| Oratore |
Trascrizione |
| Pranjal Taskar |
Bene. Grazie, Peter. Quindi inizio subito. 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, dopo aver approfondito tutte le analisi statistiche precedenti, volevo fornire un contesto su cosa stiamo esattamente parlando. Cos'è la compresseria? La compresseria è un processo farmaceutico. |
| |
Ripensando all'introduzione, spiegherò brevemente cos'è la compresseria. È un processo farmaceutico in cui il principio attivo o la frazione attiva (API) |
| |
viene miscelato con altri eccipienti per formare una miscela fluida e scorrevole, che viene 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 ciò 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 lo rende una forma più biodisponibile. |
| |
E quando lo facciamo, rafforziamo questa API con un polimero. |
| |
Questo intermedio che formiamo è un intermedio in compresse chiamato intermedio essiccato a spruzzo, SDI. |
| |
Ed è questo che fondamentalmente utilizziamo nelle nostre compresse come intermedio attivo. |
| |
Ma a guardarlo bene, ha una scarsa capacità di scorrimento 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 poi identificheremo le variabili che hanno un impatto sui nostri attributi di qualità critici, |
| |
quali sono la composizione di quella compressa di quella miscela e poi 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 identificarli tutti. |
| |
variabili di effetto principale e di interazione e cercare di individuare il processo di compresse in pratica. Questa è stata l'introduzione. |
| |
Passiamo ora ai metodi e agli obiettivi. Come lo facciamo? Per questo studio abbiamo esaminato una formulazione placebo. Non c'è un principio attivo o un gruppo di molecole attive e abbiamo utilizzato un polimero spray-dried comunemente utilizzato, ovvero l'acetato succinato di ipromellosa. |
| |
L'abbiamo essiccato con lo spray e l'abbiamo reso soffice |
| |
miscela che di solito è. E la Figura 2 parla del nostro consueto processo di granulazione e tabulazione. Quindi, quello che facciamo è fondamentalmente miscelare il nostro intermedio essiccato a spruzzo (SDI) insieme ad altri eccipienti utilizzando 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 viene versata in questa tramoggia e si ottengono nastri dal compattatore a rulli. Ora, quello che hai fatto è trasformare quel materiale soffice in nastri densificati e macinarli usando un comil. E ottieni |
| |
granuli. Questi granuli sono più densi e scorrono molto meglio del tuo API o del tuo SDI. |
| |
Quindi, considerando l'intero processo, ci sono molte variabili in gioco che bisogna modificare e a cui prestare attenzione. Quali sono queste variabili? |
| |
Questo diagramma qui identificherà diversi tipi di variabili, le variabili indipendenti che entrano nella formulazione e nel processo. quindi |
| |
La prima variabile sarebbe un po' più legata alla formulazione di base che al processo. Quindi si riferirebbe ai diversi tipi di eccipienti utilizzati. |
| |
E il rapporto tra questi eccipienti che ho utilizzato è la percentuale di carico SDI, o carico attivo, e nel nostro caso, il carico placebo. |
| |
E poi 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 sostanzialmente riguarda questa attrezzatura, il compattatore a rulli e la velocità alla quale si muovono i rulli e le bobine. |
| |
Abbiamo anche identificato variabili indipendenti dei nostri attributi di qualità critici che cerchiamo, che è 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 un rapporto che descrive il flusso della miscela e che identifichiamo anche prima e dopo la granulazione, etichettati come rapporto di Hausner 1 e 2. |
| |
E la percentuale di particelle fini che si accumulano... viene raccolta nel processo di compattazione a rulli. E questo viene solitamente monitorato dopo la granulazione. Quindi, tutti questi punti sono di cui parlare. |
| |
In pratica, il nostro metodo e il motivo per cui abbiamo scelto le nostre variabili. Quello che abbiamo fatto è stato avere un disegno personalizzato ottimale, composto da 19 run, che considerava 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 che prendiamo in considerazione l'effetto principale e le interazioni di secondo grado e analizziamo 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 |
| |
