Tiếp tục xây dựng mô hình mô phỏng in silico quá trình hòa tan của một số dược chất ít tan trong nước

LL Logarit xác suất Log Likelihood Log P Logarit hệ số phân bố MDT Thời gian hòa tan trung bình Mean Dissolution Time MLP Mạng perceptron đa lớp Multilayer Perceptron mp: Điểm nóng

BỘ Y TẾ

TRƯỜNG ĐẠI HỌC DƯỢC HÀ NỘI

CAO MINH HIẾU

TIẾP TỤC XÂY DỰNG MÔ HÌNH

MÔ PHỎNG IN SILICO QUÁ TRÌNH

HÒA TAN CỦA MỘT SỐ DƯỢC CHẤT

ÍT TAN TRONG NƯỚC

KHÓA LUẬN TỐT NGHIỆP DƯỢC SĨ

HÀ NỘI - 2018

BỘ Y TẾ

TRƯỜNG ĐẠI HỌC DƯỢC HÀ NỘI

CAO MINH HIẾU

MÃ SINH VIÊN: 1301144

TIẾP TỤC XÂY DỰNG MÔ HÌNH

MÔ PHỎNG IN SILICO QUÁ TRÌNH

HÒA TAN CỦA MỘT SỐ DƯỢC CHẤT

ÍT TAN TRONG NƯỚC

KHÓA LUẬN TỐT NGHIỆP DƯỢC SĨ

Người hướng dẫn:

TS Nguyễn Trần Linh

Nơi thực hiê ̣n:

HÀ NỘI - 2018

LỜI CẢM ƠN

Trước tiên, em xin được bày tỏ lòng kính trọng và sự biết ơn sâu sắc đến TS

Nguyễn Trần Linh là người thầy đã luôn tận tâm hướng dẫn, động viên và giúp đỡ em

trong quá trình học tập, nghiên cứu cũng như hòan thành khóa luận này

Em cũng xin được gửi lời cảm ơn tới TS Nguyễn Thạch Tùng và toàn thể thầy

cô giáo, DS Nguyễn Quốc Công và các anh chị kỹ thuật viên Bộ môn Bào chế đã hết

lòng quan tâm, giúp đỡ và tạo điều kiện để em hòan thành khóa luận này

Em xin chân tha ̀ nh cảm ơn ban giám hiê ̣u nhà trường, phòng đào tạo và các pho ̀ ng ban liên quan trong nhà trường đã có nhiều giúp đỡ thiết thực về cơ sở vật châ ́t, trang thiết bi ̣ và hóa chất thí nghiê ̣m trong quá trình em thực hiê ̣n đề tài

Cuối cùng em xin gửi lời cảm ơn sâu sắc tới gia đình và bạn bè, những người

đã luôn ở bên, giúp đỡ và động viên em trong suốt 5 năm học tập và thực hiện khóa luận

Hà Nội, tháng 5 năm 2018

Sinh viên

Cao Minh Hiếu

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 2

1.1 Vai trò của độ hòa tan và mô hình hóa quá trình hòa tan dược chất từ các dạng bào chế 2

1.2 Các yếu tố ảnh hưởng đến quá trình hòa tan in vitro của dược chất 3

1.2.1 Kích thước tiểu phân 3

1.2.2 Hình dạng tiểu phân 4

1.2.3 Dạng đa hình 5

1.2.4 Hệ số khuếch tán 6

1.3 Tổng quan về mô hình hóa quá trình hòa tan in vitro bằng các mô hình động học… 6

1.3.1 Khái niệm 6

1.3.2 Một số mô hình giải phóng dược chất từ dạng bào chế 6

1.4 Tổng quan về mô hình ảnh hưởng hỗn hợp phi tuyến tính (non - linear mixed effects model) trong mô phỏng quá trình hòa tan in vitro 7

1.4.1 Khái niệm mô hình ảnh hưởng hỗn hợp phi tuyến tính (non - linear mixed effects model) 7

1.4.2 Mô hình ảnh hưởng hỗn hợp phi tuyến tính trong mô phỏng quá trình hòa tan in vitro…… .8

1.5 Tổng quan về sử dụng mạng neuron nhân tạo mô phỏng quá trình hòa tan in vitro… 11

1.5.1 Neuron nhân tạo 11

1.5.2 Mạng neuron nhân tạo 12

1.5.3 Một số nghiên cứu sử dụng mạng neuron nhân tạo trong mô phỏng quá trình hòa tan in vitro 13

1.5.4 Một số lưu ý khi sử dụng mạng neuron nhân tạo 15

1.6 Phương pháp đánh giá độ phù hợp của mô hình 15

1.7 Một số thông tin về dược chất được sử dụng trong nghiên cứu 17

CHƯƠNG 2 ĐỐI TƯỢNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU 18

2.1 Nguyên liệu và thiết bị thí nghiệm 18

2.1.1 Nguyên liệu 18

2.1.3 Thiết bị 18

2.2 Phương pháp nghiên cứu 18

2.2.1 Chuẩn bị các mẫu thử hòa tan 18

2.2.2 Xác định các thông số hóa lý của dược chất thử hòa tan 19

2.2.3 Thu thập dữ liệu thử hòa tan thực tế 21

2.2.4 Xây dựng mô hình mô phỏng quá trình hòa tan in vitro của dược chất 22

CHƯƠNG 3 KẾT QUẢ NGHIÊN CỨU 26

3.1 Thẩm định độ tuyến tính của phương pháp định lượng dược chất 26

3.1.1 Mẫu chỉ chứa dược chất đơn 26

3.1.2 Mẫu chứa dược chất và tá dược 27

3.2 Xác định các thông số lý hóa của dược chất 27

3.2.1 Xác định độ tan của dược chất ở 37°C 27

3.2.2 Xác định phân bố kích thước tiểu phân 28

3.2.3 Xác định diện tích bề mặt riêng 31

3.2.4 Xác định hệ số khuếch tán của các dược chất 32

3.2.5 Xác định nhiệt độ nóng chảy của các dược chất .32

3.3 Kết quả thử hòa tan thực nghiệm 33

3.3.1 Mẫu chứa dược chất đơn 33

3.3.2 Mẫu bột chứa dược chất và tá dược 35

3.4 Kết quả xây dựng mô hình mô phỏng quá trình hòa tan in vitro 37

3.4.1 Kết quả xây dựng mô hình ảnh hưởng hỗn hợp phi tuyến tính 37

3.4.2 Kết quả xây dựng mô hình dựa trên mạng ANN 42

3.4.3 Lựa chọn mô hình tối ưu mô phỏng quá trình hòa tan in vitro 45

3.4.4 Thẩm định mô hình tối ưu 46

3.4.5 Mô phỏng dữ liệu hòa tan in vitro 46

KẾT LUẬN VÀ KIẾN NGHỊ 50

DANH MỤC CÁC KÍ HIỆU, CÁC CHỮ VIẾT TẮT

ANN Mạng neuron nhân tạo

(Artificial Neural Network)

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

DSC Quét nhiệt lượng vi sai

DV Độ hòa tan thực tế (biến phụ thuộc)

GRNN Mạng neuron hồi quy tổng quát

(Generalized Regression Neural Netwok)

ICH Hội nghị hòa hợp Quốc tế

(International Conference on Harmonisation)

IPRED Độ hòa tan dự đoán theo thông số đặc trưng cho từng mẫu IVAR Biến độc lập (biến thời gian)

(Independent Variate)

IVIVC Tương quan in vitro – in vivo

(In vitro – In vivo Correlation)

LL Logarit xác suất

(Log Likelihood)

Log P Logarit hệ số phân bố

MDT Thời gian hòa tan trung bình

(Mean Dissolution Time)

MLP Mạng perceptron đa lớp

(Multilayer Perceptron)

mp: Điểm nóng chảy

(Melting Point)

NLMEM Mô hình ảnh hưởng hỗn hợp phi tuyến tính

(Non - linear Mixed Effects Model)

PRED Độ hòa tan dự đoán theo thông số đặc trưng cho quần thể Q: Hàm lượng dược chất có trong các mẫu thử

U.S.FDA Cơ quan quản lý thực phẩm dược phẩm Mỹ

(U.S Food and Drug Administration)

WRES Phần dư có trọng số

(Weighted Residual)

