Oratore | Trascrizione |
| Pranjal Taskar | Bene. Grazie, Peter. Quindi ora inizio. Ciao a tutti. Oggi parlerò del mio poster. Questo poster riguarda l'analisi sistematica del targeting, che include l'effetto delle variabili di formulazione e di processo sugli attributi di qualità finale del mio prodotto. |
| Quindi, addentrandomi in tutte le analisi statistiche precedenti, volevo dare un background su cosa stiamo esattamente parlando. Cos'è la compresseria? La compresseria è un processo farmaceutico. |
| Ripensando all'introduzione, parlerò un po' di cosa sia la compresseria. È un processo farmaceutico in cui il tuo principio attivo o la frazione attiva (API) |
| viene miscelato con altri eccipienti per formare una miscela fluida e scorrevole, che viene poi compressa nella nostra forma di dosaggio finale, ovvero una compressa. |
| Quindi in molte situazioni, ci sono alcune frazioni attive o API, come le chiameremmo noi, che hanno una bassa biodisponibilità e questo potrebbe essere dovuto alla loro natura cristallina. Sono semplicemente troppo stabili, |
| troppo rigidi nei loro modi. Quindi il nostro sito è in un certo senso specializzato nel rendere questa API cristallina, un po' più solubile, un po' più reattiva |
| forma amorfa e la rende una forma più biodisponibile. |
| E quando lo facciamo, rafforziamo questa API con un polimero. |
| Il prodotto intermedio che formiamo è una compressa intermedia chiamata intermedio essiccato a spruzzo, SDI. |
| Ed è questo che fondamentalmente utilizziamo nelle nostre compresse come intermedio attivo. |
| Ma quando lo guardi, ha una scarsa capacità di flusso ed è estremamente soffice. Quindi quando devi incorporare questa API nel tuo tablet, devi avere |
| altri processi farmaceutici coinvolti per renderlo più snello, per rendere la miscela più fluida. Ecco cosa faremo. |
| In questo studio, identificheremo i nostri attributi di qualità critici, le variabili che contano, |
| o le nostre variabili dipendenti e quindi identificheremo le variabili che hanno un impatto sui nostri attributi critici di qualità, |
| quali sono la composizione di quella compressa di quella miscela e quindi i diversi parametri di elaborazione del processo che abbiamo utilizzato nella produzione di compresse. |
| Quali di questi sono effetti principali? Ci sono interazioni? E poi useremo JMP per identificare tutti questi |
| effetto principale e variabili di interazione e cercare di cogliere il processo di tableting in pratica. Quindi questa è stata l'introduzione. |
| Passiamo ai metodi e agli obiettivi. Quindi, come lo facciamo? Per questo studio abbiamo esaminato una formulazione placebo. Non c'è un prodotto attivo o una frazione di attore e abbiamo utilizzato un polimero essiccato a spruzzo comunemente usato, ovvero l'acetato succinato di ipromellosa. |
| L'abbiamo essiccato a spruzzo e l'abbiamo reso soffice |
| miscela che di solito è. E la Figura 2 parla del nostro solito processo di tabulazione della granulazione. Quindi, cosa, cosa facciamo è fondamentalmente far miscelare il nostro intermedio essiccato a spruzzo (SDI) insieme ad altri eccipienti usando questo miscelatore. |
| Passiamo alla compattazione a rulli, che è la densificazione di questa miscela utilizzando questi rulli proprio qui e questi rulli si muovono lentamente per densificare |
| la miscela che entra in questa tramoggia e si ottengono nastri dal compattatore a rulli. Ora quello che hai fatto è che hai trasformato quel materiale soffice in nastri densificati e lo hai macinato usando un comil. E ottieni |
| granuli. Questi granuli sono più densi e scorrono molto meglio del tuo API o del tuo SDI. |
| Quindi, osservando l'intero processo, ci sono molte variabili che entrano in gioco e che devi cambiare e a cui devi fare attenzione. Quindi, quali sono queste variabili? |
| Questo diagramma qui identificherà diversi tipi di variabili, le variabili indipendenti che entrano nella formulazione e nel processo. |
