Xây dựng mô hình in silico mô phỏng quá trình hòa tan của một số dược chất thuộc nhóm cephalosporin

DANH MỤC CÁC KÍ HIỆU, CÁC CHỮ VIẾT TẮT AIC: Tiêu chuẩn thông tin Akaike Akaike Information Criterion ANN: Mạng neuron nhân tạo Artificial Neural Network d10: Tham số kích thước tiểu ph

BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ Y TẾ

TRƯỜNG ĐẠI HỌC DƯỢC HÀ NỘI

NGUYỄN QUỐC CÔNG

XÂY DỰNG MÔ HÌNH IN SILICO

MÔ PHỎNG QUÁ TRÌNH HÒA TAN

CỦA MỘT SỐ DƯỢC CHẤT THUỘC NHÓM CEPHALOSPORIN

LUẬN VĂN THẠC SĨ DƯỢC HỌC

HÀ NỘI 2018

BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ Y TẾ

TRƯỜNG ĐẠI HỌC DƯỢC HÀ NỘI

NGUYỄN QUỐC CÔNG

XÂY DỰNG MÔ HÌNH IN SILICO

MÔ PHỎNG QUÁ TRÌNH HÒA TAN

CỦA MỘT SỐ DƯỢC CHẤT THUỘC NHÓM CEPHALOSPORIN

LUẬN VĂN THẠC SĨ DƯỢC HỌC

LỜI CẢM ƠN

Lời đầu tiên, tôi xin bày tỏ lòng biết ơn chân thành và sâu sắc tới TS

Nguyễn Trần Linh là người thầy trực tiếp hướng dẫn và tận tình chỉ bảo giúp

đỡ tôi hoàn thành luận văn này

Tôi cũng xin được gửi lời cảm ơn chân thành đến tất cả thầy cô, anh chị kỹ thuật viên Bộ môn Bào chế đã cố gắng tạo điều kiện thuận lợi, giúp đỡ tôi nhiệt tình trong thời gian thực nghiệm tại đây

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 rất nghiêm túc với những bài giảng chất lượng cao giúp tôi tích lũy thêm nhiều kiến thức giá trị Tôi xin bày tỏ lòng biết ơn to lớn tới bà nội, bố mẹ, em trai, em Lã Thanh Thủy và người thân đã luôn lo lắng, chăm sóc, động viên tôi vượt qua những khó khăn trong cuộc sống, công việc và học tập để tôi tập trung hoàn thành luận văn này

Tôi xin gửi lời cảm ơn chân thành tới ban giám đốc và đồng nghiệp tại công

ty Cổ phần Dược Mỹ Phẩm CVI đã luôn giúp đỡ tôi trong công việc để tôi yên tâm học tập và làm nghiên cứu tại trường

Cảm ơn các em sinh viên Trần Thanh Hiền và Cao Minh Hiếu đã không quản ngại thời gian, công sức giúp tôi thực hiện một số thí nghiệm

Cuối cùng, tôi xin bày tỏ lòng biết ơn sâu sắc tới những người bạn luôn động viên, tin tưởng tôi

Hà Nội, ngày 29 tháng 03 năm 2018

Học viên cao học 21

Nguyễn Quốc Công

MỤC LỤC

DANH MỤC CÁC KÍ HIỆU, CÁC CHỮ VIẾT TẮT

DANH MỤC CÁC BẢNG, BIỂU

DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ

ĐẶT VẤN ĐỀ 1

CHƯƠNG 1 TỔNG QUAN 2

1.1 Độ hòa tan và một số mô hình động học của quá trình hòa tan 2

1.1.1 Vai trò của độ hòa tan trong công nghiệp dược phẩm 2

1.1.2 Các yếu tố ảnh hưởng đến độ hòa tan của dược chất 2

1.1.3 Một số mô hình động học mô phỏng độ hòa tan theo thời gian 6

1.2 In silico trong nghiên cứu phát triển và sản xuất thuốc 7

1.2.1 Mạng neuron nhân tạo 10

1.2.2 Phương pháp hồi quy đa biến 16

1.3 Phương pháp đánh giá độ phù hợp của mô hình 17

1.3.1 Phương pháp mô hình độc lập 17

1.3.2 Phương pháp thống kê 19

1.3.3 Đánh giá mô hình giải phóng từ dữ liệu giải phóng dược chất 19

1.4 Một số đặc điểm lý hóa của các dược chất sử dụng trong nghiên cứu 20

CHƯƠNG 2 ĐỐI TƯỢNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU 21

2.1 Nguyên liệu và thiết bị thí nghiệm 21

2.1.1 Nguyên liệu 21

2.1.2 Thiết bị 21

2.2 Phương pháp nghiên cứu 22

2.2.1 Chuẩn bị các mẫu thử hòa tan 22

2.2.2 Xác định một số đặc tính tiểu phân dược chất 22

2.2.3 Thử hòa tan thực nghiệm 23

2.2.4 Xây dựng mô hình mô phỏng quá trình hòa tan 25

CHƯƠNG 3 KẾT QUẢ NGHIÊN CỨU 27

3.1 Chuẩn bị các mẫu thử hòa tan 27

3.2 Xây dựng đường chuẩn định lượng dược chất 27

3.3 Xác định một số đặc tính lý hóa của dược chất 29

3.3.1 Độ tan 29

3.3.2 Phân bố kích thước tiểu phân dược chất 29

3.3.3 Dạng thù hình của dược chất 34

3.3.4 Diện tích bề mặt riêng 35

3.4 Thử hòa tan thực nghiệm 36

3.4.1 Kết quả thử hòa tan của bột dược chất đơn 36

3.4.2 Kết quả thử hòa tan của cốm dược chất hai thành phần 37

3.5 Xây dựng mô hình mô phỏng quá trình hòa tan dược chất 41

3.5.1 Dựa theo mô hình PLS 41

3.5.2 Dựa theo mô hình ANN 51

3.5.3 Lựa chọn mô hình mô phỏng độ hòa tan của dược chất 59

CHƯƠNG 4 BÀN LUẬN 60

4.1 Về mô hình PLS 60

4.2 Về mô hình ANN 61

KẾT LUẬN VÀ KIẾN NGHỊ 63 TÀI LIỆU THAM KHẢO

PHỤ LỤC

DANH MỤC CÁC KÍ HIỆU, CÁC CHỮ VIẾT TẮT

AIC: Tiêu chuẩn thông tin Akaike

(Akaike Information Criterion)

ANN: Mạng neuron nhân tạo

(Artificial Neural Network)

d10: Tham số kích thước tiểu phân tại giá trị phân vị 10% thể tích phân bố d50: Tham số kích thước tiểu phân tại giá trị phân vị 50% thể tích phân bố d90: Tham số kích thước tiểu phân tại giá trị phân vị 90% thể tích phân bố DĐVN IV: Dược điển Việt Nam IV

EDNN: Mạng neuron động Elman

(Elman dynamic neural network)

EMA: Cơ quan Y tế Châu Âu

(European medicines agency)

GRNN: Mạng neuron động với bộ nhớ gamma

(Gamma memory dynamic neural network)

IUPAC: Liên minh Quốc tế về Hóa học thuần túy và Hóa học ứng dụng

(International Union of Pure and Applied Chemistry)

MDT: Thời gian hòa tan trung bình

(Mean dissolution time)

MLP: Mạng perceptron đa lớp

(Multilayer perceptron)

mp: Điểm nóng chảy

(Melting point)

NSAIDs: Thuốc chống viêm không steroid

(Non-steroidal anti-inflammatory drugs)

PLS: Phương pháp bình phương tối thiểu từng phần

(Partial least square)

Q: Hàm lượng dược chất có trong các mẫu thử

(Root mean square error in cross validation)

RMSEE: Sai số chuẩn trong mô hình dự đoán

(Root mean square error of Estimation)

Sw: Diện tích bề mặt riêng

US-FDA: Cơ quan quản lý dược phẩm và thực phẩm Hoa Kỳ

(The United States-Food and Drug Administration)

USP 39: Dược điển Hoa Kỳ 39

(The United States Pharmacopeia 39)

VIP: Tầm quan trọng của các biến trong mô hình chiếu

(Variable Importance for the Projection)

