传感器阵列波束优化设计与应用_试验设计及其在药物制剂工艺优化中的应用研究...

摘 要:在20世纪初，Ronald Fisher指出统计分析应该在研究规划阶段使用而不是在实验结束之后。当统计学思维应用在设计阶段后，Deming博士先进渊博的知识包括系统思维、对变异的理解、心理学等方面可以被运用到产品的质量设计。相比于其他行业，制药工业吸收这些范式科学较晚，制药工业侧重研发重大药物，主要是在一个时间段集中研究一个因素，而不是实施QbD理念和基于现代工程技术的制造方法。现在，在众多基于QbD（Quality by Design）理念的科研和工业制造领域，试验设计（Design of Experiments，DoE）被广泛应用。在实施或执行QbD理念时，对产品和工艺的理解是保证最终产品质量的关键因素。通过建立工艺输入输出变量之间的关系来获得知识信息。关键原料属性（Critical Material Attributes，CMAs）、关键工艺参数（Critical Process Parameters，CPPs）和关键质量属性（Critical Quality Attributes，CQAs）之间的数学关系定义设计空间（Design Space）。这样，对工艺过程的理解得到保证才能使最终产品与目标产品质量轮廓（Quality Target Product Profile ，QTPP）相符。这些数学关系的建立需要通过试验设计来实现。本文将综述试验设计的概念、方法和目标等以及其在药物制剂工艺优化及产品开发中的应用。

关键词：药物制剂，试验设计，工艺优化，设计空间；

1. 引言

试验设计（Design of Experiments or Experimental Design）的概念并不新，它起源于20世纪20年代著名统计学家Ronald Fisher[1]创立的现代统计学基础。Fisher曾经强调：“实验结束之后才去咨询统计学家只不过是在进行事后分析”。显然地，这告诉我们，在实验之前需要积极收集信息对实验做出整体规划和布局。这个观点得到质量大师例如Walter A. Shewhart、William E. Deming和Joseph等的大力支持和传播，这促进了以制造过程为中心去建立产品质量的企业文化的形成。Juran[2]博士创造了“质量源于设计”这个术语，强调了在产品和相关服务中规划质量的重要性。规划过程大致有四个步骤：第一，确定客户及其需求；第二，将需求转化为产品特性；第三，开发工艺；第四，工艺的实施。在Juran博士前差不多半个世纪，Deming[3]博士就指出在确保产品生产过程中，工艺过程比产品检验更重要，他说：“如果你不能将你所做的用一个工艺过程去描述，你就不明白你在做什么，而且你不能检查和要求产品的质量，因为产品就在那儿，已经制造完了”。

在科学研究和工业制造中，试验设计是施展QbD理念的统计方法中的主要手段。试验设计首先被Fisher应用在农业领域，随后在二十世纪中叶，受Box[4]和Wilson在试验条件优化方面发表的一些核心论文的影响，试验设计开始被应用于化学工业。

人用药物注册技术要求国际协调会议（International Conference on Harmonization，ICH）Q8[5]强调“质量不应该被检验而应该被设计”，这为试验设计的运用创造了有利的环境，随着相关科研工作和工业应用的日益增加以及相关试验设计分析技术的蓬勃发展，试验设计在产品生产研究中越来越重要，正如Bhote[6]所说：“试验设计是开启质量王国的神奇钥匙”。

2. 正文

2.1试验设计的概念

试验设计是一种有组织有结构的用于确定工艺影响因素与工艺输出变量之间的关系的方法。通常，一个工艺涉及输入变量、输出变量，如图1[7]所示，输入变量又包括可控因子和不可控因子，输出变量包括工艺指标，产品质量属性和特性等。试验设计就是通过建立工艺过程输入、输出变量之间的数学关系来获取工艺过程信息，理解工艺。一个过程或者某个工艺是一种“增值”活动，在受控和不可控因素的影响下，将输入变量转化为输出变量，通常将不可控因素视为噪声，因为它们是随机发生的而且相比于可控因素对整个工艺的影响较小[7]。然而，Montgomery[8]用试验设计的理念将过程变量分为潜在因子和干扰因子，干扰因子包括可控因素、不可控因素和噪声。干扰因子与不可控和无法避免的变异有关，通常用实验误差来表示。

