược chất thử hòa tan 32

2.2.3 Thu thập dữ liệu thử hòa tan thực tế 33

2.2.4 Xây dựng phương trình động học hòa tan cho bột dược chất đơn 35

2.2.5 Xây dựng mạng neuron nhân tạo để dự đoán hệ số cản trở hòa tan 38

2.2.6 Thử hòa tan các mẫu độc lập và đánh giá khả năng dự đoán của mô hình 39

CHƯƠNG 3 KẾT QUẢ NGHIÊN CỨU 41

3.1 Thẩm định tính tuyến tính của phương pháp định lượng dược chất 41

3.1.1 Mẫu chỉ có dược chất 41

3.1.2 Mẫu có dược chất và tá dược 42

3.2 Xác định các thông số hóa lý cần thiết của dược chất 42

3.2.1 Xác định độ tan bão hòa 42

3.2.2 Xác định phân bố kích thước của các mẫu dược chất 43

3.2.3 Xác định diện tích bề mặt riêng 45

3.2.4 Xác định hệ số khuếch tán 45

3.3 Thử hòa tan và xây dựng mô hình cho bột dược chất đơn 46

3.3.1 Kết quả thử hòa tan 46

3.3.2 Kết quả xây dựng mô hình hòa tan 48

3.4 Thử hòa tan và xây dựng mô hình cho cốm chứa dược chất & tá dược 52

3.4.1 Kết quả thử hòa tan 52

3.4.2 Xây dựng mạng neuron xác định hệ số cản trở hòa tan của mỗi tá dược 55

3.5 Đánh giá khả năng dự đoán của các mô hình với dược chất độc lập 58

3.5.1 Thuộc tính hóa lý của nguyên liệu ketoprofen 58

3.5.2 Kết quả thử hòa tan 58

CHƯƠNG 4 BÀN LUẬN 63

4.1 Về chương trình dự đoán độ hòa tan của bột dược chất đơn 63

4.2 Về mạng neuron nhân tạo xác định hệ số cản trở hòa tan của tá dược 64

KẾT LUẬN VÀ KIẾN NGHỊ 66 TÀI LIỆU THAM KHẢO

PHỤ LỤC

DANH MỤC CÁC KÍ HIỆU, CÁC CHỮ VIẾT TẮT

ADME Hấp thu - Phân bố - Chuyển hóa - Thải trừ

(Adsorbtion - Distribution - Metabolism - Elimination)

ANN Mạng neuron nhân tạo

(Artificial Neural Network)

ANOVA Phân tích phương sai

(Analysis of Variance)

CADD Phần mềm hỗ trợ thiết kể công thức thuốc

(Computer-Aided Drug Design)

CFD Chương trình giả lập động học chất lưu

(Computational Fluid Dynamics)

CPP Thông số quy trình trọng yếu

(Critical Process Parameters)

DĐVN IV Dược điển Việt nam IV

DEM Mô hình phần tử rời rạc

(Discrete Element Method)

EDNN Mạng neuron động Elman

(Elman Dynamic Neural Network)

EMA Cơ quan quản lý dược phẩm châu Âu

(European Medicines Agency)

FDA Cơ quan quản lý thực phẩm dược phẩm Mỹ

(U.S Food and Drug Administration)

IVIVC Tương quan in vivo – in vitro

(In vivo – In vitro Correlation)

MANOVA Phân tích phương sai đa biến

(Multivariate Analysis of Variance)

MCC Cellulose vi tinh thể

(MicroCrystalline Cellulose)

MSE Tổng bình phương sai số trung bình

(Mean Squared Error)

MLP Mạng perceptron đa lớp

(MultiLayer Perceptron)

NSAIDs Nhóm thuốc giảm đau chống viêm phi steroid

(Nonsteroidal Anti-Inflammatory Drugs)

QbD Quản lý chất lượng bằng thiết kế

(Quality by Design)

QbT Quản lý chất lượng bằng kiểm tra

(Quality by Testing)

SUPACs Nâng quy mô và thay đổi sau đăng ký thuốc

(Scale Up & Post-Approval Changes)

(United States Pharmacopeia)

DANH MỤC CÁC BẢNG

Bảng 1.1 Hệ số Reynolds và Sherwood cho một số hình dạng vật thể thường gặp 16

Bảng 1.2 Hệ số hình dạng (Π) của một số tiểu phân phổ biến 19

Bảng 1.3 Một số nghiên cứu dự đoán độ hòa tan bằng ANN 26

Bảng 1.4 Độ tan và phương pháp định lượng các NSAIDs dự kiến sử dụng 29

Bảng 1.5 Yêu cầu độ hòa tan của một số chế phẩm chứa NSAIDs theo DĐVN IV 30

Bảng 2.1 Các nguyên liệu sử dụng trong nghiên cứu 31

Bảng 2.2 Điều kiện thử hòa tan cho các mẫu dược chất đơn 34

Bảng 2.3 Điều kiện thử hòa tan cho các mẫu cốm chứa dược chất & tá dược 35

Bảng 3.1 Đường chuẩn của ibuprofen tại λ = 237 nm 41

Bảng 3.2 Đường chuẩn của indomethacin tại λ = 320 nm 41

Bảng 3.3 Đường chuẩn của piroxicam tại λ = 396 nm 42

Bảng 3.4 Độ tan bão hòa của dược chất trong các môi trường (n=3) 43

Bảng 3.5 Diện tích bề mặt riêng của các phân đoạn dược chất (n=3) 45

Bảng 3.6 Hệ số khuếch tán của các dược chất 45

Bảng 3.7 Hệ số f1 và f2 so sánh giữa đường cong thực tế và dự đoán 59

Bảng 3.8 Hệ số f1 và f2 so sánh giữa đường cong thực tế và dự đoán 60

DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ

Hình 1.1 CADD trong các giai đoạn nghiên cứu phát triển thuốc mới 3

Hình 1.2 Vai trò của phép thử hòa tan trong quá trình nghiên cứu phát triển 6

Hình 1.3 Thuyết lớp khuếch tán 7

Hình 1.4 Thuyết rào chắn liên bề mặt 7

Hình 1.5 Thuyết Danckwert 8

Hình 1.6 Sơ đồ hòa tan Wagner 10

Hình 1.7 Thí nghiệm hòa tan của Noyes-Whitney 11

Hình 1.8 Hình dạng các kiểu dòng chảy 15

Hình 1.9 Chiều dài đại diện của một số hình dạng vật thể thường gặp 15

Hình 1.10 Quá trình khuếch tán tiệm cận 16

Hình 1.11 Các yếu tố ảnh hưởng đến Ut và Ue 17

Hình 1.12 Hình dạng lớp khuếch tán của một số dạng tiểu phân 20

Hình 1.13 Diện tích bề mặt và tốc độ hòa tan của tiểu phân hình trụ cùng thể tích 20

Hình 1.14 Neuron sinh học 21

Hình 1.15 Neuron nhân tạo 22

Hình 1.16 Mô hinh mạng perceptron đa lớp 23

Hình 1.17 Cấu tạo mạng Elman 24

Hình 1.18 Hàm chuyển logistic và binary step 24

Hình 2.1 Sơ đồ chương trình I 36

Hình 2.2 Sơ đồ chương trình II 38

Hình 3.1 Phân bố kích thước tiểu phân của các phân đoạn ibuprofen 43

Hình 3.2 Phân bố kích thước tiểu phân của các phân đoạn indomethacin 44

Hình 3.3 Phân bố kích thước tiểu phân của các phân đoạn piroxicam 44

Hình 3.4 Kết quả hòa tan các phân đoạn ibuprofen 46

Hình 3.5 Kết quả hòa tan các phân đoạn indomethacin 47

Hình 3.6 Kết quả hòa tan các phân đoạn piroxicam 47

Hình 3.7 Tương quan giữa giá trị hòa tan thực tế và dự đoán 50 v/p (I) 48

Hình 3.8 Tương quan giữa giá trị hòa tan thực tế và dự đoán 100 v/p (I) 48

Hình 3.9 Tốc độ dòng chảy ở các vị trí trong cốc thử hòa tan khuấy trộn 50 v/p 49