DANH MỤC CÁC BẢNG

Bảng 1.1 Sự khác biệt giữa QbT và QbD 8

Bảng 1.2 Một số nghiên cứu dự đoán độ hòa tan bằng ANN 13

Bảng 1.3 Đặc điểm của một số dược chất ít tan thuộc nhóm cephalosporin 20

Bảng 2.1 Các nguyên liệu sử dụng trong quá trình thực nghiệm 21

Bảng 2.2 Một số tính chất lý hóa khác của dược chất 23

Bảng 2.3 Điều kiện thử hòa tan cho mẫu thử 24

Bảng 3.1 Hàm lượng dược chất trong các mẫu thử 27

Bảng 3.2 Đường chuẩn định lượng cefuroxim axetil (λ =318 nm, n=3) 28

Bảng 3.3 Đường chuẩn định lượng cefixim (λ =322 nm, n=3) 28

Bảng 3.4 Đường chuẩn định lượng cefdinir (λ =320 nm, n=3) 28

Bảng 3.5 Độ tan của các dược chất trong các môi trường 29

Bảng 3.6 Tham số kích thước tiểu phân của các phân đoạn dược chất 33

Bảng 3.7 Diện tích bề mặt riêng của các phân đoạn dược chất 35

Bảng 3.9 Hệ số tương quan giữa các biến trong mô hình PLS 41

Bảng 3.10 Giá trị R2 và Q2 của các biến trung gian trong mô hình PLS 43

Bảng 3.11 Giá trị R2 luyện mạng của ANN 3 lớp tối ưu 52

Bảng 3.12 Giá trị R2 CV trong thẩm định chéo của ANN 3 lớp tối ưu 53

Bảng 3.13 Giá trị R2 luyện mạng của ANN 4 lớp 56

Bảng 3.14 Giá trị R2 CV trong thẩm định chéo của ANN 4 lớp 57

Bảng 3.15 So sánh sai số chuẩn giữa mô hình ANN 3 lớp và mô hình PLS 59

DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ

Hình 1.1 Cấu trúc của ANN 10

Hình 1.2 Mô hình mạng perceptron đa lớp 11

Hình 1.3 Cấu tạo EDNN 11

Hình 1.4 Hàm chuyển tanH, Linear và Gauss 12

Hình 3.1 Phân bố kích thước tiểu phân của các phân đoạn cefuroxim axetil 30

Hình 3.2 Phân bố kích thước tiểu phân của các phân đoạn cefixim 31

Hình 3.3 Phân bố kích thước tiểu phân của các phân đoạn cefdinir 32

Hình 3.4 Phổ nhiễu xạ tia X của cefuroxim axetil 34

Hình 3.5 Phổ nhiễu xạ tia X của cefixim 34

Hình 3.6 Phổ nhiễu xạ tia X của cefdinir 35

Hình 3.7 Kết quả thử hòa tan các phân đoạn dược chất cefuroxim axetil 36

Hình 3.8 Kết quả thử hòa tan các phân đoạn dược chất cefixim 36

Hình 3.9 Kết quả thử hòa tan các phân đoạn dược chất cefdinir 37

Hình 3.10 Kết quả thử hòa tan các mẫu cốm chứa cefuroxim axetil 38

Hình 3.11 Kết quả thử hòa tan các mẫu cốm chứa cefixim 39

Hình 3.12 Kết quả thử hòa tan các mẫu cốm chứa cefdinir 40

Hình 3.13 Đồ thị tóm tắt tính phù hợp của mô hình PLS 42

Hình 3.14 Đồ thị Score Scatter 3D 43

Hình 3.15 Đồ thị biểu diễn xác xuất các biến X thuộc về mô hình (DmodX) 44

Hình 3.16 Đồ thị Loading Scatter 3D 44

Hình 3.17 Tầm quan trọng của các biến ảnh hưởng trong mô hình PLS 45

Hình 3.18 Hệ số hồi quy của các biến trong mô hình PLS 47

Hình 3.19 Tương quan hồi quy giữa độ hòa tan thực nghiệm và độ hòa tan dự đoán của mô hình PLS 50

Hình 3.20 Cấu trúc tối ưu của ANN 3 lớp 52

Hình 3.21 Tương quan hồi quy giữa độ hòa tan thực nghiệm và độ hòa tan dự đoán trong thẩm định chéo của mô hình ANN 3 lớp 54

Hình 3.22 Đồ thị dự đoán độ hòa tan của mô hình ANN 3 lớp tối ưu theo các biến đầu vào 55

Hình 3.23 Cấu trúc của ANN 4 lớp 56Hình 3.24 Tương quan hồi quy giữa độ hòa tan thực nghiệm và độ hòa tan dự đoán trong thẩm định chéo của mô hình ANN 4 lớp 58

ĐẶT VẤN ĐỀ

Đối với dạng thuốc rắn dùng đường uống, thử nghiệm hòa tan là một trong các

thử nghiệm then chốt của quá trình nghiên cứu phát triển Độ hòa tan vừa là chỉ tiêu hàng đầu để kiểm soát độ ổn định vừa là yếu tố quan trọng để dự đoán sinh

khả dụng in vivo của thuốc Mô hình in silico dự đoán độ hòa tan là một công cụ

hữu hiệu trong việc rút ngắn thời gian và nâng cao chất lượng nghiên cứu phát

triển, tối ưu hóa công thức Trên thế giới, một số phần mềm dự đoán độ hòa tan in

silico như DDDPlus đã được áp dụng rộng rãi [33] Tuy nhiên, những phần mềm

này vẫn chưa mô phỏng đầy đủ quá trình hòa tan của dược chất Một nhóm các phương pháp phân tích dữ liệu đa biến như hồi quy bình phương tối thiểu từng phần (PLS) hoặc mạng neuron nhân tạo (ANN) có khả năng mô hình hóa hàng trăm dữ liệu thực nghiệm và ước đoán được giá trị của các biến đáp ứng nhanh chóng [17], [32] Các phương pháp này ngày càng được ứng dụng phổ biến để làm

nền tảng cho sự phát triển nghiên cứu in silico trong lĩnh vực nghiên cứu phát triển dược phẩm nói chung và dự đoán độ hòa tan của dược chất nói riêng

Gần đây, các nhà khoa học trong nước đang đẩy mạnh nghiên cứu mô phỏng

độ hòa tan của một số dược chất dùng theo đường uống Trong đó, nghiên cứu

“Bước đầu mô phỏng quá trình hòa tan của một số dược chất thuộc nhóm chống viêm không steroid” dựa trên mô hình ANN đã thu được kết quả tương đối khả quan [2]

Để đa dạng hóa bộ cơ sở dữ liệu dự đoán độ hòa tan của các dược chất khác

nhau, nghiên cứu “Xây dựng mô hình in silico mô phỏng quá trình hòa tan của

một số dược chất thuộc nhóm cephalosporin” được thực hiện nhằm đạt được

mục tiêu sau: Xây dựng được mô hình dự đoán độ hòa tan của bột dược chất đơn

và mẫu cốm hai thành phần chứa dược chất thuộc nhóm cephalosporin với tá dược

sử dụng thiết bị thử hòa tan kiểu cánh khuấy

CHƯƠNG 1 TỔNG QUAN 1.1 Độ hòa tan và một số mô hình động học của quá trình hòa tan

1.1.1 Vai trò của độ hòa tan trong công nghiệp dược phẩm

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 Tốc độ hòa tan là 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) Độ hòa tan in vitro là

thông số chủ chốt trong việc phát triển công thức và kiểm soát chất lượng của dạng

thuốc rắn dùng đường uống Độ hòa tan in vitro vừa là chỉ tiêu hàng đầu để kiểm

soát độ ổn định của thuốc vừa là một căn cứ để so sánh chất lượng của các công thức thuốc khác nhau [28]

Ở giai đoạn thiết kế và xây dựng công thức bào chế các dạng thuốc rắn, dược chất ở các dạng khác nhau được thử hòa tan để sàng lọc, đánh giá đặc tính lý hóa,

từ đó lựa chọn ra dạng thù hình phù hợp Dữ liệu này tiếp tục là cơ sở để thiết kế công thức bào chế sơ bộ cho thử nghiệm tiền lâm sàng, lâm sàng pha I, đồng thời

có thể gợi ý về những độc tính có thể xảy ra [22] Trong các giai đoạn sau, phép thử độ hòa tan được dùng để giám sát quá trình sản xuất, xây dựng tiêu chuẩn kiểm nghiệm và đánh giá độ ổn định, độ lặp lại giữa các lô mẻ 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 có tương quan in vivo – in vitro và đóng vai trò là chỉ tiêu thay

thế đánh giá tương đương sinh học trong trường hợp được miễn thử nghiệm lâm sàng Dữ liệu hòa tan còn được xem xét là cơ sở để đánh giá, so sánh sự tương đương, đồng nhất về chất lượng sản phẩm khi có những thay đổi trong quá trình sản xuất sau khi được cấp phép phê duyệt [25]

1.1.2 Các yếu tố ảnh hưởng đến độ hòa tan của dược chất

1.1.2.1 Đặc tính lý hóa của dược chất

a) Độ tan

Độ tan là thông số vật lý quan trọng nhất ảnh hưởng đến độ hòa tan của dạng thuốc rắn Những dược chất tan tốt tạo ra chênh lệch gradient nồng độ lớn nên đẩy nhanh quá trình hòa tan Đối với những dược chất tan tốt (thuộc nhóm I và III trong

bảng phân loại sinh dược học), Cơ quan Y tế Châu Âu (EMA) công bố hướng dẫn ICH Q6A cho phép chỉ tiêu độ rã thay thế cho chỉ tiêu độ hòa tan đối với các dạng bào chế giải phóng nhanh (Độ hòa tan lớn hơn 80% trong 15 phút) nếu tương quan giữa độ rã và độ tan được thiết lập Đối với những dược chất kém tan (thuộc nhóm

