一种基于SeDeM专家系统的预测模型的训练方法、预测方法、系统、电子设备、介质及计算机程序产品与流程

摘要: 本发明属于中药领域,具体涉及一种基于sedem专家系统的预测模型的训练方法、预测方法、系统、电子设备、介质及计算机程序产品。背景技术:1、中药及民族药口服制剂的...
一种基于SeDeM专家系统的预测模型的训练方法、预测方法、系统、电子设备、介质及计算机程序产品与流程

本发明属于中药领域,具体涉及一种基于sedem专家系统的预测模型的训练方法、预测方法、系统、电子设备、介质及计算机程序产品。

背景技术:

1、中药及民族药口服制剂的现代化,本质上是将传统复方转化为适于产业化的现代制剂。在这一过程中,剂型选择与工艺路线设计始终是开发的核心环节。尽管传统经验能够支撑中药含蜜制剂的成型,但其缺乏对稳定成型机制的科学阐释,更难以有效控制复方中间体波动对成品质量的影响。这一认知局限在含蜜剂型体系的开发中尤为突出。现有文献中,对中药现代制剂及早期工艺中含蜜体系的探讨,以及对中药蜜丸增加规格的审评方面,均提示现有文献与监管实践主要聚焦于蜜丸或水蜜丸等传统剂型,而将炼蜜作为关键变量应用于片剂设计的系统性研究极为匮乏。含蜜片剂的难点,不只是因为蜂蜜的黏性差异,而在于蜂蜜本身不是“单一辅料”。还有一些现有文献指出,蜂蜜在中医药体系中既可作为单独药物,也可作为炮制辅料和制剂助剂。

2、现有文献在总结液体辅料炮制研究时进一步强调,液体辅料能够改变药材成分转化、溶出行为、药物代谢过程乃至药效表达,其作用远不止于提供工艺便利。例如以桑白皮为模型的研究则更直观地显示,经蜂蜜炮制后,药材整体化学轮廓会发生系统性变化。这意味着,在制剂层面,蜂蜜不能被简单归为“粘合剂”,而应被视为一个同时影响粉体流动性、压缩性、润滑性、吸湿性和最终质量输出的复合处方变量。因此,含蜜片剂的开发需要回答一个更根本的问题:蜂蜜作为关键中间变量,在与其他辅料结合的过程中,究竟通过怎样的机制影响成品质量?这些机制能否被量化,并反向指导含蜜片剂开发的处方设计?

3、sedem expert system的价值在于,它能够将复杂的颗粒行为量化为若干可解释的指标。现有文献已证明,sedem在小分子化药制剂中不同api(药物活性成分,activepharmaceutical ingredient)与辅料组合中,对直压处方有较好的预测能力,并能有效支持处方设计。在一些中药提取物制剂中,sedem的应用也有所披露,例如sedem可以应用到红景天提取物与辅料的混合体系。

4、尽管如此,sedem目前仍主要面向化学药直压体系,较少应用于中药,其在中药含蜜复杂粉体体系中的适用性与预测准确性,仍需通过具体实验加以验证。更重要的是,与化学药制剂在稳定物料属性上寻求局部最优的思路不同,中药含蜜片剂的开发必须解析中间体波动向成品质量传递的非线性机制。尽管qbd(质量源于设计,quality by design)框架为此提供了理论范式,但传统doe/响应面方法因隐含低阶或近线性假设,难以有效刻画含蜜体系中处方变量、粉体行为与质量属性间的复杂非线性映射关系。传统正交/均匀设计方法缺乏从粗到精的递进逻辑,实验效率低。机器学习方法作为“黑箱”模型,可解释性不足,难以阐明处方因素如何通过粉体性质影响片剂质量。

5、因此,有必要在验证sedem适用性的基础上,发展一种能够适配中药含蜜体系复杂性的新型建模策略。

技术实现思路

1、本发明所要解决的技术问题在于现有技术中针对蜜引入片剂后对粉体可压性、流动性的影响规律不明,无可参考的处方开发方法的缺陷,而提供了一种基于sedem专家系统的预测模型的训练方法、预测方法、系统、电子设备、介质及计算机程序产品。

2、现有研究一般直接建立处方因素(x)与质量属性(cqa)的关系,忽略了中间变量(如可压性指数igc)的桥梁作用,无法回答“为什么这个处方好”的机制问题。

3、因此,针对上述应用难点,本发明提出一种面向中药含蜜片剂的sedem-triad-ml融合框架。该框架不再将设计空间(design space,ds)视为单纯的统计学采样区域,而是将其重构为由sedem颗粒表征与中间体属性共同约束的药剂学可行域:首先,先借助sedem的12个特征对颗粒可压性进行量化表征;其次,再通过中间层建模识别处方因素、sedem系统对cqa的交互影响;最后,确定兼具可解释性与可控制性的最优空间域。

4、在该框架下,一方面可通过多因素辅料协同调节来补偿中药中间体的天然波动,保障成品一致性;另一方面也可通过限定中间体关键属性的允许范围,建立面向产业化放大的控制依据。

5、在实验设计方面,本发明通过首次提出的“点→线→面”递进探索设计空间(例如triad设计策略),在sedem门控机制筛选出的可行域内高效获取高信息量样本,从而提升实验阶段的区域探索效率与建模阶段的样本质量。现有技术中暂未报道过该设计方法在中药片剂(例如含蜜中药片剂)处方筛选中的应用。本发明首次提出三准则自适应设计,即tri-criterion adaptive design,简称triad,该设计整合正交设计、均匀设计和d-最优设计三类思想,分别用于保证因子水平分配的均衡性、提高设计空间覆盖度以及增强模型参数估计效率。发明人发现,triad可降低因素间相关性对主效应估计的干扰,并通过空间填充点改善模型在整个设计区域内的适用性;同时,d-最优准则能够提高信息矩阵质量,减少参数估计方差,从而有助于建立稳定的cpps-cqas预测模型;对于中介效应分析,triad能够为cpps、中间变量和cqas之间的路径关系提供更充分的实验变异,有利于区分cpps对cqas的直接效应以及通过粉体性质或sedem指标产生的间接效应。

