Lautsprecher | Abschrift |
| Pranjal Taskar | In Ordnung. Danke Peter. Also fange ich jetzt an. Hallo an alle. Heute werde ich über mein Poster sprechen. Dieses Poster befasst sich mit der systematischen Analyse des Targetings, die die Auswirkungen von Formulierungs- und Prozessvariablen auf die endgültigen Qualitätsattribute meines Produkts umfasst. |
| Nachdem ich mich also mit all den statistischen Analysen davor befasst habe, wollte ich einen Hintergrund darüber geben, worüber wir genau sprechen. Was ist Tablettieren? Die Tablettierung ist ein pharmazeutisches Verfahren. |
| Wenn ich in die Einleitung schaue, werde ich ein wenig darüber sprechen, was Tablettierung ist. Es ist ein pharmazeutischer Prozess, bei dem Ihr Wirkstoff oder Wirkstoff (API) |
| wird mit anderen Hilfsstoffen gemischt, um eine freifließende, gut fließende Mischung zu bilden, und diese Mischung wird zu unserer endgültigen Dosierungsform gepresst, die eine Tablette ist. |
| In vielen Situationen gibt es also einige aktive Einheiten oder APIs, wie wir es nennen würden, die eine geringe Bioverfügbarkeit haben, was an ihrer kristallinen Natur liegen könnte. Sie sind einfach zu stabil, |
| zu starr in ihren Wegen. Unsere Website ist also darauf spezialisiert, diese kristalline API ein bisschen löslicher, ein bisschen reaktiver zu machen |
| amorphe Form und macht es zu einer bioverfügbareren Form. |
| Und wenn wir das tun, haben wir diese API mit einem Polymer verstärkt. |
| Dieses Zwischenprodukt, das wir bilden, ist ein Tablettenzwischenprodukt, das als sprühgetrocknetes Zwischenprodukt, SDI, bezeichnet wird. |
| Und das ist es, was wir in unseren Tabletten im Wesentlichen als unser aktives Zwischenprodukt verwenden. |
| Aber wenn man es sich ansieht, hat es eine schlechte Fließfähigkeit und ist extrem flauschig. Wenn Sie also diese API in Ihr Tablet integrieren müssen, müssen Sie sie haben |
| andere beteiligte pharmazeutische Prozesse, um es stromlinienförmiger zu machen, um die Mischung fließfähiger zu machen. Das werden wir also tun. |
| In dieser Studie werden wir unsere kritischen Qualitätsattribute identifizieren, die Variablen, auf die es ankommt, |
| oder unsere abhängigen Variablen und dann werden wir Variablen identifizieren, die unsere kritischen Qualitätsattribute beeinflussen, |
| Dies sind die Zusammensetzung dieser Tablette dieser Mischung und dann verschiedene Prozessverarbeitungsparameter, die wir bei der Tablettierung verwendet haben. |
| Welche davon sind Haupteffekte? Gibt es Wechselwirkungen? Und dann verwenden wir JMP, um all diese zu identifizieren |
| Hauptwirkungs- und Interaktionsvariablen und versuchen, den Tablettierungsprozess grundsätzlich zu erfassen. Das war also die Einführung. |
| Weiter zu den Methoden und Zielen. Wie machen wir das? Für diese Studie haben wir uns eine Placeboformulierung angesehen. Es gibt kein aktives Produkt oder eine Aktoreinheit, und wir verwendeten ein üblicherweise verwendetes sprühgetrocknetes Polymer, das Hypromelloseacetatsuccinat ist. |
| Wir haben es sprühgetrocknet und es flauschig gemacht |
| Mischung, die es normalerweise ist. Und Abbildung 2 zeigt unseren üblichen Granulationsprozess. Was wir also tun, ist im Grunde unser sprühgetrocknetes Zwischenprodukt (SDI) mit diesem Mischer zusammen mit anderen Hilfsstoffen zu mischen. |
| Wir fahren mit der Walzenverdichtung fort, bei der es sich um eine Verdichtung dieser Mischung handelt, indem diese Walzen hier verwendet werden, und diese Walzen bewegen sich langsam, um zu verdichten |
| die Mischung, die in diesen Trichter gelangt, und Sie erhalten Bänder aus dem Walzenverdichter. Was Sie jetzt getan haben, ist, dass Sie dieses flauschige Material zu verdichteten Bändern verarbeitet haben und es mit einem Comil zerkleinern. Und du bekommst |
| Granulat. Diese Granulate sind dichter und fließen viel besser als Ihre API oder Ihr SDI. |
| Wenn Sie sich also diesen gesamten Prozess ansehen, gibt es eine Menge Variablen, die dort hineingehen, die Sie ändern und auf die Sie achten müssen. Also, was sind das für Variablen? |
