ПРОГНОЗУВАННЯ СТУПЕНЯ НЕБЕЗПЕЧНОСТІ/РИЗИКУ ЗАЛИШКОВИХ РОЗЧИННИКІВ У ЛІКАРСЬКИХ ЗАСОБАХ МЕТОДАМИ ХЕМОМЕТРІЇ

Автор(и)

  • Ya. M. Pushkarova Національний медичний університет імені О.О. Богомольця https://orcid.org/0000-0001-9856-7846
  • A. V. Kaliuzhenko Національний медичний університет імені О. О. Богомольця

DOI:

https://doi.org/10.11603/2312-0967.2023.3.13985

Ключові слова:

залишковий розчинник, класифікація, дескриптор, штучна нейронна мережа

Анотація

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.

Біографії авторів

Ya. M. Pushkarova, Національний медичний університет імені О.О. Богомольця

канд. хім. наук, доцент закладу вищої освіти кафедри аналітичної, фізичної та колоїдної хімії

A. V. Kaliuzhenko, Національний медичний університет імені О. О. Богомольця

магістр фармації

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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: https://doi.org/10.2478/s11532-012-0060-z

##submission.downloads##

Опубліковано

2023-09-30

Як цитувати

Pushkarova, Y. M., & Kaliuzhenko, A. V. (2023). ПРОГНОЗУВАННЯ СТУПЕНЯ НЕБЕЗПЕЧНОСТІ/РИЗИКУ ЗАЛИШКОВИХ РОЗЧИННИКІВ У ЛІКАРСЬКИХ ЗАСОБАХ МЕТОДАМИ ХЕМОМЕТРІЇ. Фармацевтичний часопис, (3), 16–25. https://doi.org/10.11603/2312-0967.2023.3.13985

Номер

Розділ

ІНФОРМАЦІЙНІ ТА ІННОВАЦІЙНІ ТЕХНОЛОГІЇ В ФАРМАЦІЇ