机器学习整合多模式分析数据以区分异常植物药物及其在Guhong注射中的应用
Zhu Han1, Jiandong Zhao2, Yu Tang3,4
1Pharmaceutical Informatics Institute, College of Pharmaceutical Sciences, Zhejiang University, Hangzhou, 310058, China.
Chinese medicine
|January 2, 2024
概括
由于化学多样性,确保植物药物的一致质量是具有挑战性的. 使用多种检测方法的新数据融合策略准确评估 Guhong 注射的批量一致性.
科学领域:
- 制药科学 制药科学
- 分析化学 分析化学
- 质量控制 质量控制 质量控制
背景情况:
- 由于固有的化学多样性,很难确定植物药物 (BDs) 的批量一致性.
- 标准化BD具有挑战性,因为单一检测方法无法捕捉不同化学结构的复杂性.
- 多模式数据分析对于准确的BD分类和标准化至关重要.
研究的目的:
- 开发和评估一种新的数据融合策略,用于评估Guhong注射 (GHI) 的批次对批次一致性.
- 克服复杂植物药物的质量评估中单一检测方法的局限性.
- 提高GHI正常和异常批量分类的准确性.
主要方法:
- 采用HPLC-UV,HPLC-ELSD和定量1H NMR (q1HNMR) 来获取78批GHI的多式数据.
- 使用皮尔森相关系数 (PCC) 和部分最小平方差异分析 (PLS-DA) 单独分析数据.
- 采用中级数据融合方法建立支持向量机 (SVM) 模型进行一致性评估.
主要成果:
- 单一检测模式被证明不足以准确评估GHI的质量.
- 中级数据融合策略在分类正常和异常GHI批次时实现了100%的准确性.
- 开发的战略有效地整合了定性和定量数据,以进行可靠的质量评估.
结论:
- 使用中级数据融合开发了一种成功的质量评估策略,用于评估GHI批次对批次一致性.
- 这项研究证明了多模式数据在植物药品质量评估中的价值.
- 数据融合有利于处理多模式数据,提高BD和其他复杂产品的分类准确性.