II và IV trong bảng phân loại sinh dược học), chỉ tiêu độ hòa tan là chỉ tiêu bắt buộc phải thực hiện và hiện tại chưa có một mô hình nào mô tả cụ thể quá trình hòa tan của các dạng thuốc rắn dùng đường uống chứa các dược chất này [33]

b) Dạng thù hình

Dược chất tồn tại ở dạng kết tinh hoặc vô định hình Theo một số nghiên cứu, dược chất tồn tại dưới dạng thù hình kém ổn định (ví dụ, dạng meta) sẽ có tốc độ hòa tan cao hơn so với các dạng thù hình ổn định nhiệt động lực học, nhưng chúng

dễ dàng chuyển hóa thành các dạng ổn định trong một thời gian ngắn [6] Sử dụng

tá dược hoặc các kỹ thuật bào chế có thể tạo ra hoặc làm gia tăng sự chuyển đổi giữa các dạng thù hình này

c) Dạng solvat

Dạng khan và các dạng ngậm nước có tốc độ hòa tan rất khác nhau và các dạng này có thể dễ dàng chuyển hóa lẫn nhau tùy thuộc vào nhiệt độ và độ ẩm của môi trường bảo quản, sự có mặt của các tá dược hoặc khi sử dụng các kỹ thuật bào chế Thông thường dạng khan có nhiệt động lực học cao hơn nên tốc độ hòa tan nhanh hơn dạng ngậm nước Đối với một số dược chất, dạng khan có thể chuyển thành dạng ngậm nước tại bề mặt tiếp xúc giữa hai pha rắn-lỏng trong quá trình hòa tan, dẫn đến sự thay đổi tốc độ hòa tan và tương đương sinh học [6]

d) Kích thước tiểu phân

Kích thước tiểu phân có ảnh hưởng đáng kể đến tốc độ hòa tan, nhất là đối với các dược chất ít tan (thuộc nhóm II và nhóm IV bảng phân loại sinh dược học) Thông thường, với cùng một lượng dược chất, kích thước tiểu phân càng nhỏ thì diện tích bề mặt tiếp xúc với môi trường càng lớn dẫn đến tốc độ hòa tan càng nhanh Với những dược chất ít tan, biện pháp cải thiện tốc độ hòa tan đơn giản và khả thi là làm thực nghiệm tiền công thức khảo sát ảnh hưởng của kích thước tiểu phân tới tốc độ hòa tan dược chất Tuy nhiên, các tiểu phân mịn có thể làm giảm

tốc độ hòa tan so với các tiểu phân kích thước lớn hơn do chúng dễ dàng kết tập với nhau trong môi trường hòa tan

e) Hệ số khuếch tán

Khả năng khuếch tán của mỗi dược chất được đặc trưng bởi hệ số khuếch tán của dược chất đó Dược chất có hệ số khuếch tán cao thì có xu hướng hòa tan tốt hơn dược chất có hệ số khuếch tán nhỏ Đại lượng này phụ thuộc vào khối lượng

và thể tích của phân tử dược chất, độ nhớt và pH của môi trường [27]

1.1.2.2 Tá dược

Tá dược độn: Loại và hàm lượng tá dược độn trong công thức đều có thể ảnh

hưởng đến tốc độ hòa tan của thuốc do tá dược độn chiếm tỷ lệ cao trong viên, cải thiện tính chất cơ lý của dược chất (tăng độ trơn chảy, chịu nén,…) và trong nhiều công thức còn quyết định cơ chế giải phóng của viên Tuy nhiên cần lưu ý rằng một số loại tá dược độn có thể tạo liên kết với dược chất

Tá dược rã: Quá trình rã của viên nén có ảnh hưởng mạnh mẽ đến tốc độ hòa

tan dược chất trong công thức do nó làm tăng diện tích tiếp xúc của tiểu phân dược chất với môi trường xung quanh và quyết định đến sự tiếp xúc của dược chất với dung môi nhanh hay chậm

Tá dược dính: Các tá dược dính tạo tính gắn kết cho các tiểu phân trong khối

thuốc, giúp đảm bảo độ bền cơ học của viên nhưng có ảnh hưởng đến quá trình rã của viên (thường là kéo dài thời gian rã của viên) và do đó gây ảnh hưởng đến tốc

độ hòa tan Ví dụ, viên nén ritonavir khi tạo hạt bằng hồ tinh bột cho độ hòa tan cao hơn so với dùng polyvinylpyrrolidon K-30 hay hydroxypropyl methyl cellulose (dung dịch 2% trong nước có độ nhớt 50 cps ở 20 °C) làm tá dược dính (các tá dược dính thêm vào viên được khảo sát với một lượng như nhau) [15]

Tá dược trơn: Các tá dược trơn đa phần là loại khó tan, chúng sẽ tạo ra lớp

màng phim kị nước xung quanh chế phẩm làm giảm khả năng thấm ướt nên làm chậm hòa tan Tuy nhiên, vẫn có số ít loại làm tăng độ tan của dược chất nên sẽ ảnh hưởng đáng kể đến tốc độ hòa tan của viên, ví dụ natri lauryl sulfat

Chất làm tăng độ tan (chất trợ tan): Một số chất có thể làm tăng tốc độ hòa

tan của dược chất do làm tăng độ tan của chúng, ví dụ: chất diện hoạt

Vỏ nang: Quá trình hòa tan viên nang diễn ra gồm hai giai đoạn chính, hòa tan

vỏ nang và hòa tan phần thuốc bên trong nang Trong thực tế, khi vỏ nang bắt đầu đứt gãy thì môi trường mới bắt đầu xâm nhập vào phần bên trong nang để hòa tan dược chất và tá dược Do đó cần xác định được thời gian để vỏ nang bắt đầu đứt gãy (tlag) Một số yếu tố ảnh hưởng đến tlag bao gồm dược chất, tá dược, điều kiện bảo quản Khi tiếp xúc với các dược chất hút ẩm hoặc trong điều kiện bảo quản ở nơi có nhiệt độ cao, độ ẩm thấp thì vỏ gelatin thường trở nên dai hơn, dẫn đến kéo dài thời gian rã của vỏ nang Bên cạnh đó, các dược chất nhóm aldehyd có thể tạo liên kết chéo với vỏ nang gelatin, làm vỏ nang rã lâu hơn và làm giảm tốc độ hòa tan của viên Một số nghiên cứu cũng cho thấy khi tiếp xúc với nguồn phát xạ UV-VIS cường độ cao, vỏ nang gelatin sẽ bị thay đổi, dẫn đến tăng thời gian rã Đối với vỏ nang hydroxypropyl methyl cellulose, pH môi trường hay sự có mặt của các ion cũng kéo dài thời gian rã của vỏ nang Trong môi trường đệm phosphat, thời gian rã của vỏ nang hydroxypropyl methyl cellulose cao hơn nhiều so với môi trường dịch vị [12]

1.1.2.3 Điều kiện hòa tan

a) Nhiệt độ môi trường hoà tan

Quá trình hòa tan đa phần thu nhiệt Nhiệt độ môi trường hòa tan tăng sẽ làm tốc độ hòa tan tăng theo

b) Thiết bị khuấy trộn

Khuấy trộn có ảnh hưởng tất yếu đến hòa tan, khuấy trộn càng mạnh thì hòa tan càng nhanh Hiểu biết đầy đủ về tác động của sự khuấy trộn tới độ hòa tan giúp đánh giá đúng mức về quá trình hòa tan thuốc thực tế khi sử dụng và đưa ra phương pháp đánh giá, kiểm nghiệm thích hợp

c) pH môi trường

Các acid/base yếu thường có sự thay đổi lớn về độ tan khi tăng giảm pH môi trường do sự chuyển dạng từ ion hóa thành không ion hóa và ngược lại Trong điều kiện sinh lý, pH đường tiêu hóa không hằng định mà tăng dần từ vùng acid ở dạ dày đến hơi kiềm ở vùng ruột già Do vậy, nó có ảnh hưởng đáng kể đến sự hòa tan của thuốc Việc sử dụng dạng muối hoặc các hệ đệm trong viên nén và viên

nang là một giải pháp thường dùng để tăng tốc độ hòa tan của dược chất dạng acid yếu hoặc base yếu trong điều kiện pH không thuận lợi

d) Thể tích môi trường

Trong các thử nghiệm hòa tan, điều kiện “sink” là điều kiện bắt buộc để kết quả độ hòa tan đáng tin cậy Để đạt được điều kiện “sink”, thể tích môi trường hòa tan thường gấp 5 -10 lần thể tích tạo dung dịch bão hòa dược chất Khi dược chất

có độ tan kém, thể tích môi trường hòa tan không hợp lý có thể dẫn đến nồng độ dược chất hòa tan đạt tới nồng độ bão hòa và kết quả thử hòa tan sẽ không còn chính xác