6、一些实施方式中,本发明可通过将sedem专家系统与triad构建的实验数据合并分析,通过37个简单线性模型组合及bootstrap模型的不同路径中检验其在处方开发的中介角色,使建模过程指向制剂学机制;在此基础上,进一步通过训练并比较12类算法共180个组合的线性与非线性机器学习模型,实现设计空间的预测与验证。

7、本发明的核心目标在于:在构建设计空间的过程中,进一步解释在蜜(例如炼蜜或蜂蜜)参与制剂行为的大组方的中药片剂中,能否将传统粉体学表征、现代实验设计与机器学习整合为兼具可解释性与预测精度的处方优化框架,从而为该品种的产业化放大提供数据依据,并为中药民族药的剂型改良与智能制造升级提供可迁移的方法学范式。

8、例如,针对中药成药片剂(以现有市售的养心达瓦蜜膏剂型转化为片剂为例),设计一套处方筛选方法,能够最大程度简化实验试错周期,最高效的确定最佳处方设计方案。

9、一方面,本发明提供了一种基于sedem专家系统的预测模型的训练方法,其包括下述步骤:

10、(1)获取数据集:所述数据集包括第一处方数据矩阵、第一中间变量、第一因变量、第二处方数据矩阵、第二中间变量和第二因变量;

11、所述第一处方数据矩阵、所述第一中间变量和所述第一因变量的获取方法如下:

12、基于中药片剂的初始处方,预设一个第一自变量x1,获得预设处方,基于所述预设处方,获得中间变量和因变量;基于所述的中间变量、所述因变量,获得所述第一自变量x1的目标范围;所述第一自变量x1为所述中药片剂的初始处方中任一成分的种类;所述中间变量为所述预设处方制备得到的颗粒经sedem专家系统处理后获得的物理性质指标;所述因变量为所述预设处方制备得到的片剂的cqas;

13、基于所述第一自变量x1的目标范围,预设一个第二自变量x2,获得所述第一预设处方数据矩阵,基于所述第一预设处方数据矩阵获得所述第一中间变量和所述第一因变量;基于所述第一中间变量和所述第一因变量获得所述第二自变量x2的目标范围;所述第二自变量x2为所述第一自变量x1的含量范围;所述第一中间变量为所述第一预设处方制备得到的颗粒经sedem专家系统处理后获得的物理性质指标;所述第一因变量为所述第一预设处方制备得到的片剂的cqas;

14、所述第二处方数据矩阵、所述第二中间变量和所述第二因变量的获取方法如下:

15、基于所述第二自变量x2的目标范围,采用“点、线、面”递进探索设计空间处理获得所述第二预设处方数据矩阵,基于所述第二预设处方数据矩阵获得所述第二中间变量和所述第二因变量;所述第二中间变量为所述第二预设处方制备得到的颗粒经sedem专家系统处理后获得的物理性质指标;所述第二因变量为所述第二预设处方制备得到的片剂的cqas;

16、(2)将所述数据集输入简化回归模型、中介效应分析模和机器学习回归模型中的至少一者中进行训练,得到所述预测模型;其中:

17、i. 构建所述简化回归模型,获得用于预测所述中间变量和/或所述因变量的第一目标模型;

18、ii. 构建所述中介效应分析模型,获得所述第一自变量x1、所述第一中间变量、所述第一因变量之间的关系,和/或,获得所述第二自变量x2、所述第二中间变量、所述第二因变量之间的关系;

19、iii. 构建所述机器学习回归模型,获得用于预测所述中药片剂的cqas的第二目标模型,所述构建机器学习回归模型的过程中,输入变量包含所述第一中间变量和/或所述第二中间变量。

20、发明人在研发过程中发现:

21、在现有技术中,蜜(例如蜂蜜或炼蜜)作为辅料在片剂中的应用极为少见,缺乏可供参考的数据基础和处方经验。蜜的加入对片剂成型质量可能产生正向或反向效应,且其影响规律可能呈现线性或非线性特征,这些机制尚未明确,给建模过程中的变量关系设定和模型结构选择带来了不确定性和技术困难。

22、此外,在常规中药提取物片剂的基础上,本发明所涉及的含蜜片剂其物料体系可以既包含提取物,也包含粉碎药粉,存在多种形态和理化性质的物料共存的情况。这种多源中间体体系使得处方变量对成型质量的影响路径更加多样和不可控,仅凭现有的提取物处方设计方法难以直接迁移适用。

23、因此,亟需在建模前对蜜在片剂中的具体作用机制进行系统解析,以明确其正向或负向效应及其线性或非线性效应,从而为构建适应复杂中间体体系的建模策略提供依据,这也是本发明在数据评估与建模流程设计中所面临的关键技术难点。

24、本发明中,将蜜(例如蜂蜜或炼蜜)首次系统应用于中药片剂中,突破了炼蜜仅限于丸剂的传统认知,首次在片剂中通过sedem系统定量表征了蜜(例如蜂蜜或炼蜜)对粉体物理性质的影响建立了含蜜片剂的可行性判据和处方开发路径。

25、本发明中,将sedem系统首次应用于中药含蜜体系,验证了sedem系统在中药含蜜体系中的适用性,利用sedem子指数的加权预测法指导辅料筛选和可行域确定,将sedem子指数作为机器学习特征输入,实现领域知识与数据驱动的融合。

26、本发明中,采用四阶段递进优化策略:

27、phase a:采用sedem指数比较与片剂的cqas分析对辅料初筛,确定辅料种类;

28、phase b;采用sedem预测+边界实验对可行域筛选,对因素范围收缩;

29、phase c:采用“点→线→面”递进设计对空间探索,获得系统实验数据;

30、phase d:采用模型(例如ml/gpr/nn)+中介效应,建模优化,获得最优处方空间。

31、本发明将阶段间数据复用(phase b+ phase c数据共同训练phase d的模型),逐步缩小搜索空间的递进逻辑。

32、本发明创造性地采用了自变量x→中间变量(例如igc)→因变量cqa的中介效应模型,通过该模型:

33、(a) x对中间变量(例如igc)的影响可解释:各处方因素对igc的影响方向和大小可量化。例如:mcc用量↑→igc↑(正效应,主效应),载药量↑→igc↓(负效应),通过shap值/特征重要性实现因素贡献度的可解释排序;

34、(b) 中间变量(例如igc)对cqa的指导作用:igc↑ → 硬度↑、脆碎度↓(有利)igc↑→ 崩解时间↑(需平衡),igc作为"可压性综合指标"可直接指导处方调整方向;

35、(c)中介效应检验:间接效应(a×b)、直接效应(c’)、中介效应比例的计算可以通过bootstrap/sobel检验统计显著性揭示“处方因素通过改变igc间接影响cqa”的因果机制。

36、本发明中,创造性地将sedem子指数作为中间变量引入处方优化的因果分析框架。

37、本发明中,可采用复合模型确定优化设计空间,例如:

38、基于模型(例如ml/gpr/nn),以[x1, x2, x3, x4, igc]为输入,cqa为输出通过期望函数法进行多目标优化,确定最优处方空间。

39、本发明中,可采用下述方法中的一种或多种验证证明模型有效:

40、最优处方点验证:制备多批次,预测值和实测值,确认模型预测的准确性;

41、设计空间随机点验证:随机选非最优点验证,确认模型泛化能力;

42、中介效应实验验证:不同igc水平对照实验,igc因果作用确认。

43、本发明中,可以通过最优处方点验证、设计空间随机点验证、中介效应实验验证,证明模型有效,进一步证明了sedem适用于中药含蜜体系。

44、本发明中,sedem专家系统是一种用于固体制剂(尤其是片剂)处方前筛选的工具,通过实验测定粉体的物理参数,评估粉体物料是否适合直接压片(direct compression,dc)。

45、本发明中,sedem专家系统通过测定粉体的12个基础物理参数,将每个参数转换为0-10的半径值,并通过连接各参数半径值构建sedem多边形图谱,可以直观显示粉体的性能轮廓。

46、本发明中,所述经sedem专家系统处理后获得的物理性质指标包含下述指标中的一种或多种:

47、堆密度da、振实密度dc、颗粒间孔隙率ie、卡尔指数ic、内聚指数icd、豪斯比率ih、休止角α、粉末流动时间tn、干燥失重%hr、吸湿性%h、粒径小于50微米的百分比%pf和均齐度指数iθ。

48、本发明中,所述堆密度da是指本领域常规的堆密度da。

49、在本发明一些实施方式中,所述堆密度(

da)的测定方法为:根据《中国药典》2025版通则0993第一法测定。具体方法为:取待测粉体样品约100g,精密称定,缓慢倾入玻璃刻度量筒,应避免压紧粉体,以最接近的刻度线,记录表观体积,按公式(1)计算堆密度:

50、 (1)

51、式(1)中:

da为固定质量法堆密度,g/ml;m为待测样品的质量,g;v0为待测样品的表观体积,ml。

52、本发明中,所述振实密度dc是指本领域常规的振实密度dc。

53、在本发明一些实施方式中,所述振实密度(

dc)的测定方法为:按照《中国药典》2025版通则堆密度(第一法)测定。具体方法为:将已填充松散状态粉体的量筒固定于托架上,振实10次、500次和1250次,记录对应的体积v10、v500、v1250,并精确至最小刻度。若v500与v1250之差不大于2ml,取v1250作为振实体积;若v500与v1250之差大于2ml,增加振实次数直至两次连续记录的体积之差不大于2ml。最终振实体积使用以下公式计算振实密度:

54、 (2);

55、式(2)中:dc为固定质量法振实密度,g/ml;m为待测样品的质量,g;v为待测样品的振实体积,ml。

56、本发明中,所述颗粒间孔隙度(ie)是指本领域常规的颗粒间孔隙度(ie)。

57、在本发明一些实施方式中,所述颗粒间孔隙度(ie)的计算方法为:由da和dc根据公式(3)计算得出:

58、 (3)。

59、本发明中,所述卡尔指数(ic)是指本领域常规的卡尔指数(ic)。

60、在本发明一些实施方式中,所述卡尔指数(ic)的计算方法为:按以下公式(4)计算:

61、×100 (4)。

62、本发明中,所述内聚指数(icd)是指本领域常规的内聚指数(icd)。

63、在本发明一些实施方式中,所述内聚指数(icd)由片剂的硬度(n)测得。

64、本发明中,所述豪斯纳比值(ih)是指本领域常规的豪斯纳比值(ih)。

65、在本发明一些实施方式中,所述豪斯纳比值(ih)由振实密度dc与堆密度da代入公式(5)计算得到:

66、 (5)。

67、本发明中,所述休止角(α)是指本领域常规的休止角(α)。

68、在本发明一些实施方式中,所述休止角(α)的测试方法为:按照欧洲药典第2.9.36节所述方法,使用标准装置进行测定。采用基本方法测定静态休止角。该方法测量粉锥的高度(h)和底面半径(r),并通过公式(6)计算α。

69、 (6)。

70、本发明中,所述粉末流动时间(tn)的含义是指本领域常规的粉末流动时间(tn)的含义。

71、在本发明一些实施方式中,所述粉末流量(tn)的测试方法为:按照欧洲药典第2.9.16节中描述的方法确定。具体方法为:将粉末置于漏斗中,使粉末通过漏斗孔口,记录粉末流过所需的时间。

72、本发明中,所述干燥失重(%hr)是指本领域常规的干燥失重(%hr)。

73、在本发明一些实施方式中,所述干燥失重(%hr)的测试方法为:参照在欧洲药典第2.2.32节的方法进行测试。具体方法为:样品在105℃ ± 2℃的温度下干燥,直至达到恒重。

74、本发明中,所述吸湿性(%h)是指本领域常规的吸湿性(%h)。

75、在本发明一些实施方式中,所述吸湿性(%h):通过在控制湿度条件(75 ± 5%)下测定颗粒在24小时内的质量增加量来评估其吸湿性,质量增加百分比被用作吸湿性的定量指标。