Hình 3.10 Tương quan giữa giá trị hòa tan thực tế (II) 50

Hình 3.11 Tương quan giữa giá trị hòa tan thực tế và dự đoán 50 v/p (I΄) 51

Hình 3.12 Tương quan giữa giá trị hòa tan thực tế và dự đoán 100 v/p (I΄) 51

Hình 3.13 Kết quả thử hòa tan các mẫu cốm chứa ibuprofen 52

Hình 3.14 Kết quả thử hòa tan các mẫu cốm chứa indomethacin 53

Hình 3.15 Kết quả thử hòa tan các mẫu cốm chứa piroxicam 54

Hình 3.16 MSE theo số neuron lớp ẩn của mạng perceptron đa lớp 55

Hình 3.17 Tương quan giữa hệ số (f) thực tế và dự đoán đối với mạng MLP 56

Hình 3.18 MSE theo số neuron lớp ẩn của mạng Elman 56

Hình 3.19 Tương quan giữa hệ số (f) thực tế và dự đoán đối với mạng EDNN 57

Hình 3.20 Phân bố kích thước tiểu phân của nguyên liệu ketoprofen 58

Hình 3.21 Độ hòa tan thực tế của ketoprofen so với dự đoán (chương trình I) 58

Hình 3.22 Độ hòa tan thực tế của ketoprofen so với dự đoán (chương trình II) 59

Hình 3.23 Kết quả hòa tan thực tế và dự đoán bằng mạng perceptron 60

Hình 3.24 Kết quả hòa tan thực tế và dự đoán bằng DDDPlusTM 62

Hình 4.1 Các trường hợp có thể xảy ra khi xây dựng tương quan 65

1

ĐẶT VẤN ĐỀ

Ngày nay, các công cụ hỗ trợ ảo ngày càng đóng vai trò quan trọng trong nhiều lĩnh vực bởi những ưu điểm vượt trội về tốc độ và khả năng xử lý thông tin, nhờ đó giúp tiết kiệm đáng kể thời gian, chi phí và nhân lực

Đối với ngành Dược, việc ứng dụng công nghệ thông tin trong nghiên cứu, sản

xuất (hay còn được gọi là nghiên cứu in silico) diễn ra có phần chậm hơn bởi sự phức

tạp cũng như cơ sở lý thuyết để số hóa các phép thực nghiệm còn nhiều hạn chế Tuy nhiên, trước áp lực các phương pháp nghiên cứu phát triển cũ ngày càng kém hiệu quả (ở Mỹ, trong khoảng thời gian từ 1993 đến 2004, mặc dù chi phí R&D đã tăng 147%,

hồ sơ đăng kí thuốc mới nộp lên FDA chỉ tăng 38% và tệ hơn, số lượng thuốc thực sự mới chỉ tăng có 7% [34]) dẫn đến buộc phải có những cách tiếp cận mới Thực tế hiện tại đã có nhiều thay đổi, khoảng hơn mười năm trở lại đây, các phần mềm tính toán, hỗ trợ và định hướng nghiên cứu bắt đầu dần xuất hiện và phổ biến hơn Điển hình như trong quá trình tìm kiếm thuốc mới, các thuật toán docking, như EADock, đã thể hiện một tốc độ sàng lọc hợp chất đáng kinh ngạc và hiệu quả rõ rệt ngay cả khi so sánh với các biện pháp cơ khí, tự động hóa trong phòng thí nghiệm hiện đại [19] Trong lĩnh

vực bào chế, sản xuất thuốc, in silico cũng đang dần trở thành một xu thế mới không

chỉ dừng ở quy mô nghiên cứu mà còn đã bắt đầu bước chân sang phạm vi công nghiệp Bên cạnh đó, cùng với việc FDA khuyến khích áp dụng mô hình quản lý chất lượng bằng thiết kế (Quality by Design) nhu cầu xây dựng một quy trình sản xuất ổn định, có thể kiểm soát và tiên lượng được kết quả ngày càng lớn Mới đây, vào đầu năm 2016, tại Anh, một đề án trong vòng 4 năm với kinh phí lên tới 29 triệu USD đã được triển khai thực hiện nhằm tạo ra các chương trình giả lập, mô phỏng mạnh mẽ để

có thể thúc đẩy quá trình nghiên cứu và sản xuất trong lĩnh vực dược phẩm với sự tham gia của nhiều thành phần gồm các trường đại học (Cambridge, Leeds, Strathclyde), các công ty dược phẩm lớn (Astra Zeneca, BMS, GSK, Pfizer), trung tâm CCMAC (Center for Innovative Manufacturing in Continuous Manufacturing and Crystallization) cùng với sự hỗ trợ từ các công ty thiết kế phần mềm (Process System

Enterprise Ltd., Perceptive Engineering) [1]

2

Tại Việt nam, khái niệm in silico hiện vẫn còn khá mới mẻ và chưa có nhiều

nghiên cứu Chính vì vậy, để có thể tiếp cận, nắm bắt phương pháp này một cách cụ

thể và chi tiết hơn, chúng tôi tiến hành thực hiện đề tài “Bước đầu xây dựng mô hình

in silico quá trình hòa tan của dạng cốm bột chứa một số hoạt chất nhóm

NSAIDs” với mục tiêu:

Xây dựng và thẩm định được mô hình mô phỏng quá trình hòa tan của bột dược chất đơn và mẫu cốm hai thành phần chứa dược chất - tá dược trong thiết bị thử hòa tan kiểu cánh khuấy

3

CHƯƠNG 1 TỔNG QUAN

1.1 Nghiên cứu in silico

In silico là một cách diễn đạt chỉ các công việc được thực hiện trên máy tính hoặc

thông qua các chương trình giả lập trên máy tính Thuật ngữ này lần đầu tiên được sử dụng bởi Miramontes (1989) trong hội thảo về tế bào automat (cellular automata) như

là một cách bắt chước các thuật ngữ Latin in vivo, in vitro vốn hay được sử dụng trong

sinh học để mô tả môi trường tiến hành các thí nghiệm [23]

1.1.1 Vai trò của in silico trong nghiên cứu phát triển thuốc mới

Nghiên cứu và phát triển thuốc mới được biết đến là một công việc hết sức tốn kém không chỉ về mặt tiền bạc mà còn cả thời gian Ước tính chi phí cho quá trình này dao động trong khoảng 0,8 – 1,8 tỷ USD cho mỗi thuốc mới được phát minh và thông

thường kéo dài từ 10 đến 15 năm [12] [15] Triển khai in silico, theo tính toán của

PricewaterhouseCooper, được kì vọng sẽ giúp đẩy nhanh tốc độ nghiên cứu và có thể cắt giảm tới phân nửa chi phí [28]

Hình 1.1 CADD trong các giai đoạn nghiên cứu phát triển thuốc mới [3]