1.1.3 Một số mô hình động học mô phỏng độ hòa tan theo thời gian

Dựa trên thuyết khuếch tán, nhiều mô hình toán học mô phỏng độ hòa tan của dược chất theo thời gian đã được thiết lập Mô hình mô phỏng đầu tiên là phương trình động học bậc 0, khi quan sát những hệ giải phóng chậm không có quá trình

rã và không bao giờ đạt đến trạng thái cân bằng Tiếp sau đó, nhận thấy sự ảnh hưởng của chênh lệch gradient nồng độ, phương trình động học bậc 1 được đề xuất

áp dụng Đây chính là tiền thân của phương trình Noyes-Whitney và sau đó nó còn tiếp tục được cải tiến thêm bởi Nerst-Brunner và Hixson-Crowell [7], [9], [28] Khi các dạng bào chế giải phóng kéo dài phát triển, khá nhiều tác giả quan tâm

và mô phỏng thành công quá trình hòa tan dược chất của những dạng bào chế này

do những cơ chế đã được nắm rõ Higuchi dựa trên đặc điểm về vi cấu trúc trong viên đã xây dựng mô hình hòa tan cho các tiểu phân phân tán trong một hệ cốt đồng nhất (rắn hoặc bán rắn) Higuchi đã xét đến vai trò của độ xốp và thể tích môi trường hòa tan có thể thấm vào viên, qua đó tính được hệ số khuếch tán hiệu dụng của dược chất qua các lỗ kênh Seki sau đó tiếp tục kế thừa và mở rộng thêm cho

hệ cốt không đồng nhất Korsmeyer và Peppas ngoài việc đánh giá về đặc điểm cấu trúc bên trong còn đề cập đến yếu tố kích thước hình học của viên để xây dựng

mô hình hòa tan bán kinh nghiệm đơn giản Hoffenberg đã phân tích sự giải phóng dược chất từ cốt ăn mòn với nhiều hình dạng khác nhau (hình cầu, hình trụ, hình tấm mỏng) để xây dựng mô hình hòa tan với giả thiết tốc độ giải phóng dược chất được quyết định bởi tốc độ ăn mòn của cốt Bên cạnh đó, có những mô hình như

mô hình Weibull, chỉ đơn thuần dựa trên việc quan sát các kết quả trong thực tế, rồi số hóa qua một phương trình mang tính kinh nghiệm, không có thông số hóa lý nào của mẫu thử Do vậy, mô hình Weibull gần như rất có ít ý nghĩa trong thực tế

và khó được sử dụng để thiết lập tương quan in vitro – in vivo [7], [9], [28]

Hiện tại, vẫn chưa có mô hình nào có thể mô tả tổng quát một cách đầy đủ, chính xác về các yếu tố ảnh hưởng đến quá trình hòa tan của các dạng thuốc rắn đường uống, nhất là với dạng viên nén, viên nang quy ước Do vậy, việc xây dựng

bộ dữ liệu hòa tan tiến tới thiết lập mô hình giải phóng dược chất in silico cho từng

nhóm dược chất là rất cần thiết [7], [9], [28]

1.2 In silico trong nghiên cứu phát triển và sản xuất thuốc

Trí tuệ nhân tạo ngày càng được ứng dụng phổ biến trong mọi lĩnh vực đặc biệt là khoa học công nghệ Gần đây, những nghiên cứu nền tảng về các mô hình rời rạc, học sâu, chuyên biệt và các hệ thống phức tạp đang trở thành trọng tâm trong phát triển trí tuệ nhân tạo Các phần mềm ứng dụng trí tuệ nhân tạo liên tục

được phát triển, bổ sung và cập nhật [26] Trong lĩnh vực dược phẩm, in silico là

một loại hình nghiên cứu mới sử dụng trí tuệ nhân tạo thông qua các mô hình giả lập trên máy tính [16], [30]

Năm 2005, US-FDA đã đưa ra sáng kiến phát triển dược phẩm là chất lượng theo thiết kế (QbD) nhằm đảm bảo chất lượng thuốc bằng cách dùng các mô hình thống kê (như phần mềm SIMCA 15 – Sartorius, JMP Pro 2013 – SAS), các công

cụ quản lý rủi ro QbD được xây dựng thay cho phương pháp chất lượng theo thử nghiệm (QbT) với mục đích sử dụng các thử nghiệm kiểm tra chất lượng trọng yếu

để thiết kế sản phẩm, quy trình và kết hợp các hiểu biết về công thức và quy trình trong hệ thống quản lý nguy cơ Phương pháp QbT vẫn sử dụng một số yếu tố chất lượng quan trọng dựa trên các hướng dẫn và kinh nghiệm thay vì hiểu rõ quy trình

cơ học và tương tác giữa dược chất với tá dược Sự khác biệt giữa QbT và QbD cơ bản như sau [18], [19]:

Chất lượng được tích hợp trong quá trình thiết kế công thức và quy trình dựa trên dữ liệu khoa học Tiêu chuẩn chất lượng dựa trên hiệu quả của sản phẩm

Dữ liệu chứa nhiều kiến thức và hiểu biết về công thức và quy trình sản xuất sản phẩm

Quy trình

sản xuất

Quá trình sản xuất ít thay đổi, không khuyến khích thay đổi Thẩm định dựa trên

lô đầy đủ Chú ý vào tối ưu hóa và độ tái lặp

Thay đổi trong không gian thiết kế Tiếp cận theo vòng đời sản phẩm Chú ý vào chiến lược kiểm và tính vững bền Sử dụng các phương pháp thống kê Quá trình sản xuất

có thể thay đổi trong không gian thiết kế, cho phép sản xuất liên tục Tiêu chuẩn

kiểm soát

chất lượng

Dựa trên việc kiểm soát chất lượng của các sản phẩm trung gian và thành phẩm

Dựa trên kiểm soát nguy cơ Chất lượng được cải thiện

Một trong những điểm quan trọng của QbD là phải đánh giá được ảnh hưởng của nguyên liệu cũng như các thông số quy trình sản xuất đến chất lượng sản phẩm

Việc thiết kế các mô hình hấp thu và thiết lập tương quan in vivo-in vitro là một trong những lĩnh vực then chốt của nghiên cứu in silico [13] Dữ liệu dự đoán quá

trình giải phóng thuốc, mối quan hệ giữa độ hòa tan và sinh khả dụng là cơ sở quan trọng để thực hiện QbD [20], [23] Mặc dù đã được sử dụng rất thường xuyên và phổ biến nhưng quá trình hòa tan và các yếu tố ảnh hưởng tới độ hòa tan vẫn còn chưa được hiểu biết đầy đủ Mô hình QbD của US-FDA khuyến khích việc tiếp cận, tìm hiểu sâu hơn quá trình hòa tan một cách toàn diện, mang tính hệ thống để đảm bảo hiệu quả điều trị của chế phẩm, giảm bớt sự khác biệt điều trị giữa các cá

thể Sự tương quan giữa độ hòa tan in vitro và hiệu quả của các dạng thuốc thúc

đẩy quá trình nghiên cứu diễn ra nhanh hơn Sử dụng phương pháp in silico để dự đoán độ hòa tan in vivo tạo ra các thuốc hiệu quả hơn bằng cách giảm thiểu thử

nghiệm các công thức dự kiến [21] Berna Dogan và cộng sự đã xây dựng được công thức dự đoán độ hòa tan nội tại của tinh thể aspirin có độ chính xác khá cao

Mô hình này có thể được áp dụng cho các dược chất khác cũng như thuốc hai thành

phần [8] Chính vì vậy, US-FDA cho rằng nghiên cứu in silico là một trong những

giải pháp hữu hiệu để thúc đẩy việc thay thế QbT bằng QbD [19]

Trong số nhiều ứng dụng in silico đã được thương mại hóa, DDDPlusTM là một chương trình công nghệ tiên tiến giúp mô hình hóa và mô phỏng sự hòa tan của các dược chất và nhiều dạng bào chế như bột thuốc, viên nén, viên nang, viên hai lớp, viên bao giải phóng kéo dài trong các điều kiện thí nghiệm khác nhau DDDPlusTM thường được tích hợp các công cụ khác như ADMET PredictorTM và GastroPlusTM Đây đều là sản phẩm thương mại của Simulations Plus Inc DDDPlusTM giúp dự đoán ảnh hưởng của những thay đổi trong công thức bào chế

và thông số quá trình đến sự hòa tan in vitro để tối ưu hóa công thức thuốc [3]

