中藥混合過程終點在線判定方法研究

林兆洲+楊嬋+徐冰+史新元++張志強+付靜+喬延江

[摘要]混合過程是制劑生產(chǎn)過程的關鍵環(huán)節(jié)，它直接影響固體制劑質(zhì)量的均一性和穩(wěn)定性。隨著《工業(yè)過程分析技術指南》的發(fā)布，在線分析技術在混合過程應用的研究報道越來越多，但對混合終點在線判斷算法的研究尚處于起步階段。該研究以移動塊標準偏差法為原型，建立適于在線應用的混合終點判斷方法——遞增窗口移動塊標準偏差，并將其用于中藥配方顆?；旌线^程終點的判斷。通過在線學習調(diào)整窗口大小，將混合過程物料狀態(tài)的變化實時體現(xiàn)在標準差的計算過程中。在3種不同中藥飲片提取物和輔料糊精混合過程的應用中表明，與傳統(tǒng)的移動塊標準偏差法相比，基于遞增窗口移動塊標準偏差法計算得到的窗口尺寸變化可以更為清晰地反映混合過程物料狀態(tài)變異，適于在線應用。

[關鍵詞]混合過程； 終點判斷； 遞增窗口； 移動塊標準偏差； 在線學習

[Abstract]Blending process， which is an essential part of the pharmaceutical preparation， has a direct influence on the homogeneity and stability of solid dosage forms With the official release of Guidance for Industry PAT， online process analysis techniques have been more and more reported in the applications in blending process， but the research on endpoint detection algorithm is still in the initial stage By progressively increasing the window size of moving block standard deviation （MBSD）， a novel endpoint detection algorithm was proposed to extend the plain MBSD from offline scenario to online scenario and used to determine the endpoint in the blending process of Chinese medicine dispensing granules By online learning of window size tuning， the status changes of the materials in blending process were reflected in the calculation of standard deviation in a realtime manner The proposed method was separately tested in the blending processes of dextrin and three other extracts of traditional Chinese medicine All of the results have shown that as compared with traditional MBSD method， the window size changes according to the proposed MBSD method （progressively increasing the window size） could more clearly reflect the status changes of the materials in blending process， so it is suitable for online application

[Key words]blending process； endpoint detection； increasing windowsize； moving block standard deviation； online learning

混合過程在制劑生產(chǎn)中占據(jù)重要地位，它是制備散劑、顆粒劑、片劑、膠囊劑、滴丸劑等固體劑型的必要步驟，而藥物混合的均勻度又是影響固體制劑質(zhì)量均一性和穩(wěn)定性的關鍵因素之一。因此，理解中藥粉末混合過程變化特點和規(guī)律，并在此基礎上對混合過程均勻度進行控制，是保障并提高中藥固體制劑質(zhì)量有效途徑。FDA于2003年10月發(fā)布《混合均勻性取樣和評價指南（草案）》[1]，對粉末混合過程均勻度評價方法進行規(guī)范。它規(guī)定在混合器中不同部位進行取樣，然后采用液相色譜法、紫外光譜法等常規(guī)分析方法對每個樣品中有效成分的含量進行測定，通過計算各樣品間有效成分含量的相對標準偏差評價物料混合的均勻度。該方法在執(zhí)行時需停機取樣，離線分析，分析的時效性差。另外，取樣操作會破壞取樣局部的混合平衡狀態(tài)，不利于部分區(qū)域的混合。

近年來，隨著《工業(yè)過程分析技術指南》[2]的發(fā)布，越來越多的研究者開始嘗試采用近紅外光譜法[38]、拉曼光譜法[911]、化學成像[1215]等在線分析手段實現(xiàn)混合過程的在線監(jiān)控。但對混合過程終點在線判斷方法的研究仍處于初級階段。目前常用的終點判斷方法包括移動塊標準偏差（moving block standard deviation，MBSD）[16]、移動塊相對標準偏差（moving block relative standard deviation，MBRSD）[17]、移動窗F檢驗（moving window F test，MWF test）[18]與馬氏距離[19]、歐氏距離[20]、軟獨立模式聚類[21]等定性判別方法和基于偏最小二乘（partial least square，PLS）[2224]等定量方法建立的主要活性成分的定量模型等。其中通過比較相鄰光譜模塊內(nèi)光譜的標準偏差來判定混合終點的MBSD法成為目前國內(nèi)應用最廣的定性終點判斷方法之一，但MBSD法閾值的設置具有一定的“主觀性”[25]不利于在線判斷混合終點，故本研究創(chuàng)新性的將混合過程的特點加入到算法中，以得到能客觀、清晰反映混合過程物料狀態(tài)變化的新的終點判斷方法—遞增窗口移動塊標準偏差（dynamic size moving block standard deviation，DMBSD）。在3種不同藥用部位的中藥提取物粉末與糊精的在線混合過程中的應用表明，該監(jiān)測方法終點的判斷不依賴于將來的數(shù)據(jù)，更適于混合過程的在線監(jiān)測。