Hiện tại, các phần mềm hỗ trợ thiết kế công thức thuốc (computer-aided drug design – CADD) đang ngày càng trở nên mạnh mẽ và bao quát được nhiều nội dung hơn chẳng hạn như xác định và đánh giá đích tác dụng, dự đoán các thông số dược động học ADME, dự đoán độc tính và độ an toàn, dự đoán tương tác thuốc và sàng lọc

ảo (Hình 1.1) [3] Hiệu quả ghi nhận khi triển khai thực tế một số công cụ hết sức ấn tượng Cụ thể, năm 2010, để tìm kiếm chất ức chế indoleamin 2,3-dioxygenase (một enzym xúc tác cho quá trình hoạt động của khối u), các nhà nghiên cứu đã sử dụng thuật toán docking để lựa chọn các phân tử có cấu trúc tiềm năng Kết quả đánh giá lại

4

trong điều kiện in vitro sau đó cho thấy, có tới hơn 50% số chất được dự đoán thể hiện

tác dụng thực sự Trong khi đó, nếu sử dụng phương thức sàng lọc thông thường, tỉ lệ này thường chỉ đạt chưa tới 1% [19]

1.1.2 Vai trò của in silico trong bào chế, sản xuất công nghiệp

Những năm gần đây, ngành công nghiệp dược phẩm thế giới đang có xu hướng chuyển đổi từ phương thức quản lý chất lượng bằng kiểm tra (Quality by Testing - QbT) sang phương thức quản lý chất lượng bằng thiết kế (Quality by Design - QbD) nhằm hạn chế sự dao động giữa các lô mẻ và tăng cường tính linh hoạt trong hoạt động sản xuất thực tế Khi triển khai QbT, nhà sản xuất thường không thực sự nắm rõ liệu sản phẩm tạo ra có đạt các tiêu chí như mong muốn hay không và luôn phải dựa vào các phép phân tích hậu kiểm để đánh giá kết quả Trái lại với QbD, vấn đề chất lượng thuốc được đặt ra ngay từ khi bắt tay vào những giai đoạn nghiên cứu đầu tiên Mọi ảnh hưởng của các biến đầu vào (công thức, tỉ lệ các thành phần, thông số quy trình) đến các biến đầu ra (chỉ tiêu của thành phẩm) đều cần phải được tìm hiểu và làm rõ nhằm xác định khoảng không gian thiết kế (design space) phù hợp [36] Tuy nhiên, đây lại là một thách thức không hề đơn giản bởi đa phần các mối quan hệ này không phải là những tương quan tuyến tính thông thường Chính vì vậy, để có thể đáp ứng được yêu cầu đề ra, rất cần đến sự hỗ trợ tính toán của các chương trình dự đoán, mô

phỏng Theo đánh giá của cơ quan quản lý dược phẩm Mỹ (FDA), in silico * là một trong những giải pháp hiệu quả để thu thập thông tin một cách khoa học, hạn chế tiến hành các thí nghiệm theo kiểu dò dẫm, thử sai (trial and error) và đồng thời tạo tiền đề

để thúc đẩy, sớm triển khai thực hiện QbD [10] Trong khi đó, đối với các công ty dược, họ thậm chí còn có tham vọng lớn hơn khi mong muốn tích hợp thẳng các công

cụ giả lập này vào dây chuyền sản xuất để chúng tự thay đổi, điều chỉnh các thiết bị cơ giới nhằm tối ưu hóa liên tục cho hệ thống Cuối năm 2012, ý tưởng này đã được hiện thực hóa bởi Novartis-MIT CCM bằng một nguyên mẫu tích hợp tất cả các giai đoạn bào chế của viên nén bao phim, vận hành hoàn toàn tự động và đặc biệt có thể tự đưa

ra quyết định thay đổi thông số quy trình khi cần thiết [21] Mặc dù đã ghi nhận được

một số kết quả đáng khích lệ ban đầu, đa phần các ứng dụng in silico hiện còn khá sơ

khai, hạn chế và vẫn cần rất nhiều nỗ lực để xây dựng, hoàn thiện nó đáp ứng kì vọng

*: từ phần này trở đi in silico sẽ được

ngầm hiểu là trong lĩnh vực bào chế

5

1.1.3 Khái quát một số thuật toán thường sử dụng trong chương trình mô phỏng

Hầu hết các thuật toán để xây dựng chương trình mô phỏng hiện nay đều có thể được phân nhóm theo hoặc dạng thuần logic được thiết lập bằng các định lý, định luật

đã được chứng minh đầy đủ hoặc dạng kinh nghiệm nhờ vào việc khái quát hóa quan

hệ nhân quả theo các số liệu quan sát thực tế [16]

Hướng xây dựng các mô hình dự đoán dựa trên các thuật toán thuần logic tương đối phong phú, đa dạng tùy thuộc vào bản chất hiện tượng của quá trình muốn mô phỏng và các lý thuyết sẵn có liên quan Nổi bật nhất trong nhóm này hiện nay là mô hình phần tử rời rạc (Discrete Element Modelling - DEM) và phép giả lập động học chất lưu (Computational Fluid Dynamics - CFD) DEM có khả năng xác định vị trí của các tiểu phân trong hệ đa phân tán theo thời gian khi có tác động của lực cơ học [17] Trong khi đó, CFD cho phép tính toán vận tốc và diễn biến chuyển động của dòng chất lưu [27] Sự kết hợp của hai công cụ này giúp người dùng có thể mô tả rất nhiều giai đoạn bào chế của các dạng thuốc rắn như nhào trộn, tạo hạt, phun sấy, bao hay dập viên Ưu điểm chính của các thuật toán thuần logic là tính phổ quát cao, phạm vi áp dụng rộng rãi, thường đi sâu vào bản chất vấn đề nên có thể định rõ tác động của từng yếu tố cụ thể Tuy nhiên, đôi khi chúng trở nên phức tạp quá mức dẫn đến việc đòi hỏi phải cung cấp rất nhiều các thông tin đặc biệt về thuộc tính lý hóa của nguyên liệu cũng như cấu tạo lập thể chính xác của các thiết bị cơ giới sử dụng Điều này thực sự

là một trở ngại lớn, bởi không phải cơ sở nào cũng có đủ năng lực để xác định các thông số này

Trái lại, yêu cầu để thiết lập các mô hình bằng thuật toán kinh nghiệm có phần đơn giản hơn, chỉ cần cung cấp một số lượng nhất định (càng nhiều càng tốt) các cặp giá trị thực tế của biến đầu vào và đầu ra Sau đó, tương quan biểu kiến giữa chúng sẽ được khái quát hóa nhờ vào những công cụ thống kê, phân tích mặt đáp (Response Surface Methodology) hoặc mạng neuron nhân tạo (Artificial Neural Network) [16] Mặt tích cực của cách tiếp cận này đó là không đòi hỏi phải nắm rõ cơ chế cụ thể của các quá trình xảy ra và có thể nhanh chóng triển khai rộng rãi thực tế Tuy nhiên, khả năng tiên đoán của các mô hình kinh nghiệm thường chỉ giới hạn trong phạm vi khảo sát và phụ thuộc rất nhiều vào tính đại diện của dữ liệu phân tích ban đầu

6

1.2 Độ hòa tan

Theo IUPAC, “hòa tan” được định nghĩa là quá trình trộn lẫn hai pha để tạo ra một pha mới đồng nhất, ví dụ, hòa tan pha rắn vào pha lỏng để tạo thành dung dịch [14] Tốc độ hòa tan là một đại lượng đặc trưng cho quá trình hòa tan, đo lường sự biến

đổi của nồng độ chất tan (dc) sau một khoảng thời gian (dt) Tốc độ hòa tan nhanh thì