Mới đây, Liên đoàn dược phẩm châu Âu (European Federation of Pharmaceutical Industries and Associations) đã thực hiện dự án OrBiTo với mục tiêu tối ưu hóa quá trình phát triển thuốc dùng đường uống thông qua việc áp dụng hiệu quả và sáng tạo các công cụ sinh dược học Dự án OrBiTo có nhiệm vụ chính

là đánh giá tính chính xác của các mô hình dự đoán in vitro và in silico để cung

cấp dữ liệu thẩm định các liều dùng khác nhau nhằm hỗ trợ việc cấp phép lưu hành thuốc và giám sát quy trình sản xuất thuốc một cách toàn diện [20]

Tuy nhiên, việc nghiên cứu mô phỏng quá trình hòa tan của dược chất vẫn còn rất mới đối với các nhà khoa học tại Việt Nam Do đó, nhóm nghiên cứu của

Nguyễn Trần Linh đã tập trung nghiên cứu mô phỏng độ hòa tan in silico của một

số dược chất ít tan trong nước Một số mô hình đã được Quản Duy Quang xây dựng dựa trên đặc điểm của dược chất, tá dược và thông số thiết bị khuấy trộn Những kết quả thu được hứa hẹn thúc đẩy nghiên cứu dạng thuốc rắn dùng đường uống nhanh hơn, hiệu quả hơn [2]

Dưới đây là một số mô hình toán học đã được áp dụng trong các nghiên cứu

in silico mô phỏng và dự đoán độ hòa tan của dược chất

1.2.1 Mạng neuron nhân tạo

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

ANN là một hệ thống mô phỏng xử lý thông tin được nghiên cứu từ hệ thống thần kinh của sinh vật, trong đó một mô hình toán học được tạo ra giống như bộ não để xử lý thông tin ANN rất hiệu quả trong việc mô tả các tương quan đa biến phi tuyến tính phức tạp ANN được tạo thành bởi sự kết nối giữa rất nhiều đơn vị thần kinh gọi là perceptron Cấu trúc chung của một ANN gồm 3 thành phần bao gồm: lớp nhập (input layer), lớp ẩn (hidden layer) và lớp xuất (output layer) Mỗi

biến x i trong lớp nhập có một trọng số w i thể hiện mức độ quan trọng của dữ liệu đầu vào với quá trình xử lý thông tin [14]

Hình 1.1 Cấu trúc của ANN

1.2.1.2 Đặc trưng của ANN

 Cấu trúc liên kết mạng

o Mạng tĩnh (static network)

Trong mạng tĩnh, thông tin chỉ lan truyền theo một hướng duy nhất từ lớp nhập đến lớp xuất Loại mạng tĩnh đơn giản và phổ biến nhất là mạng perceptron đa lớp (multilayer perceptron) Cấu tạo của mạng này gồm: lớp nhập (input), tối thiểu một lớp ẩn (hidden) và lớp xuất (output)

Hình 1.2 Mô hình mạng perceptron đa lớp

o 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

Hình 1.3 Cấu tạo EDNN

Một trường hợp điển hình của dạng này đó là mạng neuron động Elman (EDNN) Cách thức hoạt động của EDNN như sau: Trong lần chạy thứ nhất, kết quả xuất ra từ lớp (H) ngoài truyền đến lớp (O), còn truyền đến một lớp copy (C) Các lần chạy tiếp theo, lớp (H) không chỉ nhận tín hiệu từ các giá trị mới truyền vào lớp (I) mà còn có cả tín hiệu cũ ở lần trước đó lưu giữ trong lớp (C) Do vậy, kết quả xuất ra ở lớp (O) không chỉ bị ảnh hưởng bởi các giá trị đầu vào mới mà còn bị ảnh hưởng bởi các giá trị xuất ra lớp (O) ở những lần chạy trước [14]

 Hàm chuyển

Hàm chuyển đóng vai trò xử lý, biến điệu tín hiệu Nhờ vậy mà ANN có thể biểu diễn, mô tả được nhiều tương quan phi tuyến phức tạp Có rất nhiều kiểu hàm chuyển, tuy nhiên phần lớn thường sử dụng các hàm như hàm tanH, hàm Linear

và hàm Gauss [32]

Hình 1.4 Hàm chuyển tanH, Linear và Gauss

1.2.1.3 Một số nghiên cứu dự đoán độ hòa tan bằng ANN

Một số nghiên cứu đã ứng dụng thành công ANN để dự đoán kết quả hòa tan

in vitro được trình bày trong bảng dưới đây:

Bảng 1.2 Một số nghiên cứu dự đoán độ hòa tan bằng ANN

MLP

EDNN

Biến đầu vào

- Tỷ lệ hàm lượng dược chất/tá dược

- Tốc độ khuấy

- Thời gian hòa tan

- Tỷ lệ giữa nồng độ hòa tan của mẫu thử

và độ tan Biến đầu ra - Hệ số cản trở hòa tan f của tá dược

Siow

[24]

Mục tiêu - Dự đoán độ hòa tan của pellet

theophylin giải phóng kéo dài dạng cốt

MLP Biến đầu vào - Các thời điểm xác định độ hòa tan

Biến đầu ra - Độ hòa tan in vitro

Ibric

[14]

Mục tiêu - Dự đoán độ hòa tan in vitro của viên

nén aspirin giải phóng kéo dài

GRNN Biến đầu vào

- Tỷ lệ Eudragit RS PO/Eudragit L polyme

- Lực nén

- Các thời điểm xác định độ hòa tan

Biến đầu ra - Độ hòa tan in vitro

Trong đó: MLP: mạng perceptron đa lớp (Multilayer perceptron), EDNN: mạng neuron động Elman (Elman dynamic neural network), GMDNN: mạng neuron động với bộ nhớ gamma (Gamma memory dynamic neural network) Gần đây, Takayama Kozo và cộng sự đã sử dụng ANN 4 lớp để xây dựng mô hình dự đoán quá trình hòa tan của một số công thức thuốc dạng viên nén [32] Nhóm nghiên cứu đã hình thành cơ sở thông tin về thuốc viên cho 14 loại dược chất khác nhau Các viên nén chứa hàm lượng dược chất 10, 20, 30, 40, 50, 60, 70

và 80% (tổng cộng 112 loại viên) Sau đó, mỗi viên được xác định độ hòa tan theo chuyên luận trong Dược điển Nhật Bản XVII

Nhóm nghiên cứu này đã sử dụng các đặc tính lý hóa và đặc tính tiểu phân của dược chất làm các biến đầu vào bao gồm: điểm nóng chảy (mp,°C), độ tan trong nước ở 37 oC (Cs, mg/L), diện tích bề mặt (Sw, cm2/g), tham số kích thước tiểu phân (d50, μm) và phân bố kích thước (Rw) Biến đầu ra là độ hòa tan tương ứng ở

5, 10, 15, 30 và 60 phút Nghiên cứu sử dụng phần mềm thống kê JMP Pro 13 (SAS Institute, Nhật Bản) để phân tích dữ liệu ANN được xây dựng bao gồm bốn lớp: một lớp đầu vào, hai lớp ẩn và một lớp đầu ra Mỗi lớp ẩn có chứa các nút, các nút trong các lớp liền kề nhau liên kết bằng trọng số liên kết Những hàm được

sử dụng tại các nút của mỗi lớp được gọi là các hàm kích hoạt (hàm chuyển) Hàm tang hyperbolic (tanH), hàm tuyến tính (Linear) và hàm Gaussian (Gauss) được sử dụng như các hàm kích hoạt trong mỗi nút Mặc dù có một số lượng vô hạn các cấu trúc ANN, nhóm tác giả chỉ khảo sát các mô hình 6/1/1/5 đến 6/3/3/5 Mô hình 6/1/1/5 bao gồm sáu biến đầu vào, một nút trong lớp ẩn thứ nhất, một nút trong lớp

ẩn thứ hai và năm biến đầu ra Mô hình 6/3/3/5 bao gồm sáu biến đầu vào, ba nút trong lớp ẩn thứ nhất, ba nút trong lớp ẩn thứ hai và năm biến đầu ra Một hàm

"thúc đẩy" (“boosting” function) được thêm trong JMP Pro 13 để xây dựng mô hình mạng neuron thông qua trình tự phù hợp của các mô hình phụ trợ nhỏ hơn Mặc dù hàm “thúc đẩy” cho phép xác định mô hình mạng tối ưu nhanh hơn tuy nhiên không thể tiến hành khảo sát toàn bộ các kết hợp có thể dự đoán được trong

mô hình Do đó tác giả chỉ khảo sát sự kết hợp tổng thể từ các mô hình 6/1/1/5 và 6/3/3/5 (361 bộ) Khi thẩm định, hàm "k-fold" có trong phần mềm được sử dụng Phương pháp thẩm định chéo này chia dữ liệu ban đầu thành k tập con, tại mỗi vòng lặp sử dụng một tập con là tập huấn luyện thẩm định và các tập con còn lại

là tập huấn luyện thử nghiệm Mỗi tập con được sử dụng để xác nhận sự phù hợp của mô hình đối với phần còn lại của dữ liệu và sự phù hợp của tổng số k mô hình