| La prima variabile sarebbe un po' più legata alla formulazione di base rispetto a...piuttosto che al processo. Quindi parlerebbe di diversi tipi di eccipienti ??? che vengono utilizzati. |
| E il rapporto di questi eccipienti che ho utilizzato è la percentuale di carico SDI, o carico attivo, e nel nostro caso, il carico placebo. |
| Quindi l'ordine di aggiunta e il punto di aggiunta in cui l'SDI o altri eccipienti vengono caricati nella formulazione. |
| E poi i parametri correlati al processo di smistamento, come la frazione solida del nastro, che fondamentalmente riguardano questa attrezzatura, il compattatore a rulli e la velocità a cui si muovono i rulli e le bobine. |
| Abbiamo anche identificato variabili indipendenti dei nostri attributi di qualità critici che cerchiamo, ovvero la densità apparente della nostra miscela, |
| Che osserviamo prima e dopo la granulazione e che hai etichettato come densità apparente 1 e 2. |
| Rapporto di Hausner, che è ancora una volta un rapporto che descrive il flusso della miscela e che identifichiamo anche prima e dopo la granulazione, etichettandolo come rapporto di Hausner 1 e 2. |
| E la percentuale di fini che si raccolgono... vengono raccolte nel processo di compattazione a rulli. E questo viene solitamente monitorato dopo la granulazione. Quindi tutti questi punti per parlare di |
| fondamentalmente il nostro metodo e perché abbiamo scelto le nostre variabili. Quello che abbiamo fatto è stato avere un design personalizzato I ottimale, da 19 esecuzioni, che esaminava tutte queste variabili indipendenti che impattavano sulle variabili dipendenti. |
| Il modo in cui analizziamo questo modello o il modo in cui costruiamo gli effetti è quello di osservare l'effetto principale e le interazioni di secondo grado e di analizzare i dati utilizzando la personalità standard dei minimi quadrati nella funzione del modello di adattamento. |
| COSÌ, |
| Dopo aver identificato il processo e gli obiettivi, passeremo ai risultati, ma prima di farlo velocemente, vorrei dare un'occhiata alla finestra JMP che ho appena aperto. |
| Queste diverse colonne sono le mie variabili indipendenti e dipendenti e le evidenzierò |
| proprio qui, queste sono le diverse variabili indipendenti che stiamo per esaminare. Quindi tipo di riempitivo, che è il tipo di eccipiente inerte e abbiamo esaminato mannitolo e lattosio. |
| percentuale di SDI, che è il carico attivo o nel nostro caso placebo, |
| guardando qui i massimi e i minimi; e la quantità intragranulare, quindi la quantità dei nostri eccipienti che aggiungiamo prima della compattazione a rulli rispetto a dopo la compattazione a rulli e il contorno qui sono 75 e 95; |
| e mannitolo e lattosio, che è un riempitivo per MCC, che è il rapporto di cellulosa micro course design. Mannitolo e lattosio sono, direi un po' di più |
| eccipiente e MCC è più ???, conferisce più forza alla miscela. Quindi abbiamo esaminato un rapporto di questo per vedere come influisce sulla nostra miscela di compresse in generale. E |
| sulla destra ci sono le nostre risposte. |
| Densità apparente 1, rapporto Hausner 1, che è prima della granulazione. Densità apparente 2 e rapporto Hausner 2, che è dopo la granulazione, e percentuale di fini. |
| Quindi ho intenzione di |
| vai qui velocemente in questa finestra e guarda come abbiamo creato il nostro modello, le nostre variabili di risposta y, di cui ho appena parlato. E poi i nostri effetti modello che sono |
| interazioni secondarie ed effetti principali. Minimi quadrati standard. Questo è ciò che abbiamo usato e io eseguo il modello. |
| Questo è il mio riassunto degli effetti proprio qui e sulla base di questi dati che stiamo esaminando e dell'esperienza precedente, ho intenzione di partire |
| gli ultimi due effetti. |
| Basta eliminare quel rumore in più e poi qui ho le mie risposte e il modo in cui i dati influenzano queste risposte. |