76、本发明中,所述粉末百分比(%pf)是指本领域常规的粉末百分比(%pf)。

77、在本发明一些实施方式中,所述粉末百分比(%pf)的测试方法为:细颗粒的百分比(<50微米)通过筛分测试确定,采用欧洲药典2.9.12通用方法。

78、本发明中,所述均齐度指数(iθ)是指本领域常规的均齐度指数(iθ)。

79、在本发明一些实施方式中,所述均齐度指数(iθ)的测试方法为:按照欧洲药典的方法通过筛分试验测定。所用筛网孔径包括1700μm、1055μm、1700μm、505μm、256μm、196μm、165μm和50μm。计算各层筛网上粉末的留存百分比。均齐度指数按公式(7)计算:

80、

81、公式(7)中,

82、iθ是指均齐度指数;

83、fm是指占优粒径区间的粉末百分比;

84、fm-1和fm+1是指紧邻占优区间之下/之上的粒径区间的粉末百分比;

85、n是指相对于主粒级而言,在一系列中所考察的粒级数量;

86、dm是指占优粒级中粉末的平均粒径;

87、dm-1和dm+1是指紧邻占优区间之下/之上的粒径区间中粉末的平均粒径。

88、本发明中,所述经sedem专家系统处理后获得的物理性质指标的数值一般是基于具体测定结果和表1中的计算公式与转换方式进行标准化,将实测值(v)转换为半径值(r)后,获得的数值。

89、本发明中,cqas是指所述中药片剂(例如含蜜中药片剂)的关键质量属性,例如包括y1崩解时限、y2硬度和y3脆碎度中的至少一种。

90、本发明中,所述崩解时限可为本领域常规的崩解时限,一般是指片剂崩解的时间,例如按照《中国药典》四部(2025版)0921崩解时限检查法(升降式崩解仪)项下的规定进行测试。

91、本发明中,所述硬度可为本领域常规的硬度,一般表征片剂的机械强度,例如采用硬度计进行测试。

92、本发明中,所述脆碎度可为本领域常规的脆碎度,例如按照《中国药典》四部(2025版)0923片剂脆碎度检查法项下的规定进行测试。

93、本发明中,所述中药片剂可为含蜜中药片剂。

94、本发明中,所述蜜可为本领域常规的蜜,例如蜂蜜或炼蜜。

95、本发明中,炼蜜可为本领域常规的炼蜜,一般是指生蜂蜜经加热炼制而成的制品。在中药传统剂型(如蜜丸)制备中可作为辅料和黏合剂。

96、本发明中,中药片剂是指药材细粉或提取物与适宜的辅料压制而成的圆形或异形的片状固体制剂。它是中药现代化的常见剂型之一,常见类型包括浸膏片、半浸膏片和全粉末片。

97、本发明中,所述中药片剂(例如含蜜中药片剂)的初始处方一般包含药物活性成分和药学上可接受的辅料。其中,所述药学上可接受的辅料可包含黏合剂、填充剂、崩解剂、助流剂和润滑剂,所述黏合剂中包含蜜(例如蜂蜜或炼蜜)。

98、在本发明一些实施方式中,所述药物活性成分为中药提取物浸膏,例如养心达瓦依米西克浸膏。

99、在本发明一些实施方式中,所述药物活性成分为中药药材粉末。

100、在本发明一些实施方式中,所述药物活性成分为至少两种中药提取物浸膏的混合物。

101、在本发明一些实施方式中,所述药物活性成分的用量范围为30-40%,例如35.5%,百分比是指在所述中药片剂中的质量百分比。

102、本发明中,所述黏合剂可为本领域常规的黏合剂,一般是指依靠本身所具有的黏性,赋予无黏性或黏性不足的物料以适宜黏性的辅料。

103、本发明中,所述黏合剂的用量可为本领域常规的用量,例如20-30%,还例如20-28%,再例如20%、22%、24%、26%或28%,百分比是指在所述中药片剂中的质量百分比。

104、本发明中,所述黏合剂的用量可为本领域常规的用量,例如20-30%,还例如20-28%,再例如20%、22%、24%、26%或28%,百分比是指相对所述中药片剂中总处方干物质的质量百分比。

105、本发明中,所述填充剂可为本领域常规的填充剂,也称为稀释剂(diluents),其主要作用是用来填充片剂的重量或体积,使片剂达到一定的规格尺寸。

106、在本发明一些实施方式中,所述填充剂为微晶纤维素、糊精、淀粉和乳糖中的一种或多种,例如微晶纤维素、糊精、淀粉、乳糖、微晶纤维素和糊精、微晶纤维素和乳糖、微晶纤维素和淀粉、或者、“微晶纤维素、糊精和乳糖”。

107、本发明中,所述填充剂的用量可为本领域常规的用量,例如30-70%,还例如35.9%、40%、47.5%、55%、62.5%或70%,百分比是指在所述中药片剂中的质量百分比。

108、本发明中,所述填充剂的用量可为本领域常规的用量,例如30-70%,还例如35.9%、40%、47.5%、55%、62.5%或70%,百分比是指相对所述中药片剂中总处方干物质的质量百分比。

109、本发明中,所述崩解剂可为本领域常规的崩解剂,例如在片剂中,能促使片剂在胃肠液中迅速崩解成细小颗粒的辅料,还例如羧甲基淀粉钠和/或交联聚维酮。

110、本发明中,所述崩解剂的用量可为本领域常规的用量,例如1-10%,还例如2-6%,再例如2%、3%、4%、5%或6%,百分比是指在所述中药片剂中的质量百分比。

111、本发明中,所述崩解剂的用量可为本领域常规的用量,例如1-10%,还例如2-6%,再例如2%、3%、4%、5%或6%,百分比是指相对所述中药片剂中总处方干物质的质量百分比。