Mô hình có sự phù hợp nhất được chọn là một trong những mô hình tối ưu Đây là phương pháp phù hợp nhất đối với bộ dữ liệu nhỏ vì nó sử dụng hiệu quả lượng

dữ liệu hạn chế Tổng cộng có 361 bộ cấu trúc được nghiên cứu với sự kết hợp khác nhau của các hàm kích hoạt (tanH, Linear và Gauss) Trong nghiên cứu này, tác giả sử dụng 80% kết quả để huấn luyện và còn 20% kết quả làm thử nghiệm

thẩm định Các dữ liệu thử nghiệm và huấn luyện được lặp đi lặp lại 5 lần với các

bộ dữ liệu thay đổi Các trọng số ban đầu khác nhau của liên kết được sử dụng ngẫu nhiên, tiến hành lặp đi lặp lại 100 lần tập huấn luyện Tổng số các mô hình được huấn luyện là 902500 (5×361×5×100 được xác định bởi: 5 lần lặp lại của 361

sự kết hợp các nút trong các lớp ẩn, hàm thẩm định 5 nhóm (5-fold) và 100 lần lặp lại của trọng số ban đầu) Để giảm nguy cơ mô hình neuron nhân tạo 4 lớp có thể chỉ nhớ lặp lại (overfitting), một phương pháp thẩm định đã được chọn như một hàm cảnh báo Phần mềm JMP Pro 13 cũng được áp dụng để thực hiện việc phân tích dữ liệu sử dụng ANN 3 lớp truyền thống, phân tích hồi quy đa biến, ANOVA

và các tính toán thống kê khác [32]

Nghiên cứu này cho thấy việc phân tích tương quan đơn lẻ giữa các biến đầu vào cũng như phân tích hồi quy đa biến ghi nhận ảnh hưởng của độ tan, nhiệt độ nóng chảy và phân bố kích thước tới độ hòa tan dược chất Tuy nhiên, các mô hình hồi quy tuyến tính cho kết quả dự đoán độ hòa tan không mấy khả quan Trong khi

đó, ANN 4 lớp đưa ra được mô hình dự báo độ hòa tan với các giá trị sai số chuẩn tương đối dưới 5% Do vậy, mặc dù quy mô cơ sở dữ liệu vẫn chưa đầy đủ, Takayama Kozo và cộng sự thấy rằng có thể dự đoán chính xác những đặc tính cơ bản của quá trình hòa tan dựa vào bản chất của các phân tử dược chất và đặc tính tiểu phân của chúng [32]

Không lâu trước đó, nhóm nghiên cứu của Nguyễn Trần Linh đã công bố mô

hình in silico quá trình hòa tan của một số dược chất thuộc nhóm NSAIDs Theo

đó, Quản Duy Quang đã xây dựng được chương trình tính toán có khả năng xác định đường cong hòa tan tối đa của mẫu bột dược chất đơn dựa trên cơ sở các phương trình động học hòa tan cổ điển và phương trình chuyển khối Độ đúng ghi nhận sau khi thẩm định với một số mẫu thử độc lập khá cao (R2 xấp xỉ 0,95) Tác giả này cũng xây dựng được mô hình dự đoán độ hòa tan của một số dược chất trong dạng cốm hai thành phần bằng cách gán những hệ số cản trở hòa tan cho tá dược nhờ vào ANN perceptron đa lớp Tuy nhiên, nghiên cứu này mới làm rõ ảnh hưởng của thông số thiết bị (tốc độ cánh khuấy) và tỷ lệ dược chất/tá dược lên độ hòa tan của dược chất [2]

1.2.2 Phương pháp hồi quy đa biến

Hồi quy đa biến được dùng rộng rãi để giải quyết các bài toán xác định ảnh hưởng của nhiều biến độc lập tới các biến phụ thuộc Một số thuật toán hồi quy đa biến gồm có:

 Phương pháp bình phương tối thiểu cổ điển (classical least square)

 Phương pháp bình phương tối thiểu nghịch đảo (inverse least squares)

 Phương pháp bình phương tối thiểu từng phần (partial least square-PLS )

 Phương pháp hồi quy cấu tử chính (principal component regression)

Trong khuôn khổ của đề tài, phương pháp PLS được sử dụng để làm thuật toán

xử lý kết quả thực nghiệm Phương pháp PLS tạo ra mô hình dự đoán có tính tuyến tính cao giữa biến phụ thuộc (biến Y) và biến độc lập (biến X) nhờ khả năng phân tích dữ liệu có số lượng biến lớn, xử lý số liệu ngoại lai hiệu quả Cách thức của PLS là giảm số biến bằng việc tạo ra các phần tử trung gian là các biến t mới, sau

đó tìm ra mối quan hệ tuyến tính hoặc quan hệ đa thức giữa ma trận X và ma trận

Y với biến t Từ đó có thể đoán được thông tin của Y khi đã biết các thông tin của

X và ngược lại Hai ma trận X và Y được phân tích thành một ma trận điểm (score matrices) T và U cùng ma trận nạp (loading matrices) P’ và C’ (X= 1𝒙′ + TP’ + E; Y= 1𝒚′ + UC’+ F; với 1𝒙′, 1𝒚′ lần lượt là ma trận giá trị trung bình của các biến

X và Y) PLS sẽ tối ưu hoá giá trị đồng phương sai (covariance) giữa ma trận X và

Y [5] PLS có ưu điểm trong việc xử lý toàn bộ tập dữ liệu với số thí nghiệm ít hơn

số biến hoặc các biến độc lập có tính chất đa cộng tuyến cao Phương pháp PLS cho kết quả có độ chính xác cao và tiện lợi khi dễ dàng lập trình nội dung thuật toán theo nhiều ngôn ngữ khác nhau như Pascal, C+, C++… Khi so sánh với ANN, PLS có thời gian tính toán ít và khả năng hội tụ nhanh hơn [1]

Korhonen Ossi và cộng sự đã sử dụng mô hình PLS để đánh giá và dự đoán quá trình giải phóng dược chất từ viên nén sử dụng tinh bột biến tính làm cốt kiểm soát giải phóng Mục đích của nghiên cứu này là đánh giá liệu tinh bột biến tính

có thể giữ vai trò như một tá dược kiểm soát giải phóng với các dược chất khác nhau về tính chất lý hóa hay không Nghiên cứu này sử dụng phương pháp PLS để

mô hình hoá việc giải phóng thuốc từ các viên nén sử dụng tinh bột biến tính Ngoài ra, các yếu tố góp phần vào việc giải phóng thuốc ở những thời điểm nhất định cũng được nghiên cứu Chín công thức thuốc đã được tạo ra với sáu loại thuốc

mô hình khác nhau Thử nghiệm độ hòa tan in vitro đã được tiến hành để xác định

đặc điểm giải phóng thuốc đối với mỗi công thức Nghiên cứu đã đánh giá ảnh hưởng của 25 biến đầu vào tới độ hòa tan tại các thời điểm khác nhau Nghiên cứu chỉ ra quy trình giải phóng thuốc rất đa dạng, phụ thuộc vào công thức, quy trình bào chế và tính chất lý hóa của dược chất Quan sát thấy rằng khi bắt đầu quá trình hòa tan, các biến công thức và quy trình đóng một vai trò quan trọng Sau đó, các thuộc tính phân tử của thuốc đã trở thành các biến chiếm ưu thế Tinh bột biến tính

có thể hoạt động như một tá dược kiểm soát giải phóng với các loại thuốc khác nhau Nghiên cứu kết luận rằng PLS là một công cụ mạnh mẽ để đánh giá và dự đoán đặc tính giải phóng thuốc tại các thời điểm khác nhau từ dạng thuốc viên nén

sử dụng cốt tinh bột biến tính [17]

1.3 Phương pháp đánh giá độ phù hợp của mô hình

Để đánh giá mức độ phù hợp của mô hình xây dựng hay so sánh dữ liệu hòa tan tiên đoán với dữ liệu hòa tan thực tế có một số phương pháp sau [7]

Thời gian hòa tan trung bình có thể tính theo công thức sau:

𝑀𝐷𝑇 = ∑ 𝑡̂𝑗 ∆𝑀𝑗

𝑛 𝑗=1

∑𝑛𝑗=1 ∆𝑀𝑗Trong đó: j là số thứ tự điểm lấy mẫu, n là số điểm lấy mẫu; t̂j khoảng thời gian giữa 2 thời điểm tj và tj-1 bằng (tj + tj-1)/2; ΔMi lượng chênh lệch hòa tan được giữa hai thời điểm tj và tj-1 [7]

là phần trăm hòa tan của mẫu thử và mẫu đối chiếu tại cùng 1 thời điểm (hoặc giữa

f 2 (hệ số tương đồng) là phép chuyển log của tổng bình phương sai khác về

hòa tan giữa mẫu thử và mẫu chứng tại tất cả các thời điểm:

