| 스피커 |
성적 증명서 |
| 프란잘 타스카르 |
좋습니다. 감사합니다, 피터. 그럼 이제 시작하겠습니다. 안녕하세요 여러분. 오늘은 제 포스터에 대해 이야기해 보겠습니다. 이 포스터는 제 제품의 최종 품질 특성에 대한 제형 및 공정 변수의 영향을 포함하는 타겟팅의 체계적인 분석에 관한 것입니다. |
| |
그 전에 진행했던 모든 통계 분석을 자세히 살펴보고, 정확히 무슨 이야기인지 배경 설명을 드리고자 합니다. 정제화란 무엇일까요? 정제화는 제약 공정입니다. |
| |
서론에서 살펴보았듯이, 정제화(tableting)가 무엇인지에 대해 간략히 설명하겠습니다. 정제화는 활성 성분 또는 활성 부분(API)을 정제에 첨가하는 제약 공정입니다. |
| |
다른 부형제와 혼합하여 자유롭게 흐르는 좋은 혼합물을 형성하고, 이 혼합물을 압축하여 최종 투여 형태인 정제를 만듭니다. |
| |
그래서 많은 경우, 우리가 API라고 부르는 활성 성분들은 생체이용률이 낮은데, 이는 결정성 때문일 수 있습니다. 너무 안정적이기 때문입니다. |
| |
너무 융통성 없이 접근하는 경향이 있어서 저희 사이트는 이 결정형 API를 좀 더 가용성이 높고 반응성이 좋은 API로 만드는 데 특화되어 있습니다. |
| |
비정질 형태로 만들어서 생물학적으로 이용 가능한 형태로 만듭니다. |
| |
그리고 그렇게 할 때, 우리는 이 API를 폴리머로 강화했습니다. |
| |
우리가 형성하는 이 중간체는 분무 건조 중간체, SDI라고 불리는 정제 중간체입니다. |
| |
이것이 우리가 기본적으로 정제에서 활성 중간체로 사용하는 것입니다. |
| |
하지만 자세히 보면 흐름성이 좋지 않고 매우 부드럽습니다. 따라서 이 API를 태블릿에 통합해야 하는 경우 |
| |
혼합물을 더 유연하게 만들고 유동성을 높이기 위해 다른 제약 공정을 도입했습니다. 그래서 우리가 할 일은 다음과 같습니다. |
| |
이 연구에서 우리는 중요한 품질 속성, 즉 중요한 변수를 식별할 것입니다. |
| |
또는 종속 변수를 식별한 다음 중요한 품질 속성에 영향을 미치는 변수를 식별합니다. |
| |
이는 해당 혼합물의 정제 구성이며, 정제화에 사용된 다양한 공정 매개변수입니다. |
| |
이 중 어떤 것이 주효과인가요? 상호작용이 있나요? 그런 다음 JMP를 사용하여 이러한 모든 것을 식별해 보겠습니다. |
| |
주효과와 상호작용 변수를 살펴보고, 기본적으로 정제화 과정을 파악하려고 노력했습니다. 이것이 서론이었습니다. |
| |
방법과 목표로 넘어가겠습니다. 그렇다면 어떻게 해야 할까요? 이 연구에서는 위약 제형을 살펴보았습니다. 활성 물질이나 작용 물질은 없으며, 일반적으로 사용되는 분무 건조 중합체인 히프로멜로스 아세테이트 숙시네이트를 사용했습니다. |
| |
우리는 그것을 분무 건조하여 푹신한 것으로 만들었습니다. |
| |
일반적으로 혼합하는 방식입니다. 그림 2는 일반적인 과립화 집계 과정에 대해 설명합니다. 저희가 하는 일은 기본적으로 이 블렌더를 사용하여 분무 건조 중간체(SDI)를 다른 부형제와 혼합하는 것입니다. |
| |
우리는 롤러 압축으로 넘어갑니다. 이것은 이 혼합물을 압축하는 것입니다. 바로 여기에 롤러가 있고 이 롤러는 천천히 움직여 압축합니다. |
| |
이 호퍼에 혼합물을 넣으면 롤러 압축기에서 리본이 나옵니다. 이제 푹신한 재료를 고밀도 리본으로 만들고, 코밀을 사용하여 분쇄합니다. 그러면 |
| |
과립. 이 과립은 API나 SDI보다 밀도가 높고 흐름성이 훨씬 좋습니다. |
| |