可控因素对最终产品质量特性的影响根据Pareto法则来变化，意味着相对少的因素会造成相当大的影响。这也被叫做二八定律，规定20%的因素会产生80%的影响。在ICH Q8中[5]，将最有影响的因素定义为关键工艺参数（Critical Process Parameters，CPPs），即那些能对产品关键质量属性（Critical Quality Attributes，CQAs）产生显著影响的因素。因此，这些因素应该被监测和控制以确保工艺能产出期望的高质量产品。关键质量属性是产品特性的总和，应符合预定义的范围也即规范或标准。ICH Q8[5]将关键质量属性定义为一种有合理的限度、范围或分布以确保获得期望产品质量的物理的、化学的、生物或微生物的性质或特征。

试验设计是一种让可控因子系统地有目的地变化以确定它们对响应的影响的方法[8]。总的来说是如图1所示的通过数学函数y=f（x）来描述关键工艺参数（x1，x2，¼xi）与关键质量属性yi之间的关系，这种数学关系模型通常需满足以下要求，第一，在众多有用因子中明确关键因子；第二，能确定出合适的因子水平设置使产品性能提高或使关键质量属性在规定范围内波动最小；第三，能够阐明因子间的交互作用。这就要求我们能够描述工艺参数的变化给产品或工艺带来的影响，比如设计空间（Design Space），设计空间[5]是指能够确保产品质量的输入变量（例如原料属性和工艺参数等）的范围。设计空间是通过对关键质量属性的优化使产品符合目标产品质量轮廓（Quality Target Product Profile，QTPP），对药品来说目标质量轮廓是理想情况下药物质量特征的概括，必须包括安全性和有效性。

相比于单因素试验，试验设计表现出一些优点，特别是在策略上。这些优点是：用最少的花费获得最多的过程信息；描述各因素的相对重要性，识别因子间的交互作用；在关键工艺参数和关键质量属性间建立了一个稳固的因果关系，可以在设计空间内对工艺运行结果进行预测；可以多响应优化。

2.2试验设计的方法步骤及目标

2.2.1试验设计的方法步骤

根据蒙哥马利（Montgomery）[8]和NIST手册[9]，执行一个试验设计需要7个步骤，第一，设定坚实而具体的目标。在这一步中，需要使用科学文献和技术经验的数据库，用质量风险管理方法[10]严格评估产品质量，明确目标产品质量轮廓。第二，选择工艺过程的变量和响应。这一选择应该基于试验设计，要确保设计可执行，恰当地满足设计范围，也就是说因子的类型（数值的或类别的）和水平需要被确定。第三，选择试验设计。基于试验设计的目标，如筛选因子、表征、优化工艺和配方开发等，需要选择不同的试验设计如析因设计和混料设计等，随机化、区组和重复也应该被考虑。第四，设计的执行。根据设计表严格进行试验，确认设计中不包括的参数并让它们保持恒定。第五，检查实验数据与假设是否一致。试验设计在识别异常值方面是很有效的，异常值可能由不好地执行试验引起。第六，分析结果。采用方差分析和图形工具识别主效应和交互作用等。第七，使用和解释结果。对试验结果做出合理解释以充分理解工艺过程，使用试验结果进行工艺放大或技术转移等。

显然地，这七个步骤是否成功取决于可以支持试验设计无缝进行的合适环境条件能否建立，NIST[9]给了一些建议：检查仪表及测量设备的性能；尽可能使实验过程简单，尽可能尽快做完试验；

检查所有计划进行的试验是可行的；注意试验中参数的波动或改变；备用材料和时间以防突发事件；记下试验所发生的一切和保留所有的原始数据。试验设计能否成功的高质量的完成将直接影响后续的结果，即是否会使我们判断错误，对工艺理解产生偏差甚至错误。所以，试验设计时一定要符合具体的实验条件及相关需求。