Ecco, queste sono le diverse variabili indipendenti che prenderemo in considerazione. Quindi, il tipo di riempitivo, ovvero il tipo di eccipiente inerte; 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 rullo rispetto a dopo la compattazione a rullo e il contorno qui sono 75 e 95; |
| |
e mannitolo e lattosio, che è un riempitivo per MCC, che è il rapporto tra cellulosa e micron. Il mannitolo e il lattosio sono, direi, un po' più |
| |
eccipiente e MCC sono più ???, conferiscono maggiore forza alla miscela. Abbiamo quindi esaminato un rapporto di questo per vedere come influisce sulla nostra miscela di compresse nel complesso. E |
| |
sulla destra ci sono le nostre risposte. |
| |
Densità apparente 1, rapporto di Hausner 1, prima della granulazione. Densità apparente 2 e rapporto di Hausner 2, dopo la granulazione, e percentuale di fini. |
| |
Quindi ho intenzione di |
| |
Andiamo velocemente in questa finestra e guardiamo come abbiamo creato il nostro modello, le nostre variabili di risposta y, di cui ho appena parlato. E poi gli effetti del nostro modello che sono |
| |
Interazioni secondarie ed effetti principali. Minimi quadrati standard. È quello 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 come i dati in qualche modo 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 facile 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 con il righello, la densità apparente di due di questi riempitivi è diminuita e si può osservare un corrispondente aumento delle particelle fini. Quindi, ciò che pensiamo sarebbe accaduto è che il lattosio è più fragile. |
| |
rispetto al mannitolo. E questo ha generato tutto quell'attrito e quelle polveri, e questo ha avuto un impatto sul flusso, rendendolo meno voluminoso, con una diminuzione della densità apparente. |
| |
E il rapporto Hausner, leggermente più alto con il lattosio. Quindi, in pratica, quello che stiamo facendo è puntare a una densità apparente più elevata e vogliamo un Hausner più basso, perché un Hausner più basso indica una miscela più fluida. |
| |
Quindi, osservando i dati, il mannitolo ha avuto un leggero vantaggio sul lattosio come riempitivo. E il secondo punto riguarda la frazione solida: nel complesso, abbiamo visto un leggero effetto di stabilizzazione intorno allo 0,6. |
| |
frazione solida. Nel complesso, vediamo che .7 ha il minor numero di multe, motivo per cui vediamo un .7 raccomandato con un massimo e desiderabilità, ma |
| |
l'effetto plateau in termini di proprietà del flusso (volume e Hausner) inizia a toccare il fondo intorno a 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 troppo fluido e peggiora notevolmente la fluidità della miscela. Quindi il progetto ci ha semplicemente suggerito di ridurre il carico SDI. |
| |
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 inferiore, il che significa che la miscela scorre più fluida. |
| |
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 sanzioni sono diminuite in presenza di una quantità leggermente maggiore di mannitolo e lattosio. E questo potrebbe essere il motivo per cui stiamo assistendo a questo fenomeno. |
| |
Nella Figura 4 abbiamo anche un paio di grafici di superficie di alcune tendenze interessanti che ho notato. E nella Figura 4A, si può vedere che avere un carico SDI inferiore |
| |
e avere una quantità maggiore intragranulare ha portato a questo punto caldo proprio qui, con un rapporto di Hausner molto alto. Quindi, quando si aggiunge molto... quando si ha un basso... mi dispiace... si ha un SDI più alto e |
| |
Un intragranulare più elevato aveva un rapporto di Hausner estremamente elevato. Quindi, questo significa che, in pratica, quando si ha più materiale soffice intragranulare, il flusso sarà scarso, ma si corrisponde a questo |
| |
dopo la granulazione, quando hai di nuovo una quantità maggiore del tuo eccipiente intragranulare e stai prendendo di mira una frazione solida di |
| |
Circa 0,6 e più, la densità apparente migliora. Quindi, sostanzialmente, dopo la granulazione, la miscela diventa più densa e questo è ciò di cui parlano questi due diagrammi. Quindi tutti i punti risultato parlano sostanzialmente di questo. |
| |
cose di cui ho parlato 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 l'obiettivo di una frazione solida di circa 0,6 sarebbe vantaggioso per la formulazione. |
| |
Grazie mille. Gradirei rispondere alle vostre domande. |