DANH MỤC CÁC BẢNG

Bảng 1.1 Một số mô hình động học giải phóng dược chất từ dạng bào chế 7

Bảng 1.2 Một số nghiên cứu sử dụng ANN mô phỏng quá trình hòa tan in vitro 14

Bảng 1.3 Đặc điểm của các dược chất sử dụng trong nghiên cứu 17

Bảng 2.1 Các nguyên liệu sử dụng trong nghiên cứu……… 18

Bảng 2.2 Điều kiện thử hòa tan cho các mẫu dược chất đơn 21

Bảng 2.3 Điều kiện thử hòa tan mẫu dược chất và tá dược 22

Bảng 3.1 Đường chuẩn định lượng ibuprofen λ = 237 nm (n = 3)……… 26

Bảng 3.2 Đường chuẩn định lượng natri diclofenac λ = 300 nm (n=3) 26

Bảng 3.3 Đường chuẩn định lượng l- tetrahydropalmatin λ = 290 nm (n=3) 27

Bảng 3.4 Độ tan của dược chất trong các môi trường ở 37°C (n = 3, TB ± SD) 28

Bảng 3.5 Tham số kích thước tiểu phân của các phân đoạn dược chất 30

Bảng 3.6 Diện tích bề mặt riêng của các phân đoạn dược chất (n=3, TB±SD) 31

Bảng 3.7 Hệ số khuếch tán của các dược chất 32

Bảng 3.8 Nhiệt độ nóng chảy của các dược chất 32

Bảng 3.9 Ảnh hưởng của các yếu tố dự đoán đến mô hình cấu trúc 37

Bảng 3.10 Ảnh hưởng của các yếu tố dự đoán đến mô hình cơ sở 38

Bảng 3.11 Ảnh hưởng của các yếu tố dự đoán đến mô hình NLMEM chứa 2 yếu tố dự đoán 39

Bảng 3.12 Các tham số của mô hình NLMEM tối ưu 39

Bảng 3.13 Hệ số xác định R2 trong 5 lần huấn luyện mạng 43

Bảng 3.14 Hệ số xác định R2 trong 5 lần thẩm định chéo 44

Bảng 3.15 So sánh mô hình NLMEM tối ưu và mô hình ANN 3 lớp tối ưu 45

Bảng 3.16 Kết quả thẩm định mô hình NLMEM tối ưu 46

DANH MỤC CÁC HÌNH VẼ VÀ ĐỒ THỊ

Hình 1.1 Cấu trúc của một neuron nhân tạo 12

Hình 1.2 Mô hình mạng perceptron đa lớp 12

Hình 1.3 Mô hình mạng phản hồi đa lớp 13

Hình 1.4 Một số hàm chuyển trong mạng neuron nhân tạo 13

Hình 1.5 Các trường hợp có thể xảy ra khi huấn luyện mạng ANN 15

Hình 3.1 Phân bố kích thước tiểu phân của các phân đoạn ibuprofen……….29

Hình 3.2 Phân bố kích thước tiểu phân của các phân đoạn natri diclofenac 29

Hình 3.3 Phân bố kích thước tiểu phân của các phân đoạn l-tetrahydropalmatin 30

Hình 3.4 Kết quả thử hòa tan các phân đoạn ibuprofen (n = 3) 33

Hình 3.5 Kết quả thử hòa tan các phân đoạn natri diclofenac (n = 3) 33

Hình 3.6 Kết quả hòa tan các phân đoạn l-tetradydropalmatin (n = 3) 34

Hình 3.7 Kết quả thử hòa tan các mẫu bột chứa ibuprofen [S] và Avicel (n = 3) 35

Hình 3.8 Kết quả thử hòa tan các mẫu bột chứa ibuprofen [S] và lactose (n = 3) 35

Hình 3.9 Kết quả thử hòa tan các mẫu bột chứa l-tetrahydropalmatin [S] và Avicel (n = 3) 36

Hình 3.10 Kết quả thử hòa tan các mẫu bột chứa l-tetrahydropalmatin [S] và lactose (n = 3) 36

Hình 3.11 Biểu đồ biểu diễn độ hòa tan thực tế (DV) theo độ hòa tan dự đoán ước tính theo thông số quần thể (PRED) và theo thông số từng mẫu (IPRED) 40

Hình 3.12 Biểu đồ biểu diễn tính khớp của đường cong hòa tan dự đoán (IPRED )

và độ hòa tan thực tế (DV ͦ ) 41

Hình 3.13 Biểu đồ biểu diễn mối quan hệ giữa phần dư có trọng số (WRES) và độ hòa tan dự đoán (PRED) 41

Hình 3.14 Biểu đồ biểu diễn mối quan hệ giữa phần dư có trọng số (WRES) và biến độc lập (thời gian – IVAR) 42

Hình 3.15 Cấu trúc mạng ANN 3 lớp tối ưu 43

Hình 3.16 Phân bố kích thước tiểu phân của các phân đoạn ibuprofen dùng để mô phỏng 47

Hình 3.17 Độ hòa tan dự đoán của các phân đoạn ibuprofen so với thực tế 48

ĐẶT VẤN ĐỀ

Phép thử độ hòa tan là một trong những chỉ tiêu quan trọng nhất của thuốc dùng đường uống, đặc biệt là viên nén và viên nang Đối với một số thuốc, khả năng hòa tan kém có thể là một trong những nguyên nhân gây cản trở sự hấp thu thuốc trong cơ thể, dẫn đến giảm sinh khả dụng của thuốc Do đó, phép thử độ hòa tan ngày càng được áp dụng rộng rãi trong cả trước và sau quá trình phát triển dược phẩm, đặc biệt là đối với

những thuốc đã chứng minh được tương quan in vitro - in vivo (IVIVC) Chính vì vậy, việc xây dựng các mô hình mô phỏng quá trình hòa tan in vitro đang nhận được rất

nhiều sự quan tâm từ các nhà nghiên cứu trên khắp thế giới 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 Trên thế giới, một số phần mềm in silico dự đoán

độ hòa tan in vitro như DDDPlus đã được áp dụng rộng rãi [42]

Ở Việt Nam, các nhà nghiên cứu dược phẩm đang từng bước tiếp cận với phương

pháp in silico trong việc mô phỏng quá trình hòa tan in vitro của một số thuốc Một số

nghiên cứu đã được thực hiện nhằm mục đích xây dựng mô hình mô phỏng quá trình hòa tan một số bột thuốc và hỗn hợp cốm chứa hai thành phần [1], [2], [4] Tuy mới

chỉ là những bước đi đầu tiên để tiếp cận với phương pháp in silico, nhưng một số kết

quả thu được đầy hứa hẹn và đang được tiếp tục nghiên cứu sâu hơn Do đó, đề tài

“Tiếp tục xây dựng mô hình mô phỏng in silico quá trình hòa tan của một số

dược chất ít tan trong nước” được thực hiện với mục tiêu sau:

1 Xây dựng được mô hình dự đoán độ hòa tan in vitro của bột dược chất đơn và hỗn

hợp bột hai thành phần chứa dược chất - tá dược của một số dược chất ít tan trong nước dựa trên mô hình ảnh hưởng hỗn hợp phi tuyến tính (NLMEM) và mô hình mạng neuron nhân tạo (ANN)

2 Thẩm định được mô hình tối ưu đã xây dựng

3 Sử dụng mô hình đã được thẩm định để mô phỏng dữ liệu hòa tan khi biết các thông số đầu vào

CHƯƠNG 1 TỔNG QUAN 1.1 Vai trò của độ hòa tan và mô hình hóa quá trình hòa tan dược chất từ các dạng bào chế

Sự hấp thu của một thuốc trong cơ thể phụ thuộc vào các đặc tính sinh lý của người dùng thuốc cũng như là các đặc tính lý hóa của thuốc, đặc biệt là khả năng hòa tan của thuốc Khả năng hòa tan kém của một thuốc có thể là một trong những yếu tố giới hạn sự hấp thu của các dạng thuốc đường uống [20] Vì vậy độ hòa tan của thuốc

là một trong những chỉ tiêu quan trọng nhất của các dạng thuốc rắn dùng đường uống Phép thử độ hòa tan ngày nay được sử dụng rộng rãi cả trong giai đoạn đầu và giai đoạn sau của quá trình phát triển thuốc cho rất nhiều dạng thuốc, đặc biệt là dạng viên nang và viên nén Trong giai đoạn đầu của nghiên cứu phát triển dược phẩm, phép thử

độ hòa tan giúp tối ưu hóa công thức để cho ra các đặc tính in vitro mong muốn Sau

đó, dữ liệu hòa tan này có thể được sử dụng để công bố sự tương quan in vitro - in vivo

(IVIVC), từ đó có thể giảm được chi phí cho việc nghiên cứu tương đương sinh học [10] Trong các giai đoạn sau, phép thử độ hòa tan được sử dụng trong kiểm soát chất lượng để đảm bảo sự đồng nhất lô mẻ, sự ổn định cũng như để phát hiện ra các sai sót trong quá trình sản xuất có thể dẫn đến sự huỷ bỏ của cả lô