2.2.2试验设计的目标

试验设计的最终目标包括工艺的表征和优化两方面，需要依次进行[8]。工艺的表征主要是要在众多有用的参数中确定关键工艺参数，通常采用筛选设计比如二水平全因子设计或部分因子设计。尽管部分析因设计存在别名，可能掩盖因子间交互作用，但是它的主要目标是剔除非显著因素，相反地，二水平全因子设计具有无别名的交互项，而且中心点可以检查模型的曲率，使模型得到加强。筛选完成后，为了优化工艺即设置最有影响的因子的水平使产品众多关键质量属性同时得到提高，需要使用更全面的设计方法来研究挑选出的重要因子。这样的设计通常至少需要三个因子水平和能支持二次或更高阶的效应。响应曲面通常是这些设计得到应用的工具。

2.3试验设计的种类

试验设计一般可以分为三类，混料设计（Mixture Designs）、因子试验（Factorial Experiments）和混合设计（Mixture-process designs）。

混料设计主要用于配方开发和优化，常用于总量是固定的对象，例如固定质量的片剂。在配方中，每个成分的量及成分间的比例是固定的[11-13]。混料设计在制药技术中的典型应用包括在固体制剂配方中稀释剂含量的确定，适当的溶剂和助溶剂的比例等。在混料设计中，各成分不是独立的，一个组分的比例增加，另一个或多个组分的比例要减少。通常，选择的响应和组分间的关系可以用方程（1）表示：

响应=f（组分比例） （1）

因子试验通常用于工艺开发或优化。它适用于工艺参数可以相互独立设置，例如温度、压力、喷射速率等。在这种情况下，响应和因子间的关系可以用方程（2）表示：

响应=f（因子水平） （2）

当需要研究配方和工艺参数间的相互关系时，混合设计应该被使用。通常，混合设计很少被使用，因为它们需要在每个因子设置点进行混料设计，会导致试验数大大增加。该情况下，响应和组分比例、因子水平间的关系可以用方程（3）表示：

响应=f（组分比例）+f（因子水平）+f（组分比例*因子水平） （3）

2.4试验设计的应用

2.4.1在口服固体制剂配方优化中的应用

Margaritis [14]等用混料设计优化了一种儿科快速崩解颗粒的配方，其试验设计如表1，一共14次试验，10个设计点加4个重复。

表1 一个单纯形格子混料设计在口服颗粒制剂配方优化中的应用

响应是在各自配方下颗粒剂的平均崩解时间，优化和控制三个配方的比例就可以得到最佳崩解时间。方差分析结果见表2，从表2可知该统计模型很好，配方A（1）和C（3）、B（2）和C（3）的配比会显著影响颗粒的崩解时间。从表3可知该模型的预测能力也很好，可以用于预测不同配方组成下颗粒的崩解时间。

表2 崩解时间的方差分析

表3 预测值与试验值的比较

Chavez [15]等用设计空间法优化了片剂的配方，用JMP软件设计混料试验表，一共进行了21次试验。试验中还考察了API批次对设计空间的影响，实验发现虽然优化配方可以提高片剂质量，但优化结果会随着API批次的改变而变化。所以配方的优化并不是一成不变的，而应该根据原料性质来优化，这样才能使优化结果对生产有指导意义。

2.4.2在眼用纳米制剂成型中的应用

Sánchez-López [16]等用试验设计的方法，使用聚乙二醇修饰的聚L谷氨酸纳米制剂优化了布洛芬的眼部给药，以pH值、布洛芬浓度和聚乙烯醇浓度为因子，以平均粒度、多分散性指数、Zeta电位和包封率为响应，采用中心复合设计进行16次试验，发现pH是影响纳米制剂成型的最主要因素，优化了纳米制剂的成型工艺条件使其中的药物能持续缓慢释放，减少全身吸收，减少副作用。采用试验设计的方法成功地优化了制剂成型的工艺条件，保障制剂的顺利成型，提高工艺生产的成功率。

Achouri [17]等运用试验设计研究了用于眼部给药的液晶纳米粒，先采用25-1部分析因设计去筛选对颗粒粒径和制剂包封率有显著影响的因子，发现温度和压力对粒径影响显著，均匀加热和持续时间之间的交互作用和均匀加热和压力间的交互作用对包封率有显著影响。通过部分析因设计成功地得出关键因子以及因子间交互作用的情况，为后续优化实验打下基础。Achouri [18]等还使用混料设计对该纳米剂型的配方进行了优化，优化了配方中泊洛沙姆、水和甘油酯的配比，仍然以粒径和包封率为指标，最终找到两个优化后的配比如表4。这再次证明了混料设计在配方优化中的适用性。