| Dieses Diagramm hier drüben wird verschiedene Arten von Variablen identifizieren, die unabhängigen variablen Variablen, die in die Formulierung und den Prozess einfließen. So |
| Die erste Variable wäre etwas mehr auf die Basisformulierung bezogen als auf die ... und nicht auf den Prozess. Es würde also über verschiedene Arten von ??? Hilfsstoffe, die verwendet werden. |
| Und das Verhältnis dieser Hilfsstoffe, die ich verwendet habe, ist der Prozentsatz der SDI-Beladung oder aktiven Beladung und in unserem Fall die Placebo-Beladung. |
| Und dann die Reihenfolge der Zugabe und der Zugabepunkt, an dem das SDI oder andere Hilfsstoffe in die Formulierung geladen werden. |
| Und dann sortieren Sie prozessbezogene Parameter wie die Bandfeststofffraktion, die im Wesentlichen über diese Ausrüstung, den Walzenverdichter und die Geschwindigkeit, mit der sich die Walzen und die Spulen bewegen, spricht. |
| Wir haben auch unabhängige Variablen unserer kritischen Qualitätsattribute identifiziert, auf die wir achten, nämlich die Schüttdichte unserer Mischung, |
| Was wir uns vor und nach der Granulierung ansehen, und Sie haben es mit Schüttdichte 1 und 2 bezeichnet. |
| Hausner-Verhältnis, das wiederum ein Verhältnis ist, das den Fluss Ihrer Mischung darstellt, und wir identifizieren es auch vor und nach der Granulierung, bezeichnet als Hausner-Verhältnis 1 und 2. |
| Und der anfallende Feinanteil wird im Walzenkompaktierungsprozess gesammelt. Und dies wird normalerweise nach der Granulation überwacht. Also all diese Punkte, über die man sprechen sollte |
| im Grunde unsere Methode und warum wir unsere Variablen gewählt haben. Was wir taten, war, dass wir ein optimales, 19-Durchlauf-kundenspezifisches Design hatten, das all diese unabhängigen Variablen untersuchte, die sich auf die abhängigen Variablen auswirkten. |
| Und die Art und Weise, wie wir dieses Modell analysierten oder wie wir Effekte konstruierten, bestand darin, dass wir uns den Haupteffekt und die Wechselwirkungen zweiten Grades ansahen und die Daten unter Verwendung der standardmäßigen Persönlichkeit der kleinsten Quadrate in der Fit-Modellfunktion analysierten. |
| So, |
| Nachdem wir den Prozess und die Ziele identifiziert haben, werden wir zu den Ergebnissen übergehen, aber bevor ich das wirklich schnell mache, wollte ich mir das JMP-Fenster ansehen, das ich gerade aufgerufen habe. |
| Diese verschiedenen Spalten sind meine unabhängigen und abhängigen Variablen und ich werde sie hervorheben |
| Genau hier, das sind die verschiedenen unabhängigen Variablen, die wir betrachten werden. Also die Art des Füllstoffs, das ist die Art des inerten Hilfsstoffs, und wir haben uns mit Mannit und Laktose befasst. |
| Prozent SDI, das ist die aktive oder in unserem Fall Placebo-Beladung, |
| Blick auf Höhen und Tiefen hier weg; und Menge intragranular, so dass die Menge unserer Hilfsstoffe, die wir vor der Walzenkompaktierung hinzufügen, im Vergleich nach der Walzenkompaktierung und hier umrissen 75 und 95 beträgt; |
| und Mannitol und Lactose, das ein Füllstoff für MCC ist, das ein mikrostrukturiertes Zelluloseverhältnis ist. Mannitol-Laktose sind, ich würde sagen, ein bisschen mehr |
| Hilfsstoff und MCC ist mehr ???, verleiht der Mischung mehr Festigkeit. Wir haben uns also ein Verhältnis davon angesehen, um zu sehen, wie es sich insgesamt auf unsere Tablettiermischung auswirkt. Und |
| rechts sind unsere Antworten. |
| Schüttdichte 1, Hausner-Verhältnis 1, also vor der Granulierung. Schüttdichte 2 und Hausner-Verhältnis 2, das nach der Granulierung ist, und Prozent Feinanteil. |
| Also werde ich |
| Gehen Sie hier schnell in dieses Fenster und sehen Sie sich an, wie wir unser Modell erstellt haben, unsere Antwortvariablen y, über die ich gerade gesprochen habe. Und dann unsere Modelleffekte, die sind |
| sekundäre Wechselwirkungen und Haupteffekte. Standard kleinste Quadrate. Das haben wir verwendet und ich führe das Modell aus. |
| Dies ist meine Wirkungszusammenfassung genau hier und basierend auf diesen Daten, die wir uns ansehen, und früheren Erfahrungen, werde ich abheben |
