Xây dựng và thẩm định mô hình in silicon mô phỏng quá trình hòa tan của một số dược chất từ thuốc cốm 2 thành phần

Ứng dụng mô hình in silico để mô phỏng quá trình hòa tan đã và đang nhận được rất nhiều sự quan tâm từ các nhà nghiên cứu trên thế giới xuất phát từ tầm quan trọng của độ hòa tan trong

BỘ Y TẾ

TRƯỜNG ĐẠI HỌC DƯỢC HÀ NỘI

NGUYỄN THỊ TRANG

XÂY DỰNG VÀ THẨM ĐỊNH

MÔ HÌNH IN SILICO MÔ PHỎNG

QUÁ TRÌNH HÒA TAN CỦA MỘT SỐ DƯỢC CHẤT TỪ THUỐC CỐM

2 THÀNH PHẦN

KHÓA LUẬN TỐT NGHIỆP DƯỢC SĨ

HÀ NỘI – 2020

MÔ HÌNH IN SILICO MÔ PHỎNG

QUÁ TRÌNH HÒA TAN CỦA MỘT SỐ DƯỢC CHẤT TỪ THUỐC CỐM

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 hoàn thành khóa luận này

Em cũng xin được gửi lời cảm ơn tới toàn thể các thầy cô giáo, các anh chị kỹ thuật viên Bộ môn Bào chế đã luôn nhiệt tình giúp đỡ, động viên và tạo điều kiện để

em hoàn thành khóa luận này

Em xin chân thành cảm ơn Ban Giám hiệu nhà trường, Phòng Đào tạo và các Phòng ban liên quan trong nhà trường đã có nhiều giúp đỡ thiết thực về cơ sở vật chất, trang thiết bị và hóa chất thí nghiệm trong quá trình em thực hiện 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 6 năm 2020

Sinh viên Nguyễn Thị Trang

MỤC LỤC

DANH MỤC CÁC KÍ HIỆU, CÁC CHỮ VIẾT TẮT VI DANH MỤC CÁC BẢNG VIII DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ IX

ĐẶT VẤN ĐỀ 1

CHƯƠNG 1 TỔNG QUAN 2

1.1 Vai trò của phép thử độ hòa tan và mô hình hóa quá trình hòa tan 2

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

1.1.2 Vai trò của việc mô hình hóa quá trình hòa tan 2

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

1.3 Mô hình hóa quá trình hòa tan in vitro của dược chất dựa trên các mô hình động học 5

1.3.1 Một số mô hình động học mô phỏng quá trình hòa tan của dược chất 5

1.3.2 Mô hình ảnh hưởng hỗn hợp phi tuyến tính (Non – linear mixed effects model) 6

1.4 Mô hình hóa quá trình hòa tan in vitro của dược chất dựa trên mạng neuron nhân tạo (Artificial Neural Network) 8

1.4.1 Neuron nhân tạo 9

1.4.2 Đặc trưng của mạng neuron nhân tạo 9

1.4.3 Quá trình huấn luyện của mạng neuron nhân tạo 10

1.4.4 Hiện tượng overfitting 12

1.5 Phương pháp đánh giá độ phù hợp của mô hình 13

1.6 Một số nghiên cứu mô hình hóa quá trình hòa tan 13

1.7 Một số thông tin về dược chất sử dụng trong nghiên cứu 15

CHƯƠNG 2 ĐỐI TƯỢNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU 16

2.1 Nguyên liệu và thiết bị thí nghiệm 16

2.1.1 Nguyên liệu 16

2.1.2 Thiết bị 17

2.2 Phương pháp nghiên cứu 17

2.2.1 Chuẩn bị các mẫu thử hòa tan 17

2.2.2 Xác định các thông số hóa lý của dược chất thử hòa tan 18

2.2.3 Xác định các thông số của mẫu cốm 2 thành phần 19

2.2.4 Thu thập dữ liệu thử hòa tan thực tế 20

2.2.5 Xây dựng mô hình mô phỏng quá trình hòa tan in vitro của dược chất 21

2.2.6 Lựa chọn và thẩm định mô hình tối ưu 23

CHƯƠNG 3 THỰC NGHIỆM, KẾT QUẢ VÀ BÀN LUẬN 24

3.1 Thẩm định độ tuyến tính của phương pháp định lượng dược chất 24

3.2 Xác định các thông số lý hóa của dược chất 25

3.2.1 Xác định độ tan của dược chất tại 37°C 25

3.2.2 Xác định phân bố kích thước tiểu phân của dược chất 26

3.2.3 Xác định diện tích bề mặt riêng 27

3.2.4 Xác định hệ số khuếch tán của dược chất 28

3.2.5 Xác định nhiệt độ nóng chảy của các dược chất 29

3.3 Xác định các thông số của mẫu cốm 2 thành phần 30

3.4 Kết quả thử hòa tan thực nghiệm các mẫu cốm 30

3.4.1 Kết quả thử hòa tan các mẫu cốm cefaclor monohydrat 31

3.4.2 Kết quả thử hòa tan các mẫu cốm dexamethason base 34

3.5 Kết quả xây dựng mô hình mô phỏng quá trình hòa tan in vitro của dược chất 36

3.5.1 Kết quả xây dựng mô hình dựa trên ANN 36

3.5.2 Kết quả xây dựng mô hình ảnh hưởng hỗn hợp phi tuyến tính 40

3.5.3 Lựa chọn mô hình tối ưu mô phỏng quá trình hòa tan in vitro 46

3.5.4 Thẩm định mô hình tối ưu đã xây dựng 47

KẾT LUẬN VÀ KIẾN NGHỊ 49 TÀI LIỆU THAM KHẢO

PHỤ LỤC

DANH MỤC CÁC KÍ HIỆU, CÁC CHỮ VIẾT TẮT

(Artificial Neural Network)

phân bố d90 Tham số kích thước tiểu phân tại giá trị phân vị 90% thể tích

phân bố

DSC Quét nhiệt lượng vi sai

(Differential Scanning Calorimetry)

DV Độ hòa tan thực tế (biến phụ thuộc)

IVIVC Tương quan in vivo – in vitro

(In vivo – In vitro Correlation)

KLRBK Khối lượng riêng biểu kiến

(Log Partition-Coefficient)

MDT Thời gian hòa tan trung bình

(Mean Dissolution Time)

NLMEM Mô hình ảnh hưởng hỗn hợp phi tuyến tính

(Non - Linear Mixed Effects Model)

WRES Phần dư có trọng số (Weighted Residual)

IWRES Phần dư có trọng số của từng mẫu thử

(Individual Weighted Residual)

DANH MỤC CÁC BẢNG

Bảng 1.1 Một số mô hình động học giải phóng dược chất từ dạng bào chế 5

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 15

Bảng 2.1 Các nguyên liệu sử dụng trong nghiên cứu 16

Bảng 2.2 Các thiết bị sử dụng trong nghiên cứu 17

Bảng 2.3 Điều kiện thử hòa tan các mẫu cốm 20

Bảng 3.1 Đường chuẩn định lượng cefaclor monohydrat ở bước sóng λ = 265 nm (n = 3) 24

Bảng 3.2 Đường chuẩn định lượng dexamethason base ở bước sóng λ = 242 nm (n = 3) 24

Bảng 3.3 Độ tan của dược chất trong các môi trường ở 37°C (n = 3, TB ± SD) 25

Bảng 3.4 Tham số kích thước tiểu phân của các phân đoạn dược chất (n=3, TB) 26

Bảng 3.5 Diện tích bề mặt riêng của các phân đoạn dược chất (n = 3, TB±SD) 28

Bảng 3.6 Hệ số khuếch tán của các dược chất 29

Bảng 3.7 Nhiệt độ nóng chảy của các dược chất 29

Bảng 3.8 Ảnh hưởng của các yếu tố dự đoán đến mô hình cấu trúc 41

Bảng 3.9 Ảnh hưởng của các yếu tố dự đoán đến mô hình cơ sở 42

Bảng 3.10 Ảnh hưởng của các yếu tố dự đoán đến mô hình NLMEM chứa 3 yếu tố dự đoán 43

