对小试流化床进行设备改造，将微型近红外光谱仪内嵌到流化床腔室中，通过实验设计，将常规流化床混合过程中监测腔室内原料药(API)浓度变化时遇到的变异性来源（原辅料、工艺过程、环境等）尽可能包含进去。采用接触式采集模式进行在线校正集光谱采集，将在线采集到的光谱进行光谱选择，预处理和波段选择，在有限的API消耗情况下建立定量PLS模型，最后用外部验证集验证模型的稳定性和预测能力。

材料

试剂

本文中使用的原辅料及试剂如表。

表实验所用试剂及详细信息

试剂名称	厂家	批号
对乙酰氨基酚	山东昌达生物科技有限公司	190437，190438，190439
微晶纤维素	安徽山河药用辅料股份有限公司	180559
玉米淀粉（药品级）	山东聊城华阳医药辅料有限公司	18020501
玉米淀粉（食品级）	北京闵松经贸有限公司	产品标准号：GB31637
一水合乳糖	镇江市康富生物工程有限公司	20180323
羟丙基甲基纤维素	安徽山河药用辅料股份有限公司	180205
氢氧化钠	上海艾览化工科技有限公司	20190610

仪器和软件

LGL 002实验型流化床（山东新马制药装备有限公司）；Micro NIR PAT-U 微型近红外光谱仪（美国Viavi Solutions公司）；耐高温外接金属探头；紫外分光光度计；烘箱；干燥器；Matlab 2016b（美国Mathworks公司）；Unscrambler X 10.4 (挪威 CAMO 公司); orign85（美国OriginLab公司）。

方法

实验设计

实验设计（DOE）的目的是将流化床混合过程中监测原料药（API）含量变化时遇到的变异性来源，包括原辅料理化性质、工艺过程参数、环境参数等尽可能包含进去。对于工艺过程因素，通过控制排风机开启的比例，选择了两种不同的进风比例(15%和25%)来模拟在正常混合过程中每个校正集批次通过探头时的动态粉末流动量及流动速度。此外，混合过程中进风温度设定了两个不同的水平，分别为50℃，70℃，模拟实际混合过程中进风温度的预期范围。对于环境可变性，整个校正集所有混合批次，在20%和40% RH(设置点)条件下进行。64个校正集批次以全因子的方式设计， 7个批次和批次8共计8个配方批次在两个进风温度设定水平、两个进风量设定点和两个环境湿度设定点条件下完成。

设备改造及在线光谱采集

原始光谱由Micro NIR PAT-U 微型近红外光谱仪（美国Viavi Solutions公司）漫反射模块在线接触式采样方式直接采集，保证了光谱的质量。为了避免温度对光谱仪的影响，PAT-U光谱仪连接到一个耐热金属探头上，然后将光谱仪及探头固定在物料车一侧，距底部筛网15 cm高，与取样口在同一水平线且垂直于取样口，既不影响在线光谱的采集又保证了用于光谱采集的物料和取出的样品有相同或相似的理化性质。光谱仪探头的蓝宝石窗口附近配有吹扫装置，在光谱采集过程中，每30 s对采集窗口进行一次吹扫，防止其被物料覆盖或者污染[67, 68]，详细信息如图所示。近红外光谱每3 s自动采集一次，波长范围为908.1 nm-1676.0 nm，每张光谱平均扫描100次。

图A流化床混合系统设备图；B近红外光谱仪及探头的位置

一级数据的测定

每个混合批次按经验预混合5 min至基本均匀后，进行在线光谱采集。光谱采集的同时进行取样，每次取样约为3 g，64个校正集批次共收集64个样品。水分含量的测定采用药典规定的干燥失重法(LOD)[69]，在烘箱中完成。API含量的测定用UV法。

