Conférencier | Transcription |
| Pranjal Taskar | D'accord. Merci, Pierre. Je vais donc commencer maintenant. Bonjour à tous. Aujourd'hui, je vais vous parler de mon affiche. Cette affiche concerne l'analyse systématique du ciblage, qui inclut l'effet des variables de formulation et de processus sur les attributs de qualité finale de mon produit. |
| Donc, en fouillant dans toutes les analyses statistiques précédentes, je voulais donner un aperçu de ce dont nous parlons exactement. Qu'est-ce que la tabletterie ? La fabrication de comprimés est un processus pharmaceutique. |
| En regardant dans l'introduction, je vais parler un peu de ce qu'est la tablette. Il s'agit d'un processus pharmaceutique dans lequel votre ingrédient actif ou fraction active (API) |
| est mélangé avec d'autres excipients pour former un bon mélange fluide et ce mélange est compressé dans notre forme posologique finale, qui est un comprimé. |
| Ainsi, dans de nombreuses situations, il existe des fractions actives ou API, comme nous l'appellerions, qui ont une faible biodisponibilité et cela pourrait être dû à leur nature cristalline. Ils sont tout simplement trop stables, |
| trop rigides dans leurs manières. Notre site se spécialise donc dans la fabrication de cette API cristalline, un peu plus soluble, un peu plus réactive |
| forme amorphe et en fait une forme plus biodisponible. |
| Et lorsque nous faisons cela, nous avons renforcé cette API par un polymère. |
| Cet intermédiaire que nous formons est un intermédiaire en comprimé appelé intermédiaire séché par pulvérisation, SDI. |
| Et c'est ce que nous utilisons essentiellement dans nos comprimés comme intermédiaire actif. |
| Mais quand vous le regardez, il a une faible capacité d'écoulement et il est extrêmement pelucheux. Ainsi, lorsque vous devez intégrer cette API dans votre tablette, vous devez avoir |
| d'autres processus pharmaceutiques impliqués pour le rendre plus rationalisé, pour rendre le mélange plus fluide. C'est donc ce que nous allons faire. |
| Dans cette étude, nous allons identifier nos attributs de qualité critiques, les variables qui comptent, |
| ou nos variables dépendantes et ensuite nous allons identifier les variables qui impactent nos attributs critiques de qualité, |
| qui sont la composition de cette tablette de ce mélange, puis différents paramètres de traitement du processus que nous avons utilisés en nous dans la fabrication de comprimés. |
| Parmi ces effets, lesquels sont les principaux ? Y a-t-il des interactions ? Ensuite, nous utiliserons JMP pour identifier tous ces éléments |
| principales variables d'effet et d'interaction et essayez de comprendre le processus de mise en tablettes. C'était donc l'introduction. |
| Passons aux méthodes et aux objectifs. Alors, comment faisons-nous cela? Pour cette étude, nous avons examiné une formulation placebo. Il n'y a pas de produit actif ou de fragment acteur et nous avons utilisé un polymère séché par pulvérisation couramment utilisé qui est le succinate d'acétate d'hypromellose. |
| Nous l'avons séché par pulvérisation et l'avons transformé en peluche |
| mélange qu'il est habituellement. Et la figure 2 parle de notre processus de tabulation de granulation habituel. Donc, quoi, ce que nous faisons, c'est essentiellement que notre intermédiaire séché par pulvérisation (SDI) soit mélangé avec d'autres excipients à l'aide de ce mélangeur. |
| Nous passons au compactage au rouleau, qui est la densification de ce mélange à l'aide de ceux-ci il y a des rouleaux ici et ces rouleaux se déplacent lentement pour se densifier |
| le mélange qui va dans cette trémie et vous obtenez des rubans du compacteur à rouleaux. Maintenant, ce que vous avez fait, c'est que vous avez transformé ce matériau pelucheux en rubans densifiés et que vous l'avez broyé à l'aide d'un comil. Et vous obtenez |
| granulés. Ces granulés sont plus denses et ils coulent beaucoup mieux que votre API ou votre SDI. |
| Donc, en regardant tout ce processus, il y a beaucoup de variables qui entrent là-dedans que vous devez changer et surveiller. Alors, quelles sont ces variables ? |