Bảng 3.11 Các tham số của mô hình NLMEM tối ưu 44

Bảng 3.12 So sánh mô hình NLMEM tối ưu và mô hình ANN 3 lớp tối ưu 47

DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ

Hình 1.1 Cấu trúc của một neuron nhân tạo 9

Hình 1.2 Cấu trúc điển hình của ANN 10

Hình 3.1 Phân bố kích thước tiểu phân của các phân đoạn cefaclor monohydrat 26

Hình 3.2 Phân bố kích thước tiểu phân của các phân đoạn dexamethason base 27

Hình 3.3 Kết quả thử hòa tan mẫu cốm cefaclor monohydrat [S] và lactose 31

Hình 3.4 Kết quả thử hòa tan mẫu cốm cefaclor monohydrat [M] và lactose 31

Hình 3.5 Kết quả thử hòa tan mẫu cốm cefaclor monohydrat [L] và lactose 32

Hình 3.6 Kết quả thử hòa tan mẫu cốm cefaclor monohydrat [S] và Avicel PH101 32

Hình 3.7 Kết quả thử hòa tan mẫu cốm cefaclor monohydrat [M] và Avicel PH101 33

Hình 3.8 Kết quả thử hòa tan mẫu cốm cefaclor monohydrat [L] và Avicel PH101 33

Hình 3.9 Kết quả thử hòa tan mẫu cốm dexamethason base [S] và lactose 34

Hình 3.10 Kết quả thử hòa tan mẫu cốm dexamethason base [S] và Avicel PH101 35

Hình 3.11 Kết quả thử hòa tan mẫu cốm dexamethason base [L] và lactose 35

Hình 3.12 Kết quả thử hòa tan mẫu cốm dexamethason base [L] và Avicel PH101 35

Hình 3.13 Biểu đồ khảo sát cấu trúc của neuron lớp ẩn 37

Hình 3.14 Cấu trúc ANN tối ưu (2H/1L/1G) 38

Hình 3.15 Biểu đồ biểu diễn tính khớp của độ hòa tan thực tế (Fobs) và độ hòa tan dự đoán (Fobs Predicted) của tập huấn luyện và tập thẩm định 39

Hình 3.16 Đồ thị dự đoán độ hòa tan của mô hình ANN 3 lớp tối ưu theo các biến đầu vào 40

Hình 3.17 Biểu đồ biểu diễn độ hòa tan thực tế (DV) theo độ hòa tan dự đoán ước tính theo các tham số của từng mẫu (IPRED) và theo tham số của quần thể (PRED) 45

Hình 3.18 Biểu đồ biểu diễn mối quan hệ giữa phần dư có trọng số và độ hòa tan dự đoán ước tính theo các tham số của từng mẫu (IWRES – IPRED) và theo các tham số của quần thể (WRES – PRED) 46

ĐẶT VẤN ĐỀ

In silico hay mô phỏng bằng phần mềm máy tính có khả năng trở thành một phần

không thể thiếu của việc nghiên cứu và phát triển dược phẩm trong tương lai [45] Ứng

dụng mô hình in silico để mô phỏng quá trình hòa tan đã và đang nhận được rất nhiều

sự quan tâm từ các nhà nghiên cứu trên thế giới xuất phát từ tầm quan trọng của độ hòa tan trong công nghiệp dược phẩm cũng như việc FDA khuyến khích áp dụng theo mô

hình chất lượng theo thiết kế (Quality by Design) Mô hình in silico dự đoán độ hòa tan

hứa hẹn sẽ là một công cụ hữu hiệu trong việc rút ngắn thời gian, giảm chi phí và nâng cao chất lượng nghiên cứu phát triển sản phẩm thuốc [12]

Trên thế giới, một số phần mềm in silico dự đoán độ hòa tan in vitro như DDDPlus, Simcyp In Vitro (data) Analysis (SIVA) Toolkit đã được áp dụng rộng rãi [50] Tại 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 dược chất 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], [3], [4], [5], [6] Trong đó, các nghiên cứu gần đây đã xây dựng được các mô hình đáng tin cậy dựa trên mạng

neuron nhân tạo và mô hình ảnh hưởng hỗn hợp phi tuyến tính để dự đoán độ hòa tan in

vitro của một số dược chất ít tan từ mẫu bột dược chất đơn và hỗn hợp bột dược chất –

tá dược, điều này hứa hẹn nhiều nghiên cứu sâu hơn Do đó, đề tài “Xây dựng và thẩm

định mô hình in silico mô phỏng quá trình hòa tan của một số dược chất từ thuốc

cốm 2 thành phần” được thực hiện với mục tiêu sau:

1 Xây dựng mô hình dự đoán độ hòa tan in vitro của một số dược chất từ thuốc

cốm 2 thành phần dựa trên mô hình ảnh hưởng hỗn hợp phi tuyến tính (NLMEM) và mạng neuron nhân tạo (ANN)

2 Thẩm định mô hình dự đoán độ hòa tan in vitro tối ưu đã xây dựng

CHƯƠNG 1 TỔNG QUAN 1.1 Vai trò của phép thử độ hòa tan và mô hình hóa quá trình hòa tan

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

Đường uống là đường đưa thuốc chính cho các dạng thuốc rắn (viên nén, viên nang) trong gần một thế kỉ qua Từ đầu những năm 1950, các nhà khoa học dược đã bắt đầu nhận ra tầm quan trọng của độ hòa tan tới tốc độ hấp thu của các thuốc đường uống [21], [36] Đến giữa những năm 1960, ảnh hưởng của độ hòa tan tới hiệu quả điều trị của thuốc dùng đường uống cũng bắt đầu được ghi nhận [32], [34] Các yêu cầu về độ hòa tan của thuốc đã được thiết lập bởi FDA kể từ đó Cho đến nay, độ hòa tan của thuốc vẫn được coi là một trong những chỉ tiêu quan trọng nhất của các dạng thuốc rắn dùng đường uống

Trong ngành công nghiệp dược phẩm, thử nghiệm hòa tan được sử dụng thường

xuyên để cung cấp các thông tin quan trọng về việc giải phóng thuốc in vitro cho cả hai

mục đích: Nghiên cứu phát triển và kiểm soát chất lượng thuốc [34] Trong nghiên cứu phát triển thuốc, thử nghiệm hòa tan được sử dụng để đánh giá ảnh hưởng của các yếu

tố thuộc về công thức và quy trình bào chế đến sự giải phóng in vitro của dược chất, tạo

cơ sở để tối ưu hóa công thức, quy trình bào chế Trong kiểm soát chất lượng, thử nghiệm hòa tan giúp phân biệt giữa các lô đạt hay không đạt yêu cầu và được sử dụng như một tiêu chuẩn để đánh giá tính đồng nhất của sản phẩm qua từng lô mẻ [57]

Trên phương diện quản lý, thử nghiệm hòa tan đóng vai trò quan trọng trong các

nỗ lực của FDA nhằm giảm gánh nặng pháp lý, thời gian và chi phí trong việc phát triển thuốc mà không làm giảm chất lượng sản phẩm Dữ liệu hòa tan có thể được sử dụng để

thiết lập mối tương quan in vitro/in vivo (IVIVC) nhằm giảm việc phải tiến hành các

nghiên cứu tương đương sinh học tốn kém Với trường hợp nâng cấp quy mô và thay

đổi sau phê duyệt, FDA thậm chí cho phép thay thế các thử nghiệm in vivo bằng thử nghiệm hòa tan in vitro [10]

1.1.2 Vai trò của việc mô hình hóa quá trình hòa tan

Mô hình hóa quá trình hòa tan được định nghĩa là khả năng tạo ra một đồ thị theo thời gian của lượng dược chất hòa tan dựa trên thông tin liên quan đến các đặc tính của nguyên liệu, các thành phần trong công thức, các thông số kĩ thuật của quá trình bào chế

và các điều kiện của phương pháp thử hòa tan [57]