độ hòa tan sẽ lớn, và ngược lại, tốc độ hòa tan chậm thì độ hòa tan sẽ nhỏ

1.2.1 Vai trò của phép thử hòa tan

Hình 1.2 Vai trò của phép thử hòa tan trong quá trình nghiên cứu phát triển

sản phẩm và kiểm soát chất lượng thuốc [9]

Độ hòa tan, đặc biệt với các dạng thuốc rắn dùng đường uống, là một trong những chỉ tiêu quan trọng hàng đầu, đại diện cho phần tỉ lệ dược chất ở trạng thái có thể được hấp thu vào vòng tuần hoàn Do vậy, trong quá trình nghiên cứu phát triển sản phẩm,

độ hòa tan trở thành mục tiêu để tìm kiếm, cân nhắc lựa chọn giữa các dạng dược chất, các loại tá dược cũng như điều chỉnh thông số kĩ thuật cho quy trình (Hình 1.2) Bên cạnh đó, phép thử độ hòa tan còn đóng vai trò là công cụ giám sát nhằm đánh giá chất lượng, theo dõi độ ổn định, lặp lại của các lô mẻ; đồng thời là cơ sở để cơ quan quản lý cấp phép phê duyệt cho những thay đổi trong quy trình sản xuất sau đăng ký (SUPACs) Trong một số trường hợp, độ hòa tan còn được sử dụng để ngoại suy trực

tiếp các thông số dược động học của thuốc nhờ tương quan in vivo - in vitro (IVIVC)

7

và được coi là chỉ tiêu thay thế khi đánh giá tương đương sinh học trong trường hợp được miễn thử trên lâm sàng (biowaver) [9]

1.2.2 Các giả thuyết về bản chất động học của quá trình hòa tan

Để giải thích bản chất động học quá trình hòa tan rắn-lỏng, các nhà nghiên cứu đã

đề xuất ra những giả thuyết sau:

a Thuyết lớp khuếch tán (diffusion layer model)

Thuyết lớp khuếch tán cho rằng tồn tại một lớp màng mỏng (màng film) bão hòa chất tan ở ngay sát bề mặt phân cách pha rắn – lỏng Từ lớp màng đó, chất tan sẽ được khuếch tán ra ngoài dung dịch

Hình 1.3 Thuyết lớp khuếch tán

Trong thuyết này, phản ứng chuyển pha rắn – lỏng được coi diễn ra gần như tức thời, tạo thành lớp màng bao bão hòa (Hình 1.3) Tốc độ hòa tan chỉ phụ thuộc chủ yếu vào sự khuếch tán từ lớp màng film ra môi trường bên ngoài do chênh lệch gradient nồng độ Đây là thuyết hiện đang được thừa nhận và sử dụng rộng rãi nhất [31]

b Thuyết rào chắn liên bề mặt (interfacial barrier model)

Thuyết rào chắn liên bề mặt cũng đồng tình với sự hình thành một lớp màng mỏng trong quá trình hòa tan tương tự như thuyết lớp khuếch tán

Hình 1.4 Thuyết rào chắn liên bề mặt

8

Tuy nhiên, thuyết cho rằng phản ứng chuyển pha tại lớp liên bề mặt rắn-lỏng không thể xảy ra một cách nhanh chóng vì cần phải có năng lượng kích hoạt lớn (Hình 1.4) Quá trình này chậm hơn nhiều so với quá trình khuếch tán của chất tan ra ngoài môi trường, do vậy đây mới là quá trình cản trở hòa tan [31]

c Thuyết Danckwert (Danckwert’s model)

Thuyết Danckwert phủ nhận sự tồn tại của lớp màng film, đưa ra giả thuyết rằng trong dung dịch tồn tại các xoáy, tạo thành các bọc nhỏ tiếp cận đến bề mặt chất rắn, hấp thu và vận chuyển chúng ra môi trường bên ngoài (Hình 1.5)

Hình 1.5 Thuyết Danckwert

Càng khuấy trộn nhiều, sẽ càng tạo ra nhiều xoáy đến tiếp cận, tốc độ hòa tan sẽ diễn ra càng nhanh hơn [31]

1.2.3 Các yếu tố ảnh hưởng đến động học hòa tan của viên nén

Xác định và đánh giá mức độ ảnh hưởng các yếu tố có thể tác động đến quá trình hòa tan là một bước tiền đề quan trọng để tiến hành xây dựng chương trình mô phỏng,

dự đoán kết quả Trong trường hợp viên nén, có thể tóm tắt lại thành một số nhóm chính như sau [22]:

a Bản chất các thuộc tính hòa tan của dược chất

Độ tan và tốc độ hòa tan nội tại: Những dược chất tan tốt sẽ dễ dàng tạo được

chênh lệch gradient nồng độ lớn, giúp đẩy nhanh quá trình hòa tan Giá trị độ tan của mỗi dược chất cụ thể thường được quyết định bởi cách sắp xếp của chúng trong mạng lưới liên kết phân tử Những cấu trúc có diện tích tiếp xúc mặt ngoài lớn và năng lượng liên kết nhỏ thường có khả năng hòa tan nhiều và nhanh hơn Bản thân từng dược chất có thể tồn tại ở nhiều dạng thù hình khác nhau với khả năng hòa tan đôi khi chênh lệch rất lớn giữa các dạng, ví dụ, ba dạng thù hình của riboflavin có độ tan dao động trong khoảng từ 60 tới 1200 mg/L [7]

9

Kích thước tiểu phân: Các tiểu phân kích thước nhỏ có xu hướng hòa tan nhanh

hơn các tiểu phân kích thước lớn do diện tích tiếp xúc với môi trường hòa tan tăng lên Giảm kích thước có thể đạt được bằng những thao tác đơn giản như xay, nghiền nên thường được coi là lựa chọn đầu tay để cải thiện khả năng hòa tan cho các dược chất ít tan, ví dụ, nhóm NSAIDs, nhóm kháng sinh kháng nấm

Hệ số khuếch tán: Đại lượng này phụ thuộc vào khối lượng và thể tích chiếm chỗ

trong không gian của phân tử dược chất Phân tử càng nặng, càng cồng kềnh thì hệ số khuếch tán càng nhỏ và có xu hướng hòa tan kém hơn các phân tử nhẹ, kích thước nhỏ Bên cạnh đó, cần lưu ý rằng giá trị này còn bị thay đổi theo độ nhớt của môi trường

b Các ảnh hưởng của tá dược

Bản chất cơ chế tác động của các loại tá dược đến độ hòa tan của chế phẩm hiện vẫn đang được tiếp tục tìm hiểu Tuy nhiên, có thể khái quát lại một số tương quan phổ biến sau: tỉ lệ hàm lượng và khả năng gắn kết của các tá dược dính trong công thức càng tăng lên thì viên hòa tan càng chậm; trái lại nếu sử dụng nhiều tá dược rã có thể giúp đẩy nhanh quá trình dược chất giải phóng ra khỏi dạng bào chế và cải thiện độ hòa tan Những loại tá dược còn lại như tá dược độn, tá dược trơn thường không có khuynh hướng ảnh hưởng chung mà phụ thuộc vào từng trường hợp cụ thể

c Các ảnh hưởng của quy trình bào chế

Về cơ bản, mọi thông số kỹ thuật trong quá trình sản xuất đều có thể ảnh hưởng đến tốc độ hòa tan Tuy nhiên, nếu xét vai trò trọng yếu (CPP) thì lực nén là giá trị cần quan tâm nhất Trong một chừng mực nhất định, lực nén có thể giúp bẻ gãy tiểu phân dược chất thành những mảnh nhỏ, thậm chí làm biến tính, thay đổi cấu trúc giúp hòa tan nhanh hơn Đối với các trường hợp còn lại, gia tăng lực nén thường đi kèm với việc giảm độ xốp, khó rã và dẫn đến chậm hòa tan