112、本发明中,所述润滑剂可为本领域常规的润滑剂,一般是指能降低药片与冲模孔壁之间摩擦力的物质,例如硬脂酸镁。

113、本发明中,所述润滑剂的用量可为本领域常规的用量,例如0.1-5%,还例如1%,百分比是指在所述中药片剂中的质量百分比。

114、本发明中,所述助流剂可为本领域常规的助流剂,一般是指能降低颗粒间的摩擦力的物质,例如sio2。

115、本发明中,所述助流剂的用量可为本领域常规的用量,例如0.1-5%,还例如0.5%,百分比是指在所述中药片剂中的质量百分比。

116、在本发明一些实施方式中,所述第一自变量x1包含填充剂的种类或崩解剂的种类。

117、在本发明一些实施方式中,所述第一自变量x1包含水。

118、在本发明一些实施方式中,所述中药片剂中的水分含量为1-10%,例如2-6%,还例如2%、3%、4%、5%或6%,百分比是指在所述中药片剂中的质量百分比。

119、本发明中,所述预设处方的优化终止条件可为:所述中间变量或所述因变量达到预设阈值,或迭代次数达到预设次数。

120、本发明中,所述“预设处方”是指基于所述中药片剂的初始处方,通过调整其中某一成分(即第一自变量x1)的种类或用量后获得的中间处方。例如,在初始处方中,若将填充剂作为第一自变量x1,则预设处方即为改变填充剂种类或用量后的处方。

121、本发明,可以通过循环迭代的方式逐步优化所述预设处方。例如,在首次优化获得第一自变量x1的目标范围后,并非直接终止,而是将x1调整至该范围内的一个具体值,形成一个新的初始处方,并以此作为下一次迭代的起点,继续优化下一个自变量(例如崩解剂)。如此往复,直到所有关键处方成分均被优化,或满足其他预设的终止条件。这种迭代方式能够系统地处理多个处方变量之间的相互影响,最终获得一个综合性能最优的处方。

122、在本发明一些实施方式中,所述预设处方制备得到的片剂的因变量包含y1崩解时限、y2硬度和y3脆碎度中的一种或多种。

123、本发明中,所述预设处方制备得到的颗粒可以包含药物活性成分,以及处方中部分或全部药学上可接受的辅料。

124、本发明中,所述预设处方制备得到的颗粒可以通过以下方式获得:

125、(a) 将所述药物活性成分与所述预设处方中的部分辅料进行制粒,剩余辅料在压片前混合外加;或者,

126、(b) 将所述药物活性成分与所述预设处方中的全部辅料共同制粒。

127、在本发明一些实施方式中,所述预设处方制备得到的颗粒为所述药物活性成分、所述黏合剂和所述填充剂混合后制得的颗粒。

128、在本发明一些实施方式中,所述预设处方制备得到的颗粒为所述药物活性成分、所述黏合剂、所述填充剂、所述崩解剂、所述润滑剂和所述助流剂混合后制得的颗粒。

129、在本发明一些实施方式中,所述预设处方制备得到的颗粒经sedem专家系统处理后获得的物理性质指标为堆密度da、振实密度dc、颗粒间孔隙率ie、卡尔指数ic、内聚指数icd、豪斯比率ih、休止角α、粉末流动时间tn、干燥失重%hr、吸湿性%h、粒径小于50微米的百分比%pf和均齐度指数iθ中的一种或多种。

130、在本发明一些实施方式中,所述预设处方制备得到的颗粒经sedem专家系统处理后获得的物理性质指标包含参数指数ip、参数轮廓指数ipp和良好压缩性指数igc中的一种或多种;

131、其中,计算公式如下:

132、;

133、;

134、;

135、;

136、其中,为半径值不低于5的参数数量,为测试参数总数,为各参数的半径值,为可靠性因子。

137、本发明中,当测试参数为12个时,通常取0.952。

138、在本发明一些实施方式中,所述预设处方制备得到的颗粒经sedem专家系统处理后获得的物理性质指标包含id、ic_dim、if、ils和idosage中的一种或多种;

139、所述id为堆密度da和振实密度dc的算术平均值;

140、所述ic_dim为颗粒间孔隙率ie、卡尔指数ic和内聚指数icd的算术平均值;

141、所述if为豪斯比率ih、休止角α和粉末流动时间tn的算术平均值;

142、所述ils为干燥失重%hr和吸湿性%h的算术平均值;

143、所述idosage为粒径小于50微米的百分比%pf和均齐度指数iθ的算术平均值;

144、在本发明一些实施方式中,所述第二自变量x2选择和下述性能相关的指标:

145、影响粉体黏结性、含水状态和压缩后的成形能力的性能;

146、影响片剂崩解行为及孔隙结构的性能;

147、影响粉体润湿性和颗粒间作用力的性能;

148、影响粉体成形的性能。

149、在本发明一些实施方式中,所述影响粉体黏结性、含水状态和压缩后的成形能力的性能的指标为蜜的用量。

150、在本发明一些实施方式中,所述影响片剂崩解行为及孔隙结构的性能的指标为崩解剂的用量。

151、在本发明一些实施方式中,所述影响粉体润湿性和颗粒间作用力的性能的指标为水的用量。

152、在本发明一些实施方式中,所述影响粉体成形的性能的指标为填充剂的用量。

153、在本发明一些实施方式中,所述第二自变量x2为蜜(例如蜂蜜或炼蜜)用量x21、崩解剂含量x22、水分含量x23和填充剂用量x24。

154、在本发明一些实施方式中,所述第二自变量x2为蜜(例如蜂蜜或炼蜜)用量x21、崩解剂用量x22、水分x23和微晶纤维素用量x24。

155、在本发明一些实施方式中,所述基于所述第二自变量x2的变化获得第一预设处方数据矩阵的方法为:

156、基于所述预设的第二自变量x2,采用部分因子设计ffd方法,获得所述第一预设处方数据矩阵。

157、其中,所述部分因子设计ffd方法可采用2^(4-1)分辨率iv部分因子设计方法。

158、其中,当所述第二自变量x2为蜜(例如蜂蜜或炼蜜)用量x24、崩解剂用量x22、水分x23和微晶纤维素用量x24时,所述部分因子设计ffd方法可为:以x24 = x21×x22×x23为生成元,共设置8个因子点和3个中心点。其中,8个因子点主要用于估计各因素主效应,3个中心点用于检测可能存在的曲率效应并估计实验误差。实验顺序可以随机化执行,以降低操作顺序、环境变化和物料状态波动对实验结果的影响。