Độ hòa tan có vai trò rất quan trọng trong công nghiệp dược phẩm, tuy nhiên, thử nghiệm này tiêu tốn nhiều thời gian, nguyên liệu (dược chất, thuốc thử), thiết bị và nguồn nhân lực [56] Trên thực tế, việc hiểu biết một cách thấu đáo về cơ chế của quá trình hòa tan cũng như ảnh hưởng của các yếu tố đến quá trình hòa tan vẫn còn ở mức hạn chế, hậu quả là người nghiên cứu không thể xác định được nguyên nhân của vấn đề khi thử nghiệm hòa tan bị thất bại hay khi có bất thường xảy ra, đồng thời những ứng dụng tiềm năng khác của thử nghiệm này cũng bị giới hạn [55] Chính vì vậy, mô hình hóa quá trình hòa tan đã và đang được phát triển để khắc phục những vấn đề trên

Trong bối cảnh FDA đang khuyến khích việc thực hiện chất lượng theo thiết kế (Quality by Design), mô hình hóa quá trình hòa tan là công cụ đắc lực cho việc hiện thực hóa chiến lược này Trong một hệ thống QbD, nhà nghiên cứu có thể kiểm soát các biến số liên quan đến công thức và các thông số của quy trình sản xuất để đạt được các đặc tính mong muốn của một sản phẩm thuốc Khi một mô hình dự đoán đủ tin cậy của quá trình hòa tan được thiết lập dựa trên các thông số trọng yếu liên quan đến dược chất, công thức, quy trình bào chế và được chứng minh trong một không gian thiết kế (design space), nhà nghiên cứu không cần phải tiến hành thử nghiệm hòa tan như một tiêu chuẩn

kĩ thuật của sản phẩm cuối cùng nếu các thông số trọng yếu trên đã được kiểm soát [49], [56]

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

chất

Các yếu tố ảnh hưởng đến quá trình hòa tan in vitro của dược chất có thể chia thành

5 nhóm sau: Các yếu tố liên quan đến đặc tính lý hóa của dược chất, công thức bào chế, quy trình bào chế, thiết bị thử hòa tan và các yếu tố thuộc về môi trường hòa tan Tổng quan này sẽ phân tích một số yếu tố liên quan đến đặc tính lý hóa của dược chất

Dựa theo phương trình Noyes – Whitney, tốc độ hòa tan của DC được biểu diễn như sau:

𝑑𝐶

𝑑𝑡 =

𝐷 𝑆

𝑉 ℎ (𝐶𝑠− 𝐶) Trong đó:

dC/dt là tốc độ hòa tan

D là hệ số khuếch tán

S là diện tích bề mặt tiếp xúc của dược chất với môi trường

V là thể tích của môi trường hòa tan

h là độ dày của lớp khuếch tán

Cs là nồng độ của bão hòa của dược chất

C là nồng độ dược chất tại thời điểm t

Các đặc tính lý hóa của dược chất ảnh hưởng nhiều đến các thông số của phương trình trên chính là các yếu tố chi phối tốc độ hòa tan của dược chất [27]

❖ Kích thước tiểu phân

Tốc độ hòa tan tỷ lệ thuận với diện tích bề mặt tiếp xúc của tiểu phân dược chất với môi trường dựa theo phương trình Noyes – Whitney [37] Kích thước tiểu phân giảm làm tăng diện tích bề mặt tiếp xúc do đó làm tăng đáng kể tốc độ hòa tan của dược chất [17] Nhiều nghiên cứu đánh giá ảnh hưởng của kích thước tiểu phân tới độ hòa tan và

sự hấp thu dược chất đã được công bố [43], [54]; nhiều phần mềm thương mại cũng đã được sử dụng để dự đoán ảnh hưởng này: DDDPlus, GastroPlus, PK-sim [31], [24] Trong quá trình phát triển thuốc, việc kiểm soát kích thước tiểu phân đối với dược chất kém tan là cần thiết để đạt được yêu cầu về tương đương sinh học [17]

❖ Độ tan của dược chất (Cs)

Độ tan (Cs) là một yếu tố quan trọng của phương trình Noyes – Whitney, cùng với nồng độ dược chất hòa tan tại mỗi thời điểm (C) và bề dày lớp khuếch tán (h), nó xác định gradient nồng độ dược chất qua lớp khuếch tán, đó chính là động lực của quá trình

hòa tan

❖ Hệ số khuếch tán

Hệ số khuếch tán của mỗi dược chất đặc trưng cho khả năng khuếch tán của dược chất đó Hệ số khuếch tán phụ thuộc vào nhiệt độ, độ nhớt của môi trường và kích thước phân tử chất tan dựa theo phương trình Stockes – Einstein Tăng độ nhớt của môi trường

sẽ làm giảm hệ số khuếch tán và do đó giảm tốc độ hòa tan [13], [53]

❖ Dạng kết tinh hay dạng vô định hình

Phân tử dược chất ở dạng vô định hình tồn tại ở trạng thái năng lượng cao hơn dạng kết tinh Do tính linh động trong hệ thống tăng lên, các dược chất dạng vô định hình có độ tan cao hơn dẫn đến tốc độ hòa tan nhanh hơn dạng kết tinh [25] Với các dược chất ít tan, việc chuyển dược chất từ dạng kết tinh sang dạng vô định hình thường

là một chiến lược giúp tăng độ tan, tốc độ hòa tan và sinh khả dụng

❖ Hiện tượng đa hình

Dược chất có khả năng tồn tại ở nhiều dạng tinh thể khác nhau, đây là hiện tượng

đa hình Mỗi dạng này có mức năng lượng khác nhau dẫn đến sự khác nhau về các đặc

tính lý hóa như độ tan, nhiệt độ nóng chảy, tỷ trọng và hệ số chiết suất Thông thường,

dạng kém bền được ưa chuộng hơn do tốc độ hòa tan nhanh hơn [30]

❖ Dạng khan hay dạng ngậm nước

Một số dược chất khi kết tinh có thể “bắt giữ” dung môi trong tinh thể, do đó có

thể tồn tại ở dạng: Tinh thể solvat, tinh thể hydrat và tinh thể khan Độ tan và tốc độ hòa

tan của dược chất có thể khác nhau đáng kể giữa các dạng này Thông thường, dạng

khan thường có độ tan cao hơn và tốc độ hòa tan nhanh hơn dạng ngậm nước Trong khi

đó, dạng solvat lại có xu hướng hòa tan trong nước nhiều hơn dạng khan [44]

1.3 Mô hình hóa quá trình hòa tan in vitro của dược chất dựa trên các mô hình

động học

1.3.1 Một số mô hình động học mô phỏng quá trình hòa tan của dược chất

Các mô hình động học mô phỏng quá trình hòa tan của dược chất đã được xây

dựng từ rất sớm dựa trên cả lý thuyết và thực nghiệm Trong đó, các mô hình thực

nghiệm như mô hình Weibull được chứng minh là cho kết quả tốt hơn khi mô hình hóa

so với việc sử dụng các mô hình thuần túy dựa trên lý thuyết [7] Có rất nhiều mô hình

động học mô phỏng quá trình hòa tan, một số mô hình điển hình được trình bày trong

bảng 1.1 [19]

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

Động học bậc 0 𝐶(𝑡) = 100 𝐾0 𝑡 (%) 𝐾0: Hằng số giải phóng

bậc 0 Động học bậc 1 𝐶(𝑡) = 100 (1 − 𝑒−𝐾1𝑡) (%) 𝐾1: Hằng số giải phóng

bậc 1 Weibull 𝐶(𝑡) = 100 (1 − 𝑒−(𝑎𝑡)𝑏) (%) a: Tham số tỷ lệ b: Tham số hình dạng Higuchi 𝐶(𝑡) = 100 𝐾𝐻 𝑡12 (%) 𝐾theo mô hình Higuchi 𝐻: Hằng số giải phóng

Hixson-Crowell 𝐶(𝑡) = 100 (1 − (1 − 𝐾 𝑡)3) (%)