d Đặc điểm môi trường hòa tan

Nhiệt độ: Quá trình hòa tan đa phần thu nhiệt Nhiệt độ tăng sẽ làm tốc độ hòa tan

tăng theo Tuy nhiên, thông số này hầu như được giữ cố định ở mức 37 ± 0,50C trong

cả môi trường in vivo lẫn in vitro nên có thể bỏ qua không xét tới

Theo sơ đồ của Wagner,

tiểu phân dược chất (hình 1

quá tốc độ khi hòa tan tr

các tiểu phân được phân tá

trị này có thể được biểu di

Hàm DM có thể được xác đ

môi trường hòa tan nhờ vào

tạo đơn thành phần như phương tr

hoặc phương trình chuyể

10

ấy trộn ảnh hưởng tất yếu đến độ hòa tan, khu

nh thì hòa tan càng nhanh

t số dược chất mang các nhóm chức acid/base y

độ tan khi tăng giảm pH môi trường do sựhóa thành không ion hóa và ngược lại

ng phương trình động học hòa tan cho viên nén

Hình 1.6 Sơ đồ hòa tan Wagner

a Wagner, viên nén sẽ rã dần từng bước để giải phóng và hòa tan (hình 1.6) Do vậy, tốc độ hòa tan của chế phẩ

khi hòa tan trực tiếp các tiểu phân này (giả sử không x

c phân tán đều trong môi trường hòa tan) Tương quan gi

u diễn như sau:

trong đó: D P là hàm biểu diễn độ hòa tan c

D M là hàm biểu diễn độ hòa tan t tiểu phân dược chất trong ch

G 1 , G 2 , …, G n là các hàm đạ cản trở hòa tan của các yếu t

c xác định từ các thông số hóa lý của dưvào vận dụng một số phương trình động h

n như phương trình Nerst-Brunner, phương tr

ển khối (xem mục 1.3) Trong khi đó, quá trình

hòa tan, khuấy trộn càng

acid/base yếu thường có

ự chuyển dạng từ ion

i phóng và hòa tan các

ẩm sẽ không thể vượt không xảy ra sự kết tập và ương quan giữa hai giá

hòa tan của chế phẩm hòa tan tối đa của các trong chế phẩm

ại diện cho mức độ

u tố 1, 2, …, n

a dược chất và đặc điểm

ng học sẵn có cho hệ cấu Brunner, phương trình Hixson-Crowell

quá trình thiết lập các

11

hàm cản trở hòa tan G theo đúng bản chất hiện tượng còn đang gặp nhiều trở ngại bởi những thiếu sót về cơ sở lý thuyết Tuy nhiên, để giải quyết vấn đề này còn có một cách tiếp cận khác như đã trình bày ở mục 1.1.3, đó là sử dụng mạng neuron nhân tạo Trong những nghiên cứu tiến hành dưới đây, hiệu quả của phương pháp trên sẽ từng bước được khảo sát, bắt đầu với việc áp dụng để dự đoán độ hòa tan của các mẫu cốm chứa dược chất và một loại tá dược

1.3 Các phương trình động học hòa tan cho hệ đơn thành phần

1.3.1 Các phương trình động học cổ điển (chỉ xét đến đối tượng hòa tan)

Hình 1.7 Thí nghiệm hòa tan của Noyes-Whitney

Sau khi đo lường nồng độ chất tan tại các thời điểm, tác giả rút ra nhận xét: Tốc độ hòa tan tỉ lệ thuận với sự chênh lệch giữa nồng độ bão hòa (Cs) và nồng độ biểu kiến (Ct) theo phương trình sau:

= ( − ) (1)

trong đó: k là hệ số tỉ lệ

12

1.3.1.2 Phương trình Nerst Brunner

Brunner và Tolloczko (1900) sau đó nới rộng thêm một số điều kiện của thí nghiệm trên và nhận thấy rằng tốc độ hòa tan còn tỉ lệ thuận với diện tích bề mặt tiếp xúc (S) giữa chất tan với môi trường, do vậy đề nghị sửa đổi phương trình 1 thành:

= ( − ) (2) Nerst cùng với Brunner (1904) đã tiếp tục nỗ lực cắt nghĩa rõ ràng hơn hệ số k dựa trên cơ sở định luật II của Fick (phụ lục I) và thuyết lớp khuếch tán bằng phương trình sau [30]:

= . ℎ( − ) (3)

trong đó: D là hệ số khuếch tán

h là bề dày lớp khuếch tán

V là thể tích môi trường hòa tan

1.3.1.3 Phương trình Hixson Crowell

Hixson và Crowell (1931) đưa ra ý kiến rằng sẽ rất khó để người dùng tiếp cận và

sử dụng các phương trình như 2 và 3 nếu giữ nguyên thông số diện tích bề mặt (S) bởi xác định đại lượng này không dễ Vậy nên, tác giả đề xuất gán giá trị khối lượng (W) thay thế (do S tỉ lệ thuận với W2/3) như sau [30]:

= / ( − ) Trong điều kiện sink hoàn hảo, (Cs – C) là hằng số không đổi theo thời gian:

/ − / = (4) Phương trình 4 có hai biến thể ứng với giả thiết: tiểu phân kích thước lớn thì bề dày lớp khuếch tán là một giá trị không đổi, còn với tiểu phân kích thước nhỏ thì bề dày lớp khuếch tán tỉ lệ với đường kính tiểu phân:

Chi tiết cách thiết lập phương trình: xin xem phụ lục III

trong đó: d là đường kính tiểu phân

d crit là đường kính tới hạn

k h là hệ số tỉ lệ

α là hệ số hình dạng (hình cầu α = Π)

ρ là tỉ trọng tiểu phân

N là số lượng tiểu phân

1.3.2 Các phương trình động học có xét đến ảnh hưởng của môi trường hòa tan

Có một thực tế rằng khi được khuấy trộn mạnh hơn, tốc độ hòa tan cũng sẽ nhanh

hơn Quá trình hòa tan, cả in vitro lẫn in vivo, đều diễn ra trong môi trường có sự

khuấy trộn chứ không tĩnh lặng Do vậy sẽ là thiếu sót nếu không đánh giá ảnh hưởng của yếu tố này đến quá trình hòa tan Quá trình hòa tan khi có khuấy trộn (quá trình chuyển khối) lúc này diễn ra không chỉ nhờ quá trình khuếch tán (diffusion) mà còn nhờ vào quá trình đối lưu (convection) [8] [32]

Khuếch tán là quá trình chuyển động ngẫu nhiên của chất tan dựa vào sự chênh lệch gradient nồng độ Động học của quá trình khuếch tán tuân theo định luật Fick (phụ lục I) Đối lưu là quá trình chuyển dời của cả khối chất lỏng (cả dung môi lẫn chất tan) từ vị trí này sang vị trí khác nhờ vào sự khuấy trộn Động học của dòng chảy trong quá trình đối lưu được xác định dựa vào phương trình Navier-Stock (phụ lục II)

1.3.2.1 Phương trình chuyển khối

Về cơ bản, phương trình chuyển khối vẫn dựa trên thuyết lớp khuếch tán và khá tương đồng với phương trình Nerst-Brunner Tuy nhiên, cách biện giải hệ số k trong trường hợp này có nhiều điểm khác biệt