159、在本发明一些实施方式中,所述第一预设处方制备得到的片剂的cqas包含y1崩解时限、y2硬度和y3脆碎度中的一种或多种。

160、在本发明一些实施方式中,所述第一预设处方制备得到的颗粒经sedem专家系统处理后获得的物理性质指标包含堆密度da、振实密度dc、颗粒间孔隙率ie、卡尔指数ic、内聚指数icd、豪斯比率ih、休止角α、粉末流动时间tn、干燥失重%hr、吸湿性%h、粒径小于50微米的百分比%pf和均齐度指数iθ中的一种或多种。

161、在本发明一些实施方式中,所述第一预设处方制备得到的颗粒经sedem专家系统处理后获得的物理性质指标包含id、ic_dim、if、ils和idosage中的一种或多种;

162、所述id为堆密度da和振实密度dc的算术平均值;

163、所述ic_dim为颗粒间孔隙率ie、卡尔指数ic和内聚指数icd的算术平均值;

164、所述if为豪斯比率ih、休止角α和粉末流动时间tn的算术平均值;

165、所述ils为干燥失重%hr和吸湿性%h的算术平均值;

166、所述idosage为粒径小于50微米的百分比%pf和均齐度指数iθ的算术平均值。

167、在本发明一些实施方式中,所述第一预设处方制备得到的颗粒经sedem专家系统处理后获得的物理性质指标包含参数指数ip、参数轮廓指数ipp和良好压缩性指数igc中的一种或多种,例如良好压缩性指数igc。

168、在本发明一些实施方式中,所述采用“点→线→面”递进探索设计空间处理的方法为采用三准则自适应triad设计处理方法,所述三准则自适应设计包含正交设计、均匀设计和d-最优设计。

169、在本发明一些实施方式中,所述采用“点→线→面”递进探索设计空间处理的方法为序贯doe(sequential doe)设计处理方法。

170、在本发明一些实施方式中,所述经三准则自适应triad设计处理获得第二预设处方数据矩阵的方法为:

171、a组以八个轴向点沿各因子轴定位,坐标为(±1, 0, 0, 0)、(0, ±1, 0, 0)、(0,0, ±1, 0)和(0, 0, 0, ±1);

172、b组以十二个面中心点定位于四维超立方体所有二维面的质心;

173、c组以六个额外点使用d-最优设计原则,寻求最大化信息矩阵的行列式|x’x|。

174、其中,所述a组数据点可以扩展正交设计结构,使纯二次效应(β11x12, β22x22, β33x32, β44x42)的估计成为可能,这对于表征响应曲面曲率和识别最优操作区域至关重要。轴向距离α设为1.0(面心配置)而非旋转值(对于k=4,α = 2^(k/4) = 1.414),确保所有实验点保持在已验证的可行区域内。这种择优先考虑实际可操作性而非理论旋转性,与qbd原则一致,即将操作保持在已证明可接受的范围内。

175、在一些实施方式中,对于k=4个因子,存在c(4,2)=6个因子对,每个面包含两个相对的中心点,产生6×2=12个面中心点。该组成部分通过确保实验点分布于设计空间的内部区域而非仅在顶点和沿轴分布。面中心点特别针对二因子交互曲率的评价;改善两个因子同时接近极端值的设计空间“边缘”的覆盖;通过偏差指标衡量的增强空间均匀性。

176、其中,c组以六个额外点使用d-最优设计原则,该原则寻求最大化信息矩阵的行列式|x’x|。这一准则最小化参数的广义方差,确保实验资源的高效利用。

177、在本发明一些实施方式中,所述c组获得的算法为:

178、使用拉丁超立方抽样在设计空间中生成1000个候选点集,排除已包含在设计中的点;顺序交换算法迭代选择使|x’x|增量最大化;最终六个点是提供整体设计效率最大改进。

179、该算法可以确保c部分点填充结构化组成部分(a和b)留下的间隙,同时改善空间覆盖(均匀设计目标)和信息含量(d-最优目标)。

180、在本发明一些实施方式中,所述第二预设处方制备得到的片剂的cqas包含y1崩解时限、y2硬度和y3脆碎度。

181、在本发明一些实施方式中,所述第二预设处方制备得到的颗粒经sedem专家系统处理后获得的物理性质指标包含堆密度da、振实密度dc、颗粒间孔隙率ie、卡尔指数ic、内聚指数icd、豪斯比率ih、休止角α、粉末流动时间tn、干燥失重%hr、吸湿性%h、粒径小于50微米的百分比%pf和均齐度指数iθ中的一种或多种。

182、在本发明一些实施方式中,所述第二预设处方制备得到的颗粒经sedem专家系统处理后获得的物理性质指标包含id、ic_dim、if、ils和idosage中的一种或多种;

183、所述id为堆密度da和振实密度dc的算术平均值;

184、所述ic_dim为颗粒间孔隙率ie、卡尔指数ic和内聚指数icd的算术平均值;

185、所述if为豪斯比率ih、休止角α和粉末流动时间tn的算术平均值;

186、所述ils为干燥失重%hr和吸湿性%h的算术平均值;

187、所述idosage为粒径小于50微米的百分比%pf和均齐度指数iθ的算术平均值。

188、在本发明一些实施方式中,所述第二预设处方制备得到的颗粒经sedem专家系统处理后获得的物理性质指标包含参数指数ip、参数轮廓指数ipp和良好压缩性指数igc中的一种或多种,例如良好压缩性指数igc。

189、在本发明一些实施方式中,所述简化回归模型的构建方法包括下述步骤:

190、以主效应模型为基础,逐步加入具有统计显著性和制剂学意义的二次项及交互项;以r2、loocv r2、rmsecv、vif、残差诊断及模型解释性作为所述简化回归模型的筛选参数;