Do vậy, việc sử dụng các công cụ in silico để mô phỏng quá trình hòa tan in vitro

có thể mang lại nhiều ứng dụng trong thực tế Đầu tiên phải kể đến là việc mô hình hóa đồ thị hòa tan giúp các nhà nghiên cứu có thể tìm hiểu được cơ chế giải phóng dược chất Đối với một số dạng bào chế đơn giản, đôi khi chỉ cần nhìn vào thành phần công thức là có thể dự đoán được cơ chế giải phóng dược chất Tuy nhiên đối với các dạng bào chế có công thức phức tạp, kết hợp nhiều loại tá dược khác nhau thì việc xác định cơ chế giải phóng dược chất phải dựa vào việc mô hình hóa dữ liệu giải phóng dược chất theo thời gian Từ việc tìm hiểu cơ chế giải phóng dược chất, các nhà bào chế có thể tìm hiểu ảnh hưởng của các yếu tố khác nhau tới độ hòa tan, từ đấy có thể tối ưu hóa công thức bào chế, đặc biệt là đối với các dạng thuốc tác dụng kéo dài Ví

dụ như trong nghiên cứu của Ibric và cộng sự, mạng neuron nhân tạo được sử dụng để

mô phỏng quá trình hòa tan in vitro nhằm tối ưu hóa công thức viên aspirin giải phóng

kéo dài [28] Ngoài ra, việc mô hình hóa các dữ liệu giải phóng theo thời gian còn giúp tính toán các tham số của mô hình (như các hằng số tốc độ giải phóng) Bằng việc sử dụng các phương pháp thống kê thích hợp có thể so sánh các tham số của mô hình đó

với nhau, từ đó có thể kết luận được về sự khác nhau hay giống nhau giữa các đồ thị giải phóng dược chất của các lô mẻ khác nhau, hay của các công thức khác nhau [17] Một trong những ứng dụng quan trọng khác của việc xác định mô hình động học giải phóng dược chất từ dạng bào chế là dự đoán đồ thị nồng độ dược chất trong máu theo thời gian khi dùng thuốc, đặc biệt là đối với những thuốc đã xây dựng được tương

quan in vitro – in vivo (IVIVC), từ đó có thể giúp các nhà khoa học tối ưu hóa liều

dùng SA.Qureshi và cộng sự đã sử dụng phần mềm MS Excel để dự đoán nồng độ

carbamazepin trong máu dựa vào dữ liệu hòa tan in vitro Kết quả dự đoán cho cả ba

thông số 𝐶𝑚𝑎𝑥 ,𝑇𝑚𝑎𝑥 và AUC của cả 9 sản phẩm đều cho thấy sự tương quan cao so

với giá trị tương ứng thu được từ thử nghiệm in vivo [38]

1.2 Các yếu tố ảnh hưởng đến quá trình hòa tan in vitro của dược chất

Nhìn chung, các yếu tố ảnh hưởng đến quá trình hòa tan in vitro của dược chất có

thể chia thành 5 nhóm: các yếu tố liên quan đến đặc tính lý hóa của dược chất, các yếu

tố liên quan đến công thức dạng bào chế, các yếu tố liên quan đến quy trình bào chế, các yếu tố liên quan đến thiết bị thử hòa tan và các yếu tố thuộc về môi trường hòa tan Tuy nhiên, trong giới hạn tổng quan này sẽ chỉ phân tích một số yếu tố liên quan đến

đặc tính tiểu phân dược chất ảnh hưởng đến quá trình hòa tan in vitro của dược chất

1.2.1 Kích thước tiểu phân

Kích thước tiểu phân có ảnh hưởng trực tiếp đến tốc độ hòa tan dược chất, đặc biệt đối với các dược chất ít tan Khi kích thước tiểu phân giảm, diện tích bề mặt tiếp xúc với môi trường hòa tan tăng lên, dẫn đến tốc độ hòa tan tăng lên theo phương trình Noyes-Withney [16]:

𝑑𝐶

𝑑𝑡 =

𝐷 𝑆

𝑉 ℎ (𝐶𝑠− 𝐶) Trong đó:

• 𝑑𝐶

𝑑𝑡 là tốc độ hòa tan dược chất

• D là hệ số khuếch tán

• h là bề dày lớp khuếch tán

• V là thể tích môi trường khuếch tán

• S là diện tích bề mặt tiếp xúc giữa dược chất và môi trường hòa tan

• 𝐶𝑠 là nồng độ bão hòa của dược chất

• C là nồng độ dược chất tại thời điểm t

Do đó, giảm kích thước tiểu phân bằng các phương pháp như xay, nghiền là một trong những biện pháp phổ biến nhất để cải thiện tốc độ hòa tan của một số dược chất

ít tan, đặc biệt là các nhóm dược chất corticoid và các kháng sinh ít tan như: hydrocortison acetat, dexamethason, cloramphenicol… Tuy nhiên, các biện pháp xay nghiền nhằm tăng khả năng hòa tan dược chất có thể ảnh hưởng đến độ ổn định của dược chất Trong quá trình nghiền nhỏ dược chất, năng lượng sinh ra trong quá trình nghiền có thể làm hỏng những dược chất nhạy cảm với nhiệt Ngoài ra, quá trình này

có thể bẻ gãy cấu trúc tinh thể của dược chất, tạo nên những khuyết tật trong cấu trúc tinh thể của mạng lưới phân tử thuốc dẫn đến sự mất ổn định vật lý và hóa học của dược chất, đã được ghi nhận đối với SX-3228, một thuốc an thần nhóm benzodiazepin

1.2.2 Hình dạng tiểu phân

Hình dạng tiểu phân có thể ảnh hưởng đến tốc độ hòa tan dược chất Điều này đã được nhấn mạnh trong nghiên cứu của Chakrabarti và cộng sự về ảnh hưởng của hình dạng đến đặc tính hòa tan của hai dạng tinh thể phenytoin Tác giả nhận thấy dạng tinh

thể hình kim có tốc độ hòa tan chậm hơn so với dạng còn lại [14] Tuy nhiên, cơ chế

của hiện tượng này chưa được tác giả làm rõ Một nghiên cứu của Mitra Mosharraf và cộng sự sau đó về ảnh hưởng của hình dạng tiểu phân đến đặc tính hòa tan của griseofulvin, bari sulphat, oxazepam và glibenclamid đã làm sáng tỏ điều này dựa trên phương trình lớp biên Prandtl:

ℎ𝐻 = 𝑘 √𝐿

𝑉 Trong đó:

• ℎ𝐻 là bề dày lớp biên thuỷ động học (hydrodynamic boundary layer thickness)

• k là hằng số

• L là chiều dài của bề mặt tiểu phân theo hướng dòng chảy

• V là tốc độ tương đối của dòng chất lỏng chảy trên bề mặt phẳng

Nghiên cứu chỉ ra rằng, những tiểu phân dài và không đồng đều có chiều dài bề mặt tiểu phân theo hướng dòng chảy (L) lớn, do đó làm tăng bề dày lớp biên thuỷ động học làm giảm tốc độ hòa tan [34]

1.2.3 Dạng đa hình

Theo phân loại về đa hình (Polymorphic forms) của Cơ quan quản lý thực phẩm dược phẩm Mỹ (U.S.FDA) và Hội nghị hòa hợp Quốc tế (International Conference on Harmonization - ICH), dạng đa hình bao gồm: dạng khan, dạng solvat, dạng kết tinh

và dạng vô định hình [31]

Dạng solvat nói chung, hay dạng hydrat nói riêng (khi dung môi solvat hóa là nước) có tốc độ hòa tan thay đổi so với dạng khan tương ứng (có thể thấp hơn hoặc cao hơn), nhưng trong đa số các trường hợp, dạng hydrat thường có tốc độ hòa tan thấp hơn dạng khan, như trong trường hợp của theophylin, cafein, glutethimid và succinyl sulfathiazol [39] Điều này có thể giải thích do ở dạng hydrat, các phân tử dược chất bị hạn chế tiếp xúc với môi trường hòa tan hơn so với dạng khan, dẫn đến tốc độ hòa tan giảm Tuy nhiên, một số trường hợp ngược lại đã được ghi nhận, ví dụ như erythromycin dihydrat có tốc độ hòa tan lớn hơn so với dạng erythromycin monohydrat và dạng erythromycin khan [9] Tuy nhiên các dạng này có thể dễ dàng chuyển hóa lẫn nhau, và sự chuyển hóa này phụ thuộc vào nhiệt độ, độ ẩm của môi trường bảo quản, hay sự có mặt của các tá dược hoặc khi sử dụng các kỹ thuật bào chế

Ví dụ, khi độ ẩm tương đối > 43%, natri naproxen có thể chuyển từ dạng anhydrat sang dạng dihydrat [19]

Giữa dạng vô định hình và tinh thể cũng có thể có sự khác biệt lớn về khả năng hòa tan Trong dạng vô định hình, các phân tử dược chất sắp xếp một cách hỗn loạn, thiếu liên kết, do đó trong quá trình hòa tan, chúng dễ dàng được hòa tan dưới tác động của dung môi Trong khi đó, ở dạng kết tinh, các phân tử dược chất được liên kết chặt chẽ theo cấu trúc nhất định, cần tác động để có thể phá vỡ mạng lưới tinh thể này, vì vậy tốc độ hòa tan thường thấp hơn so với dạng vô định hình Tuy nhiên, đã có báo cáo về việc dạng vô định hình của rifampicin có tốc độ hòa tan thấp hơn so với dạng

tinh thể tương ứng, cũng như việc đa hình không có ảnh hưởng đến tốc độ hòa tan của rifampicin [36]

