人工神经网络作为一种策略,用于预测乳化剂配方中的风质性质
Laura Sofia Duarte1, Laura Molano1, Ronald Andrés Jiménez1
1INQA, Química Farmacéutica, Universidad El Bosque, Bogotá, Colombia.
Scientific reports
|January 11, 2026
概括
这项研究将设计质量 (QbD) 与人工神经网络 (ANN) 结合起来,以优化碳聚乳液配方. QbD-ANN方法准确预测粘度,提高药物开发和产品质量.
科学领域:
- 制药科学 制药科学
- 化学工程是化学工程的重要组成部分.
- 数据科学数据科学数据科学
背景情况:
- 优化碳基乳液需要了解材料属性,工艺参数和粘度等关键质量属性之间的复杂关系.
- 传统配方开发可能是耗时和资源密集的.
研究的目的:
- 开发和验证一个集成的设计质量 (QbD) 和人工神经网络 (ANN) 框架,用于预测和优化碳基乳液配方.
- 将关键材料属性和工艺参数与关键质量属性,特别是粘度联系起来.
主要方法:
- 使用设计质量 (QbD) 原则与人工神经网络 (ANN) 相结合.
- 选择了包括混合时间,混合速度和粘度在内的关键变量,以估计碳醇度和模型非线性关系.
- 使用实验数据训练,验证和测试ANN模型,并将其预测与商业配方进行比较.
主要成果:
- 集成的QbD-ANN模型表现出卓越的预测性能,特别是在高粘度系统 (>50,000 mPas) 中.
- 预测和实验粘度值之间观察到强烈的相关性,证实了模型的稳定性.
- 该模型有效地捕获了影响乳液行为的非线性关系.
结论:
- QbD-ANN框架为合理的制药配方开发提供了一个系统的,数据驱动的方法.
- 这种方法减少了实验工作量,并提高了控制乳液粘度的过程理解.
- 该研究支持现代制药质量管理原则,确保产品质量,可重复性和创新性.