𝐾: Hằng số giải phóng theo mô hình Hixson-Crowell

1.3.2 Mô hình ảnh hưởng hỗn hợp phi tuyến tính (Non – linear mixed effects model)

Khi các mô hình động học được sử dụng để mô phỏng quá trình hòa tan, hạn chế của các mô hình này là không linh hoạt do chỉ mô phỏng đồ thị hòa tan như một hàm của một vài tham số và không mô hình nào có thể phù hợp cho tất cả các loại đường cong hòa tan Một phương pháp khác vượt trội hơn để mô phỏng quá trình hòa tan dựa trên các mô hình động học là sử dụng mô hình ảnh hưởng hỗn hợp do mô hình này tính đến cấu trúc hiệp phương sai của dữ liệu Mô hình ảnh hưởng hỗn hợp tuyến tính và phi tuyến tính đều đã được sử dụng để mô phỏng quá trình hòa tan So sánh giữa 2 loại mô hình này, mô hình ảnh hưởng hỗn hợp phi tuyến tính cho thấy nhiều ưu điểm hơn, kết quả mô hình hóa khả quan hơn [7] Tuy vậy, việc áp dụng trong mô hình ảnh hưởng hỗn hợp phi tuyến tính trong mô phỏng hóa quá trình hòa tan còn khá mới mẻ Do đó, tổng quan này sẽ tập trung làm rõ những lý thuyết cơ bản và việc ứng dụng mô hình NLMEM

để mô hình hóa quá trình hòa tan in vitro

1.3.2.1 Giới thiệu về mô hình ảnh hưởng hỗn hợp phi tuyến tính

Mô hình ảnh hưởng hỗn hợp (mixed effects model) là mô hình cho phép đánh giá đồng thời các ảnh hưởng cố định (fixed effects) và các ảnh hưởng ngẫu nhiên (random effects) [7], [22] Trong đó:

• Fixed effects (các ảnh hưởng cố định): Là các tham số (parameters) liên quan

đến các đặc tính đã biết, có thể dự đoán được của các đơn vị mẫu tác động đến sự biến đổi trên cả quần thể

• Random effects (các ảnh hưởng ngẫu nhiên): Là các tham số không dự đoán

được, liên quan đến từng đơn vị mẫu được rút ngẫu nhiên từ quần thể Các ảnh hưởng ngẫu nhiên này bắt nguồn từ: Sự dao động giữa các đơn vị mẫu () và sự dao động ở từng đơn vị mẫu ()

Interindividual variability (dao động giữa các đơn vị mẫu): Mô tả sự khác biệt

giữa các tham số của mỗi đơn vị mẫu so với tham số đặc trưng cho cả quần thể Sự khác biệt này không phải là nhiễu hay sai số

Intraindividual variability (dao động ở từng đơn vị mẫu): Mô tả sự khác biệt giữa

giá trị dự đoán của mô hình và giá trị đo lường thực tế của mỗi đơn vị mẫu Sự khác biệt này bắt nguồn từ sai số trong quá trình thực nghiệm

Thuật ngữ phi tuyến tính (non - linear) trong mô hình NLMEM đề cập đến mối quan hệ phi tuyến tính giữa biến phụ thuộc và biến độc lập

Áp dụng cho thử nghiệm hoàn tan, trong đó một số viên nén (các đơn vị mẫu) được lấy ngẫu nhiên từ mỗi lô (quần thể) Trong quá trình thử hòa tan, phần trăm dược chất hòa tan được xác định cho mỗi viên nén đã lựa chọn tại các thời điểm nhất định Như vậy, lô và thời gian là các tham số ảnh hưởng cố định, các tham số ảnh hưởng ngẫu nhiên là các tham số liên quan đến các viên nén Trong đó, dao động giữa các đơn vị mẫu thể hiện qua sự khác biệt giữa độ hòa tan của từng viên so với độ hòa tan trung bình của toàn bộ lô và dao động ở từng đơn vị mẫu thể hiện sự khác biệt giữa độ hòa tan dự đoán và thực tế của mỗi viên

1.3.2.2 Cấu trúc cơ bản của mô hình ảnh hưởng hỗn hợp phi tuyến tính

Đặc trưng của mô hình ảnh hưởng hỗn hợp phi tuyến tính là việc xây dựng một cấu trúc hiệp phương sai của dữ liệu, tức là việc xác định mối quan hệ giữa các tham số của mô hình và các hiệp biến (covariates) Các hiệp biến là các biến số cụ thể liên quan đến từng đơn vị mẫu: Phân bố kích thước tiểu phân, độ tan tại các pH, log P,… Sau khi các tham số của mô hình động học được tính toán dựa trên dữ liệu hòa tan, mô hình NLMEM sẽ mô phỏng ảnh hưởng của các hiệp biến lên các tham số của mô hình động học Hiệp phương sai giúp xác định sự biến thiên cùng nhau của hai biến: Tham số của

mô hình và hiệp biến Nếu hai biến có xu hướng thay đổi cùng nhau, thì hiệp phương sai giữa hai biến này có giá trị dương Ngược lại, hiệp phương sai có giá trị âm Trường hợp hai biến độc lập, hiệp phương sai bằng 0 Mối quan hệ giữa các tham số của mô hình và các hiệp biến giúp giải thích cho sự biến đổi của độ hòa tan giữa các đơn vị mẫu [52] Để đạt được mục đích trên, cấu trúc cơ bản của một mô hình ảnh hưởng hỗn hợp phi tuyến tính được xây dựng như sau:

Một mô hình NLMEM bao gồm ba mô hình con, hay còn được gọi là các model [52]

sub-❖ Mô hình cấu trúc (structural sub-model)

Mô hình cấu trúc mô tả xu hướng chung trong dữ liệu, sử dụng các tham số ảnh hưởng cố định Với thử nghiệm hòa tan, mô hình cấu trúc chính là những mô hình toán học mô phỏng quá trình giải phóng dược chất từ các dạng bào chế: Mô hình Hill, mô hình Weibull, Higuchi,

❖ Mô hình thống kê (statistical sub-model)

Mô hình thống kê giải thích cho sự biến đổi dựa trên 2 cấp độ của các ảnh hưởng ngẫu nhiên (random effects) bao gồm: Dao động giữa các đơn vị mẫu và dao động ở

từng đơn vị mẫu Tương ứng với sự khác biệt về độ hòa tan của từng mẫu thử so với trung bình cả lô và sai số giữa độ hòa tan dự đoán và thực tế của từng mẫu

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

Yếu tố dự đoán là các hiệp biến 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,… Mô hình này sẽ xác định mối quan hệ giữa các hiệp biến và các tham số của mô hình

Khi làm việc với mô hình NLMEM, việc đưa ra ước tính ban đầu cho các tham

số ảnh hưởng cố định là quan trọng Với các giá trị khởi đầu không phù hợp, mô hình

sẽ không thể cho kết quả tốt

1.4 Mô hình hóa quá trình hòa tan in vitro của dược chất dựa trên mạng neuron

nhân tạo (Artificial Neural Network)

Mạng neuron nhân tạo (Artificial Neural Network - ANN) là các chương trình máy tính được thiết kế để mô phỏng một vài chức năng của bộ não con người sử dụng các thuật toán học tập khác nhau ANN có những điểm đặc trưng của quá trình xử lý thông tin của não người như: Khả năng học tập, khả năng xử lý các thông tin nhiễu, khả năng khái quát hóa [11] Do đó, ANN thường được sử dụng để giải quyết các vấn đề phức tạp trong thực tế như: Nhận diện và phân loại mẫu, hàm tính gần đúng, tối ưu hóa [46] ANN có khả năng mô hình hóa với các hàm cực kì phức tạp, do đó ANN có thể lượng hóa bất kì mối quan hệ phi tuyến tính nào giữa các yếu tố Sức mạnh và lợi thế của ANN đến từ khả năng học từ kinh nghiệm Sau khi mạng đã được huấn luyện để khái quát hóa mối quan hệ giữa các biến trong tập dữ liệu, mạng có thể thực hiện việc phân loại hay dự đoán cho các dữ liệu đầu vào mạng chưa từng biết Trái ngược với phương pháp thống kê truyền thống, ANN không yêu cầu việc sử dụng các thuật toán thích hợp để xác định mối quan hệ hiện có trong tập dữ liệu Trong khi một phân tích thống kê thường dựa trên một số giả định về một loại mô hình để mô tả mối quan hệ giữa các biến, ANN chỉ đơn giản là khám phá cấu trúc dữ liệu thông qua một quá trình huấn luyện ANN không học các thuật toán mới, nó học qua các ví dụ [38], [58], [26]