Ngoài ra, các dạng tinh thể khác nhau cũng có thể gây ra đặc tính hòa tan khác nhau, do trong cấu trúc mỗi dạng tinh thể đều có sự sắp xếp cấu trúc mạng khác nhau, dẫn đến các đặc tính dược động học và đặc tính lý hóa khác nhau Thông thường, 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 ổn định nhiệt động, nhưng chúng có thể dễ dàng chuyển hóa thành các dạng ổn định trong một thời gian ngắn Sự có mặt của tá dược, các chất hóa học hoặc sử dụng các phương pháp, kỹ thuật bào chế có thể làm gia tăng quá trình chuyển hóa giữa các dạng thù hình này, ví dụ như sự chuyển dạng kết tinh của indomethacin trong các môi trường pH khác nhau [22]

1.2.4 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 có xu hướng hòa tan tốt hơn so với dược chất có hệ số khuếch tán thấp Điều này có thể giải thích thông qua phương trình Noyes-Withney (đã trình bày ở mục 1.2.1) 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, giá trị này còn bị thay đổi theo độ nhớt, nhiệt độ và pH của môi trường [35]

1.3 Tổng quan về mô hình hóa quá trình hòa tan in vitro bằng các mô hình động

1.3.2 Một số mô hình giải phóng dược chất từ dạng bào chế

Một số mô hình động học thường được sử dụng để mô tả sự giải phóng dược chất

từ các dạng bào chế được trình bày trong bảng 1.1 [3]:

Bảng 1.1 Một số mô hình động học giải phóng dược chất từ dạng bào chế

1.4 Tổng quan về mô hình ảnh hưởng hỗn hợp phi tuyến tính (non - linear mixed

effects model) trong mô phỏng quá trình hòa tan in vitro

Như đã trình bày ở mục 1.3, việc sử dụng các mô hình động học như mô hình bậc

0, mô hình bậc 1, mô hình Weibull…để mô hình hóa quá trình giải phóng dược chất từ các dạng bào chế đang diễn ra rất phổ biến Mặc dù những mô hình toán học trên giúp đơn giản hóa việc phân tích và giải thích dữ liệu hòa tan thu được do chỉ sử dụng một

vài biến để biểu diễn quá trình hòa tan in vitro, chúng khá cứng nhắc và không linh

hoạt trong việc mô tả các đường cong hòa tan Một trong những cách khắc phục nhược điểm này là việc sử dụng các mô hình ảnh hưởng hỗn hợp phi tuyến tính (non - linear

mixed effects model) để mô phỏng dữ liệu hòa tan in vitro[6]

1.4.1 Khái niệm mô hình ảnh hưởng hỗn hợp phi tuyến tính (non - linear mixed

effects model)

Mô hình ảnh hưởng hỗn hợp (mixed effects model) là mô hình cho phép đánh giá đồng thời tham số ảnh hưởng cố định (fixed effects parameter) và tham số ảnh hưởng ngẫu nhiên (random effects parameter) [23] Trong đó:

• Fixed effects parameter (tham số ảnh hưởng cố định) là các tham số liên quan

đến toàn bộ kích thước mẫu hay là mức độ lặp lại của các yếu tố trong thí nghiệm và có giá trị như nhau đối với tất cả các cá thể trong quần thể

• Random effects parameter (tham số ảnh hưởng ngẫu nhiên) là các tham số liên

quan đến cá nhân mỗi đơn vị mẫu được rút ngẫu nhiên từ một quần thể, bao gồm tham số dao động giữa các cá thể () và tham số dao động ở từng cá thể ()

+) Tham số dao động giữa các cá thể giúp mô tả sự khác biệt tham số giữa các

cá thể (interindividual variability) Đây là mức độ khác biệt của các tham số cá thể so với tham số đặc trưng cho quần thể Đối với thử nghiệm hòa tan, tham số này thể hiện sự khác biệt của từng mẫu thử hòa tan (cá thể) so với toàn bộ mẫu thử (quần thể)

+) Tham số dao động ở từng cá thể (residual intraindividual) hay còn gọi là sai

số dự đoán hoặc nhiễu, mô tả sự khác biệt giữa giá trị mô hình dự đoán và giá trị quan sát thực Sai số ngẫu nhiên này có thể do sai lệch trong đo lường, ghi chép; sai số định lượng hoặc có thể do tính thiếu đặc hiệu của mô hình

Thuật ngữ phi tuyến tính (non - linear) trong mô hình NLMEM muốn chỉ đến mối liên quan giữa biến phụ thuộc và biến độc lập là mối quan hệ phi tuyến tính, trái ngược với mối quan hệ tuyến tính trong mô hình ảnh hưởng hỗn hợp tuyến tính (linear mixed effects model)

1.4.2 Mô hình ảnh hưởng hỗn hợp phi tuyến tính trong mô phỏng quá trình hòa tan in vitro

Mô hình ảnh hưởng hỗn hợp phi tuyến tính (non - linear mixed effects model) đã được áp dụng trong rất nhiều lĩnh vực, đặc biệt là trong lĩnh vực phân tích dữ liệu dược động học và dược lực học [5], [18], [27] Tuy nhiên, trên thế giới mô hình này vẫn chưa được áp dụng rộng rãi trong việc phân tích dữ liệu của các thử nghiệm hòa

tan in vitro và đặc biệt ở Việt Nam, chưa có một nghiên cứu nào công bố về việc sử dụng mô hình NLMEM mô phỏng quá trình hòa tan in vitro Từ đây trở đi, trong phạm

vi khóa luận này sẽ chỉ đề cập đến mô hình ảnh hưởng hỗn hợp phi tuyến tính trong

lĩnh vực mô phỏng dữ liệu hòa tan in vitro

Một mô hình NLMEM mô phỏng quá trình hòa tan in vitro bao gồm ba mô hình

con, hay còn được gọi là các sub-model [43]

1.4.2.1 Mô hình cấu trúc (structural sub-model)

Mô hình cấu trúc là những mô hình toán học mô phỏng quá trình giải phóng dược chất từ các dạng bào chế được sử dụng như mô hình căn bản trong NLMEM và chứa các tham số ảnh hưởng cố định Một số mô hình động học mô tả quá trình giải phóng dược chất từ dạng bào chế đã được trình bày ở mục 1.3.2

1.4.2.2 Mô hình thống kê (statistical sub-model)

Mô hình thống kê giúp mô tả ảnh hưởng ngẫu nhiên (random effects) bao gồm: dao động thông số giữa các mẫu hòa tan so với toàn bộ mẫu (quần thể) và sai số dự đoán của mô hình

1.4.2.3 Mô hình chứa các yếu tố dự đoán (covariate sub-model)

Yếu tố dự đoán là các hiệp biến (covariate) có thể ảnh hưởng tới sự khác biệt dữ

liệu hòa tan in vitro của các mẫu thử hòa tan Các yếu tố dự đoán có thể là yếu tố thuộc

về đặc tính lý hóa của dược chất như kích thước, độ tan, pKa, log P, dạng thù hình hay các yếu tố thuộc về môi trường hòa tan như pH, nồng độ chất diện hoạt cũng như các yếu tố thuộc về thiết bị thử hòa tan như kiểu thiết bị, tốc độ khuấy…

Để làm rõ các khái niệm trên, giả sử dược chất được hòa tan từ bột cốm tuân theo

mô hình Hill Khi đó, mô hình Hill sẽ được sử dụng như mô hình cấu trúc (structural sub-model) trong mô hình NLMEM:

𝐶(𝑡) = 100 𝑡𝑏

𝑡𝑏+ 𝑀𝐷𝑇𝑏(%) Trong đó:

• C(t) là phần trăm dược chất hòa tan ở thời điểm t

• b là độ dốc của đồ thị hòa tan

• MDT là thời gian hòa tan trung bình

Tuy nhiên, trong mô hình NLMEM, hằng số b và MDT cho từng mẫu bột cốm (cá thể) sẽ khác nhau và khác các hằng số đặc trưng cho toàn bộ mẫu (quần thể) Do

đó, cần thiết lập mô hình thống kê mô tả sự khác biệt này Tham số ngẫu nhiên giúp

mô tả sự dao động giữa bi (hằng số b của mẫu bột cốm thứ i) và Ɵ𝑏 (hằng số b đặc

trưng cho toàn bộ mẫu) được gọi là ղb, giữa MDTi (hằng số MDT của mẫu bột cốm thứ i) và Ɵ𝑀𝐷𝑇 (hằng số MDT đặc trưng cho toàn bộ mẫu) là ղMDT Các thông số này đặc trưng cho từng tham số của từng mẫu bột cốm, được giả định có trung bình là 0 và phân bố log chuẩn với phương sai ɷ2 Khi đó, có thể giả sử:

𝑏𝑖 = Ɵ𝑏 𝑒ɳ𝑏𝑖 (1) 𝑀𝐷𝑇𝑖 = Ɵ𝑀𝐷𝑇 𝑒ɳ 𝑀𝐷𝑇𝑖 (2) Tuy nhiên, khi biết được hằng số Ɵ𝑏, Ɵ𝑀𝐷𝑇 đặc trưng cho toàn bộ mẫu cũng như hằng số bi, MDTi của từng mẫu bột cốm, áp các thời điểm lấy mẫu vào phương trình Hill để tính phần trăm dược chất hòa tan dự đoán theo mô hình, sẽ luôn có sự khác nhau giữa giá trị dự đoán và giá trị thực Tham số ngẫu nhiên mô tả sự dao động giữa phần trăm dược chất hòa tan dự đoán từ mô hình (Cpred) và giá trị thực (Cobs) là epsilon (ε) Biến này đặc trưng cho từng thời điểm lấy mẫu của từng mẫu bột cốm, được giả định phân bố chuẩn với trung bình 0 và phương sai σ2 và tuân theo mô hình tỷ lệ:

𝐶𝑜𝑏𝑠𝑖𝑗 = 𝐶𝑝𝑟𝑒𝑑𝑖𝑗 (1 + ε𝑖𝑗) Trong đó:

• 𝐶𝑜𝑏𝑠𝑖𝑗là phần trăm dược chất hòa tan của mẫu bột cốm thứ i tại thời điểm j

• 𝐶𝑝𝑟𝑒𝑑𝑖𝑗 là phần trăm dược chất hòa tan dự đoán của mẫu bột cốm thứ i tại thời điểm j

• ε𝑖𝑗 là sai số giữa giá trị dự đoán và giá trị thực của mẫu bột cốm thứ i tại thời điểm j

Tiếp theo, mô hình sẽ được đưa thêm các yếu tố dự đoán vào nhằm mô tả sự ảnh hưởng của các hiệp biến (covariate) vào hằng số b và MDT Giả sử quá trình giải phóng có sự ảnh hưởng của độ tan dược chất Cs và tham số kích thước tiểu phân d90 (phân vị 90% của thể tích phân bố kích thước tiểu phân) của các mẫu bột cốm Phương trình (1), (2) trở thành:

𝑏𝑖 = Ɵ𝑏 𝐶𝑠𝑖𝑑𝑏𝑑𝐶𝑠 𝑑90𝑖𝑑𝑏𝑑𝑑90 𝑒ɳ𝑏 𝑖𝑀𝐷𝑇𝑖 = Ɵ𝑀𝐷𝑇 𝐶𝑠𝑖𝑑𝑀𝐷𝑇𝑑𝐶𝑠 𝑑90𝑖𝑑𝑀𝐷𝑇𝑑𝑑90 𝑒ɳ𝑏 𝑀𝐷𝑇𝑖 Trong đó:

• Csi là độ tan của dược chất trong môi trường hòa tan

• d90i là phân vị 90% thể tích phân bố kích thước tiểu phân của mẫu bột cốm thứ i

• dbdCs là số mũ biểu diễn bậc phụ thuộc của hằng số b vào Cs

• dbdd90 là số mũ biểu diễn bậc phụ thuộc của hằng số b vào d90

• dMDTdCs là số mũ biểu diễn bậc phụ thuộc của hằng số MDT vào Cs

• dMDTdd90 là số mũ biểu diễn bậc phụ thuộc của hằng số MDT vào d90

Mô hình NLMEM mô tả phần trăm dược chất hòa tan của mẫu bột thứ i tại thời điểm j xây dựng dựa trên mô hình Hill có dạng:

𝐶𝑖𝑗 = (100 𝑡𝑗

𝑏 𝑖

𝑡𝑗𝑏𝑖 + 𝑀𝐷𝑇𝑖𝑏𝑖) (1 + ε𝑖𝑗)(%) Trong đó :

𝑏𝑖 = Ɵ𝑏 𝐶𝑠𝑖𝑑𝑏𝑑𝐶𝑠 𝑑90𝑖𝑑𝑏𝑑𝑑90 𝑒ɳ𝑏𝑖

𝑀𝐷𝑇𝑖 = Ɵ𝑀𝐷𝑇 𝐶𝑠𝑖𝑑𝑀𝐷𝑇𝑑𝐶𝑠 𝑑90𝑖𝑑𝑀𝐷𝑇𝑑𝑑90 𝑒ɳ𝑏𝑀𝐷𝑇𝑖

Nhìn vào mô hình có thể thấy, các tham số Ɵ𝑏, Ɵ𝑀𝐷𝑇, dbdCs, dbdd90 là các tham

số ảnh hưởng cố định đặc trưng cho toàn bộ mẫu thử (quần thể), trong khi đó ղbi, ղMDTi

và ε𝑖𝑗 là các tham số ảnh hưởng ngẫu nhiên đặc trưng cho từng mẫu bột cốm thử hòa tan Vậy mô hình thu được chứa cả tham số ảnh hưởng ngẫu nhiên và tham số ảnh hưởng cố định, nên còn được gọi là mô hình ảnh hưởng hỗn hợp phi tuyến tính

1.5 Tổng quan về sử dụng mạng neuron nhân tạo mô phỏng quá trình hòa tan in

vitro

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 con người Sự khác biệt lớn nhất giữa ANN và các mô hình thống kê là khả năng xây dựng mối quan hệ giữa các biến mà không thông qua một phương trình toán học cụ thể, do

đó ANN là một công cụ rất mạnh để nhận dạng và khái quát hóa tương quan giữa các

tập hợp dữ liệu phức tạp, đặc biệt là những mối quan hệ phi tuyến [40] như dự đoán cấu trúc mới trong phát triển thuốc [12], phân tích mối quan hệ cấu trúc - hoạt động

của thuốc trong nghiên cứu dược động học [33]

1.5.1 Neuron nhân tạo

Mỗi neuron nhân tạo là một đơn vị xử lý thông tin cơ sở cho hoạt động của một ANN, bao gồm ba thành phần cơ bản: tập hợp các trọng số (weights) hay các kết nối đặc trưng cho từng biến đầu vào, một bộ cộng để tính tổng các tín hiệu đầu vào của

neuron đã được nhân với trọng số tương ứng và một hàm kích hoạt f (activation function) để giới hạn biên độ đầu ra của neuron

Hình 1.1 Cấu trúc của một neuron nhân tạo

1.5.2 Mạng neuron nhân tạo

Một neuron nhân tạo có thể thực hiện được một số chức năng thông tin cơ bản, tuy nhiên sức mạnh to lớn của việc sử dụng neuron nhân tạo bắt nguồn từ sự kết nối của các neuron để trở thành một mạng lưới Mỗi ANN được đặc trưng bởi 3 yếu tố sau [7]:

1.5.2.1 Cấu trúc mạng

Mạng tiến (feedforward network): Trong mạng tiến, thông tin chỉ lan truyền theo một hướng duy nhất từ lớp nhập đến lớp xuất Các neuron không cùng lớp thì nối với nhau nhưng các neuron cùng lớp thì không được nối với nhau Hai kiểu mạng tiến phổ biến nhất là mạng perceptron nhiều lớp (multilayer perception-MLP) và mạng perceptron đơn lớp (singlelayer perception-SLP)

Hình 1.2 Mô hình mạng perceptron đa lớp

Mạng phản hồi (feedback network): Trong mạng phản hồi, tín hiệu xuất ra từ một lớp có thể quay ngược trở lại đầu vào của lớp trước đó, hoặc chính lớp đó Do mạng phản hồi lưu giữ kết quả của trạng thái lần trước nên trạng thái tiếp theo không chỉ phụ thuộc vào tín hiệu đầu vào mà còn phụ thuộc cả trạng thái trước đó [7]

Hình 1.3 Mô hình mạng phản hồi đa lớp

1.5.2.2 Hàm chuyển

Hàm chuyển đóng vai trò xử lý và biến điệu tín hiệu, được lựa chọn sao cho đáp ứng một số đặc điểm của vấn đề mà ANN cần xử lý Có rất nhiều kiểu hàm chuyển,

trong đó có một số hàm đã được sử dụng trong mô phỏng quá trình hòa tan in vitro và

cho kết quả khá khả quan như hàm tanH, hàm Linear và hàm Gauss [41]

Hình 1.4 Một số hàm chuyển trong mạng neuron nhân tạo

1.5.2.3 Luật học

Luật học (learning rule) hay còn được gọi là thuật toán luyện mạng (training algorithm) đóng vai trò huấn luyện mạng để mạng có thể thực hiện các nhiệm vụ được giao Bản chất của quá trình này là điều chỉnh các trọng số giữa các neuron trong mạng thông qua các luật học Có rất nhiều kiểu luật học nhưng có thể được chia làm 3 nhóm chính: học có giám sát, học không có giám sát và học tăng cường [26]

1.5.3 Một số nghiên cứu sử dụng mạng neuron nhân tạo trong mô phỏng quá trình hòa tan in vitro

Một số nghiên cứu sử dụng ANN để mô hình hóa quá trình hòa tan in vitro được

trình bày trong bảng 1.2

Bảng 1.2 Một số nghiên cứu sử dụng ANN mô phỏng quá trình hòa tan in vitro

Ibric

[28]

Mục tiêu

Mô hình hóa quá trình hòa tan in vitro của

viên nén aspirin giải phóng kéo dài nhằm tối

ưu hóa công thức thuốc

GRNN Biến đầu

vào

- Tỷ lệ Eudragit RS PO/ Eudragit L polyme

- Lực nén Biến đầu

ra Độ hòa tan in vitro

Faith

Chaibva

[13]