1材料

AntarisTM Target 在線近紅外光譜儀（美國，Thermo Nicolet公司），75L HTD350型柱式料斗混合機（武漢恒大機械設備有限公司）及配套取樣設備。

藥粉（大薊、葛根、苦杏仁）及輔料糊精均由北京康仁堂藥業(yè)有限公司提供。其他試劑包括甲醇（色譜級，美國Fisher公司）、乙醇（分析級，北京化工廠）、純凈水等。

2方法

21提取物和輔料混合過程在線監(jiān)控數(shù)據(jù)

分別將中藥提取物粉末和適量的糊精加入75 L混合機中，填料系數(shù)控制在60%～70%，以14 r·min-1的轉(zhuǎn)速進行混合，混合時長設定1 h。將Antaris TM Target 在線近紅外光譜儀的觸發(fā)角度設為170°，其他參數(shù)維持默認設置。混合罐每旋轉(zhuǎn)1圈記錄一條光譜。光譜分辨率為8 cm-1，光譜范圍7 500～5 500 cm-1。

22混合過程物料狀態(tài)監(jiān)測算法

221移動塊標準偏差以n條連續(xù)的光譜作為一個窗口（光譜數(shù)據(jù)塊），計算窗口內(nèi)光譜在波長點i處的吸光度的標準偏差Si，然后計算每個波長點所得標準差的平均值S，作為表征物料狀態(tài)的統(tǒng)計量。S和Si的計算公式如下。

其中，Aij是第j條光譜在波長點i處的吸光度，Ai為窗口內(nèi)所有光譜在波長點i處吸光度的均值，m為波長點數(shù)目。

當前窗口計算完畢后，窗口將沿時間軸向前移動一個采樣間隔，即剔除最早進入窗口的一條光譜并選入一條新光譜，重新計算S，直到S降到閾值以下并趨于穩(wěn)定時為止。但目前，MBSD閾值設置具有一定“主觀性”，閾值確定時參考了將來的信息，不利于在線應用?；旌象w系的波動亦使得在根據(jù)固定標準差判斷混合終點時產(chǎn)生一定的延遲或提前。所以，本文根據(jù)混合過程的一般性特點對混合過程進行改進，以使之更加適合在線應用。

林兆洲等：中藥混合過程終點在線判定方法研究222遞增窗口移動塊標準偏差MBSD算法未考慮混合前后光譜的差異，窗口的大小是固定的。在混合的初期窗口內(nèi)光譜間差異較大，在MBSD曲線中S快速下降的同時伴隨著其值的大幅波動。隨著混合的進行，窗口內(nèi)光譜間差異逐漸變小，這時如果仍舊保持窗口大小不變，那么S會受到偶然誤差的影響而難于穩(wěn)定。因此，本研究在窗口移動過程中，設置窗口大小的增長機制，將混合過程物料狀態(tài)的變化實時體現(xiàn)在標準差的計算過程中，以提高在混合過程后半程S曲線的穩(wěn)健性。

若上式成立，則令窗口大小增加1。這里St表示在當前窗口大小下加入采樣時間t采集的光譜所得的標準差，為一較小的數(shù)，表示對光譜波動的容忍程度，可根據(jù)實際應用調(diào)整。|·|使得該方法可以允許在S中存在由偶然誤差引起的小幅變異。

該算法的實現(xiàn)過程簡述如下：①設初始窗口大小為3，當采樣點數(shù)目滿足要求時，計算該窗口內(nèi)樣品的標準差；②隨著混合的進行，將窗口前移，重新計算新窗口內(nèi)樣品的標準差；③通過公式（3）對窗口大小是否合適進行判斷，若滿足該條件則將窗口大小增加1，否則將窗口前移；重復②③直至混合完成。

