ПРОГНОЗУВАННЯ СТУПЕНЯ НЕБЕЗПЕЧНОСТІ/РИЗИКУ ЗАЛИШКОВИХ РОЗЧИННИКІВ У ЛІКАРСЬКИХ ЗАСОБАХ МЕТОДАМИ ХЕМОМЕТРІЇ
DOI:
https://doi.org/10.11603/2312-0967.2023.3.13985Ключові слова:
залишковий розчинник, класифікація, дескриптор, штучна нейронна мережаАнотація
Мета роботи. Дослідити можливість застосування методів хемометрії для прогнозування ступеня небезпечності/ризику залишкових розчинників у лікарських засобах за набором молекулярних дескрипторів.
Матеріали і методи. Об’єкт дослідження ‒ класифікація залишкових розчинників у субстанціях, допоміжних речовинах і лікарських засобах за ступенем ризику/небезпечності для здоров’я людини. Методи дослідження ‒ тест Краскела –Уолліса; ймовірнісна нейронна мережа. Програмне забезпечення ‒ програмний пакет ChemOffice 2020; програмний комплекс Matlab R2022b.
Результати й обговорення. Встановлено, що на класифікацію розчинників (за їх ступенем ризику/небезпечності відповідно до їх загрози здоров’ю людини) найбільший вплив становлять такі молекулярні дескриптори (їх значення суттєво змінюються залежно від класу розчинника): кількість акцепторів водневого зв’язку; логарифмічний коефіцієнт розчинності у воді; площа полярної поверхні; коефіцієнт форми; сума валентних ступенів; загальна валентна зв’язність. Навчання ймовірнісної нейронної мережі на основі цих 6 молекулярних дескрипторів є коректним – з нульовою похибкою. Застосування ймовірнісної нейронної мережі забезпечує надійну класифікацію залишкових розчинників при широкому діапазоні значень відхилення функції активації.
Висновки. Запропоновано процедуру прогнозування ступеня небезпечності/ризику залишкових розчинників у лікарських засобах.
Посилання
Isoni V, Wong LL, Khoo HH, Halim I, Sharratt P. Q-SA√ESS: a methodology to help solvent selection for pharmaceutical manufacture at the early process development stage. Green Chem. 2016;18(24): 6564-72. https://doi.org/10.1039/c6gc02440h
Papadakis E, Tula AK, Gani R. Solvent selection methodology for pharmaceutical processes: Solvent swap. Chem Eng Res Des. 2016;115: 443-61. https://doi.org/10.1016/j.cherd.2016.09.004
Impurities: Guideline for residual solvents. Amsterdam, Netherlands: European Medicines Agency; 2021. https://www.ich.org/page/quality-guidelines
The State Pharmacopoeia of Ukraine. 2nd ed. Residual Solvents. Ukraine, Kharkiv: Ukrainian Scientific Pharmacopoeial Center for Quality of Medicines; 2018. 12 p. Ukrainian. http://sphu.org/viddil-dfu
Kaliuzhenko A, Pushkarova Y. Application of artificial neural networks for solving pharmaceutical issues. Grail Sci. 2023;(24): 766-9. https://doi.org/10.36074/grail-of-science.17.02.2023.143
Ostertagová E, Ostertag O, Kováč J. Methodology and Application of the Kruskal-Wallis Test. Appl Mech Mater. 2014;611: 115-20. https://doi.org/10.4028/www.scientific.net/amm.611.115
Zeinali Y, Story BA. Competitive probabilistic neural network. Integr Comput Aided Eng. 2017;24(2): 105-18. https://doi.org/10.3233/ica-170540
Savchenko AV, Belova NS. Sequential analysis in fourier probabilistic neural networks. Expert Syst With Appl. 2022: 117885. https://doi.org/10.1016/j.eswa.2022.117885
Hoya T. Reducing the number of centers in a probabilistic neural network via applying the first neighbor means clustering algorithm. Array. 2022;14: 100161. https://doi.org/10.1016/j.array.2022.100161
Ahmed M, Seraj R, Islam SM. The k-means Algorithm: A Comprehensive Survey and Performance Evaluation. Electronics. 2020;9(8): 1295. https://doi.org/10.3390/electronics9081295
Pushkarova Y, Kholin Y. A procedure for meaningful unsupervised clustering and its application for solvent classification. Open Chem. 2014;12(5): 594-603. https://doi.org/10.2478/s11532-014-0514-6
The Prime Chemistry Portal. URL: https://chemistrydocs.com/perkinelmer-chemoffice-2020-version-20-0/
Columbia University Libraries, Chem3D 17.0 User Guide. Copyright 1998-2017 PerkinElmer Informatics Inc., URL: https://library.columbia.edu/content/dam/libraryweb/locations/dsc/Software%20Subpages/ChemDraw_17_manual.pdf
Matlab for artificial intelligence. URL: https://www.mathworks.com/products/matlab.html
Miller RD, Miller JC, Miller J'. Statistics and Chemometrics for Analytical Chemistry. Australia: Pearson Education; 2018. 296 р.
Pushkarova Y, Kholin Y. The classification of solvents based on solvatochromic characteristics: the choice of optimal parameters for artificial neural networks. Open Chem. 2012;10(4): 1318-27. https://doi.org/10.2478/s11532-012-0060-z
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2023 Фармацевтичний часопис
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі
. - Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