Mục tiêu

Mô hình hóa quá trình hòa tan in vitro của

viên nén salbutamol sulfat giải phóng kéo

dài nhằm tối ưu hóa công thức thuốc

BPNN Biến đầu

vào

Hàm lượng các tá dược Methocel K100M, gôm xanthan, Carbopol 974P, Surelease Biến đầu

ra Độ hòa tan in vitro

Elcin

Aktas

[8]

Mục tiêu

Xây dựng mô hình mô phỏng quá trình hòa

tan in vitro của viên nén carvedilol kiểm

soát giải phóng theo pH

MLP Biến đầu

vào

Hàm lượng polyme HPMC K4M và Eudragit L100

Mục tiêu Dự đoán độ hòa tan in vitro của pellet

theophylin kiểm soát giải phóng dạng cốt

MLP Biến đầu

vào

Tỉ lệ microcrystallin cellulose (MCC) và glyceryl monostearat (GMS)

Biến đầu

ra Độ hòa tan in vitro

• MLP: Mạng perceptron đa lớp (Multilayered perceptron)

1.5.4 Một số lưu ý khi sử dụng mạng neuron nhân tạo

Khi sử dụng mạng neuron nhân tạo để mô phỏng dữ liệu hòa tan in vitro, hai hiện

tượng xảy ra rất phổ biến có thể ảnh hưởng tới khả năng mô phỏng của mạng là hiện tượng “underfitting” và “overfitting” “Underfitting” là hiện tượng xảy ra khi số neuron trong lớp ẩn quá ít hoặc số lần học của mạng ANN không đủ, dẫn đến mạng ANN không đủ khả năng để xây dựng mối liên hệ giữa dữ liệu đầu vào và kết quả đầu

ra Trong khi đó, “overfitting” diễn ra khi số neuron trong lớp ẩn quá nhiều, hay nói cách khác, mạng có cấu trúc quá phức tạp, cũng như việc mạng được huấn luyện với

số lần học quá lớn, dẫn đến việc thay vì “nhận biết” mối liên hệ giữa các yếu tố dự đoán độ hòa tan và độ hòa tan, mạng ANN sẽ cố gắng mô phỏng hoàn hảo tất cả các trường hợp xảy ra trong tập huấn luyện Tuy nhiên, do mạng có cấu trúc phức tạp lại không ổn định và không có tính khái quát cao, nên khi làm việc với một tập dữ liệu mới, khả năng dự đoán của mạng sẽ giảm đi rất nhiều [29], [30]

Hình 1.5 Các trường hợp có thể xảy ra khi huấn luyện mạng ANN

Cả hai trường hợp trên đều làm giảm khả năng mô phỏng của mạng ANN Vì vậy, việc lựa chọn cấu trúc mạng (số neuron lớp ẩn) cũng như việc huấn luyện mạng cần được khảo sát cẩn thận để có thể cho ra một cấu trúc mạng ổn định và có khả năng

dự đoán độ hòa tan in vitro cao

1.6 Phương pháp đánh giá độ phù hợp của mô hình

Có rất nhiều phương pháp được sử dụng để đánh giá độ phù hợp của mô hình cũng như so sánh giữa các mô hình với nhau, nhưng đáng tin cậy hơn cả vẫn là dựa trên chỉ số -2LL (-2 log likelihood) để đánh giá tính phù hợp của mô hình Bên cạnh

đó, hệ số xác định (coefficient of determination) R2 cũng là một chỉ số rất phổ biến để đánh giá mô hình

❖ Trị số -2LL (-2 log likelihood)

Thuật ngữ “likelihood” chỉ khả năng/xác suất mà các giá trị quan sát được mô tả chính xác bởi mô hình được khớp [23] Kí hiệu xác suất này là L, Y phần trăm dược chất hòa tan đo được, Ŷ là phần trăm dược chất hòa tan dự đoán bởi mô hình cho thí nghiệm tương ứng, 2 là phương sai sai số dự đoán của mô hình, n là số thí nghiệm, trị

số L và -2LL (-2log likelihood) được tính theo phương trình sau:

Mô hình có trị số -2LL càng thấp đồng nghĩa với xác suất các giá trị dự đoán và giá trị đo lường khớp nhau càng cao, hay nói cách khác mô hình càng có tính dự đoán tốt [23], [43]

❖ Hệ số xác định R2

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 trị 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 [3] Do vậy, khi so sánh các mô hình có

số tham số khác nhau, nên sử dụng hệ số R2 hiệu chỉnh:

𝑅𝑎𝑑𝑗2 = 1 −(𝑛 − 1)

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

Mô hình phù hợp nhất là mô hình có hệ số 𝑅𝑎𝑑𝑗2 cao nhất

1.7 Một số thông tin về dược chất được sử dụng trong nghiên cứu

Nghiên cứu sử dụng 3 dược chất ít tan trong nước bao gồm: natri diclofenac, ibuprofen và l-tetrahydropalmatin Một số thông tin cơ bản của 3 dược chất trên được trình bày dưới đây [15], [21]

Bảng 1.3 Đặc điểm của các dược chất sử dụng trong nghiên cứu

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 nghiên cứu

2 Natri diclofenac Trung Quốc Dược điển Hoa kỳ 35

3 l-Tetrahydropalmatin Trung Quốc Nhà sản xuất

5 Cellulose vi tinh thể (Avicel) Brazil Dược điển Hoa kỳ 35

6 Kali dihydrophosphat Trung Quốc Tinh khiết hóa học

8 Acid hydrocloric Trung Quốc Tinh khiết hóa học

2.1.3 Thiết bị

- Máy thử độ hòa tan hút mẫu tự động Vankel (VK 7010)/Varian (Mỹ)

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

- Máy đo quang phổ UV-VIS SP-3000 nano/Optima (Nhật)

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

- Máy nghiền bột (Đức) và bộ rây các loại

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

- Máy phân tích nhiệt vi sai DSC – TGA 131 CETARAM (Pháp)

- Phần mềm Phoenix 8 (Certara), phần mềm JMP Pro 13 (SAS)

- 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 Bột dược chất đơn

Nghiền, rây lần lượt ibuprofen, diclofenac và l-tetrahydropalmatin qua các cỡ rây thích hợp để thu được các phân đoạn có phân bố kích thước khác nhau, được kí hiệu [S], [M], [L], [H] theo giá trị d50 tăng dần:

- Ibuprofen: bao gồm 3 mẫu [S], [M], [L]

- Natri diclofenac: bao gồm 3 mẫu [S], [M], [L]

- l-Tetrahydropalmatin: bao gồm 4 mẫu [S], [M], [L], [H]

2.2.1.2 Tạo mẫu bột gồm dược chất và tá dược

Mẫu bột gồm dược chất và tá dược của phân đoạn [S] của từng dược chất ibuprofen và l-tetrahydropalmatin với tá dược được chuẩn bị như sau:

- Trộn đều với lactose (tá dược tan) hoặc Avicel (tá dược không tan) 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, %)

- Lấy mẫu ở 3 vị trí khác nhau, xác định độ phân tán hàm lượng dược chất bằng phép đo quang Yêu cầu CV < 2%

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

2.2.2.1 Xác định độ tan của dược chất trong các môi trường pH khác nhau ở 37C

Độ tan của dược chất trong từng môi trường thử hòa tan ở 37°C được xác định

bằng bể lắc điều nhiệt như sau:

- Đong một lượng khoảng 10 ml dung dịch môi trường vào lọ và thêm vào một lượng dư dược chất (gấp khoảng 3 lần độ tan dự kiến), sử dụng nắp cao su đóng kín lọ, bên ngoài đóng chặt bằng nắp nhôm

- Dùng thiết bị 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 m, tiến hành pha loãng tới nồng

độ thích hợp để định lượng bằng phương pháp quang phổ UV-Vis

- Dựa vào đường chuẩn định lượng đã xây dựng của mỗi dược chất tại môi trường

pH tương ứng để xác định độ tan của các dược chất ở 37C

- Tiến hành 3 lần và lấy kết quả trung bình

2.2.2.2 Xác định phân bố kích thước tiểu phân

Phân bố kích thước tiểu phân của các phân đoạn dược chất được xác định bằng

thiết bị nhiễu xạ laser MasterSizer 3000 như sau:

- Chọn môi trường phân tán là nước

- Điều chỉnh pH bằng acid hydrocloric để hạn chế việc các tiểu phân bị tan, giảm kích thước trong quá trình đo:

• Ibuprofen: điều chỉnh về pH xấp xỉ 3

• Natri diclofenac: điều chỉnh về pH xấp xỉ 1

• l - Tetrahydropalmatin: không điều chỉnh pH

- Cho một lượng dược chất vào khoảng 5 ml môi trường đã được điều chỉnh pH để tạo dung dịch bão hòa dược chất

- Lắc đều phân đoạn cần xác định kích thước và thêm dần vào cốc đo đến khi độ che phủ ánh sáng (obscuration) của hỗn dịch trong cốc đạt 5-10%