이 전체 과정을 살펴보면, 바꾸고 주의해야 할 변수들이 많이 있습니다. 그렇다면 그 변수들은 무엇일까요? |
| |
여기의 다이어그램은 공식화 및 프로세스에 들어가는 독립 변수인 다양한 종류의 변수를 식별합니다. |
| |
첫 번째 변수는 공정보다는 기본 제형과 좀 더 관련이 있습니다. 즉, 사용되는 다양한 유형의 ??? 부형제에 대해 이야기하는 것입니다. |
| |
그리고 제가 사용한 이러한 부형제의 비율은 SDI 로딩 퍼센트 또는 활성 로딩이고, 우리의 경우에는 위약 로딩입니다. |
| |
그리고 SDI나 다른 부형제가 제형에 적재되는 첨가 순서와 첨가 지점입니다. |
| |
그리고 리본 고형분율과 같은 분류 공정 관련 매개변수는 기본적으로 이 장비, 롤러 압축기, 롤러와 스풀이 움직이는 속도에 대해 설명합니다. |
| |
우리는 또한 우리가 찾는 중요한 품질 속성의 독립 변수를 식별했습니다. 이는 혼합물의 벌크 밀도입니다. |
| |
과립화 전후를 살펴보면, 체적 밀도 1과 2로 표시되어 있습니다. |
| |
하우스너 비율은 혼합물의 흐름을 나타내는 비율이며, 과립화 전후를 식별하여 하우스너 비율 1과 2로 표시합니다. |
| |
그리고 수집된 미립자의 비율은... 롤러 압축 공정에서 수집됩니다. 그리고 이는 일반적으로 과립화 후에 모니터링됩니다. 따라서 이 모든 점에 대해 이야기해 보겠습니다. |
| |
기본적으로 저희의 방법론과 변수를 선택한 이유입니다. 저희가 한 것은 모든 독립 변수가 종속 변수에 영향을 미치는지 살펴보는 I-최적 19회 실행 맞춤형 설계였습니다. |
| |
그리고 우리가 이 모델을 분석하거나 효과를 구성하는 방식은 주효과와 2차 상호작용을 살펴보고 적합 모델 함수에서 표준 최소 제곱 성격을 사용하여 데이터를 분석하는 것이었습니다. |
| |
그래서, |
| |
프로세스와 목표를 파악한 후 결과로 넘어가겠습니다. 하지만 그 전에 먼저 지금 열어 놓은 JMP 창을 살펴보겠습니다. |
| |
이러한 다양한 열은 내 독립 변수와 종속 변수이며 이를 강조할 것입니다. |
| |
바로 여기, 우리가 살펴볼 다양한 독립 변수들이 있습니다. 필러의 종류, 즉 불활성 부형제의 종류, 그리고 만니톨과 락토오스를 살펴보았습니다. |
| |
활성 또는 우리의 경우 위약 로딩인 SDI 백분율 |
| |
여기에서 최고점과 최저점을 살펴보겠습니다. 그리고 입자 내부의 양을 살펴보면, 롤러 압축 전과 롤러 압축 후 첨가하는 부형제의 양은 각각 75와 95입니다. |
| |
그리고 만니톨과 락토오스는 MCC(미세 조대 셀룰로스 비율)의 필러입니다. 만니톨과 락토오스는 좀 더 풍부하다고 할 수 있습니다. |
| |
부형제와 MCC의 비율이 더 높으면 블렌드의 강도가 더 높아집니다. 따라서 이 비율이 타정 블렌드 전체에 어떤 영향을 미치는지 살펴보았습니다. 그리고 |
| |
오른쪽에는 우리의 대응이 나와 있습니다. |
| |
과립화 전의 부피 밀도 1, 하우스너 비율 1. 과립화 후의 부피 밀도 2, 하우스너 비율 2, 그리고 미분 백분율. |
| |
그래서 나는 할거야 |
| |
이 창으로 잠깐 들어가서 방금 말씀드린 모델, 반응 변수 y를 어떻게 만들었는지 살펴보세요. 그리고 모델 효과는 다음과 같습니다. |
| |
2차 상호작용과 주효과. 표준 최소제곱법. 이걸 사용해서 모델을 실행했습니다. |
| |
이것이 바로 내 효과 요약이며 우리가 살펴보고 있는 이 데이터와 이전 경험을 기반으로 나는 시작할 것입니다. |
| |
마지막 두 가지 효과. |
| |
그런 불필요한 노이즈를 제거하고 여기에 내 반응과 데이터가 이런 반응에 어떤 영향을 미치는지 적습니다. |