Hệ số Rescigno

Trong một số trường hợp để so sánh độ hòa tan còn có thể sử dụng hệ số Rescigno (thường được dùng nhiều hơn khi so sánh sinh khả dụng):

Khi tăng giá trị của i thì ảnh hưởng của sự sai khác giữa các mẫu đến hệ số Rescigno sẽ lớn hơn Hệ số này có giá trị nằm trong khoảng từ 0 đến 1 Rescigno bằng 0 khi hai mẫu giải phóng giống hệt nhau và bằng 1 khi một trong hai mẫu không có sự giải phóng [7]

1.3.2 Phương pháp thống kê

Phương pháp thống kê bao gồm phân tích phương sai một yếu tố (ANOVA) hoặc t-test cho dữ liệu hòa tan đơn điểm và phân tích phương sai đa biến một chiều (MANOVA) cho dữ liệu hòa tan đa điểm [7]

1.3.3 Đánh giá mô hình giải phóng từ dữ liệu giải phóng dược chất

Hệ số xác định R2 và tiêu chuẩn thông tin Akaike là những hệ số tin cậy thường dùng để đánh giá tính phù hợp của mô hình

 Hệ số R 2

𝑅2 = 1 −∑ (𝑦𝑖 𝑖− 𝑦̂)𝑖 2

∑ (𝑦𝑖− 𝑦̅)2 𝑖

Trong đó: yi là giá trị thực tế, y̅ là trung bình các giá trị thực tế, ŷ là giá trị dự iđoán

Giá tri R2 càng gần 1 thì khả năng dự đoán của mô hình càng tốt Tuy nhiên,

hệ số này thường có xu hướng tự tăng dần lên với những mô hình có nhiều tham

số bất chấp việc mô hình đó có phù hợp hay không Do vậy, khi so sánh các mô hình có số tham số khác nhau tốt nhất nên tính R2 hiệu chỉnh như sau:

𝑅𝑎𝑑𝑗2 = 1 −(𝑛 − 1)

(𝑛 − 𝑝)(1 − 𝑅2) Trong đó: n là số điểm lấy mẫu, p là số lượng tham số

 Tiêu chuẩn thông tin Akaike (AIC)

𝐴𝐼𝐶 = 𝑛 × ln (∑[𝑤𝑖(𝑦𝑖 − 𝑦̂)𝑖 2]

𝑛

𝑖=1

) + 2 × 𝑝 Trong đó: wi 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 AIC đã trở thành một công cụ chuẩn trong đánh giá tính

phù hợp của mô hình và được đưa vào nhiều phần mềm thống kê [7]

1.4 Một số đặc điểm lý hóa của các dược chất sử dụng trong nghiên cứu

Nhóm cephalosporin là các kháng sinh bán tổng hợp thuộc nhóm β-lactam Phần lớn kháng sinh thuộc nhóm cephalosporin ít tan trong nước và kém ổn định

về mặt hóa học Nghiên cứu sử dụng các dược chất ít tan trong nước thuộc nhóm cephalosporin có một số đặc điểm được tra cứu từ Drugbank được trình bày như sau [11]:

Bảng 1.3 Đặc điểm của một số dược chất ít tan thuộc nhóm cephalosporin Đặc

có độ hòa tan đạt yêu cầu là một nhiệm vụ quan trọng nhằm đảm bảo sinh khả dụng của thuốc

CHƯƠNG 2 ĐỐI TƯỢNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU 2.1 Nguyên liệu và thiết bị thí nghiệm

2.1.1 Nguyên liệu

Bảng 2.1 Các nguyên liệu sử dụng trong quá trình thực nghiệm

1 Cefuroxim axetil Ấn Độ Dược điển Hoa Kỳ 39

4 Lactose monohydrat Đức Dược điển Hoa Kỳ 35

5 Cellulose vi tinh thể (PH-101) Brazil Dược điển Hoa Kỳ 35

6 Kali dihydrophosphat Trung Quốc Nhà sản xuất

7 Dikali hydrophosphat Trung Quốc Nhà sản xuất

9 Acid hydrocloric Trung Quốc Nhà sản xuất

2.1.2 Thiết bị

- Máy thử độ hòa tan hút mẫu tự động VANKEL (VK 7010) – Varian (Hoa Kỳ)

- Máy quang phổ nhiễu xạ tia X D8 Advanced – Bruker (Đức)

- Bể lắc điều nhiệt Wisebath (model WSB-30) – Daihan (Hàn Quốc)

- Máy đo quang UV-VIS (SP3000 nano) – Optima (Nhật)

- Máy đo kích thước tiểu phân MasterSizer (model 3000) – Malvern (Anh)

- Máy đo pH FE 20/Mettler Toledo (Thụy Sĩ)

- Máy nghiền bột và bộ rây các loại

- Cân phân tích, cân kỹ thuật và các dụng cụ thủy tinh khác

2.2 Phương pháp nghiên cứu

2.2.1 Chuẩn bị các mẫu thử hòa tan

2.2.1.1 Phân đoạn kích thước bột dược chất đơn

Nghiền, rây các bột dược chất cefuroxim axetil, cefixim và cefdinir (kí hiệu lần lượt là CEFU, CEFI, CEFD) qua các dụng cụ rây tay có cỡ rây 125 µm và 250

µm để thu lấy 3 phân đoạn có phân bố kích thước tiểu phân khác nhau (kí hiệu là

S, M, L tương ứng với kích thước tiểu phân dưới 125 µm, trong khoảng 125 - 250

µm và trên 250 µm)

2.2.1.2 Tạo mẫu cốm gồm dược chất và tá dược

Với mỗi loại dược chất và với từng phân đoạn kích thước, quá trình tạo mẫu cốm được thực hiện qua các bước sau:

- Trộn đều với lactose hoặc cellulose vi tinh thể theo các tỷ lệ khối lượng dược chất/tá dược là 1:1 hoặc 1:2 hoặc 1:3 Từ đó xác định hàm lượng dược chất

có trong các mẫu thử (Q, %)

- Thêm một lượng ethanol 96% khoảng 2 ml để thấm ẩm khối bột và xát hạt qua rây 800 µm

- Sấy hạt trong tủ sấy ở nhiệt độ 45ºC – 55oC cho tới khi hàm ẩm dưới 2%

- Lấy mẫu ở 3 vị trí khác nhau, xác định hàm lượng dược chất bằng phép đo quang UV-VIS

2.2.2 Xác định một số đặc tính tiểu phân dược chất

2.2.2.1 Độ tan của các dược chất tại pH thử hòa tan

Độ tan của dược chất trong nước tại 37 °C được xác định bằng bể lắc điều nhiệt qua các bước theo nghiên cứu của Baka E [4]:

- Đong một lượng chính xác 10 ml dung dịch môi trường vào ống nghiệm và thêm vào một lượng dư dược chất (gấp khoảng 3 lần độ tan dự kiến)

- Dùng bể lắc điều nhiệt, cài đặt nhiệt độ 37 °C, thời gian 48 giờ, tốc độ 80 vòng/phút Sau 48 giờ, hút mẫu và lọc qua màng lọc 0,45 µm, tiến hành pha loãng tới mật độ quang thích hợp để định lượng Dựa vào đường chuẩn định lượng của dược chất được xây dựng trong từng môi trường hòa tan, độ tan được xác định

- Tiến hành 3 lần và lấy kết quả trung bình

2.2.2.2 Phân bố kích thước tiểu phân

Phân bố kích thước tiểu phân dược chất được xác định bằng thiết bị đo phân

bố kích thước tiểu phân Master Sizer 3000:

- Tạo dung dịch bão hòa dược chất trước khi bắt đầu thêm mẫu để hạn chế hiện tượng các tiểu phân bị tan, giảm kích thước trong quá trình đo

- Lắc đều phân đoạn cần xác định kích thước và thêm dần nước vào cốc đo đến khi độ che phủ ánh sáng (obscuration) của hỗn dịch trong cốc đạt 10 – 20%

- Đo 3 lần, lấy kết quả trung bình và xuất ra đồ thị phân bố dạng histogram Trong đồ thị này, mẫu sẽ được chia thành nhiều ngăn (bin) và mỗi ngăn được xem như chỉ chứa các tiểu phân đồng nhất về kích thước Kết quả thu được ngoài các bin còn có các tham số kích thước tiểu phân d10 (µm), d50 (µm), d90 (µm) lần lượt là giá trị phân vị 10%, 50%, 90% thể tích phân bố