1.4.1 Neuron nhân tạo

Neuron là đơn vị cấu tạo đồng thời là đơn vị chức năng của hệ thần kinh Trung bình não người chứa khoảng 100 tỷ neuron, mỗi neuron có từ 1000 – 10000 kết nối với các neuron khác Tương tự như bộ não, ANN cũng gồm nhiều đơn vị xử lý (processing element – PE), neuron nhân tạo hay nút Cường độ kết nối giữa các neuron được xác định bởi các trọng số (weights) [35] Khi hoạt động, neuron nhân tạo tiếp nhận tín hiệu đầu vào (inputs), tính tổng các tín hiệu sau khi đã nhân với các trọng số tương ứng, xử

lý qua hàm truyền/hàm kích hoạt (transfer/activation function) để tạo tín hiệu đầu ra (outputs) [41]

Hình 1.1 Cấu trúc của một neuron nhân tạo

1.4.2 Đặc trưng của mạng neuron nhân tạo

Một neuron duy nhất có thể thực hiện một số chức năng xử lý thông tin đơn giản, tuy nhiên sức mạnh của các tính toán thần kinh đến từ việc kết nối các neuron trong một mạng [8] Nhiều loại ANN khác nhau đã và đang được phát triển, tuy nhiên một ANN

sẽ luôn được xác định qua 3 đặc trưng sau:

- Cấu trúc mạng

- Thuật toán huấn luyện mạng

- Hàm truyền

❖ Cấu trúc điển hình của mạng neuron nhân tạo

Trong mạng neuron nhân tạo, các neuron được tổ chức thành từng lớp Cấu trúc của một mạng neuron nhân tạo được xác định bởi: Số lớp, số lượng các neuron trong mỗi lớp, cách thức mà các neuron liên kết với nhau [46] Thông thường, một ANN sẽ gồm: Một lớp đầu vào, một lớp đầu ra và một hay nhiều lớp ẩn [47]

Hình 1.2 Cấu trúc điển hình của ANN

Số lớp ẩn và số lượng neuron trong mỗi lớp ẩn phụ thuộc vào mức độ phức tạp của vấn đề cần xử lý, bao gồm: Số lượng các neuron đầu vào và đầu ra, kích thước của tập

dữ liệu huấn luyện, độ chính xác dự đoán yêu cầu Số lớp ẩn và số neuron trong lớp ẩn quá ít sẽ cản trở khả năng học tập của ANN, quá nhiều có thể gây ra hiện tượng overfitting [46] Một số nguyên tắc được các nhà nghiên cứu đưa ra về việc lựa chọn số neuron trong lớp ẩn như: Định lý của Kolomogorov, phương trình tính toán số neuron lớp ẩn của Carpenter [14] Tuy nhiên, phương pháp thông thường được sử dụng là phương pháp thử - sai

Dựa trên thuật toán huấn luyện mạng, mô hình ANN được chia thành 3 loại [28]: Học có giám sát (supervised learning), học không có giám sát (unsupervised learning), học tăng cường (reinforcement learning)

1.4.3 Quá trình huấn luyện của mạng neuron nhân tạo

Các mô hình ANN học từ kinh nghiệm qua quá trình huấn luyện Quá trình huấn

luyện của một mô hình ANN điển hình học có giám sát dựa trên thuật toán feedforward

error – backpropagation được mô tả như sau: Sau khi mô hình ANN được thiết kế, các

trọng số ban đầu sẽ được khởi tạo ngẫu nhiên ở các giá trị nhỏ, mô hình ANN được huấn

luyện thông qua một quá trình lặp của việc cung cấp đầu vào cho mô hình và điều chỉnh các trọng số Mỗi lần lặp gồm 2 bước: feedforward và backpropagation Trong bước feedforward, đầu tiên, các dữ liệu đầu vào được cung cấp cho mô hình Các nút trong lớp ẩn tính tổng tất cả các đầu vào đã được trọng số hóa

số neuron lớp đầu vào

Sau đó sử dụng hàm truyền sẽ được sử dụng để chuyển giá trị nhận được thành giá trị đầu ra

𝑧𝑗 = 𝑓(𝑧𝑖𝑛𝑗) Trong đó: zj là giá trị đầu ra cho neuron lớp ẩn thứ j

Tiếp theo, giá trị đầu ra tại các neuron trong lớp ẩn sẽ được truyền đến neuron tại lớp đầu ra theo phương thức tương tự Hàm truyền lại được sử dụng để tính toán giá trị đầu ra

Trong bước backpropagation, sai số đầu ra được tính toán trước tiên dựa trên giá trị đầu ra thực tế và dự đoán từ mô hình ANN Dựa trên sai số đầu ra này, sai số cho tất

cả các neuron và các trọng số ở tất cả các kết nối được tính toán lại theo chiều ngược từ lớp đầu ra đến lớp đầu vào Sau đó, tất cả các trọng số tại các liên kết sẽ được hiệu chỉnh lại đồng thời Quá trình huấn luyện như vậy được lặp lại liên tục cho đến khi thu được các giá trị trọng số tối ưu để cực tiểu hóa sai số dự đoán Quá trình này còn được gọi là hội tụ [46]

Khi bắt đầu quá trình huấn luyện, dữ liệu được chia thành 2 tập con: Tập huấn luyện và tập kiểm tra Dữ liệu trong tập huấn luyện được sử dụng để tìm kiếm các giá trị trọng số tối ưu, trong khi khả năng dự đoán của mạng sẽ được kiểm tra bằng cách sử dụng dữ liệu trong tập kiểm tra [46] Hàm tổng sai số bình phương (SSE) cho 2 tập con này được tính toán theo phương trình [11]:

Trong đó: oit là đầu ra dự đoán của neuron đầu ra thứ t từ mẫu thứ i; yit là đầu ra thực tế của neuron thứ t từ mẫu thứ i; N là số cặp dữ liệu huấn luyện; M là số neuron đầu ra

Trong quá trình huấn luyện, sự thay đổi sai số của tập huấn luyện và tập kiểm tra được đánh giá đồng thời Với tập huấn luyện, sai số sẽ giảm vô hạn khi tăng số neuron lớp ẩn và số lần lặp trong quá trình huấn luyện Ban đầu, sai số này giảm nhanh chóng

do học tập, sau đó giảm chậm hơn là do mạng đã bị overfitting Với tập kiểm tra, sai số ban đầu giảm nhưng sau đó tăng do overfitting Do đó, quá trình huấn luyện nên dừng lại khi sai số kiểm tra bắt đầu tăng và số neuron lớp ẩn tối ưu nên được lựa chọn khi sai

số này là tối thiểu trong phương pháp thử - sai

1.4.4 Hiện tượng overfitting

Overfitting là hiện tượng mô hình tìm được quá khớp với dữ liệu huấn luyện Việc quá khớp này có thể dẫn đến việc dự đoán nhầm nhiễu và chất lượng mô hình

không còn tốt trên dữ liệu kiểm tra nữa Overfitting xảy ra khi mô hình quá phức tạp để

mô phỏng dữ liệu huấn luyện [42], [39] Đặc biệt là khi lượng dữ liệu huấn luyện quá nhỏ mà độ phức tạp của mô hình quá cao (phụ thuộc vào số lớp ẩn và số neuron trong lớp ẩn)

Để tránh hiện tượng overfitting, phương pháp thường được sử dụng là kết hợp

early stopping với validation/cross validation [51] Early stopping được hiểu là việc

dừng quá trình huấn luyện sau một số lần lặp tối ưu mà tại đó mô hình bắt đầu có hiện tượng overfitting Việc khởi phát của hiện tượng overfitting sẽ được xác định thông qua

phương pháp validation hoặc cross validation Validation là phương pháp chia tập dữ

liệu huấn luyện ban đầu thành một tập thẩm định và một tập dữ liệu huấn luyện nhỏ hơn Tập thẩm định sẽ được sử dụng để đánh giá mô hình sau khi huấn luyện Mô hình

có hiện tượng overfitting khi sai số thẩm định bắt đầu tăng, quá trình huấn luyện sẽ dừng

lại tại đây Cross validation (thẩm định chéo) là phương pháp cải tiến của validation

được sử dụng rất phổ biến, đặc biệt khi tập dữ liệu huấn luyện nhỏ Bởi khi tập dữ liệu nhỏ, nếu lấy nhiều dữ liệu sử dụng cho việc thẩm định mô hình thì tập huấn luyện còn

lại sẽ không đủ, cross validation khắc phục vấn đề này bằng cách sử dụng lượng dữ liệu

cho thẩm định nhỏ nhưng mô hình sẽ được đánh giá trên nhiều tập thẩm định khác nhau