| die letzten beiden Effekte. |
| Entfernen Sie einfach dieses zusätzliche Rauschen und dann hier drüben habe ich meine Antworten und wie sich die Daten auf diese Antworten auswirken. |
| Es wäre einfach einfacher, wenn wir uns den Vorhersage-Profiler hier drüben ansehen würden. |
| Und wie all diese abhängigen Variablen davon beeinflusst werden. Also denke ich, es könnte einfacher sein, wenn ich meine hochziehe |
| Plakat und ... |
| Okay, wenn wir uns also die Ergebnisse hier drüben ansehen, haben wir aus Abbildung 3 herausgefunden, dass die beiden Füllstoffe Lactose anfänglich eine höhere Schüttdichte hatten, |
| aber nach der Linealverdichtung sank die Schüttdichte von zwei dieser Füllstoffe, und Sie können eine entsprechende Zunahme der Feinanteile sehen. Wir glauben also, dass Laktose spröder ist |
| im Vergleich zu Mannit. Und dies erzeugte all diesen Abrieb und diese Feinstoffe und das wirkte sich auf den Fluss aus, wodurch es weniger sperrig wurde und die Schüttdichte abnahm. |
| Und das Hausner-Verhältnis, etwas höher mit der Laktose. Im Grunde zielen wir also auf eine höhere Schüttdichte und wir wollen einen niedrigeren Hausner, weil ein niedrigerer Hausner auf eine besser fließende Mischung hinweist. |
| Wenn man sich also die Daten ansieht, hatte Mannit als Füllstoff einen leichten Vorteil gegenüber Laktose. Und der zweite Punkt würde über die feste Fraktion sprechen, und insgesamt sahen wir, dass es bei etwa 0,6 einen leichten Plateaueffekt gab |
| feste Fraktion. Insgesamt sehen wir, dass .7 die wenigsten Bußgelder hat, weshalb wir eine empfohlene .7 mit einem Maximum und Erwünschtheit sehen, aber |
| Der Plateaueffekt in Bezug auf Ihre Fließeigenschaften (Masse und Hausner) beginnt bei etwa 0,6 und höher. |
| dass ein niedrigerer SDI im Allgemeinen in der Formulierung insgesamt bessere Fließeigenschaften hatte. |
| Nur weil das SDI flauschig ist und die Mischung viel schlechter fließt. Das Design schlug uns also nur vor, eine geringere SDI-Belastung zu haben. |
| eine höhere Menge dieses Inhaltsstoffs dieses Hilfsstoffs, der intragranular hinzugefügt wird |
| als ein Extragranulat, nur weil es Ihr Volumen verbessert, hat es einen niedrigeren Hausner, was bedeutet, dass Ihre Mischung glatter fließt. |
| Wir haben auch beobachtet, dass ein Mannitol-Laktose-Verhältnis mit mehr dieser kritischen Komponente wünschenswerter war, und ich sehe das, weil |
| Insgesamt sind die Feinanteile in Gegenwart von etwas mehr der Mannit-Laktose-Komponente gesunken. Und das könnte der Grund sein, warum wir das sehen. |
| Wir haben auch in Abbildung 4 ein paar Oberflächendiagramme einiger interessanter Trends, die ich gesehen habe. Und in Abbildung 4A können Sie sehen, dass die SDI-Belastung geringer ist |
| und eine größere intragranulare Menge führte zu diesem Hotspot hier mit einem sehr hohen Hausner-Verhältnis. Also, wenn Sie viel hinzufügen ... wenn Sie einen niedrigen haben ... es tut mir leid ... haben Sie einen höheren SDI und |
| höher intragranular hatte ein extrem hohes Hausner-Verhältnis. Was dies also besagt, ist im Grunde, wenn Sie mehr von diesem flauschigen Material intragranular haben, wird Ihr Fluss schlecht sein, aber Sie entsprechen dem |
| nach der Granulation, wenn Sie wieder mehr von Ihrem Hilfsstoff intragranulär haben und einen festen Anteil anstreben |
| etwa 0,6 und etwa, Ihre Schüttdichte verbessert sich. Sie befinden sich also im Grunde nach der Granulation, Ihre Mischung wird dichter und darüber sprechen diese beiden Diagramme. Alle Ergebnispunkte sprechen also im Grunde davon |
| Dinge, die ich gerade besprochen habe. Insgesamt schlussfolgern wir aus unserer Studie, dass zur Optimierung dieses Prozesses und zur Maximierung der Attraktivität von Formulierungen |
| 1, |
| ein höheres Verhältnis intragranulär und eine niedrigere SDI-Beladung wären eine bevorzugte Formulierung, und das Zielen auf einen Feststoffanteil von etwa 0,6 wäre für die Formulierung ebenfalls vorteilhaft. |
| Vielen Dank. Ich würde mich über Ihre Fragen freuen. |
