摘要：目的:建立多糖组分干法制粒前馈控制模型,用于指导关键工艺参数(CPPs)在设计空间内的调整优化,以减少原料性质波动对药品质量的影响。方法:以黄芪浸膏粉为模型药,通过Box-Behnken设计确定干法制粒CPPs的设计空间,采用混料设计制备具有不同粉体性质的黄芪混合粉,运用方差膨胀因子(VIF)对粉体性质进行多重共线性诊断,并利用主成分分析(PCA)对模型的特征数据进行提取,采用径向基函数神经网络(RBFNN)构建反映多糖组分粉体学性质、干法制粒CPPs与一次成型率之间关系的前馈控制模型。结果:多糖组分干法制粒CPPs的设计空间为送料速度处于16~35 Hz,滚轮转速处于10~23 Hz,滚轮压力处于10~46 kg·cm^(-2)。构建的RBFNN前馈控制模型对多糖组分干法制粒一次成型率具有较好的预测效果,相对误差0.38%~6.73%,平均相对误差3.42%,可用于指导CPPs在设计空间内的调整优化。结论:构建的前馈控制模型能较好地反映多糖组分粉体学性质、干法制粒CPPs与颗粒一次成型率之间的关系,可用于指导CPPs在设计空间内的调整优化,减少原料性质波动对产品质量的影响,为推动中药质量由被动控制转向主动控制提供思路。

摘要：结合设计空间构建基于径向基神经网络的黄酮组分提取物粉体学性质-工艺参数-颗粒剂成型率预测模型,对黄酮组分提取物干法颗粒的成型率进行预测。通过Box-Behnken试验设计描述关键工艺参数与关键质量属性之间的数学关系,开发关键工艺参数的设计空间,并利用蒙特卡洛法(Monte Carlo method, MC)验证设计空间的准确度。采用Design Expert 10软件进行Box-Behnken试验设计和混料设计,制备黄芩混合粉并测定其粉体学性质,将混合粉进行干法制粒测定颗粒的成型率。利用方差膨胀因子(variance influence factor, VIF)分析粉体学性质间的相关性,将存在较强共线性的因素进行主成分分析(principal component analysis, PCA)处理,降低网络输入数据的维度,然后构建基于径向基神经网络(radial basis function neural, RBFNN)的粉体学性质-工艺参数-颗粒成型率预测模型,并通过实例验证模型预测的准确性。结果表明该模型对黄芩颗粒成型率具有较好的预测效果,平均相对误差为1.04%,预测值与实际值的拟合度高,该模型表现出较好的预测能力。该研究构建的黄芩干法颗粒成型率预测模型可为具有相似物性的中药制剂质量有效控制方法的建立提供参考。

摘要：构建基于主成分分析-径向基神经网络(PCA-RBF)的物料属性-抗张强度模型,对中药片剂的成型性进行预测。首先采用Design Expert 8.0软件对不同类型提取物的用量进行混料实验设计,得到具有不同物理性质的中药提取混合物,并测定各提取物的粉体学性质和片剂抗张强度,利用PCA消除原始输入层数据的相关性,降低数据维度,减小网络规模,得到彼此不相关的新变量作为RBF神经网络的输入数据进行训练,并对片剂的抗张强度进行预测。实验结果表明构建的PCA-RBF模型对于片剂抗张强度具有很好的预测效果,最小相对误差为0.25%,最大相对误差为2.21%,平均误差为1.35%,拟合度较高,表现出较好的网络预测精度。该研究初步构建了基于PCA-RBF的中药片剂物料属性-抗张强度的预测模型,为中药制剂质量有效控制方法的建立提供参考。