پديد آورندگان :
سعادتي اردستاني، ندا سادات پژوهشگاه مواد و انرژي - پژوهشكده فناوري نانو و مواد پيشرفته، كرج، ايران , اماني، ميترا دانشگاه آزاد اسلامي واحد رباط كريم - دانشكده فني مهندسي - گروه مهندسي شيمي، رباط كريم، ايران , يگانه مجد، نويد دانشگاه آزاد اسلامي واحد رباط كريم - دانشكده فني مهندسي - گروه مهندسي شيمي، رباط كريم، ايران
كليدواژه :
دي اكسيدكربن فوق بحراني , حلاليت , داروي ضدسرطان , شبكه ي عصبي مصنوعي , مدل هاي تجربي
چكيده فارسي :
موضوع تحقيق
حلاليت ضعيف تركيبات دارويي در محيط آبي بدن موجب افزايش تاثيرات جانبي نامطلوب، افزايش مقدار داروي مصرفي و كاهش اثربخشي آن مي شود. توليد ميكرو/ نانوذرات تركيبات دارويي با مرفولوژي و توزيع اندازه ي يكنواخت يكي از روش هاي تاييد شده براي افزايش حلاليت اين تركيبات است. از اين رو انتخاب وطراحي يك روش مناسب براي توليد ميكرو/ نانوذرات تركيبات دارويي يكي از مهمترين زمينه هاي تحقيقاتي در صنايع داروسازي است. در طول سه دهه گذشته، بكارگيري فرايندهاي بر پايه دي اكسيدكربن فوق بحراني در زمينه هاي مختلف داروسازي بسيار مورد توجه قرار گرفته است. اما براي استفاده از اين فناوري جهت توليد ميكرو/نانوذرات دارويي و طراحي و توسعه ي واحدهاي عملياتي موردنياز، تعيين ميزان حلاليت اين تركيبات در دي اكسيدكربن فوق بحراني الزامي است.
روش كار
در اين پژوهش، از پنج مدل تجربي مختلف (آداچي و لو، چ و مادراس، هژبر و همكارانش، بيان و همكارانش و مدل مندز سانتياگو تيجا) و همچنين شبكه ي عصبي مصنوعي براي تعيين حلاليت شش تركيب دارويي ضدسرطان (اپرپيتانت، 5-فلوروراسيل، ايماتينيب مسيلات، كاپسيتابين، لتروزول و داستاكسل) در دي اكسيدكربن فوق بحراني استفاده شده است. سپس با استفاده از داده هاي تجربي موجود براي حلاليت اين مواد و محاسبه ي معيارهاي آماري مانند ميانگين قدر مطلق خطاي نسبي (AARD%)، ضريب هم بستگي تنظيم شونده (Radj) و مقدار پارامتر F (F-value)، ميزان دقت و صحت اين مدل ها در تخمين حلاليت تركيبات دارويي مذكور بررسي شده است.
مهم ترين نتايج حاصله
بر اساس نتايج حاصله، مدل آداچي و لو با مقدار AARD%معادل %12/12 و ميانگين Radj معادل 0/97 مي تواند پيش بيني قابل قبولي از ميزان حلاليت اين تركيبات دارويي در دي اكسيدكربن فوق بحراني داشته باشد. همچنين با مقايسه ي نتايج به دست آمده از شبكه ي عصبي مصنوعي و مدل هاي تجربي، شبكه ي عصبي مصنوعي با مقدار AARD% معادل %1/65 و ميانگين Radj معادل 0/9960 را مي توان به عنوان مناسب ترين مدل براي پيش بينيميزان حلاليت اين داروهاي ضدسرطان انتخاب نمود.
چكيده لاتين :
Research subject: Low solubility of pharmaceutical compounds leads to increasing the required drug dosage and their side effects as well as reducing their therapeutic efficiency. Producing pharmaceutical micro/nanoparticles with homogenous morphology and narrow size
distribution is one of the confirmed approaches for their solubility enhancement.
So, selection and designing an appropriate method for this
purpose is one of the most important research fields of pharmaceutical
industries. Over the past three decades, supercritical carbon dioxide
(sc-CO2) based methods as a clean and green technologies have been
received much attention in various fields of pharmaceutical industries.
However, in order to design and development of these methods for producing
micro/nanoparticles, determination of the compounds solubility
in sc-CO2 is essential.
Research approach: In this research, well known empirical models
(Adachi and Lu, Ch and Madras, Hozahzbr et al., Bian et al., Mendez-Santiago-
Teja), as well as the artificial neural network model were applied
for prediction the solubility of six anticancer drugs (Aprepitant, 5-Fluorouracil,
Imatinib mesylate, Capecitabine, Letrozole, Docetaxel) in sc-
CO2.
In order to evaluate the accuracy of these models, a comparison was
made between the calculated solubility values and the available experimental
data, based on several statistical criteria, such as the average
absolute relative deviation (AARD%), adjusted correlation coefficient
(Radj) and F-value.
Main results: According to obtained results, Adachi and Lu model with
AARD% value of 12.12% and Radj value of 0.97 provided acceptable results
for solubility of mentioned drugs in sc-CO2. Also, in comparison
between empirical and artificial neural network models, the latter one
with AARD% value of 1.65% and Radj value of 0.9960 was appointed as the most appropriate model for correlation of drugs solubility data.