| |
여기 있는 예측 프로파일러를 살펴보면 더 쉬울 겁니다. |
| |
그리고 이 모든 종속 변수들이 이것에 의해 어떻게 영향을 받는지. 그래서 제가 내 |
| |
포스터와... |
| |
좋습니다. 여기 결과를 살펴보면 그림 3에서 알 수 있듯이 두 가지 충전제인 락토오스는 처음에 더 높은 벌크 밀도를 가지고 있었습니다. |
| |
하지만 룰러 압축 후, 이 두 충전재의 겉보기 밀도는 감소했고, 그에 따라 미립자도 증가했습니다. 따라서 유당이 더 잘 부서졌을 것이라고 생각합니다. |
| |
만니톨과 비교했을 때, 이것이 마모와 미립자를 발생시켜 흐름에 영향을 미쳐 부피가 줄어들고 밀도가 감소했습니다. |
| |
하우스너 비율은 유당 함량이 조금 더 높습니다. 기본적으로 우리가 목표로 하는 것은 더 높은 겉보기 밀도를 목표로 하고, 하우스너 비율은 낮추는 것입니다. 하우스너 비율이 낮을수록 블렌드가 더 잘 흐른다는 것을 의미하기 때문입니다. |
| |
데이터를 살펴보면, 만니톨은 충전제로서 유당보다 약간 더 나은 성능을 보였습니다. 두 번째 요점은 고형분에 대한 것인데, 전반적으로 약 0.6%에서 약간의 정체 효과가 나타났습니다. |
| |
고체 분율. 전반적으로 .7이 가장 적은 미립자를 가지고 있음을 알 수 있습니다. 따라서 최대값과 바람직성을 고려하여 권장되는 .7을 볼 수 있습니다. |
| |
유동 특성(벌크 및 하우스너) 측면에서 플래토 효과는 .6 정도에서 바닥을 치기 시작합니다. |
| |
일반적으로 제형에서 SDI가 낮을수록 흐름 특성이 전반적으로 더 좋습니다. |
| |
SDI가 너무 푹신해서 블렌딩이 훨씬 안 좋아지거든요. 그래서 설계 단계에서는 SDI 로딩을 낮추라고 제안했습니다. |
| |
그 부형제의 성분 중 더 많은 양이 과립내 방식으로 첨가됨 |
| |
입자가 큰 것보다 부피가 더 크고 하우스너 지수가 낮아 혼합물이 더 부드럽게 흐른다는 장점이 있습니다. |
| |
또한 우리는 더 많은 중요한 구성 요소를 갖는 만니톨 대 락토오스 비율이 더 바람직하다는 것을 관찰했으며 그 이유는 다음과 같습니다. |
| |
전반적으로 만니톨 유당 성분이 조금 더 많아지면서 미세먼지가 감소했습니다. 이것이 이러한 현상이 나타나는 이유일 수 있습니다. |
| |
그림 4에는 제가 본 몇 가지 흥미로운 추세를 보여주는 몇 가지 표면 플롯도 있습니다. 그림 4A에서는 SDI 로딩이 낮을수록 |
| |
그리고 입자 내부에 더 많은 양을 넣자 바로 여기 Hausner 비율이 매우 높은 핫스팟이 생겼습니다. 그래서 많은 양을 추가하면... 낮은... 죄송합니다... SDI가 더 높아지고 |
| |
더 높은 입자 내부는 하우스너 비율이 매우 높았습니다. 즉, 이는 기본적으로 입자 내부에 솜털 같은 물질이 더 많으면 흐름이 나빠지지만, |
| |
과립화 후, 다시 과립 내에 더 많은 부형제가 존재하고 고체 분획을 목표로 할 때 |
| |
약 0.6 정도, 겉보기 밀도가 향상됩니다. 즉, 과립화 후 혼합물의 밀도가 높아지는 것입니다. 이 두 다이어그램이 보여주는 것이 바로 이것입니다. 따라서 모든 결과 지점은 기본적으로 다음과 같은 내용을 나타냅니다. |
| |
제가 지금 논의한 내용입니다. 전반적으로, 저희 연구를 통해 이 과정을 최적화하고 제형의 바람직성을 극대화하기 위해서는 |
| |
1, |
| |
입자 내부의 비율이 더 높고 SDI 함량이 더 낮은 것이 더 바람직한 제형이며, 고체 분율을 약 0.6 정도로 목표로 하는 것도 제형에 유익할 것입니다. |
| |
감사합니다. 질문 주시면 감사하겠습니다. |