Để thực hiện việc thẩm định chéo, tập dữ liệu huấn luyện được chia thành một số phần bằng nhau, giả sử là “k” phần Mô hình ANN sẽ được huấn luyện k lần Ở mỗi lần huấn

luyện, một phần dữ liệu sẽ được sử dụng cho mục đích thẩm định, phần còn lại được sử dụng để huấn luyện mô hình

1.5 Phương pháp đánh giá độ phù hợp của mô hình

Khi thực hiện mô hình hóa, mô hình phù hợp nhất được xác định qua 2 quá trình:

• Lựa chọn mô hình: So sánh hiệu suất giữa các mô hình để chọn ra mô hình tốt nhất

• Đánh giá mô hình: Ước tính sai số khái quát hóa của mô hình đã lựa chọn

Cả 2 quá trình này được tiến hành dựa trên rất nhiều phương pháp đánh giá độ phù hợp của mô hình Dưới đây các phương pháp thường được sử dụng nhất

Gía trị -2LL (-2log likelihood) được tính theo phương trình sau:

Mô hình có giá trị -2LL càng thấp đồng nghĩa với xác suất các giá trị dự đoán và giá trị đo lường khớp nhau càng cao, hay mô hình càng có tính dự đoán tốt [22], [52]

𝐴𝐼𝐶 = 𝑛 × ln(∑𝑛 [𝑤𝑖(𝑦𝑖− 𝑦̂)𝑖 2]

(trong đó: w i là trọng số của mẫu i)

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

1.6 Một số nghiên cứu mô hình hóa quá trình hòa tan

ảnh hưởng hỗn hợp phi tuyến tính

Năm 2002, Adams và cộng sự đưa ra 2 ví dụ về việc sử dụng NLMEM để mô

phỏng quá trình hòa tan in vitro dựa trên 2 bộ dữ liệu hòa tan của viên nén giải phóng

nhanh và viên nén giải phóng chậm So sánh với LMEM, NLMEM cho thấy khả năng

dự đoán tốt hơn với các đáp ứng nằm ngoài khoảng dữ liệu quan sát [7]

Năm 2003, Frutos và Ruiz de Villa đã mô phỏng quá trình giải phóng in vitro của

toàn bộ lô viên nén metoclopramid dạng cốt trơ polyme sử dụng NLMEM Nghiên cứu này cho thấy hiệu quả của NLMEM trong việc giải thích toàn bộ dữ liệu hòa tan của các công thức viên giải phóng chậm Mô hình được lựa chọn có thể giải thích được động học hòa tan của cả lô cũng như của từng viên nén [23]

Tại Việt Nam, các tác giả Cao Minh Hiếu (2018) và Trí Vân Anh (2019) đã nghiên cứu xây dựng mô hình mô phỏng quá trình hòa tan của một số dược chất ít tan dựa trên NLMEM Kết quả đã xây dựng và thẩm định được các mô hình NLMEM có khả năng

dự đoán độ hòa tan khá tin cậy [5], [2]

neuron nhân tạo

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

- Mô hình hóa quá trình hòa tan in vitro của viên nén aspirin giải

phóng kéo dài nhằm tối ưu hóa công thức thuốc

- 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

- Xây dựng mô hình mô phỏng quá trình hòa tan in vitro của viên

nén carvedilol kiểm soát giải phóng theo pH

mp, Sw, D, Q,

pH, Lac và Avi

- Biến đầu ra: độ hòa tan của dược chất tại các thời điểm

- Kiểu mạng:

MLP

- Bước đầu xây dựng mô hình mô phỏng in silico

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

Nguyễn

Thị Hiền

[4]

- Bước đầu xây dựng mô hình in silico mô phỏng

quá trình hòa tan của dược chất ít tan trong nước thuộc nhóm cephalosporin

Nguyễn

Quốc Công

[3]

- Xây dựng mô hình in silico mô phỏng quá trình

hòa tan của một số dược chất nhóm cephalosporin

Cao Minh

Hiếu [5]

- Tiếp tục xây dựng mô hình mô phỏng in silico

quá trình hòa tan của một số dược chất ít tan trong nước

Trí Vân

Anh [2]

- Xây dựng và thẩm định mô hình in silico mô

phỏng quá trình hòa tan của một số dược chất ít tan

Trong đó: GRNN: Mạng neuron hồi quy tổng quát (Generalized Regression Neural Netwok); BPNN: Mạng neuron sử dụng thuật toán lan truyền ngược (Backpropagation neural network); MLP: Mạng perceptron đa lớp (Multilayered perceptron)

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

Nghiên cứu sử dụng các dược chất: cefaclor monohydrat, dexamethason base Một

số thông tin cơ bản của các dược chất trên được trình bày trong bảng 1.3 [16], [20]

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

Đặc điểm Cefaclor monohydrat Dexamethason base

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

4 Cellulose vi tinh thể

5 Polyvinyl pyrolidon K30 Trung Quốc Nhà sản xuất

7 Kali dihydrophosphat Trung Quốc Tinh khiết hóa học

9 Acid hydrocloric Trung Quốc Tinh khiết hóa học

11 Acid citric monohydrat Trung Quốc Tinh khiết hóa học

2.1.2 Thiết bị

Bảng 2.2 Các thiết bị sử dụng trong nghiên cứu

2 Máy đo kích thước tiểu phân MasterSizer (model

4 Máy phân tích nhiệt vi sai DSC – TGA 131

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

2.2 Phương pháp nghiên cứu

2.2.1 Chuẩn bị các mẫu thử hòa tan

• Rây lần lượt cefaclor monohydrat, dexamethason base 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] theo giá trị d50 (giá trị phân vị 50% thể tích phân bố) tăng dần:

Cefaclor monohydrat: bao gồm 3 mẫu [S], [M], [L]

Dexamethason base: bao gồm 2 mẫu [S], [L]

• Tạo mẫu cốm 2 thành phần gồm dược chất và tá dược:

- Với mỗi dược chất của từng phân đoạn kích thước, trộn đều dược chất với lactose (tá dược tan) hoặc cellulose vi tinh thể (tá dược không tan) theo các tỉ lệ 1:1 hoặc 1:2 hoặc 1:3 với cefaclor monohydrat và tỉ lệ 1:25 với dexamethason base

- Hòa tan polyvinyl pyrolidon (PVP) trong isopropanol (IPA) thu được dung dịch PVP trong IPA ở nồng độ phù hợp

- Thêm một lượng thích hợp dung dịch PVP trong IPA vào hỗn hợp bột dược

chất-tá dược nhào ẩm và xát hạt qua rây 800 µm

- Sấy hạt trong tủ sấy ở nhiệt độ dưới 50°C cho tới khi hàm ẩm dưới 5%

• 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 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 khuấy từ điều nhiệt ở nhiệt độ 37C, thời gian 48 giờ, tốc độ mức

2 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 dược chất được xác định bằng thiết bị đo phân bố kích thước tiểu phân MasterSizer 3000 theo các bước sau:

- 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 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 (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 Xác định diện tích bề mặt riêng

Xác định diện tích bề mặt riêng của các phân đoạn dược chất bằng thiết 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

2.2.2.4 Xác định hệ số khuếch tán

Hệ số khuếch tán được ước tính bằng phương trình của Wilke-Chang [33]

𝐷𝐴,𝐵 = 7,4 ∙ 10−8∙√𝛹𝐵∙𝑀𝑊𝐵∙ 𝑇

𝜂𝐵∙ 𝑉𝐴0,6Trong đó:

A là chất tan/ B là dung môi

D A,B là hệ số khuếch tán (cm 2 /s)

V A là thể tích trung bình mol (ml/mol)

MW B là khối lượng phân tử (đvC)

η B là độ nhớt (cP)

Ψ B là hằng số tương tác giữa các phân tử dung môi (Ψ B = 2,6 nếu dung môi là

nước)

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 5 – 10 mg vào một đĩa nhôm trên cân phân tích

- 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

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

- 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 Xác định các thông số của mẫu cốm 2 thành phần

