[发明专利]人工智能预测活性成分动态溶解度的方法、设备及系统

说明书

本发明公开了人工智能预测活性成分动态溶解度的方法、设备及系统，方法包括以下步骤：S1：任意选择一个影响活性成分化合物溶解度因素中的数据作为变量数据，在其他影响因素不变的情况下，通过多组实验得到溶解度数据，将变量数据与相对应的溶解度数据作为平行样本实验数据建立神经网络模型；S2：将新的活性成分的变量数据作为输入变量输入步骤S1建立的神经网络模型中，通过步骤S1建立的神经网络模型计算出预测数据，再利用导出公式进行修正预测出活性成分化合物的溶解度。本发明采用人工智能对单因素考察实验结果的预测来减少实验所需实验量，使研发时间和成本降低，且根据平行实验的标准差并剔除实验误差较大的异常数据，提高溶解度预测准确度。

技术领域

本发明涉及预测活性成分溶解度的技术，特别涉及人工智能预测活性成分动态溶解度的方法、设备及系统。

背景技术

在固体制剂研发过程中，活性成分(原料药)的动态溶解度是一个关键因素，现最广泛的动态溶解度(固体颗粒溶出曲线)预测软件为美国Simulations Plus的产品DDDplus，并且已经被多家跨国医药企业及FDA(美国食品药品监督管理局)，中国食品药品监督管理局等机构使用。其预测方法为利用核心公式对数据进行分析计算，需要对原料药性质(溶解度/粒径/pKa/LogP等)及整体环境进行参数化，并且将全部的理化性质输入进行运算，再进行多次实验，方能开展预测，且多次实验对其预测结果的准确度几乎没有提升。

发明内容

本发明要解决的技术问题是克服现有技术的缺陷，提供人工智能预测活性成分动态溶解度的方法、设备及系统，解决目前固体制剂研发过程中所需的基本数据过多、造成研发时间过长且预测结果的准确度不高的问题。

为了解决上述技术问题，本发明提供了如下的技术方案：

第一方面，本发明实施例提供了人工智能预测活性成分动态溶解度的方法，包括以下步骤：

S1：任意选择一个影响活性成分化合物溶解度因素中的数据作为变量数据，在其他影响因素不变的情况下，通过多组实验得到溶解度数据，将变量数据与相对应的溶解度数据作为平行样本实验数据训练神经网络模型；

S2：将新的活性成分的变量数据作为输入变量输入步骤S1训练后的神经网络模型中，通过步骤S1训练后的神经网络模型计算出预测数据，再利用导出公式进行修正预测出活性成分化合物的溶解度曲线。

作为本发明的一种优选技术方案，所述步骤S2中，导出公式的计算式：

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

其中n为物料投放后，外界影响活性成分进行模型内溶出的时间校正系数；k为常数；m为润湿过程中，速度变量的校正系数；Cs为活性成分的溶解度；x为取样时间。

作为本发明的一种优选技术方案，所述步骤S1中，建立神经网络模型的梯度平行样本实验数据不少于4个，取建立神经网络模型的平行样本实验数据中的溶出时间作为x，该时间点上的溶出量作为y，将导出公式以及x、y的数据矩阵输入至curve fitting模型中，得出参数m、n、k的值，所述溶解度的影响因素包括活性成分理化常数，溶出仪桨的转速、溶出仪桨的形状，溶出仪转篮的转速，溶出仪转篮的形状、溶出介质的理化常数，溶出杯的形状，溶出时间。

作为本发明的一种优选技术方案，在输入x、y的数据矩阵至curve fitting模型中时，先设定标准值，curve fitting模型会自动计算x、y数据矩阵与其他的实验数据的x、y数据矩阵的标准差或方差，标准差或方差超过设定的标准值，则自动将数据清除。

作为本发明的一种优选技术方案，所述步骤S1中，将平行样本实验数据中的变量数据作为输入值，溶解度作为输出值，根据神经网络逻辑进行训练，不断修正神经网络逻辑的权值和阈值，完成神经网络模型的建立。