- 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 (bins) 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 Xác định diện tích bề mặt riêng

Xác định diện tích bề mặt riêng của các phân đoạn dược chất bằng thiết bị bị nhiễu xạ laser MasterSizer 3000 Cách tiến hành tương tự như xác định phân bố kích thước tiểu phân đã trình bày ở mục 2.2.2.2

VA là thể tích trung bình mol (mL/mol)

ΨB là hằng số tương tác giữa các phân tử

dung môi (Ψ B = 2,6 nếu dung môi là nước)

MWB là khối lượng phân tử

T là nhiệt độ tuyệt đối ( o K)

ηB là độ nhớt (cP)

2.2.2.5 Xác định nhiệt độ nóng chảy của dược chất

Nhiệt độ nóng chảy của các dược chất được xác định bằng phương pháp quét nhiệt lượng vi sai (DSC) như sau:

- Cân một lượng bột mẫu khoảng 10 - 20 mg vào một đĩa nhôm trên cân phân tích

- Đậy nắp và dùng lực dập để gắn chặt nắp vào đĩa

- Tiến hành đục một lỗ nhỏ trên nắp đĩa để tránh ảnh hưởng của sự bốc hơi nước cũng như sự giãn nở của không khí trong quá trình gia nhiệt

- Sử dụng một đĩa nhôm trắng để làm mẫu so sánh và nắp được đục 2 lỗ để phân biệt với mẫu đo

- Đưa mẫu so sánh và mẫu đo vào buồng gia nhiệt, bắt đầu quá trình gia nhiệt với tốc độ gia nhiệt 10°C/phút

2.2.3 Thu thập dữ liệu thử hòa tan thực tế

Thử hòa tan các mẫu bột dược chất đơn và hỗn hợp bột dược chất - tá dược bằng máy thử hòa tan hút mẫu tự động Vankel (VK 7010)

Thời gian thử hòa tan: 120 phút Tần suất lấy mẫu:

• 5 phút/lần trong 60 phút đầu tiên

• 10 phút/lần trong 60 phút tiếp theo

Điều kiện thử chi tiết cho từng mẫu được mô tả trong bảng 2.2 Giá trị pH của môi trường được lựa chọn để dược chất có tốc độ hòa tan phù hợp Khối lượng mẫu thử và bước sóng được lựa chọn sao cho nồng độ dược chất hòa tan tại các thời điểm thuộc khoảng nồng độ tuyến tính theo phương pháp định lượng UV – Vis

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

diclofenac

Tetrahydropalmatin

Môi trường hòa tan

Bảng 2.3 Điều kiện thử hòa tan mẫu dược chất và tá dược

2.2.4 Xây dựng mô hình mô phỏng quá trình hòa tan in vitro của dược chất

2.2.4.1 Dựa trên mô hình ảnh hưởng hỗn hợp phi tuyến tính NLMEM

Mô hình NLME được xây dựng qua các bước chính sau:

❖ Bước 1: Lựa chọn mô hình động học cấu trúc

Hiện nay có rất nhiều mô hình toán học mô phỏng quá trình hòa tan in vitro như

đã trình bày trong mục 1.3.2 Tuy nhiên, trong phạm vi nghiên cứu, 3 mô hình

Wagner, Hill và Weibull được sử dụng để xây dựng các mô hình NLMEM

❖ Bước 2 Xác định các yếu tố dự đoán có ảnh hưởng tới khả năng mô phỏng của mô

hình

Trong nghiên cứu này, với mỗi mô hình cấu trúc, 13 yếu tố dự đoán được lần lượt được mô hình, bao gồm: d10, d50, d90, Cs, logP, pKa, mp, Sw, D, Q, pH, Lac và Avi như sau:

• Sử dụng phần mềm Phoenix viết chương trình cho mô hình NLMEM chứa một yếu tố dự đoán, được kí hiệu là Cov1 (code chi tiết xin xem ở phụ lục I)

• Lần lượt gán biến Cov1 với 1 trong 13 yếu tố dự đoán Xác định trị số -2 log likelihood (-2LL) của mô hình NLMEM sau khi gán biến Cov1

• Đưa yếu tố dự đoán tốt nhất (yếu tố dự đoán cho giá trị -2LL của mô hình thấp nhất) vào mô hình, mô hình chứa yếu tố dự đoán này được coi là mô hình NLMEM cơ bản

• Tiếp tục viết chương trình cho mô hình NLMEM cơ bản có chứa thêm một yếu

tố dự đoán Cov2 Tiếp tục gán biến Cov2 cho 12 yếu tố dự đoán còn lại để tiếp tục đưa vào mô hình yếu tố dự đoán tốt nhất Lặp lại bước trên khi mô hình thu được chứa 3 yếu tố dự đoán Đây chính là 3 hiệp biến (covariate) có ảnh hưởng

lớn nhất tới mô hình NLMEM Mô hình NLMEM thu được có dạng như sau (các

tham số xin xem mục 1.3.2 và mục 1.4.2.3):

▪ Dựa trên phương trình Wagner:

▪ Dựa trên phương trình Weibull:

𝐶𝑖𝑗 = [100 (1 − 𝑒−(𝑎𝑡)𝑏)] (1 + ε𝑖𝑗)

𝑏𝑖 = Ɵ𝑏 𝐶𝑜𝑣1𝑖𝑑𝑏𝑑𝐶𝑜𝑣1 𝐶𝑜𝑣2𝑖𝑑𝑏𝑑𝐶𝑜𝑣2𝐶𝑜𝑣3𝑖𝑑𝑏𝑑𝐶𝑜𝑣3 𝑒ɳ𝑏𝑖

𝑎𝑖 = Ɵ𝑎 𝐶𝑜𝑣1𝑖𝑑𝑎𝑑𝐶𝑜𝑣1 𝐶𝑜𝑣2𝑖𝑑𝑎𝑑𝐶𝑜𝑣2𝐶𝑜𝑣3𝑖𝑑𝑎𝑑𝐶𝑜𝑣3 𝑒ɳ 𝑎𝑖

❖ Bước 3 So sánh các mô hình NLMEM tối ưu

Ba mô hình NLMEM chứa 3 yếu tố dự đoán được so sánh với nhau thông qua trị

số -2LL Chọn mô hình có trị số -2LL bé nhất, thu được mô hình NLMEM tối ưu cho nghiên cứu

2.2.4.2 Dựa trên mạng neuron nhân tạo ANN

Dựa vào kết quả thực nghiệm ở mục 2.2.2 và 2.2.3, kết hợp tham khảo nghiên cứu của Kozo Takayama và cộng sự [41], sử dụng phần mềm JMP Pro 2013 thiết lập mạng neuron nhân tạo ANN dưới dạng mạng 3 lớp (1 lớp nhập, 1 lớp ẩn và 1 lớp xuất) như sau:

• Lớp nhập: gồm 13 neuron và mỗi neuron tương ứng với một biến đầu vào, bao gồm: d10, d50, d90, Cs, logP, pKa, mp, Sw, D, Q, pH, Lac và Avi

• Lớp xuất: gồm 7 neuron và mỗi neuron tương ứng với một biến độ hòa tan tại các thời điểm khác nhau: y5, y10, y15, y30, y60, y90 và y120

• Lớp ẩn: hàm tang hyperbolic (tanH), hàm tuyến tính (Linear) và hàm Gaussian (Gauss) được sử dụng như các hàm kích hoạt tại mỗi neuron trong lớp ẩn

Mặc dù có một số lượng vô hạn cấu trúc mạng ANN nhưng trong khuôn khổ nghiên cứu chỉ tiến hành khảo sát 3 cấu trúc mạng với số neuron trong lớp ẩn là 1, 3 hoặc 6 Mỗi neuron có hàm chuyển tương ứng là một trong ba hàm: hàm tang hyperbolic (tanH), hàm tuyến tính (Linear) và hàm Gaussian (Gauss) Do đó, có tất cả

41 cấu trúc ANN được khảo sát, từ đó chọn ra cấu trúc ANN tối ưu để mô phỏng quá

trình hòa tan in vitro của dược chất

Nghiên cứu sử dụng phương pháp thẩm định chéo 5 nhóm (5-fold) để huấn luyện mạng neuron nhân tạo Phương pháp này chia tập dữ liệu thành 5 nhóm Trong quá trình luyện mạng, 80% số liệu tương ứng với 4 nhóm ngẫu nhiên trong 5 nhóm được

sử dụng để huấn luyện mạng Sau đó, 20 % số liệu trong 1 nhóm còn lại được sử dụng