2.2.3.1 Xác định hàm ẩm của các mẫu cốm

Hàm ẩm của các mẫu cốm được xác định theo phương pháp mất khối lượng do làm khô, sử dụng máy đo hàm ẩm

2.2.3.2 Xác định khối lượng riêng biểu kiến của các mẫu cốm

Cân một lượng cốm xác định (m (g)), cho vào ống đong có thể tích phù hợp và gõ đến thể tích không đổi (V (ml))

𝐾𝐿𝑅𝐵𝐾 (𝑔 𝑚𝑙⁄ ) =𝑚

𝑉

2.2.4 Thu thập dữ liệu thử hòa tan thực tế

• Thử hòa tan các mẫu cốm bằng máy thử độ hòa tan Erweka

• Thời gian thử hòa tan: 10 phút

• Tần suất lấy mẫu: 1 phút/lần

• Thể tích mẫu hút tại mỗi thời điểm: 5 ml, không bổ sung môi trường sau mỗi lần hút mẫu

• 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 2.3 sử dụng mẫu chuẩn so sánh:

Trong đó: mchuẩn, mthử (mg) lần lượt là lượng dược chất trong mẫu chuẩn và mẫu cốm đem thử hòa tan; Athử, Achuẩn lần lượt là độ hấp thụ của dung dịch thử và dung dịch chuẩn; mt, mi (mg) là lượng dược chất hòa tan tại thời điểm thứ t và thứ i; Vt, Vi (ml) là thể tích môi trường tại thời điểm thứ t và thứ i Dchuẩn là độ pha loãng của mẫu chuẩn Điều kiện thử chi tiết cho từng mẫu được mô tả trong bảng 2.3

Bảng 2.3 Điều kiện thử hòa tan các mẫu cốm

Thông số Cefaclor monohydrat Dexamethason base

Khối lượng dược chất

Môi trường hòa tan

Đệm acid hydrocloric pH

2,2 Acid hydrocloric 0,1N Đệm citrat pH 3,2 Đệm phosphat pH 5,8 Đệm citrat pH 3,6

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

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

Mô hình NLMEM 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 1.3.1 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, 17 yếu tố dự đoán được lần lượt đưa vào mô hình, bao gồm: d10, d50, d90, Cs, logP, pKa, mp, Sw, D, Q, pH, H, NĐPVP, TLPVP, KLRBK, Lac và Avi như sau:

Sử dụng phần mềm Phoenix NLMEM 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 17 yếu tố dự đoán Xác định giá trị -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 số yếu

tố dự đoán tốt nhất Cov2 Tiếp tục gán biến Cov2 cho 16 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 của phương trình động học xin xem mục 1.3.1):

Dựa trên phương trình Wagner:

𝐶𝑖𝑗 = [100 (1 − 𝑒𝐾𝑗𝑡𝑗)] (1 + ε𝑖𝑗)

𝐾𝑖 = Ɵ𝐾 𝐶𝑜𝑣1𝑖𝑑𝐾𝑑𝐶𝑜𝑣1 𝐶𝑜𝑣2𝑖𝑑𝐾𝑑𝐶𝑜𝑣2𝐶𝑜𝑣3𝑖𝑑𝐾𝑑𝐶𝑜𝑣3 𝑒ɳ𝑘𝑖Dựa trên phương trình Hill:

𝐶𝑖𝑗 = (100 𝑡

𝑏

𝑀𝐷𝑇𝑏 + 𝑡𝑏) (1 + ε𝑖𝑗)

𝑏𝑖 = Ɵ𝑏 𝐶𝑜𝑣1𝑖𝑑𝑏𝑑𝐶𝑜𝑣1 𝐶𝑜𝑣2𝑖𝑑𝑏𝑑𝐶𝑜𝑣2𝐶𝑜𝑣3𝑖𝑑𝑏𝑑𝐶𝑜𝑣3 𝑒ɳ𝑏𝑖

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

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

• ղk ղb , ղMDT, ղa là tham số ngẫu nhiên giúp mô tả sự dao động giữa ki (hằng số k của mẫu bột cốm thứ i) và Ɵ𝑘 (hằng số k đặc trưng cho toàn bộ mẫu), bi (hằng số b của mẫu bột cốm thứ i) và Ɵ𝑏 (hằng số b đặc trưng cho toàn bộ mẫu), giữa MDTi (hằng số MDT của mẫu bột cốm thứ i) và Ɵ𝑀𝐷𝑇 (hằng số MDT đặc trưng cho toàn bộ mẫu), giữa

ai (hằng số a của mẫu bột cốm thứ i) và Ɵ𝑎 (hằng số a đặc trưng cho toàn bộ mẫu)

• dKdCov1, dKdCov2, dKdCov3 là các số mũ biểu diễn bậc phụ thuộc của hằng số

K vào Cov1, Cov2, Cov3

• dbdCov1, dbdCov2, dbdCov3 là các số mũ biểu diễn bậc phụ thuộc của hằng số b vào Cov1, Cov2, Cov3

• dMDTdCov1, dMDTdCov2, dMDTdCov3 là các số mũ biểu diễn bậc phụ thuộc của hằng số MDT vào Cov1, Cov2, Cov3

• dadCov1, dadCov2, dadCov3 là các số mũ biểu diễn bậc phụ thuộc của hằng số a vào Cov1, Cov2, Cov3

2.2.5.2 Dựa trên mạng neuron nhân tạo ANN

Dựa vào kết quả thực nghiệm ở mục 2.2.2, 2.2.3 và 2.2.4, kết hợp tham khảo nghiên cứu của Kozo Takayama và cộng sự [48], 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 đầu vào: Gồm 18 neuron và mỗi neuron tương ứng với một biến đầu vào, bao gồm: d10, d50, d90, Cs, logP, pKa, mp, Sw, D, Q, pH, H, NĐPVP, TLPVP, KLRBK, Lac và Avi, time

• Lớp xuất: Gồm 1 neuron tương ứng với biến độ hòa tan tại các thời điểm khác nhau

• Lớp ẩn: Hàm tanH, hàm Gauss, hàm Linear được sử dụng như các hàm kích hoạt tại mỗi neuron trong lớp ẩn

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 lặp lại 5 lần với sự thay đổi của tập dữ liệu huấn luyện và tập dữ liệu thẩm định 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) thẩm định để lựa chọn ra mô hình ANN có cấu trúc tối

ưu

2.2.6 Lựa chọn và thẩm định mô hình tối ưu

2.2.6.1 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 2.2.5.1 và 2.2.5.2), lựa chọn ra mô hình tối ưu dựa trên chỉ số -2 log likelihood (-2LL) Mô hình có giá trị -2LL bé hơn sẽ được lựa chọn làm mô hình tối

ưu cho các bước sau

2.2.6.2 Thẩm định mô hình tối ưu

Sử dụng phương pháp Bootstrap để thẩm định mô hình đã được lựa chọn Phương pháp 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 phương pháp 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

CHƯƠNG 3 THỰC NGHIỆM, KẾT QUẢ VÀ BÀN LUẬN

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

Pha các dung dịch chuẩn gốc cefaclor monohydrat, dexamethason base trong bình định mức 100 ml bằng 15 ml ethanol, bổ sung thể tích bằng các dung dịch môi trường

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 3.1 và 3.2

Bảng 3.1 Đường chuẩn định lượng cefaclor monohydrat ở bước sóng λ = 265 nm

(n = 3) Môi trường pH 2,2 Môi trường pH 3,2 Môi trường pH 3,6 Nồng độ

(g/l)

Độ hấp thụ

Nồng độ (g/l)

Độ hấp thụ

Nồng độ (g/l)

Độ hấp thụ

y = 22,53x + 0,0079 R² = 0,9999

Bảng 3.2 Đường chuẩn định lượng dexamethason base ở bước sóng λ = 242 nm

(n = 3) Môi trường acid hydrocloric 0,1N Môi trường pH 5,8

y = 42,257x + 0,0043 R² = 0,9997

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

Đối với tá dược Avicel PH101, 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 với cefaclor monohydrat, gấp 25 lần với dexamethason base) 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

Như vậy, sự có mặt của các tá dược lactose và Avicel PH101 với hàm lượng như trong mục 2.2.1 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 tại 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 3.3