Phương trình chuyển khối tổng quát được viết như sau:

dW

= ( − ) (7)

trong đó: k m là hệ số chuyển khối

14

Hệ số chuyển khối được tính bằng tỉ số giữa hệ số khuếch tán (D) và đại lượng cản

trờ quá trình chuyển khối Theo Nerst và Brunner (pt.3), đại lượng cản trở quá trình

chuyển khối chính là bề dày lớp khuếch tán (h), lớp khuếch tán càng dày thì sự cản trở càng mạnh:

= ℎTuy nhiên, theo lý thuyết động học chất lưu thì sự cản trở quá trình chuyển khối phụ thuộc vào chiều dài đại diện (L) của tiểu phân (chiều kích thước có ảnh hưởng lớn nhất đến kiểu dòng chảy qua nó) và hệ số Sherwood (Sh) tương ứng như sau:

= / ℎNhư vậy, có thể biểu diễn bề dày lớp khuếch tán bằng:

Hệ số Reynolds (Re) được xác định bằng tỉ số giữa quán tính của dòng chảy và độ

nhớt của môi trường:

a Sh, Re và Sc trong một số trường hợp đượ

u dài đại diện của một số hình dạng vật th

ộng học (υ) và hệ số

ợc tổng kết ở hình và

t thể thường gặp

1.3.2.3 Hệ số Sherwood cho tiểu phân cầu trong thiết bị hòa tan cánh khuấy

Giá trị của hệ số Sherwood cho các tiểu phân dạng cầu trong thiết bị hòa tan cánh khuấy vẫn tuân theo phương trình Ranz-Marshall (như bảng 1.1):

ℎ = 2 + 0,6 / / (11) Trong đó, số hạng thứ nhất đại diện cho ảnh hưởng của quá trình khuếch tán tiệm cận (asymptotic diffusion) Khuếch tán tiệm cận xảy ra ngay cả khi không có dòng chảy do mỗi khi các phân tử chất tan di chuyển xa hơn khỏi bề mặt tiểu phân, vùng không gian chứa chúng lại tăng lên Chính điều này đã tạo ra chênh lệch gradient nồng

độ làm động lực cho quá trình hòa tan (Hình 1.10)

Hình 1.10 Quá trình khuếch tán tiệm cận

17

Số hạng còn lại đại diện cho ảnh hưởng từ sự chuyển động của môi trường hòa tan, tính toán như đã trình bày ở mục 1.3.2.2 Tuy nhiên, cần lưu ý rằng tốc độ dòng chất lưu chảy qua tiểu phân trong công thức tính hệ số Reynolds ở trường hợp này là tốc độ tương đối (Urel) được xác định từ tốc độ sa lắng (Ut) và tốc độ của các vi xoáy tạo ra do khuấy trộn (Ue):

Hình 1.11 Các yếu tố ảnh hưởng đến U t và U e

Tốc độ sa lắng (U t ) bị ảnh hưởng trọng lực, lực đẩy Acsimet và lực cản do ma sát

Ut của tiểu phân hình cầu có thể được tính theo công thức sau:

− 12

trong đó: ε là mức hao phí năng lượng của xoáy

P N hệ số mô tả độ mạnh của hình dạng cánh khuấy

D pad là đường kính cánh khuấy

V là thể tích dung dịch hòa tan

Diễn biến chuyển động của những dòng xoáy quanh tiểu phân có thể được đánh giá cụ thể hơn thông qua tỉ số Kolmogorov (η):

=

/

Tiểu phân có kích thước nhỏ hơn η sẽ nằm trong lòng xoáy và dòng chất lỏng quanh tiểu phân sẽ xếp thành từng lớp giống như chảy tầng Trái lại, với tiểu phân có kích thước lớn hơn η, xoáy sẽ tạo ra những xáo trộn gần bề mặt tương tự như dòng chảy rối (Hình 1.11)

Trong trường hợp khuấy trộn các tiểu phân mịn (đường kính dp < 60 µm) với tốc

độ nhỏ hơn 100 vòng/phút, ảnh hưởng của sự sa lắng và các vi xoáy đến hệ số Reynolds đều nhỏ (Ut và Ue đều không đáng kể) làm cho giá trị Re xấp xỉ 2 Kết quả là

19

bề dày lớp khuếch tán (h = d/Re) sẽ gần bằng bán kính tiểu phân, tương tự như kinh nghiệm mà một số nhà nghiên cứu đã rút ra trước đây Trong khi đó, với các tiểu phân thô (đường kính dp > 60 µm), bề dày lớp khuếch tán phụ thuộc đáng kể vào cả sự khuấy trộn và tỉ trọng của tiểu phân Khi lực khuấy trộn mạnh hơn, tốc độ của các vi xoáy tăng lên (Ue lớn) làm cho bề dày lớp khuếch tán nhỏ hơn và quá trình hòa tan diễn ra nhanh hơn Mặt khác, khi các tiểu phân có tỉ trọng lớn thì tốc độ sa lắng (Ut) cũng sẽ lớn, kéo theo sự thu hẹp bề dày lớp khuếch tán và tăng tốc độ hòa tan Tuy nhiên, cần lưu ý rằng bề dày lớp khuếch tán cũng sẽ chỉ đạt đến một giới hạn tối đa nhất định cho dù tiểu phân có lớn đến cỡ nào [8] [32]

1.3.2.4 Tiểu phân không phải hình cầu

Trong trường hợp tiểu phân không phải hình cầu, số hạng do khuếch tán tiệm cận tạo ra trong phương trình Ranz-Marshall không phải là 2 nữa mà phụ thuộc vào hệ số hình dạng (Π) như sau:

ℎ = .Với các tiểu phân hình dạng bất thường có thể ước tính hệ số hình dạng xấp xỉ:

8 + 4,1 2

,

∙ 2

Đĩa dẹt chữ nhật với 2 cạnh L1 và L2

(L1 > L2)

2(4 / )

20

Tuy nhiên, thường các tiểu phân được quy về dạng cầu để dễ tính toán bởi ngay cả khi mang hình dạng khác thì lớp khuếch tán của chúng cũng sẽ cầu hoặc xấp xỉ cầu (Hình 1.12) Mặt khác, chính diện tích bề mặt của lớp khuếch tán này mới quyết định đến tốc độ hòa tan chứ không phải diện tích bề mặt của tiểu phân Do vậy, với các tiểu phân có cùng thể tích, hình dạng và diện tích bề mặt đa phần không ảnh hưởng đáng

kể đến khả năng hòa tan

Hình 1.12 Hình dạng lớp khuếch tán của một số dạng tiểu phân

Đồ thị hình 1.13 là một minh chứng cụ thể hơn cho vấn đề này Các đường biểu diễn trong hình đại diện cho diện tích bề mặt và tốc độ hòa tan của các tiểu phân hình trụ có cùng thể tích Nhận thấy, nếu diện tích bề mặt tăng thì tốc độ hòa tan cũng tăng theo nhưng ở mức độ ít hơn nhiều Theo phương trình 12, khi diện tích bề mặt tăng lên

16 lần thì tốc độ hòa tan chỉ tăng lên khoảng 2 lần [32]

Hình 1.13 Diện tích bề mặt và tốc độ hòa tan của tiểu phân hình trụ cùng thể tích