| Ce diagramme ici identifiera différents types de variables, les variables variables indépendantes qui entrent dans la formulation et le processus. donc |
| La première variable serait un peu plus liée à la formulation de base qu'au... plutôt qu'au processus. Il parlerait donc de différents types de ??? excipients utilisés. |
| Et le rapport de ces excipients que j'ai utilisé le pourcentage de charge SDI, ou charge active, et dans notre cas, la charge placebo. |
| Et puis l'ordre d'ajout et le point d'ajout où le SDI ou d'autres excipients sont chargés dans la formulation. |
| Et puis trier les paramètres liés au processus tels que la fraction solide du ruban, qui parle essentiellement de cet équipement, du compacteur à rouleaux et de la vitesse à laquelle les rouleaux et les bobines se déplacent. |
| Nous avons également identifié des variables indépendantes de nos attributs de qualité critiques que nous recherchons, à savoir la densité apparente de notre mélange, |
| Ce que nous examinons avant et après la granulation et vous l'avez étiqueté densité apparente 1 et 2. |
| Le ratio Hausner, qui est à nouveau un ratio qui décrit le flux de votre mélange et nous identifions également cela avant et après la granulation, étiquetés comme ratio Hausner 1 et 2. |
| Et le pourcentage de fines qui s'accumulent... sont recueillies lors du processus de compactage au rouleau. Et cela est généralement surveillé après la granulation. Donc, tous ces points à discuter |
| essentiellement notre méthode et pourquoi nous avons choisi nos variables. Ce que nous avons fait, c'est que nous avions un plan personnalisé I optimal à 19 essais examinant toutes ces variables indépendantes ayant un impact sur les variables dépendantes. |
| Et la façon dont nous analysons ce modèle ou la façon dont nous avons construit les effets, c'est que nous avons examiné l'effet principal et les interactions du second degré et nous avons analysé les données en utilisant la personnalité des moindres carrés standard dans la fonction du modèle d'ajustement. |
| Donc, |
| En identifiant le processus et les objectifs, nous allons passer aux résultats, mais avant de faire cela très rapidement, je voulais regarder la fenêtre JMP que j'ai affichée à l'instant. |
| Ces différentes colonnes sont mes variables indépendantes et dépendantes et je vais mettre en évidence |
| ici, ce sont les différentes variables indépendantes que nous allons examiner. Donc, le type de charge, qui est le type d'excipient inerte et nous avons examiné le mannitol et le lactose. |
| pourcentage de SDI, qui est la charge active ou dans notre cas de placebo, |
| regarder les hauts et les bas ici ; et quantité intragranulaire, donc la quantité de nos excipients que nous ajoutons avant le compactage au rouleau versus après le compactage au rouleau et les contours sont ici de 75 et 95 ; |
| et le mannitol et le lactose, qui est une charge pour le MCC, qui est le rapport de cellulose de conception de micro-cours. Le mannitol lactose sont, je dirais un peu plus |
| excipient et MCC est plus ???, donne plus de force au mélange. Nous avons donc examiné un ratio de cela pour voir comment cela affecte notre mélange de comprimés dans son ensemble. Et |
| à droite nos réponses. |
| Densité apparente 1, rapport de Hausner 1, c'est-à-dire avant granulation. Densité apparente 2 et rapport de Hausner 2, qui est après granulation, et pourcentage de fines. |
| Alors je vais |
| allez ici rapidement dans cette fenêtre et regardez comment nous avons créé notre modèle, nos variables de réponse y, dont je viens de parler. Et puis nos effets de modèle qui sont |
| interactions secondaires et effets principaux. Les moindres carrés standards. C'est ce que nous avons utilisé et j'exécute le modèle. |
| Ceci est mon résumé d'effet ici et sur la base de ces données que nous examinons et de l'expérience antérieure, je vais décoller |
| les deux derniers effets. |
| Supprimez simplement ce bruit supplémentaire, puis ici, j'ai mes réponses et comment les données ont un impact sur ces réponses. |