191、采用留一交叉验证评价模型预测能力。

192、本发明中,所述留一交叉验证评价模型是指:基于总实验点n,每次剔除1个实验点,用其余n-1个实验点建模并预测被剔除样本,循环n次后计算交叉验证指标。

193、例如,当总实验点n=37时,每次剔除1个实验点,用其余36点建模并预测被剔除样本,循环37次后计算交叉验证指标。

194、在本发明一些实施方式中,所述简化回归模型的构建方法包括下述步骤:对igc、5个sedem子指数(id、ic_dim、if、ils和idosage)及y1、y2、y3分别建立最优简化方程。

195、在本发明一些实施方式中,所述简化回归模型的构建中,所述中间变量为id、ic_dim、if、ils、idosage和igc中的一种或多种。

196、在本发明一些实施方式中,所述第一目标模型为基于自变量预测所述因变量的模型,所述自变量为所述中药片剂的处方参数;也即,cpps→cqas的直接模型。

197、在本发明一些实施方式中,所述第一目标模型为基于自变量预测所述中间变量的模型,所述自变量为所述中药片剂的处方参数;也即,cpps→sedem 指标的路径模型。

198、在本发明一些实施方式中,所述第一目标模型为基于所述中间变量预测所述因变量的模型,也即,sedem指标→cqas的路径模型。

199、在本发明一些实施方式中,所述第一目标模型为基于自变量和所述中间变量预测所述因变量的模型,所述自变量为所述中药片剂的处方参数;也即,cpps和sedem指标共同预测cqas的联合模型。

200、在本发明一些实施方式中,所述简化回归模型的构建中,当所述因变量为y1崩解时限时,所述第一目标模型为缩减二次模型。

201、在本发明一些实施方式中,所述简化回归模型的构建中,当所述因变量为y2硬度时,所述第一目标模型为主效应模型。

202、在本发明一些实施方式中,所述简化回归模型的构建中,当所述因变量为y3脆碎度时,所述第一目标模型为组合模型。

203、在本发明一些实施方式中,所述构建中介效应分析模型使用baron-kenny的路径分析框架。

204、在本发明一些实施方式中,所述构建中介效应分析模型使用bootstrap方法估计间接效应的置信区间。

205、在本发明一些实施方式中,所述中介效应分析模型中,idos、ils和igc具有显著中介作用。

206、在本发明一些实施方式中,所述机器学习回归模型的构建中,所述输入变量还包含所述第一处方数据矩阵中的所述第一自变量x1、所述第二处方数据矩阵中的所述第二自变量x2。

207、在本发明一些实施方式中,所述机器学习回归模型的构建中,所述输入变量还包含所述第一处方数据矩阵中的所述第一自变量x1经poly2处理后的第一自变量x1’、所述第二处方数据矩阵中的所述第二自变量x2经poly2处理后的第二自变量x2’。

208、在本发明一些实施方式中,所述机器学习回归模型的构建中,所述机器学习回归模型为线性模型、正则化模型、局部学习模型、核方法模型和树集成模型中的一种或多种。

209、本发明中,所述线性模型可为本领域常规的线性模型,例如普通最小二乘法(ols)。

210、本发明中,所述正则化模型可为本领域常规的正则化线性模型,例如岭回归、套索回归、弹性网络或贝叶斯岭回归。

211、本发明中,所述局部学习模型可为本领域常规的局部学习模型,例如knn3或knn5。

212、本发明中,所述核方法模型可为本领域常规的基于核的模型,例如支持向量回归-径向基函数或支持向量回归-多项式核。

213、本发明中,所述树集成模型可为本领域常规的树集成模型,例如随机森林、极端随机树或梯度提升回归。

214、在本发明一些实施方式中,所述机器学习回归模型的构建中,以r2、rmse和mae评价作为所述机器学习回归模型的评价参数。

215、在本发明一些实施方式中,所述机器学习回归模型的构建中,采用重复k折交叉验证评价所述第二目标模型的预测能力。

216、本发明还提供了一种中药片剂处方的设计空间的预测方法,其包括如下步骤:将待测中药片剂的处方输入预测模型中,得到所述待测中药片剂的处方的设计空间;所述预测模型采用如前所述的预测模型的训练方法获得。

217、本发明中,所述设计空间并不是单一最优处方点,而是在给定输入变量范围内,能够同时保证所有关键质量属性满足预设规格的多维可操作区域。

218、在本发明一些实施方式中,基于所述机器学习回归模型,以自变量x作为输入变量,进行四维网格扫描,预测所述中药片剂的cqas,也即,预测所述中药片剂的y1崩解时限、y2硬度和y3脆碎度。

219、在本发明一些实施方式中,每个候选处方点需同时满足cqa要求和sedem子指数阈值,方可被纳入设计空间。

220、在本发明一些实施方式中,通过二维投影展示四维设计空间,通过约束瓶颈分析识别限制设计空间的关键cqa或sedem指标,并在设计空间内部采用期望函数和稳健性分析筛选所述目标处方。

221、在本发明一些实施方式中,所述设计空间的构建方法为:

222、定义中间变量、因变量的验收标准;

223、基于所述机器学习回归模型预测网格映射;

224、设计空间识别与二维投影;

225、约束瓶颈分析;

226、基于合意度的优化;

227、稳健性分析;

228、敏感性分析。

229、在本发明一些实施方式中,基于所述的模型预测和合意度优化,在满足所有cqa约束的设计空间内,进一步通过扰动分析筛选出具有较高稳健性(如扰动通过率≥90%)的处方区域,并以该区域内合意度最高的处方点作为最终推荐的目标处方,从而确保目标处方不仅满足质量要求,且能耐受实际生产中的常见变异性。

230、在本发明一些实施方式中,所述验收标准的定义公式为yi ∈ spec i,i = 1, 2,3,k ≥ tk, k = 1, ..., k;yi代表预测或测量的cqa,spec_i是预定义的cqa规格,sk是sedem 子指数,tk是其阈值。