因為隨著混合的進行，達到同等變異水平所需要的采樣點的數(shù)量應逐漸增加。所以，通過記錄窗口大小隨時間的變化曲線，可實現(xiàn)對混合過程物料狀態(tài)的檢測。同時，隨著窗口內(nèi)采樣點數(shù)量的增加，標準差受偶然因素的影響也會降低。

23數(shù)據(jù)分析軟件

用Thermo Scientific RESULT軟件采集光譜數(shù)據(jù)，MBSD及DMBSD算法均在MATLAB（MATHWORK，USA）軟件自行編程實現(xiàn)。

3結果與討論

為了簡化數(shù)據(jù)分析過程，降低額外分析步驟對過程狀態(tài)監(jiān)測算法性能的影響，本研究所涉及的計算均不采用數(shù)據(jù)預處理方法。

31大薊糊精混合過程在線監(jiān)測

將MBSD的窗口大小設為3，所得平均標準差隨時間變化見圖1（a）。從圖中可以看出，在混合開始的一段時間內(nèi)，該體系的標準偏差值隨時間急劇減小，然后圍繞023×10-3上下浮動，浮動范圍較大且難以收斂到較小的范圍內(nèi)。這表明窗口較小時，標準差易受隨機因素的影響?；旌线M行到318 min 時，S有較大偏離。選取318 min 前后10條光譜見圖2，從圖中可以看出，在混合進行到318 min時，近紅外光譜發(fā)生整體的偏離。這可能由于混合體系中局部不均勻物料被采樣窗口捕獲所致。

增大MBSD的窗口大小為15時，所得標準差隨時間變化見圖1（b）。隨著窗口大小的增加，MBSD對微小變化的敏感性下降，而仍舊保持了對光譜中嚴重偏離的檢出能力。但正因為窗口的增加，突變光譜的影響范圍變大。

從圖1（a）和圖1（b）中2種窗口尺度下標準偏差圖可以看出，難以通過對S設置閾值實現(xiàn)混合終點的判斷。在混合10 min后，標準差隨時間變化趨于穩(wěn)定，但終點的判斷缺乏客觀的證據(jù)和指標。

隨著混合的進行，DMBSD窗口大小隨時間變化趨勢，見圖3。在混合初期，窗口的大小隨著混合的進行緩慢增長。到20 min后，窗口的增速開始提高。到28 min以后，增速急劇提高。隨著混合的進行，達到相同變異所需的采樣點應有所增加，關于混合過程的這一認知與上述結果相一致?？紤]實際操作的可行性和保障混合的質(zhì)量，本研究將窗口大小的閾值設為40，即約3 min。在圖3中，窗口大小為40所對應的混合時間為28 min。從28 min后窗口大小迅速增長。3 min閾值的可推廣價值，通過以下載體進一步分析。

32葛根糊精混合過程在線監(jiān)測

葛根與大薊的藥用部位不同，當把MBSD的窗口大小設為3時，其標準偏差隨混合的進行變化見圖4（a）。在5 min前，S隨著時間震蕩下降。而在混合進行到585 min時，S有一個突然的提高。在14～18 min，有小幅波動，但在18 min后又出現(xiàn)較大幅的浮動。因窗口較小，S受偶然因素影響較大，難以給出判定混合過程終點的S閾值。

將窗口大小增加到15，S隨時間的變化

見圖4（b）。從圖中可以看出，5 min前，混合體系的變化迅速降低到一個較低的水平，然后又小幅上升，隨著混合的進行，S呈現(xiàn)出持續(xù)震蕩的狀態(tài)。從該圖為混合過程選出一個混合終點也比較困難。

用DMBSD對混合過程在線近紅外數(shù)據(jù)進行分析的結果見圖5。與圖3大薊的混合過程相似，窗口的大小隨著混合的進行，先有一個緩慢上升的階段，然后一段時間內(nèi)上升速度加快，最后迅速提高到較高水平。窗口大小在24 min時達到40，此時混合過程的窗口大小將要進入快速增加的階段。這一結果如大薊混合過程相似。所以，窗口大小40可以作為應用DMBSD判斷混合過程終點的閾值。

此外，從上述2個研究載體的結果可看出，混合過程經(jīng)歷相似的窗口增長趨勢，隨著混合的進行，標準差達到相同的變異水平所需要的采樣點的數(shù)目皆呈增加的趨勢，這與對混合過程的直觀理解相一致。