| Ce serait juste plus facile si nous descendions et regardions le profileur de prédiction ici. |
| Et comment toutes ces variables dépendantes sont impactées par cela. Je pense donc que ce serait peut-être plus simple si je relevais mon |
| affiche et... |
| D'accord, alors en regardant les résultats ici, ce que nous avons découvert à partir de la figure 3, c'est que, regardez, les deux charges lactose avaient initialement une densité apparente plus élevée, |
| mais après le compactage de la règle, la densité apparente de deux de ces charges a chuté et vous pouvez voir une augmentation correspondante des amendes. Donc, ce que nous pensons qui se serait passé, c'est que le lactose est plus cassant |
| par rapport au mannitol. Et cela a généré toute cette attrition et ces amendes et cela a eu un impact sur le flux, le rendant moins volumineux, une baisse de la densité apparente. |
| Et le ratio Hausner, un peu plus élevé avec le lactose. Donc, fondamentalement, ce que nous faisons est de cibler une densité apparente plus élevée et nous voulons un Hausner inférieur car un Hausner inférieur indique un mélange plus fluide. |
| Donc, en regardant les données, le mannitol avait un léger avantage sur le lactose en tant que charge. Et le, le deuxième point parlerait de la fraction solide et dans l'ensemble, nous avons vu qu'il y avait un léger effet de plateau à environ 0,6 |
| fraction solide. Dans l'ensemble, nous constatons que 0,7 a le moins d'amendes, c'est pourquoi nous voyons un 0,7 recommandé avec un maximum et une opportunité, mais |
| l'effet de plateau en termes de propriétés d'écoulement (en vrac et Hausner) commence à atteindre un creux autour de 0,6 et au-delà. |
| celui ayant un SDI inférieur en général dans la formulation avait globalement de meilleures propriétés d'écoulement. |
| Juste parce que le SDI, c'est duveteux et ça fait que le mélange coule beaucoup plus mal. Ainsi, la conception nous a simplement suggéré d'avoir une charge SDI inférieure. |
| une quantité plus élevée de cet ingrédient de cet excipient ajoutée de manière intragranulaire |
| qu'un extragranulaire, juste parce qu'il améliore votre volume, il a un Hausner inférieur, ce qui signifie que votre mélange coule plus facilement. |
| Nous avons également observé que le rapport mannitol / lactose ayant plus de ce composant critique était plus souhaitable et je vois que parce que |
| dans l'ensemble, les amendes ont diminué en présence d'un peu plus de composant mannitol lactose. Et cela pourrait être la raison pour laquelle nous voyons cela. |
| Nous avons également dans la figure 4, quelques tracés de surface de quelques tendances intéressantes que j'ai vues. Et dans la figure 4A, vous pouvez voir qu'avoir un chargement SDI inférieur |
| et avoir plus de quantité intragranulaire a entraîné ce point chaud ici d'un rapport Hausner très élevé. Donc, lorsque vous ajoutez beaucoup de... lorsque vous avez un faible... Je suis désolé... que vous avez un SDI plus élevé et |
| intragranulaire supérieur avait un rapport de Hausner extrêmement élevé. Donc, ce que cela dit, c'est que lorsque vous avez plus de ce matériau pelucheux intragranulaire, votre flux va être mauvais, mais vous correspondez à cela |
| après la granulation, lorsque vous avez à nouveau plus de votre excipient intragranulaire et que vous ciblez une fraction solide de |
| environ 0,6 et environ, votre densité apparente s'améliore. Donc, vous êtes essentiellement en post-granulation, votre mélange devient plus dense et c'est ce dont parlent ces deux diagrammes. Donc, tous les points de résultat parlent essentiellement de ces |
| des choses dont j'ai discuté en ce moment. Globalement, nous concluons de notre étude que pour optimiser ce processus et maximiser la désirabilité des formulations, |
| 1, |
| un rapport intragranulaire plus élevé et une charge SDI plus faible seraient une formulation préférable et cibler une fraction solide d'environ 0,6 serait également bénéfique pour la formulation. |
| Merci beaucoup. J'accueillerais vos questions. |