| Sarebbe più semplice se andassimo a dare un'occhiata al profiler di previsione qui. |
| E come tutte queste variabili dipendenti sono influenzate da questo. Quindi penso che potrebbe essere più semplice se tirassi fuori il mio |
| manifesto e... |
| Bene, quindi guardando i risultati qui, quello che abbiamo scoperto dalla Figura 3 è che, guarda, i due riempitivi lattosio avevano inizialmente una densità apparente più alta, |
| ma dopo la compattazione del righello, la densità apparente di due di questi riempitivi è scesa e si può vedere un corrispondente aumento delle polveri. Quindi quello che pensiamo sarebbe successo è che il lattosio è più fragile |
| rispetto al mannitolo. E questo ha generato tutto quell'attrito e quelle multe e ciò ha avuto un impatto sul flusso, rendendolo meno ingombrante, calo della densità apparente. |
| E il rapporto Hausner, un po' più alto con il lattosio. Quindi, fondamentalmente, quello che stiamo facendo è puntare a una densità di massa più alta e vogliamo un Hausner più basso perché un Hausner più basso indica una miscela che scorre meglio. |
| Quindi, osservando i dati, il mannitolo aveva un leggero vantaggio sul lattosio come riempitivo. E il secondo punto sarebbe parlare della frazione solida e nel complesso abbiamo visto che c'era un leggero effetto di plateauing a circa 0,6 |
| frazione solida. Nel complesso, vediamo che .7 ha il minor numero di multe, motivo per cui vediamo un .7 consigliato con un massimo e desiderabilità, ma |
| l'effetto plateau in termini di proprietà del flusso (volume e Hausner) inizia a toccare il fondo a circa 0,6 e oltre. |
| che avere un SDI più basso in generale nella formulazione aveva proprietà di flusso complessivamente migliori. |
| Solo perché l'SDI è soffice e fa sì che la miscela scorra molto peggio. Quindi il design ci ha semplicemente suggerito di avere un carico SDI inferiore. |
| una quantità maggiore di quell'ingrediente di quell'eccipiente aggiunto in modo intragranulare |
| rispetto a un extragranulare, semplicemente perché migliora la massa, ha un Hausner più basso, il che significa che la miscela scorre più fluidamente. |
| Abbiamo anche osservato che il rapporto mannitolo/lattosio con una quantità maggiore di quel componente critico era più desiderabile e lo vedo perché |
| nel complesso, le multe sono diminuite in presenza di un po' più di componente mannitolo lattosio. E questo potrebbe essere il motivo per cui stiamo vedendo questo. |
| Abbiamo anche nella Figura 4 un paio di grafici di superficie di alcuni trend interessanti che ho visto. E nella Figura 4A, puoi vedere che avere un carico SDI inferiore |
| e avere una quantità maggiore intragranulare ha portato a questo hotspot proprio qui di un rapporto Hausner molto alto. Quindi quando aggiungi molto... quando hai un basso... mi dispiace... hai un SDI più alto e |
| intragranulare superiore aveva un rapporto Hausner estremamente elevato. Quindi ciò che questo dice è fondamentalmente che quando hai più di quel materiale soffice intragranulare, il tuo flusso sarà cattivo, ma tu corrispondi a quello |
| dopo la granulazione, quando hai di nuovo una quantità maggiore del tuo eccipiente intragranulare e stai prendendo di mira una frazione solida di |
| circa .6 e circa, la densità apparente migliora. Quindi sei sostanzialmente post-granulazione, la tua miscela sta diventando più densa e questo è ciò di cui parlano questi due diagrammi. Quindi tutti i punti risultato parlano sostanzialmente di questi |
| cose di cui ho discusso adesso. Nel complesso, concludiamo dal nostro studio che per ottimizzare questo processo e massimizzare la desiderabilità delle formulazioni, |
| 1, |
| una formulazione preferibile sarebbe un rapporto intragranulare più elevato e un carico SDI più basso, mentre anche puntare a una frazione solida di circa 0,6 sarebbe vantaggioso per la formulazione. |
| Grazie mille. Accoglierei volentieri le tue domande. |
