机器学习建模用于对制药片的超声波质量属性评估,用于连续制造和实时释放测试

科学领域:

• 制药制造业 制药制造业 制药制造业
• 材料科学 材料科学 材料科学
• 人工智能的人工智能

背景情况:

• 超声波表征对于在连续制造 (CM) 中的工艺质量监测至关重要.
• 评估关键质量属性 (CQA) 实时释放 (RTR) 测试需要强大的数学模型,这是传统方法的挑战.
• 机器学习 (ML) 提供了一种强大的方法来克服这些建模限制.

研究的目的:

• 开发和验证一个新的基于深度神经网络的ML驱动的非破坏性评估 (ML-NDE) 框架.
• 为了证明该框架在提取和预测关键药物药片CQAs方面的有效性.
• 推进自动化的RTR测试,以实现在制药CM中具有成本效益的过程中监控.

主要方法:

• 开发一个深度神经网络 (DNN) 模型用于ML-NDE.
• 使用机器人平板电脑处理实验装置获取不同的超声波数据集.
• 使用实验数据进行CQA预测的ML模型的培训,验证和测试.

主要成果:

• ML-NDE框架成功预测了三个关键的CQA:缺陷状态,压缩力水平和分解量.
• 不同的超声波波形图案与特定的平板电脑属性相关.
• 该模型在单独的,以前未见的测试数据集上证明了有效性.

结论:

• 开发的ML-NDE方法为制药品质量评估提供了一个先进的算法框架.
• 这种方法支持自动化的RTR测试,这对于高效的制药CM至关重要.
• 该研究强调了机器学习在创建具有成本效益的实时过程中监控系统方面的潜力.