21

1.3.2.5 Tốc độ khuấy trộn tối thiểu để thu được hỗn dịch đồng nhất

Khi tốc độ sa lắng của tiểu phân lớn hơn tốc độ hướng lên của dòng chảy, tiểu phân sẽ có xu hướng tập kết tụ, tập trung xuống dưới đáy bình Dòng chảy quanh tiểu phân lắng đọng phức tạp hơn nhiều tiểu phân treo và việc ước lượng hệ số Sherwood như đã trình bày ở các mục trên sẽ không còn đúng nữa Do vậy, để không làm phức tạp vấn đề thêm, cần xác định tốc độ quay tối thiểu của cánh khuấy để thu được hỗn dịch đồng nhất như sau:

, , , ∙

,

với > 1,5

trong đó: D ves là đường kính cốc thử hòa tan

D pad là đường kính cánh khuấy

H pad là chiều cao từ đáy cốc đến cánh khuấy

Hệ số a, b, c được ước lượng lần lượt là 104,4; 1,18 và 0,41 với phép thử độ hòa tan bằng thiết bị kiểu cánh khuấy như mô tả trong USP (vd, với tiểu phân 300 µm cần khuấy tối thiểu 53 vòng/phút)

1.4 Mạng neuron nhân tạo

Mạng neuron nhân tạo (Artificial Neural Network – ANN) là một thuật toán học hỏi mô phỏng theo cách thức hoạt động của các neuron sinh học trong não bộ người ANN là một công cụ rất mạnh để nhận dạng và khái quát hóa tương quan giữa các tập hợp dữ liệu, đặc biệt là những tương quan phi tuyến

1.4.1 Cấu tạo và phương thức hoạt động của các đơn vị neuron

1.4.1.1 Neuron sinh học

Hình 1.14 Neuron sinh học

22

 Hình 1.14 mô tả cấu tạo một neuron sinh học điển hình gồm [33]:

- Dendrite: các sợi dài, mảnh làm nhiệm vụ nhận và truyền các tín hiệu (dưới dạng xung điện thế) đến soma

- Soma: phần thân phình to của neuron, có vai trò xử lý thông tin

- Axon: có chức năng phát đi tín hiệu xử lý từ soma, liên kết với dendrite của neuron khác tại khe synap

 Hoạt động của neuron có thể được tóm tắt như sau:

Tín hiệu, thông qua dendrite, được gửi đến soma Tại soma, thông tin trước hết sẽ được tổng hợp, hiểu theo một cách tương đối là cộng tất cả điện thế mà nó nhận được Nếu giá trị này vượt qua ngưỡng giới hạn (threshold), soma sẽ phát ra xung điện để axon tiếp tục truyền qua khe synap đến dendrite của các neuron kế cận Tuy nhiên, cần lưu ý rằng, giá trị điện thế mà các neuron này nhận được có thể sẽ không giống nhau, phụ thuộc vào đặc tính dẫn truyền của từng synap cụ thể [13] [33]

1.4.1.2 Neuron nhân tạo

Hình 1.15 Neuron nhân tạo

Cấu tạo và cách thức hoạt động của neuron nhân tạo cũng tương tự như neuron

sinh học Giả sử một neuron có n biến đầu vào, mỗi biến có trọng số (w i) khác nhau (vai trò của trọng số tương tự như khe synap), tổng tín hiệu mà nó thu được sẽ bằng:

Chênh lệch giữa giá trị này và ngưỡng giới hạn (t) của neuron là cơ sở để hàm chuyển (f) (activation function) tính toán kết quả đầu ra [13] [33]:

23

1.4.2 Mạng neuron nhân tạo

Các đơn vị neuron tập hợp và liên kết nhau tạo thành mạng lưới neuron Mỗi mạng neuron được xác định bởi ba yếu tố [20]:

ẩn (hidden) và lớp xuất (output) (hình 1.16) [20]

Hình 1.16 Mô hinh mạng perceptron đa lớp

Khi hoạt động, mỗi nút tại lớp nhập sẽ nhận giá trị của một biến độc lập và chuyển vào đến lớp ẩn Gọi là “ẩn” vì các nút trong lớp này không tương tác trực tiếp với người sử dụng, chỉ có người thiết kế mạng mới nắm rõ Lớp xuất là nơi trả ra kết quả cho biến phụ thuộc

b Mạng động (dynamic network)

Trong mạng động, tín hiệu xuất ra từ một số nút có thể quay vòng hoặc phản hồi ngược trở lại để trở thành đầu vào cho các nút trước đó Mạng động thường được sử dụng để phân tích những hiện tượng có tính chất kiểu cảm ứng, kết quả của lần trước ảnh hưởng đến kết quả lần sau

thể biểu diễn, mô tả được nhi

chuyển, tuy nhiên phần l

step (heavy step) (hình 1

Hình

24

Hình 1.17 Cấu tạo mạng Elman

n hình của dạng này đó là mạng Elman (hình 1

ng Elman như sau: Trong lần chạy thứ nhất, kế

p (O), còn truyền đến một lớp copy (C) Các

n tín hiệu từ các giá trị mới truyền vào lớp

c đó lưu giữ trong lớp (C) Do vậy, kết quả xuấcác giá trị đầu vào mới mà còn bị ảnh hưởng b

n chạy trước [13]

vai trò xử lý, biến điệu tín hiệu Nhờ vậy mà

c nhiều tương quan phi tuyến phức tạp Có r

n lớn thường sử dụng các hàm như logistic (soft step)(hình 1.19) [20]

Hình 1.18 Hàm chuyển logistic và binary step

(hình 1.17) Cách thức

ết quả xuất ra từ lớp Các lần chạy tiếp theo,

n logistic và binary step

25

1.4.2.3 Phương pháp huấn luyện mạng

Huấn luyện mạng neuron là quá trình biến đổi trọng số của các nút để mạng có thể xuất ra kết quả phù hợp với những mục tiêu đặt ra [20]

a Học có giám sát (supervised learning)

Trong học có giám sát, mạng sẽ được cho trước các cặp giá trị thực tế của biến độc lập (đầu vào) và biến phụ thuộc (đầu ra mong muốn) Sau đó, mạng sẽ phải tìm cách thay đổi trọng số của các nút để kết quả xuất ra từ mạng có thể sát nhất với giá trị kì vọng hay nói một cách khác là cực tiểu hóa hàm tổng bình phương sai số giữa giá trị

dự đoán và giá trị thực tế Do vây, phép học này có thể đáp ứng nhu cầu xác định giá trị của các hàm cản trở hòa tan như dự kiến

Kĩ thuật lan truyền ngược (back propagation): là một kĩ thuật thường dùng để giải

quyết bài toán luyện mạng có giám sát Cụ thể các bước như sau:

- Khởi tạo trọng số ngẫu nhiên cho tất cả các nút trong mạng

- Xác định sai số (e) giữa giá trị xuất ra (o) và giá trị kì vọng (t)

- Cập nhật trọng số mới cho các nút theo sai số (e) và hệ số học (α)

- Tính lại (e) mới và lặp lại các bước trên đến khi (e) nhỏ đến mức chấp nhận

b Học không có giám sát (unsupervised learning)

Trong học không có giám sát, mạng chỉ nhận được tập giá trị đầu vào, không còn tập giá trị cho đầu ra kì vọng mà thay vào đó là một hàm chi phí (cost function) chứa tham số bao gồm cả các biến độc lập và phụ thuộc Nhiệm vụ đặt ra là biến đổi trọng

số trong mạng để cực tiểu hóa hàm chi phí Phép học này được ứng dụng nhiều cho các bài toán ước lượng như lọc (filtering), nén (compression), phân cụm (clustering)

c Học tăng cường (reinforcement learning)