Bảng 3.3 Độ tan của dược chất trong các môi trường ở 37°C (n = 3, TB ± SD)

Dựa theo phân loại độ tan trong DĐVN V, cefaclor monohydrat thuộc nhóm hơi

tan trong các môi trường đệm citrat pH 2,2; 3,2 và 3,6 Dexamethason base thuộc nhóm thực tế không tan trong các môi trường acid hydrocloric 0,1N; đệm phosphat pH 5,8

Độ tan của cefaclor monohydrat có xu hướng tăng lên khi pH tăng, độ tan của dexamethason base có xu hướng giảm khi pH tăng Tuy nhiên, độ tan của dược chất giữa các môi trường pH lựa chọn chưa có sự khác biệt rõ ràng

3.2.2 Xác định phân bố kích thước tiểu phân của dược chất

Xác định phân bố kích thước tiểu phân của các phân đoạn dược chất theo phương

pháp đã trình bày ở mục 2.2.2.2 Kết quả được thể hiện ở hình 3.1, 3.2 và bảng 3.4 (số

liệu chi tiết xin xem Phụ lục II)

Bảng 3.4 Tham số kích thước tiểu phân của các phân đoạn dược chất (n=3, TB)

(µm)

d50 (µm)

d90 (µm)

Hình 3.2 Phân bố kích thước tiểu phân của các phân đoạn dexamethason base Nhận xét:

Với cefaclor monohydrat: Phân đoạn [S] có 1 đỉnh phân bố tại kích thước 45,6 µm (8,03%) Phân đoạn [M] có 1 đỉnh phân bố tại kích thước 51,8 µm (7,60%) Phân đoạn [L] có 1 đỉnh phân bố tại kích thước 58,9 µm (7,51%) Với dexamethason base: Phân đoạn [S] và [L] đều có 1 đỉnh phân bố tại kích thước 12,7 µm, tương ứng là 6,55% và 5,83%

Dựa trên đồ thị phân bố kích thước và các tham số kích thước tiểu phân: d10, d50

và d90 có thể thấy các phân đoạn của cả 2 dược chất đều có kích thước khá nhỏ và phân

bố kích thước khá hẹp Nguyên nhân có thể do lượng dược chất ban đầu dùng trong nghiên cứu khá nhỏ nên phân bố kích thước của dược chất ban đầu, trước khi phân đoạn, cũng đã hẹp

• Với cefaclor monohydrat, có sự khác biệt giữa phân bố kích thước của phân đoạn [S] với 2 phân đoạn còn lại Tuy nhiên, phân bố kích thước giữa 2 phân đoạn [M] và [L] không có sự khác biệt rõ ràng

• Với dexamethason base, không có sự khác biệt đáng kể về phân bố kích thước giữa 2 phân đoạn [S] và [L]

So sánh giữa 2 dược chất, dexamethason base có dải phân bố nằm ở vùng kích thước nhỏ hơn cefaclor monohydrat

Bảng 3.5 Diện tích bề mặt riêng của các phân đoạn dược chất (n = 3, TB±SD)

(m 2 /kg) Cefaclor monohydrat

Tuy nhiên, giá trị SD tính cho mỗi phân đoạn khá cao, điều này có thể do khi đo dược chất được phân tán trong môi trường nước, cefaclor monohydrat bị tan một phần trong quá trình đo, dexamethason base khá sơ nước nên có thể bị kết tụ trong quá trình

đo dẫn đến sự chênh lệch về giá trị Sw giữa các lần đo

3.2.4 Xác định hệ số khuếch tán của dược chất

Hệ số khuếch tán của các dược chất được ước tính dựa trên dựa trên công thức của Wilke - Chang như đã trình bày ở mục 2.2.2.4 Trong đó, thể tích trung bình mol của mỗi dược chất được tính bằng khối lượng phân tử (MW) chia cho tỉ trọng riêng (d) Kết quả được trình bày trong bảng 3.6

Bảng 3.6 Hệ số khuếch tán của các dược chất Dung môi Dược chất

Thể tích trung bình mol (ml/mol)

Hệ số khuếch tán (cm 2 /s) Nước

MW = 392,5

d = 1,32 (g/cm3)

297,35 7,45.10-6

Nhận xét: Hệ số khuếch tán của cả 2 dược chất đều rất nhỏ

3.2.5 Xác định nhiệt độ nóng chảy của các dược chất

Nhiệt độ nóng chảy mp của các dược chất được xác định thông qua phổ quét nhiệt lượng vi sai (DSC) như đã trình bày ở mục 2.2.2.5 Kết quả được trình bày trong bảng

3.7 dưới đây (chi tiết phổ DSC xin xem ở Phụ lục III)

Bảng 3.7 Nhiệt độ nóng chảy của các dược chất Dược chất Nhiệt độ nóng chảy (ºC, onset)

do đó hòa tan tốt hơn Nhiệt độ nóng chảy của dexamethason base xác định được cũng thuộc khoảng này

Quan sát phổ DSC của 2 dược chất nhận thấy, phổ DSC của cefaclor monohydrat

có 2 pic, trong đó 1 pic tương ứng với quá trình kết tinh lại hoặc liên quan đến sự thay đổi cấu trúc của dược chất, 1 pic thu nhiệt ứng với quá trình nóng chảy Phổ DSC của dexamethason base chỉ có 1 pic thu nhiệt ứng với quá trình nóng chảy Theo Cohen và cộng sự, ở trạng thái tinh thể, dexamethason base có 2 dạng thù hình là A và B Trong

đó, dạng B chiếm đa số [18] Mặc dù phổ DSC của dexamethason base chỉ có 1 pic thu

nhiệt ứng với quá trình nóng chảy nhưng chưa thể kết luận dexamethason base sử dụng trong nghiên cứu chỉ chứa 1 dạng thù hình khi chưa có thông tin về nhiệt độ nóng chảy của mỗi dạng thù hình Do nhiệt độ nóng chảy và sự tách biệt giữa các pic của các dạng thù hình khác nhau xác định thông qua phổ quét nhiệt lượng vi sai (DSC) phụ thuộc một phần vào tốc độ gia nhiệt và độ mịn của bột dược chất Vì vậy, với các dạng thù hình có nhiệt độ nóng chảy khác nhau không nhiều, phương pháp này có thể sẽ không phát hiện được Tuy nhiên, 2 dạng thù hình A và B của dexamethason base giống nhau về độ tan nên việc tồn tại 1 hay cả 2 dạng thù hình trên trong mẫu bột dexamethason base không ảnh hưởng đến độ hòa tan của dược chất này

3.3 Xác định các thông số của mẫu cốm 2 thành phần

Số liệu chi tiết về hàm ẩm và khối lượng riêng biểu kiến của các mẫu cốm được trình bày trong Phụ lục VI

tự hoặc ngắn hơn, nhiệt độ thấp hơn Sự khác biệt này cũng thể hiện rõ ở các mẫu cốm dexamethason base chứa tỷ lệ lớn 2 tá dược Hàm ẩm sau sấy của các mẫu cốm với lactose rất thấp, gần như là hàm ẩm của lactose, trong khi hàm ẩm của các mẫu Avicel PH101 cao hơn nhiều

3.4 Kết quả thử hòa tan thực nghiệm các mẫu cốm

Kết quả thử hòa tan các mẫu cốm của các phân đoạn dược chất trong các môi

trường khác nhau được thể hiện từ hình 3.3 đến 3.12 (số liệu chi tiết trình bày trong Phụ

lục V)

3.4.1 Kết quả thử hòa tan các mẫu cốm cefaclor monohydrat

Hình 3.3 Kết quả thử hòa tan mẫu cốm cefaclor monohydrat [S] và

pH_2,2_1:1 pH_3,2_1:1 pH_3,6_1:1 pH_2,2_1:2 pH_3,2_1:2 pH_3,6_1:2 pH_2,2_1:3 pH_3,2_1:3 pH_3,6_1:3

0.00 20.00

pH_2,2_1:1 pH_3,2_1:1 pH_3,6_1:1 pH_2,2_1:2 pH_3,2_1:2 pH_3,6_1:2 pH_2,2_1:3 pH_3,2_1:3 pH_3,6_1:3