33苦杏仁糊精混合過程在線監(jiān)控

苦杏仁作為種子類藥材，其油性較大，與前述2種中藥飲片提取物的物料性質(zhì)有明顯的差別。將MBSD窗口大小設為3，隨混合的進行標準差變化見圖6（a）。該混合體系整體呈震蕩平衡的趨勢，沒有出現(xiàn)前2個載體混合時出現(xiàn)的速降階段。這一結果似乎表明，苦杏仁糊精混合體系較前2個載體更易于混合。因小窗口MBSD易受隨意擾動的影響，將窗口大小重設為15，標準差隨時間變化見圖6（b）。

與圖6（a）相比，圖6（b）中標準差的變異能夠較為清晰地反映出體系狀態(tài)隨混合過程的變化。在混合進行到134 min，標準差達到局部最小，然后迅速增加。這表明采樣窗口內(nèi)物料的狀態(tài)變化較大，混合體系并未在134 min時達到均勻狀態(tài)。隨著混合繼續(xù)進行，在221 ～ 30 min，物料狀態(tài)達到較為穩(wěn)定的狀態(tài)，然后光譜的標準差迅速增加，但增長的幅度有限。在331 min后，物料變化維持在較小范圍內(nèi)。這表明該混合體系應達到較為平穩(wěn)的狀態(tài)。所以綜合上述結果，苦杏仁糊精混合過程并不比前2個混合體系更易達到混合的平衡狀態(tài)。

基于DMBSD對該混合體系數(shù)據(jù)進行分析，所得窗口大小的變化見圖7。在105 min前，窗口大小維持在3，這意味著，在這段時間內(nèi)，采樣窗口內(nèi)光譜信息所反映的物料狀態(tài)變化較大。隨后窗口大小緩慢上升，到304 min時，窗口的增速提升，343 min 后窗口大小急劇增加?？嘈尤屎旌线^程DMBSD窗口的變化趨勢與大薊和葛根各混合體系的變化趨勢相一致。在混合進行到35 min 后，窗口的大小超過40，且處于窗口大小變化曲線的快速增長階段。該混合體系所得的結論進一步證明了前述2個載體混合過程所得結論的合理性——依DMBSD所得窗口大小變化曲線能更為直觀、明確的反應物料狀態(tài)的變化。因DMBSD僅依賴局部信息，所以可直接用于混合過程狀態(tài)的在線監(jiān)控。

4結論

本研究以物料混合過程在線監(jiān)控經(jīng)典方法MBSD為方法原型，根據(jù)混合過程的演進特點，建立了新的監(jiān)測方法DMBSD，并將其用于中藥提取物粉末與糊精混合過程在線監(jiān)測數(shù)據(jù)的終點判斷。結果表明，達到相同變異水平所跨越時間窗口的大小隨著混合的進行不斷增加。此外，在3個不同載體中，窗口尺度變化曲線均呈現(xiàn)出規(guī)律的三段式變化趨勢，且將其中窗口大小快速增長階段的起點作為混合終點與以3 min混合窗口作為判斷混合過程終點所得結論基本一致。綜合上述結果，可認為基于DMBSD窗口大小變化曲線可對混合過程終點在線進行判斷。當然，其合理性和普適性尚需更多的載體予以確認，也需要結合HPLC的結果進行佐證，這將在以后的研究中進行。

[參考文獻]

[1]FDA Guidance for industry powder blends and finished dosage units—stratified inprocess dosage unit sampling and assessment[EB/OL] [20170108]http：//wwwfdagov/OHRMS/DOCKETS/98fr/03d0493gdl0001pdf

[2]FDA Guidance for Industry PAT—A framework for innovative pharmaceutical development， manufacturing，and quality assurance[EB/OL] [20170108] http：//wwwfdagov/downloads/drugs/guidancecomplianceregulatoryinformation/guidances/ ucm0703 05. pdf

[3]Scheibelhofer O， Balak N， Wahl P R， et alMonitoring blending of pharmaceutical powders with multipoint NIR spectroscopy [J] AAPS Pharm Sci Tech， 2013，14 （1）： 234

[4]Vanarase A U， Alcalà M， Rozo J I J， et al Realtime monitoring of drug concentration in a continuous powder mixing process using NIR spectroscopy[J]Chem Eng Sci， 2010，65 （21）： 5728

[5]Sulub Y， Konigsberger M， Cheney J， Blend uniformity endpoint determination using nearinfrared spectroscopy and multivariate calibration [J] J Pharmaceut Biomed， 2011，55 （3）： 429