模型的建立

通过实验设计，在实验模拟型流化床上用有限的物料采集到不同工艺参数、不同环境条件下的校正集光谱，用于建立PLS定量分析模型。然后，通过不同的光谱选择方法消除异常光谱的干扰。为了进一步提高模型的预测能力，对光谱选择处理后的校正集光谱进行预处理和波段选择，通过交互验证均方根误差(Root Mean Squares Error of Cross-validation, RMSECV) 对校正集模型进行评价。此外，外部独立验证集光谱在中试流化床上进行采集，对独立测试集光谱进行诊断分析，来验证模型的稳健性以及在小试实验型流化床上采集校正集光谱的适宜性，以便随后应用于生产型流化床混合过程中。进一步对近红外预测数据和参考值进行方法学考察，探究方法学结果的准确性、精密度等用于检测流化床混合过程中潜在的API含量瞬态干扰。

模型评价与验证

图为优化后的PLS模型前三个潜在变量（LV）的二维得分图。如图所示，第一个LV解释了大部分的浓度变异性，第二个LV解释了大部分湿度的变化，第三个LV解释了大部分由进风温度引起的变化。同时，得分图中同一工艺和环境条件下，单簇样品点出现的变异代表了DOE中配方的变化，这些变化来源于不同的原料药批次、辅料1和辅料2的不同比例以及流化床腔室中物料粒径的不同。


(a)	(b)

(c)	(d)
图优化后的PLS模型在前三个潜在变量(LV)的得分图。图(a) (LV1 vs LV2)中的多种颜色代表了API含量的分类；(b) (LV1 vs LV2)中多种颜色代表了环境湿度的分类；(c) (LV1 vs LV3)中多种颜色代表了API含量的分类；(d) (LV1 vs LV3) 多种颜色代表进风温度的分类

校正集中包涵了多种变量因素条件下采集的光谱，（包括工艺因素、环境因素和配方因素）提高了模型对后续实际应用中原辅料、过程和环境变化的稳定性。最后，对模型进行诊断和验证，验证集四批实验(每个API理论含量配方进行一批实验)在低的环境湿度和50℃进风温度条件下完成。图为校正集光谱诊断断图(即F vs Hotelling T2)和得分图（包含校正集和验证集）表明，校正集和独立外部预测集光谱都在95%置信范围内，再次证明了模型的稳定性和可靠性，证明了近红外技术可用于流化床混合过程API含量监测的稳定性。进一步对近红外预测数据和参考值进行方法学考察，近红外测量具有良好的准确度(RMSEP=2.3629%)、精密度(100%含量下的SD=4.8%)和线性度(R=0.903)，说明了近红外光谱法在线监测API含量的可行性。

(a)

(b)

图 (a) 校正集光谱诊断图(即F vs Hotelling T2)和 (b) 得分图（包含校正集和验证集）

小结

本章节对小试流化床进行设备改造，将微型近红外光谱仪内嵌到流化床腔室中，通过实验设计，考察了流化床混合过程中影响原料药（API）含量的变异性来源，包括原辅料、工艺过程、环境等因素。在有限的API消耗情况下建立定量PLS模，验证了流化床混合过程API含量在线监测的可行性。采用接触式采集模式进行在线校正集光谱采集，保证了光谱的质量。另外，提出并研究了不同的光谱选择方法以提高模型的预测能力，其中余弦距离法效果最好。余弦距离法是一种非常普遍的光谱选择方法，可作为一种优化方法对其他动态过程的光谱进行选择。此外，光谱预处理和变量选择方法对模型预测能力的提高也很重要。通过研究不同的预处理和波段选择方法提高了模型的预测能力，R2c，R2cv，RMSEC和RMSECV分别为0.957，0.954，2.3103和2.3143。

对NIRS方法进行方法学考察，结果表明近红外测量具有良好的准确度(RMSEP=2.3629%)、精密度(100%含量下的SD=4.8%)和线性度(R=0.903)，说明了近红外光谱法在线监测API含量的可行性。本研究可作为中试和工业流化床混合过程中微型近红外传感器在线监测的参考，本研究表明近红外光谱法有可能取代传统的测量方法，实现流化床混合过程在线监测，并可将CQA与关键工艺参数相连接，实现固体制剂的智能化生产。下一步研究中，将对离线光谱进行模型转移研究，进一步提高模型的精度、预测能力和稳定性，并将离线模型、在线模型、模型转移后得到的模型用于中试生产中API含量的监测。

附件：

11.docx