[發明專利]人工智能預測活性成分動態溶解度的方法、設備及系統

在審

• 申請號: 201910991714.6
• 申請日: 2019-10-18
• 公開（公告）號: CN110766156A
• 公開（公告）日: 2020-02-07
• 發明（設計）人: 王昊昱;曹兆洋;王中彥;覃寧遠
• 申請（專利權）人: 王昊昱;曹兆洋;王中彥
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06Q10/04;G01N13/00
• 代理公司: 34158 合肥方舟知識產權代理事務所(普通合伙)
• 代理人: 朱榮

本發明公開了人工智能預測活性成分動態溶解度的方法、設備及系統，方法包括以下步驟：S1：任意選擇一個影響活性成分化合物溶解度因素中的數據作為變量數據，在其他影響因素不變的情況下，通過多組實驗得到溶解度數據，將變量數據與相對應的溶解度數據作為平行樣本實驗數據建立神經網絡模型；S2：將新的活性成分的變量數據作為輸入變量輸入步驟S1建立的神經網絡模型中，通過步驟S1建立的神經網絡模型計算出預測數據，再利用導出公式進行修正預測出活性成分化合物的溶解度。本發明采用人工智能對單因素考察實驗結果的預測來減少實驗所需實驗量，使研發時間和成本降低，且根據平行實驗的標準差并剔除實驗誤差較大的異常數據，提高溶解度預測準確度。

技術領域

本發明涉及預測活性成分溶解度的技術，特別涉及人工智能預測活性成分動態溶解度的方法、設備及系統。

背景技術

在固體制劑研發過程中，活性成分(原料藥)的動態溶解度是一個關鍵因素，現最廣泛的動態溶解度(固體顆粒溶出曲線)預測軟件為美國Simulations Plus的產品DDDplus，并且已經被多家跨國醫藥企業及FDA(美國食品藥品監督管理局)，中國食品藥品監督管理局等機構使用。其預測方法為利用核心公式對數據進行分析計算，需要對原料藥性質(溶解度/粒徑/pKa/LogP等)及整體環境進行參數化，并且將全部的理化性質輸入進行運算，再進行多次實驗，方能開展預測，且多次實驗對其預測結果的準確度幾乎沒有提升。

發明內容

本發明要解決的技術問題是克服現有技術的缺陷，提供人工智能預測活性成分動態溶解度的方法、設備及系統，解決目前固體制劑研發過程中所需的基本數據過多、造成研發時間過長且預測結果的準確度不高的問題。

為了解決上述技術問題，本發明提供了如下的技術方案：

第一方面，本發明實施例提供了人工智能預測活性成分動態溶解度的方法，包括以下步驟：

S1：任意選擇一個影響活性成分化合物溶解度因素中的數據作為變量數據，在其他影響因素不變的情況下，通過多組實驗得到溶解度數據，將變量數據與相對應的溶解度數據作為平行樣本實驗數據訓練神經網絡模型；

S2：將新的活性成分的變量數據作為輸入變量輸入步驟S1訓練后的神經網絡模型中，通過步驟S1訓練后的神經網絡模型計算出預測數據，再利用導出公式進行修正預測出活性成分化合物的溶解度曲線。

作為本發明的一種優選技術方案，所述步驟S2中，導出公式的計算式：

y＝m+3k(x-n)-3k²(x-n)²+k³(x-n)³，當時，y＝Cs；

其中n為物料投放后，外界影響活性成分進行模型內溶出的時間校正系數；k為常數；m為潤濕過程中，速度變量的校正系數；Cs為活性成分的溶解度；x為取樣時間。

作為本發明的一種優選技術方案，所述步驟S1中，建立神經網絡模型的梯度平行樣本實驗數據不少于4個，取建立神經網絡模型的平行樣本實驗數據中的溶出時間作為x，該時間點上的溶出量作為y，將導出公式以及x、y的數據矩陣輸入至curve fitting模型中，得出參數m、n、k的值，所述溶解度的影響因素包括活性成分理化常數，溶出儀槳的轉速、溶出儀槳的形狀，溶出儀轉籃的轉速，溶出儀轉籃的形狀、溶出介質的理化常數，溶出杯的形狀，溶出時間。

作為本發明的一種優選技術方案，在輸入x、y的數據矩陣至curve fitting模型中時，先設定標準值，curve fitting模型會自動計算x、y數據矩陣與其他的實驗數據的x、y數據矩陣的標準差或方差，標準差或方差超過設定的標準值，則自動將數據清除。

作為本發明的一種優選技術方案，所述步驟S1中，將平行樣本實驗數據中的變量數據作為輸入值，溶解度作為輸出值，根據神經網絡邏輯進行訓練，不斷修正神經網絡邏輯的權值和閾值，完成神經網絡模型的建立。