231、在本发明一些实施方式中,所述网格映射的定义公式为x = (x1, x2, x3, x4),xi,min ≤ xi ≤ xi,max,j(x) = fj(x),j = 1, 2, 3,每个网格点x代表一个配方组合,fj是在该配方组合下预测第j个cqa的最优机器学习回归模型。

232、在本发明一些实施方式中,所述设计空间识别与二维投影的公式为:d_space ={x ∈ x : 1 ∈ spec_1, 2 ∈ spec_2, 3 ∈ spec_3, sk ≥ tk};

233、pij(d_space) = {(xi, xj) :  remaining x values such that x ∈ d_space}。

234、在本发明一些实施方式中,一个点属于设计空间,当且仅当所有cqa和sedem约束均满足。

235、在本发明一些实施方式中,二维投影用于可视化4d可行区域。

236、在本发明一些实施方式中,所述约束瓶颈分析的公式为:failure rate_j = n_fail,j / n_total;

237、对于上限约束:m_j(x) = (u_j - _j) / (u_j - l_j);

238、对于范围约束:m_j(x) = min[(_j - l_j), (u_j - _j)] / (u_j - l_j);

239、mj 描述了标准化距离,即到第j个约束边界的距离。

240、在本发明一些实施方式中,所述基于合意度的优化公式为:

241、d = (d1 × d2 × ... × dm)^(1/m);或加权形式:d = (π d_i^w_i)^(1/σw_i);di范围从0到1,代表每个响应的合意度。

242、在本发明一些实施方式中,所述稳健性分析的公式为:

243、基于距离的稳健性:r_dist(x) = min_j m_j(x);

244、基于扰动的稳健性:r_prob = n_pass / n_mc;

245、r_dist测量到最近约束边界的最小距离;r_prob估计扰动点后仍保持可接受的概率。

246、在本发明一些实施方式中,所述敏感性分析的公式为:

247、局部敏感性:sensitivity_ij = δ_j / δx_i

248、置换重要性:pi_i = error_perm,i - error_base。

249、本发明中,可根据中药中间体浸膏的批间差异性,固定重要变量x21,通过在设计空间内调节非重要变量x22与x23,适当控制x24,调和浸膏带来的处方变化,进一步控制整体制剂的一致性,这对产业化具有重要指导依据。

250、本发明还提供了一种基于sedem专家系统的中药片剂处方设计的系统,其包括:

251、片剂处方成分种类筛选模块:用于筛选所述中药片剂的处方中任一成分的种类;所述片剂处方成分种类筛选模块包含预设处方设计模块、中间变量和因变量获取模块;所述中间变量为所述预设处方制备得到的颗粒经sedem专家系统处理后获得的物理性质指标;所述因变量为所述预设处方制备得到的片剂的cqas;

252、片剂处方可行域筛选模块:用于筛选所述中药片剂的处方中任一成分的含量范围;所述片剂处方可行域筛选模块包含第一预设处方数据矩阵获取模块、第一中间变量和第一因变量获取模块;所述第一中间变量为所述第一预设处方制备得到的颗粒经sedem专家系统处理后获得的物理性质指标;所述第一因变量为所述第一预设处方制备得到的片剂的cqas;

253、片剂处方设计空间探索模块:用于探索所述中药片剂的处方的设计空间;所述探索模块包含第二预设处方数据矩阵获取模块、第二中间变量和第二因变量获取模块;所述第二中间变量为所述第二预设处方制备得到的颗粒经sedem专家系统处理后获得的物理性质指标;所述第二因变量为所述第二预设处方制备得到的片剂的cqas;

254、设计空间获取模块:用于获取所述中药片剂的设计空间;所述设计空间获取模块包含:数据输入模块,数据处理模块和数据输出模块,所述数据输入模块用于输入所述第一处方数据矩阵、所述第一中间变量、所述第一因变量、所述第二处方数据矩阵、所述第二中间变量和所述第二因变量,所述数据处理模块包含下述模块i-iii中至少一项:

255、i. 简化回归模型构建模块,用于预测所述中间变量和/或所述因变量的第一目标模型;

256、ii. 中介效应分析模块,用于获得所述第一自变量x1、所述第一中间变量、所述第一因变量之间的关系,和/或,获得所述第二自变量x2、所述第二中间变量、所述第二因变量之间的关系;

257、iii. 机器学习回归模块,用于获得用于预测所述中药片剂的cqas的第二目标模型,所述构建机器学习回归模型的过程中,输入变量包含所述第一中间变量和/或所述第二中间变量;

258、所述数据输出模块为用于输出所述中药片剂的设计空间。

259、本发明还提供了一种电子设备,其包括存储器、处理器及存储在存储器上并用于在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述的预测模型的训练方法,或者,所述的中药片剂处方的设计空间的预测方法。

260、本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述的预测模型的训练方法,或者,所述的中药片剂处方的设计空间的预测方法。

261、本发明还提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现所述的预测模型的训练方法,或者,所述的中药片剂处方的设计空间的预测方法。

262、本发明中,除非另有明确限定,术语“一个”或“一”应理解为包括一个或多个。

263、在不违背本领域常识的基础上,上述各优选条件,可任意组合,即得本发明各较佳实例。

264、本发明所用试剂和原料均市售可得。

265、本发明的积极进步效果在于:

266、(1)首创性:本发明将sedem首次用于中药含蜜体系,首次系统性研究蜜(例如蜂蜜或炼蜜)在中药片剂中作用以及和片剂中关键工艺参数cpps的关联;

267、(2)高效性:本发明采用四阶段递进策略,减少实验量50%以上;

268、(3)可解释性:自变量x→中间变量igc→因变量cqa的中介效应揭示了关键工艺参数cpps“为什么好”的机制;

269、(4)预测性:机器学习模型预测r²>0.90,最优处方点验证、设计空间随机点验证、中介效应实验验证三方面验证一致,证明模型有效,进一步证明了sedem适用于中药含蜜体系。

270、(5)推广性:本发明的方法可推广至其他含蜜中药制剂及特殊辅料体系。