Trong phép học tăng cường, thậm chí còn không tồn tại tập giá trị sẵn có các biến đầu vào Chúng chỉ được tạo ra khi nhân tố thực hiện một hành động tương tác môi trường Tương tự như học không có giám sát, trong trường hợp này cũng có một hàm chi phí Tuy nhiên, nhiệm vụ cần giải quyết là cực tiểu hóa hàm chi phí tích lũy để có thể lựa chọn chiến lược hành động cho nhân tố Phép học này thích hợp cho những bài toán điều khiển robot, điều vận thang máy, các trò chơi như backgammon và cờ vua

26

1.4.3 Một số nghiên cứu dự đoán độ hòa tan bằng mạng neuron nhân tạo

Dưới đây là một số nghiên cứu mà các tác giả đã ứng dụng thành công mạng

neuron nhân tạo để dự đoán kết quả hòa tan in vitro (bảng 1.3):

Bảng 1.3 Một số nghiên cứu dự đoán độ hòa tan bằng ANN

- Thời điểm cần xác định độ hòa tan

- Chênh lệch độ hòa tan giữa hai thời điểm dự đoán trước đó

Dự đoán độ hòa tan của natri diclofenac

từ hệ cốt chứa polyethylen oxyd

MLP GMDNN OLDNN

Biến đầu vào Biến đầu ra

- Tỉ lệ khối lượng polymer

- Lực dập

- Thời điểm cần xác định độ hòa tan

Độ hòa tan

in vitro

MLP: mạng perceptron đa lớp (Multilayered perceptron)

EDNN: mạng động Elman (Elman dynamic neural network)

GMDNN: mạng động với bộ nhớ gamma (Gamma memory dynamic neural network) OLDNN: mạng động một lớp (One layer neural network)

27

1.5 Đánh giá độ phù hợp của mô hình

Để đánh giá mức độ phù hợp của mô hình đã xây dựng hay so sánh dữ liệu hòa tan tiên đoán với dữ liệu hòa tan thực tế có một số phương pháp sau [6]:

1.5.1 Phương pháp thống kê

Phương pháp thống kê bao gồm phân tích phương sai (ANOVA) hoặc t-test cho

dữ liệu hòa tan đơn điểm và phân tích phương sai đa biến (MANOVA) cho dữ liệu hòa tan đa điểm

1.5.2 Phương pháp mô hình độc lập

1.5.2.1 Kiểm định bằng tỉ số

Kiểm định bằng tỉ số là phép so sánh trực tiếp các giá trị thu được từ dữ liệu giải phóng của mẫu thử và kết quả dự đoán như tỉ lệ phần trăm dược chất hòa tan tại thời điểm t (tx%) hoặc thời gian hòa tan trung bình (MDT)

trong đó: n là tổng số lần lấy mẫu

R j và T j lần lượt là phần trăm hòa tan của mẫu thử và mẫu đối chiếu tại cùng 1 thời điểm (hoặc giữa dữ liệu dự đoán và thực tế)

Giá trị f1 sẽ bằng 0 nếu cả hai mẫu thử và mẫu đối chiếu giống hệt nhau Tuy nhiên kết quả f1 sẽ phụ thuộc vào việc chọn mẫu nào là mẫu thử, mẫu nào là đối chiếu Do vậy, một số tác giả đã đề xuất tính như sau:

28

.

× 100

trong đó: w j là trọng số thời điểm lấy mẫu

(nếu các thời điểm có giá trị tương đương thì w j = 1)

Giá trị f2 dao động trong khoảng từ 0 đến 100 Khi f2 bằng 100 thì mẫu thử và mẫu đối chiếu giống hệt nhau hoàn toàn

Các chỉ số f1 và f2 đã được FDA và EMA chấp thuận là tiêu chuẩn để đánh giá sự tương đồng về độ hòa tan trước và sau khi có những thay đổi trong quy trình sản xuất đối với viên nén quy ước (SUPAC IR) Thông thường f1 nhỏ hơn 15 (0-15) và f2 lớn hơn 50 (50-100) là có thể kết luận hai mẫu tương tự

So sánh dữ liệu hòa tan bằng các phương pháp mô hình độc lập tương đối đơn giản

và dễ áp dụng Tuy nhiên, chúng thường bị cho là thiếu biện giải khoa học và không chính xác trong nhiều trường hợp Ví dụ, đối với những thuốc giải phóng kiểm soát, khoảng cách giữa các lần lấy mẫu rất quan trọng và sẽ ảnh hưởng rất nhiều đến kết quả kiểm định nếu không được chỉ rõ

1.5.3 Hệ số xác định R 2 và tiêu chuẩn thông tin Akaike

Hệ số xác định R2 và tiêu chuẩn thông tin Akaike là những chỉ báo tin cậy thường dùng để đánh giá khả năng của mô hình trong việc dự đoán giá trị các biến phụ thuộc

trong đó: w i là trọng số của mẫu i

Giá trị AIC càng nhỏ đồng nghĩa với việc những tương quan đã xây dựng trong

mô hình càng chính xác

1.6 Một số thông tin về dược chất & chế phẩm chứa dược chất nhóm NSAIDs

Các dược chất thuộc nhóm NSAIDs hầu hết được đặc trưng bởi tính thấm tốt và khả năng hòa tan kém Độ tan bão hòa của chúng có thể biến đổi một cách đáng kể theo giá trị pH môi trường do trong công thức cấu tạo thường chứa những nhóm chức

có tính acid yếu Bởi vậy, việc lựa chọn tá dược và xây dựng quy trình bào chế sao cho chế phẩm có độ hòa tan đạt yêu cầu là một nhiệm vụ cốt lõi nhằm đảm bảo sinh khả dụng của thuốc

Độ tan của các NSAIDs dự kiến sử dụng trong nghiên cứu và quy định về độ hòa tan của một số dạng bào chế chứa những dược chất này theo dược điển Việt nam IV được trình bày lần lượt ở bảng 1.4 và 1.5

Bảng 1.4 Độ tan và phương pháp định lượng các NSAIDs dự kiến sử dụng

Độ hòa tan yêu cầu

≥ 85% sau 60 phút Viên nén/nang

indomethacin

Cánh khuấy

50 v/p

900 mL đệm phosphat pH 7,2

≥ 70% sau 45 phút Viên nén

piroxicam

Cánh khuấy

100 v/p

900 mL acid hydrocloric 0,1 M

≥ 70% sau 45 phút Viên nang

ketoprofen

Cánh khuấy

50 v/p

900 mL đệm phosphat pH 7,5

≥ 70% sau 45 phút

1.7 Phần mềm dự đoán độ hòa tan DDDPlus TM

DDDPlusTM là một sản phẩm thương mại của SimulationsPlus Inc được thiết kế

để dự đoán độ hòa tan của các chế phẩm hóa dược Hiện tại phần mềm đã được phát triển đến phiên bản 5.0 và có thể áp dụng cho một số dạng bào chế như cốm bột, viên nén quy ước, viên nang quy ước, viên nén giải phóng chậm

DDDPlusTM hoạt động dựa trên các nền tảng lý thuyết về lớp khuếch tán như phương trình Nerst-Brunner, phương trình chuyển khối Ảnh hưởng của dạng bào chế đến độ hòa tan của dược chất được điều chỉnh bằng giá trị lực nén hoặc thời gian rã của vỏ nang Ảnh hưởng của tá dược được điều chỉnh bằng các thông số như độ bền kéo (tensile strength), hệ số gắn kết (bonding constant), hệ số thấm ướt (wetting agent constant) Người dùng có thể tự xác định lại các thông số này hoặc sử dụng các giá trị

có sẵn trong bảng danh sách được cung cấp kèm theo