表4 优化的配方组成及结果

2.4.3在制粒工艺中的应用

制粒是把粉末、熔融液、水溶液等状态的物料经加工制成具有一定形状与大小粒状物的操作。几乎所有的固体制剂的制备过程都离不开制粒，制粒过程在工业生产中相当重要，对终产品质量影响很大。

Simone[19]等研究了在羟丙基甲基纤维素的制粒过程中，粘合剂用量、粘合剂流量和叶轮转速对颗粒产率、颗粒豪斯纳比和休止角的影响，并用三种模型描述它们之间的关系，发现用二阶多项式模型拟合效果最好，能对颗粒质量进行良好预测，可以帮助我们理解制粒工艺参数的变化如何影响颗粒质量，提高对制粒工艺的认识。

Liu HL[20]等使用面心中心复合设计研究了一个湿法制粒中三个关键工艺参数（螺杆转速、产量和液固比）对制粒过程、颗粒性质和最终片剂性质的影响。用二阶多项式模型拟合实验数据并分析了三个工艺参数及其交互作用对工艺指标的影响，最后用MODDE软件提供的Monte Carlo算法计算了设计空间，如图2，可以看到设计空间形状不规则。设计空间验证结果见表5。验证结果表明设计空间较为可靠，不过我认为试验失败概率设为10%太高，设计空间范围偏大，产量为5、52.5、100g/min的设计空间不一样意味着当产量在这些数值之间时比如产量为60g/min时，无法知道设计空间的形状，也无法验证，文章没有对产量进行优化，应该有一个合适的产量范围，即产量、螺杆转速和液固比三个关键工艺参数各自都需要有一个合适的范围，这样工艺优化才比较完整。

图2 设计空间

表5 设计空间的验证

2.4.4在压片中的应用

Ali[21]等用Box-Behnken设计研究了在氟西汀口腔崩解片制备中，润滑剂浓度、混合时间和压力对片剂重量、厚度、硬度、脆碎度和崩解时间的影响，一共进行了15次试验。分析试验结果后发现崩解时间直接受到润滑剂浓度的影响，混合时间影响片剂的硬度和厚度，压制压力影响片剂硬度、脆碎度和崩解时间。用二阶多项式去拟合因子和响应的关系并优化因子得表6，可见试验值和预测值符合良好，预测误差很小，说明模型有较好的预测能力，可以用于指导该工艺。

表6 优化的工艺参数及其试验值、预测值和误差

2.4.5在包衣中的应用

包衣是指在特定的设备中按特定的工艺将糖料或其它能成膜的材料涂覆在药物固体制剂的外表面，使其干燥后成为紧密粘附在表面的一层或数层不同厚薄、不同弹性的多功能保护层的一种制剂过程工艺。包衣具有增加药物稳定性，掩盖片剂的不良气味，控制药物的释放部位，控制药物的释放速度，改善片剂的外观等作用。包衣是固体制剂片剂、丸剂、颗粒剂等制备中的常见工艺步骤。

Kovacevic[22]等研究了一种小丸包衣，以包衣效率和产率为工艺指标，先用28-4部分析因设计筛选关键工艺参数，得出两个关键参数（羟丙基甲基纤维素含量和干物质含量），再用中心复合设计进行13次优化试验，用响应曲面法优化了这两个关键工艺参数并得出最佳值，即粘合剂羟丙基甲基纤维素含量60~61%，干物质含量16%。

Teckoe[23]等研究了一种安慰剂的薄膜包衣，先对众多工艺参数做失效模式与影响分析，用评分的方法选出5个潜在关键工艺参数，以次品率、色差、光泽度等6个指标为片剂包衣的工艺指标，用中心复合设计进行了32次试验，针对总体适应性、外观、包衣产率的等目标产品质量轮廓对工艺参数做了优化，验证优化后的工艺条件发现试验值和预测值复合良好，说明工艺参数优化成功，所建立的模型有较好的预测能力。

唐延甜[24]等用星点设计-效应面法优化了阿司匹林肠溶片的包衣工艺，以包衣效率为工艺指标，雾化压力、蠕动泵转速及枪-床距离为关键工艺参数，进行了20次试验。以二阶多项式模型拟合实验数据并计算出最佳工艺参数，验证优化后的工艺条件，试验偏差较小，工艺稳定。