để thẩm định mô hình dự đoán Quá trình huấn luyện và thẩm định được lăp lại 5 lần với sự thay đổi của tập dữ liệu huấn luyện và tập dữ liệu thẩm định Phương pháp này

là một trong những phương pháp tốt nhất để huấn luyện mạng, đặc biệt là đối với các tập dữ liệu nhỏ do nó cho phép sử dụng hiệu quả bộ dữ liệu có hạn [41] 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 Sau đó, các mô hình ANN được so sánh với nhau dựa trên chỉ số -2 log likelihood (-2LL) để lựa chọn ra mô hình ANN có

cấu trúc tối ưu Từ đó, mô hình ANN mô phỏng quá trình hòa tan in vitro được xây

dựng

2.2.4.3 Lựa chọn và thẩm định mô hình tối ưu

❖ Lựa chọn mô hình tối ưu

Từ các mô hình NLMEM tối ưu và mô hình ANN 3 lớp tối ưu (xây dựng theo phương pháp ở mục 2.2.4.1 và 2.2.4.2), lựa chọn ra mô hình tối ưu dựa trên chỉ số -2 log likelihood (-2LL) Mô hình có trị số -2LL bé hơn sẽ được lựa chọn làm mô hình tối ưu cho các bước sau

❖ Thẩm định mô hình tối ưu

Sử dụng hàm Bootstrap để thẩm định mô hình đã được lựa chọn Hàm Bootstrap cho phép lấy một lượng lớn bộ mẫu thẩm định với cỡ mẫu trong mỗi bộ đúng bằng cỡ mẫu trong tập dữ liệu (trong một bộ mẫu, mỗi mẫu có thể được lấy 1 hoặc nhiều lần) Nghiên cứu sử dụng hàm Bootstrap với số bộ mẫu thẩm định là 200 bộ mẫu

Sau đó, các tham số ước tính từ 200 bộ mẫu thẩm định sẽ được so sánh với các tham số của mô hình tối ưu

2.2.4.4 Mô phỏng dữ liệu hòa tan in vitro

Mô hình tối ưu sau đó được sử dụng để mô tả dữ liệu hòa tan từ một nghiên cứu

của tác giả Quản Duy Quang trước đó [4] Kết quả mô phỏng và dữ liệu hòa tan in

vitro thực tế sau đó được so sánh với nhau

CHƯƠNG 3 KẾT QUẢ NGHIÊN CỨU 3.1 Thẩm định độ tuyến tính của phương pháp định lượng dược chất

3.1.1 Mẫu chỉ chứa dược chất đơn

Pha các dung dịch chuẩn gốc ibuprofen, natri diclofenac và l-tetrahydropalmatin trong bình định mức 25 ml bằng dung môi MeOH Từ dung dịch chuẩn gốc, pha dãy dung dịch chuẩn có nồng độ giảm dần bằng các môi trường Đo độ hấp thụ của dãy dung dịch chuẩn tại các bước sóng rồi xây dựng đường chuẩn biểu diễn sự phụ thuộc của độ hấp thụ và nồng độ dược chất trong các môi trường Kết quả được thể hiện trong các bảng từ 3.1 đến 3.3

Bảng 3.1 Đường chuẩn định lượng ibuprofen λ = 237 nm (n = 3)

Nồng độ

(g/l)

Độ hấp thụ

Nồng độ (g/l)

Độ hấp thụ

Nồng độ (g/l)

Độ hấp thụ

Bảng 3.2 Đường chuẩn định lượng natri diclofenac λ = 300 nm (n=3)

Nồng độ

(g/l)

Độ hấp thụ

Nồng độ (g/l)

Độ hấp thụ

Nồng độ (g/l)

Độ hấp thụ

Bảng 3.3 Đường chuẩn định lượng l- tetrahydropalmatin λ = 290 nm (n=3)

Nồng độ (g/l) Độ hấp

thụ

Nồng độ (g/l)

Độ hấp thụ

Nồng độ (g/l)

Độ hấp thụ

A = 8,9927.C – 0,016 R² = 0,9986

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 > 0,99) trong khoảng nồng độ khảo sát Do vậy, có thể

sử dụng phương pháp hấp thụ UV-Vis tại các bước sóng trên để định lượng dược chất

và xác định phần trăm dược chất hòa tan

3.1.2 Mẫu chứa dược chất và tá dược

Đối với tá dược Avicel, do không tan trong môi trường thử hòa tan nên không ảnh hưởng đến độ hấp thụ quang của dung dịch

Trong khi đó, mẫu placebo chứa lactose hàm lượng cao nhất (gấp 3 lần khối lượng dược chất) có độ hấp thụ chỉ bằng chưa đến 1% so với mẫu chứa dược chất trong cùng điều kiện ở tất cả các thời điểm hút mẫu định lượng

Nhận xét:

Sự có mặt của các tá dược lactose và Avicel với hàm lượng như trong mục 2.2.1.2 không làm ảnh hưởng tới kết quả định lượng dược chất tại các bước sóng đã chọn

3.2 Xác định các thông số lý hóa của dược chất

3.2.1 Xác định độ tan của dược chất ở 37°C

Xác định độ tan của dược chất tại từng môi trường thử hòa tan ở 37°C theo quy trình

đã nêu ở mục 2.2.2.1 Kết quả được thể hiện ở bảng 3.4

Bảng 3.4 Độ tan của dược chất trong các môi trường ở 37°C (n = 3, TB ± SD)

Môi

trường Độ tan (g/l)

Môi trường Độ tan (g/l)

Môi trường Độ tan (g/l)

tử có nhóm chức COOH, vì vậy khi pH tăng thì mức độ ion hóa nhóm cacboxyl tăng lên, làm tăng độ tan của dược chất Trong khi đó, l-tetrahydropalmatin có tính base yếu do trong phân tử có nhóm amin bậc 3, do đó khi pH tăng, l-tetrahydropalmatin sẽ tồn tại ở dạng phân tử nhiều hơn, làm giảm độ tan của dược chất

3.2.2 Xác định phân bố kích thước tiểu phân

Xác định phân bố kích thước tiểu phân của các phân đoạn dược chất như đã trình

bày ở mục 2.2.2.2 Kết quả được thể hiện ở hình 3.1, 3.2, 3.3 và bảng 3.5 (số liệu chi

tiết xin xem phụ lục II)

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

Hình 3.2 Phân bố kích thước tiểu phân của các phân đoạn natri diclofenac

Hình 3.3 Phân bố kích thước tiểu phân của các phân đoạn l-tetrahydropalmatin Bảng 3.5 Tham số kích thước tiểu phân của các phân đoạn dược chất

• Với natri diclofenac: Có sự khác biệt khá lớn giữa phân bố kích thước tiểu phân của 2 phân đoạn dược chất [S] và [M] so với phân đoạn [L] Phân đoạn [S] có phân bố kích thước khá rộng về phía có kích thước nhỏ hơn và có 1 đỉnh phân bố tại kích thước 21,2 µm (8,75%) Phân đoạn [M] có 1 đỉnh phân bố tại kích thước

35,5 µm (8,08%) Trong khi đó, phân đoạn [L] có phân bố kích thước rất hẹp với

1 đỉnh phân bố tại kích thước 352 µm (15,92%), lớn hơn xấp xỉ 10 lần so với đỉnh phân bố của phân đoạn [M]

• Với tetrahydropalmatin: Nhìn chung, cả 4 phân đoạn dược chất tetrahydropalmatin có xu hướng phân bố khá hẹp Phân đoạn [S] có phân bố kích thước rộng nhất với 1 đỉnh phân bố tại kích thước 111 µm (7,39%) Phân đoạn [M] có 1 đỉnh phân bố tại kích thước 186 µm (9,23%) và phân đoạn [L] có 1 đỉnh phân bố tại kích thước 272 µm (9,81%) Phân đoạn [H] có phân bố kích thước tiểu phân hẹp nhất với 1 đỉnh phân bố tại kích thước 586 µm (14,88%)

l-3.2.3 Xác định diện tích bề mặt riêng

Diện tích bề mặt riêng của các phân đoạn dược chất được xác định như đã trình bày ở mục 2.2.2.3 Kết quả được thể hiện ở trong bảng 3.6 dưới đây

Bảng 3.6 Diện tích bề mặt riêng của các phân đoạn dược chất (n=3, TB±SD)

(m 2 /kg)

Ibuprofen

[S] 581,97 ± 5,98 [M] 359,07 ± 0,59 [L] 251,40 ± 0,44

Natri diclofenac

[S] 588,73 ± 5,30 [M] 302,77 ± 1,86 [L] 11,79 ± 0,03

l-Tetrahydropalmatin

[S] 109,07 ± 3,35 [M] 60,23 ± 0,61 [L] 36,30 ± 0,36 [H] 16,48 ± 0,31

Nhận xét:

Bảng 3.6 cho thấy có sự chênh lệch diện tích bề mặt riêng Sw giữa các phân đoạn dược chất cũng như giữa các dược chất với nhau Sw của phân đoạn [S] của 2 dược chất ibuprofen và natri diclofenac không khác nhau nhiều và điều này cũng được nhìn thấy ở phân đoạn [M] của 2 dược chất này Tuy nhiên, phân đoạn [L] của dược chất natri diclofenac có Sw nhỏ hơn nhiều lần so với các phân đoạn [S], [M] Nhìn chung, các phân đoạn của dược chất l-tetrahydropalmatin có Sw thấp nhất trong cả 3 dược chất, và Sw giữa các phân đoạn không khác nhau nhiều