2.2.2.3 Dạng thù hình của dược chất

Trước khi nghiền dược chất, đo phổ nhiễu xạ tia X bằng máy quang phổ nhiễu

xạ tia X D8 Advanced – Bruker để xác định dạng thù hình của dược chất trong mẫu thử

2.2.3 Thử hòa tan thực nghiệm

Tham khảo các chuyên luận thử hòa tan của Dược điển Hoa Kỳ-USP 39 cho một số dạng bào chế của 3 dược chất được nghiên cứu [34], phương pháp thử hòa

tan thực nghiệm được tiến hành bằng thiết bị thử hòa tan hút mẫu tự động VANKEL 7010 trong điều kiện như sau:

- Thời gian thử hòa tan: 120 phút

- Tần suất: 5 phút/lần trong 30 phút đầu tiên; 10 phút/lần trong 90 phút tiếp theo

- Tốc độ cánh khuấy: 50 hoặc 75 vòng/phút

- Thể tích môi trường hòa tan: 900 ml (không bổ sung môi trường)

- Nhiệt độ hòa tan: 37 ± 0,5 oC

- Mỗi mẫu làm 3 lần lấy kết quả trung bình

- Phương pháp định lượng: Lượng dược chất hòa tan được xác định bằng phương pháp đo quang tại bước sóng được nêu trong bảng 2.2 và bảng 2.3 sử dụng mẫu chuẩn so sánh:

Bảng 2.3 Điều kiện thử hòa tan cho mẫu thử Điều kiện Cefuroxim

pH = 1,2

Dung dịch đệm phosphat

pH = 6,0

Dung dịch đệm phosphat

pH = 6,4

Dung dịch đệm phosphat

pH = 6,8

Dung dịch đệm phosphat

pH = 7,2

2.2.4 Xây dựng mô hình mô phỏng quá trình hòa tan

Sử dụng một số mô hình toán học để đánh giá sự ảnh hưởng của một số tính chất lý hóa của dược chất cũng như đặc tính tiểu phân của mẫu thử hòa tan tới độ hòa tan của dược chất Từ đó xây dựng được mô hình mô phỏng quá trình hòa tan tối ưu

Các thông số ảnh hưởng bao gồm: Các tham số kính thước tiểu phân (d10, d50, d90), độ tan (Cs), logP, pKa, điểm nóng chảy (mp), diện tích bề mặt riêng của tiểu phân (Sw), hàm lượng dược chất trong mẫu thử (Q), pH, tốc độ khuấy trộn (v),

tỷ lệ lactose (Lac) và tỷ lệ Avicel (Avi) Quá trình hòa tan được đánh giá bao gồm

độ hòa tan của dược chất tại các thời điểm 5, 10, 15, 30, 60 và 120 phút (kí hiệu lần lượt là y5, y10, y15, y30, y60 và y120)

2.2.4.1 Dựa trên phương pháp hồi quy PLS

Sử dụng phần mềm SIMCA (phiên bản 15 của hãng Sartorius, Đức) để xử lý

bộ dữ liệu thô thu được từ thử nghiệm độ hòa tan của các mẫu thử bằng phương pháp PLS Một mô hình hồi quy giữa các thông số ảnh hưởng (biến X) với độ hòa tan tại các thời điểm xác định (biến Y) được thiết lập Trước khi tiến hành, dữ liệu được xử lý bằng chuyển dạng logarit để đưa về phân bố chuẩn Các điểm ngoại lai

có khác biệt lớn được xác định bởi đồ thị “Hotelling’s T2” và bị loại bỏ khỏi dữ liệu Khi xây dựng mô hình, các biến quan trọng được xác định bởi đồ thị hệ số hồi quy và đồ thị VIP (Variable Importance for the Projection) Các biến có hệ số hồi quy và giá trị VIP thấp nhất tạm thời được gỡ bỏ Nếu Q2 của mô hình tăng lên thì các biến này sẽ bị loại bỏ vĩnh viễn Quá trình này lặp lại cho đến khi Q2 không cải thiện hoặc không thay đổi Từ đó, mô hình PLS mô phỏng quá trình hòa tan của dược chất được thiết lập

2.2.4.2 Dựa trên ANN

Dựa vào kết quả thực nghiệm ở mục 2.2.2 và 2.2.3, kết hợp tham khảo nghiên cứu của Takayama Kozo [32], ANN được thiết lập dưới dạng mạng 3 lớp (1 lớp nhập, 1 lớp ẩn và 1 lớp xuất) hoặc mạng 4 lớp (1 lớp nhập, 2 lớp ẩn và 1 lớp xuất) nhờ phần mềm JMP (phiên bản Pro 2013) như sau:

 Lớp nhập có các biến đầu vào tương ứng với số neuron lớp nhập

 Lớp xuất có các biến đầu ra tương ứng với số neuron lớp xuất

 Lớp ẩn có các neuron sử dụng hàm chuyển như sau: hàm tanH, hàm Linear

và hàm Gauss

Nghiên cứu sử dụng phương pháp thẩm định chéo 5 nhóm (5-fold) để lựa chọn

ra mô hình ANN có cấu trúc tối ưu dựa vào giá trị R2

CV trung bình trong 5 lần luyện mạng liên tiếp của mỗi cấu trúc ANN Ngoài ra, phần mềm JMP Pro 2013

có bổ sung 1 hàm “boosting function” và phương pháp “robust fitting” trong quá trình huấn luyện mạng Để tránh việc mạng chỉ nhớ lặp lại (overfitting) trong khi huấn luyện mạng, phương pháp “squared” được sử dụng như một phương pháp cảnh báo Từ đó, mô hình mô phỏng quá trình hòa tan và dự đoán độ hòa tan bằng ANN được thiết lập

CHƯƠNG 3 KẾT QUẢ NGHIÊN CỨU 3.1 Chuẩn bị các mẫu thử hòa tan

Các mẫu thử hòa tan được chuẩn bị theo phương pháp nêu ở mục 2.2.1 Từ đó, hàm lượng dược chất (Q, %) trong mỗi mẫu được xác định như sau:

Bảng 3.1 Hàm lượng dược chất trong các mẫu thử

3.2 Xây dựng đường chuẩn định lượng dược chất

Để xác định được độ tan và độ hòa tan của dược chất trong các môi trường có

pH khác nhau và hạn chế sai số do môi trường hòa tan tạo nên, đường chuẩn định lượng dược chất trong từng môi trường được xây dựng như sau:

Pha dung dịch chuẩn gốc của từng dược chất trong các môi trường có pH khác nhau Từ dung dịch chuẩn gốc pha loãng thành một dãy 6 dung dịch chuẩn có nồng

độ tương ứng giảm dần Đo độ hấp thụ của dãy dung dịch chuẩn này và lập đường chuẩn biểu diễn sự phụ thuộc của độ hấp thụ theo nồng độ dược chất Kết quả được trình bày trong bảng 3.2, 3.3 và 3.4

Bảng 3.2 Đường chuẩn định lượng cefuroxim axetil (λ =318 nm, n=3)

Dung dịch acid hydrocloric pH 1,2 Nồng độ (C, mg/ml) Độ hấp thụ (Ā)

Nồng độ (C, mg/ml)

Độ hấp thụ (Ā)

Nhận xét: Tương quan giữa nồng độ và độ hấp thụ trong các môi trường của

cả ba dược chất đều có tính tuyến tính cao (R2 lớn hơn 0,99) Do vậy, có thể sử dụng phương pháp đo quang tại các bước sóng trên để định lượng dược chất và xác định độ hòa tan trong khoảng nồng độ tuyến tính đã được khảo sát

3.3 Xác định một số đặc tính lý hóa của dược chất

3.3.1 Độ tan

Xác định độ tan của dược chất trong các môi trường thử hòa tan theo phương pháp đã trình bày trong mục 2.2.2.1 Kết quả được trình bày trong bảng sau:

Bảng 3.5 Độ tan của các dược chất trong các môi trường

Cefuroxim axetil Dung dịch acid hydrocloric pH 1,2 0,54

Cefixim Dung dịch đệm phosphat pH 6,0 2,49

Dung dịch đệm phosphat pH 6,4 5,39

Cefdinir Dung dịch đệm phosphat pH 6,8 10,86

Dung dịch đệm phosphat pH 7,2 15,11

Nhận xét: Khi pH môi trường đệm phosphat tăng lên, độ tan của cefixim và

cefdinir có xu hướng tăng lên tương ứng do nhóm carboxyl của cefixim và cefdinir

bị ion hóa nhiều hơn

3.3.2 Phân bố kích thước tiểu phân dược chất

Xác định phân bố kích thước tiểu phân của các phân đoạn dược chất theo phương pháp được trình bày mục 2.2.2.2 Kết quả được thể hiện trong hình 3.1,

3.2, 3.3 và bảng 3.6 (số liệu chi tiết xin xem ở Phụ lục 1)

Hình 3.1 Phân bố kích thước tiểu phân của các phân đoạn cefuroxim axetil