[6]金葉，楊凱，陳木洲，等 微型近紅外儀用于眾生丸粉末混合過程的在線監(jiān)測研究 [J]中國中藥雜志， 2011，36 （21）： 2963

[7]Saic′ S， Blackwood D， Liu A， et alDetailed analysis of the online nearinfrared spectra of pharmaceutical blend in a rotary tablet press feed frame [J] J Pharmaceut Biomed， 2015，103： 73

[8]Colón Y M， Florian M A， Acevedo D， et alNear infrared method development for a continuous manufacturing blending process [J] J Pharm Innov， 2014，9 （4）： 291

[9]De B T， Burggraeve A， Fonteyne M， et alNear infrared and Raman spectroscopy for the inprocess monitoring of pharmaceutical production processes [J] Int J Pharm， 2011，417 （1/2）： 32

[10]De Beer T R， Baeyens W R， Ouyang J， et alRaman spectroscopy as aprocess analytical technology tool for the understanding and the quantitative inline monitoring of the homogenization process of a pharmaceutical suspension [J] Analyst， 2006，131 （10）： 1137

[11]De Beer T R， Bodson C， Dejaegher B， et alRaman spectroscopy as a process analytical technology （PAT） tool for the inline monitoring and understanding of a powder blending process [J] J Pharmaceut Biomed， 2008，48 （3）： 772

[12]Firkala T， Farkas A， Vajna B， et alInvestigation of drug distribution in tablets using surface enhanced Raman chemical imaging [J] J Pharmaceut Biomed， 2013，76 （6）： 145

[13]Carneiro R L， Poppi R J Homogeneity study of ointment dosage forms by infrared imaging spectroscopy [J] J PharmaceutBiomed， 2012，58 （1）： 42

[14]Wu Z， Tao O， Dai X， et alMonitoring of a pharmaceutical blending process using near infrared chemical imaging [J] Vib Spectrosc， 2012，63 （6）： 371

[15]Osorio J G， Stuessy G， Kemeny G J， et alCharacterization of pharmaceutical powder blends using in situ nearinfrared chemical imaging [J] Chem Eng Sci， 2014，108 （17）： 244

[16]Momose W， Imai K， Yokota S， et alProcess analytical technology applied for endpoint detection of pharmaceutical blending by combining two calibrationfree methods： simultaneously monitoring specific nearinfrared peak intensity and moving block standard deviation [J] Powder Technol， 2011，210 （2）： 122

[17]Moes J J， Ruijken M M， Gout E， et al Application of process analytical technology in tablet process development using NIR spectroscopy： blend uniformity， content uniformity and coating thickness measurements [J] Int J Pharm， 2008，357 （1/2）： 108

[18]楊嬋，徐冰，張志強，等 基于移動窗F檢驗法的中藥配方顆?；旌暇鶆蚨冉t外分析研究 [J] 中國中藥雜志， 2016，41（19）： 3557

[19]陳紅英，李瓊婭，陳佳樂，等 近紅外光譜技術用于正天丸混合過程終點的判斷 [J]中國實驗方劑學雜志， 2016（12）： 13

[20]Hausman D S， Cambron R T， Sakr A Application of Raman spectroscopy for online monitoring of low dose blend uniformity [J] Int J Pharm， 2005，298 （1）： 80

[21]ElHagrasy A S， Iii J K D A process analytical technology approach to nearinfrared process control of pharmaceutical powder blending Part Ⅲ： quantitative nearinfrared calibration for prediction of blend homogeneity and characterization of powder mixing kinetics [J] J Pharm Sci US， 2006，95 （2）： 422

[22]Porfire A， Rus L， Vonica A L， et alHighthroughput NIRchemometric methods for determination of drug content and pharmaceutical properties of indapamide powder blends for tabletting [J]. J Pharmaceut Biomed， 2012，70 （11）： 301

[23]Scheibelhofer O， Balak N， Koller D M， et al Spatially resolved monitoring of powder mixing processes via multiple NIRprobes [J] Powder Technol， 2013，243 （7）： 161

[24]Karande A D， Heng P W， Liew C V Inline quantification of micronized drug and excipients in tablets by near infrared （NIR） spectroscopy： real time monitoring of tabletting process [J] Int J Pharm， 2010，396 （1/2）： 63

[25]Puchert T， Holzhauer C V， Menezes J C， et al A new PAT/QbD approach for the determination of blend homogeneity： combination of online NIRS analysis with PC scores distance analysis （PCSDA）[J] Eur J Pharm Biophar， 2011， 78（1）： 173[責任編輯孔晶晶]