何凤军[25]等研究了益心舒片的包衣工艺，以片剂包衣合格率为工艺指标，采用Plackett-Burman试验设计筛选投料量、喷枪距离和进风温度等7个工艺参数，进行12次试验，筛选出3个关键工艺参数，然后用中心复合设计做了20次优化试验，值得注意的是，在优化试验前，作者先进行了最陡爬坡试验确定中心复合设计中心点水平取值，避免找不到最佳工艺条件的意外发生，使试验更加科学高效。

3. 结论和展望

在药物的一般制造过程：配方优化、制粒、压片、包衣等过程中，试验设计是一种常用的工艺探究手段。通过试验数据分析，运用统计学的方法是药物制剂工艺优化中常用的工具，它可以描述一些复杂工艺中暗藏的规律，在我们对工艺理解不清楚的情况下有很大的用处。在药物配方研发中，混料设计是常用的经典方法，能科学合理地优化出最佳配方，但是原料批次不同可能会对配方造成影响，所以工艺生产的原料质量需要严格控制，使其性质和配方研发时的性质最大程度相符合才不易出现生产风险。在制药过程中，工艺条件对最终产品的质量有较大影响，但原料属性往往影响更大，尤其在原料的物理、化学或生物特征复杂的情况下，所以需要在工艺研究时考虑原料批次的影响，这样才能尽量避免生产异常，即需要提炼出能表征原料关键质量属性的变量，这种变量能很好地区分不同批次的原料。试验设计需要过程分析技术、检测技术和自动化控制技术等辅助才能使我们对工艺过程有深刻准确的理解，才能较好地实现工艺优化，才能提升制药技术水平。

4. 参考文献

[1] Fisher RA. Statistical methods for research workers[M]. Edinburgh: Oliver and Boyd,1925.

[2] Juran JM. Quality by design, the new steps for planning quality into goods and services[M]. US: The Free Press,1992.

[3] Deming WE Institute, Available from: https://deming.org/theman/theories/profoundknowledge [last accessed 4 Nov

2016].

[4] Box GEP, Wilson KB. On the experimental attainment of optimum conditions. Journal of the Royal Statistical Society Series B-Statistical Methodology[J]. 1951,13(1):1-45.

[5] ICH Q8(R2), Pharmaceutical Development, Guideline, Available from: http://www.ich.org/fileadmin/Public_Web_Site

/ICH_ Products/Guidelines/Quality/Q8_R1/Step4/Q8_R2_Guideline.pdf [last accessed 4 Nov 2016]

[6] Bhote KR. World class quality: using design of experiments to make it happen[M]. New York: Amacon, American

Management Association,1991.

[7] Montgomery DC. Introduction to statistical quality control.6th edn [M]. New York: John Wiley Sons Inc,2009

[8] Montgomery DC. Design and analysis of experiments.8th edn[M]. New York: John Wiley Sons Inc,2013.

[9] NIST Engineering statistics handbook 5. Process improvement, Available from: http://www.itl.nist.gov/div898/handbook

/pri/section1/pri1.htm [last accessed 4 Nov 2016].

[10] ICH Q9, Quality Risk Management, Guideline. Available from:http://www.ich.org/fileadmin/Public_Web_Site/

ICH_Products/Guidelines/Quality/Q9/Step4/Q9_Guideline.pdf [last accessed4 Nov 2016].

[11] Piepel GF, Cornell JA. Mixture experiment approaches: examples, discussion and recommendations. Journal of Quality Technology[J].1994,26:177–96.

[12] Cornell JA. Experiments with mixtures 3rd edition: designs, models, and the analysis of mixture data[M]. New York: John Wiley Sons,2002.

[13] Smith WF. Experimental design for formulation[M]. New York: ASA-SIAM Series on Statistics and Applied Probability,2005.

[14] Margaritis G, Matsagkas E, Taouktsi AN, Rekkas DM. Use of mixture designs for optimizing MDT and DE of fast disintegrating pellets with possible paediatric use. Poster presented at 8th A.It.U.N. Annual Meeting, 6–7 March, Pavia, Italy,2014.

[15] Chavez P, Lebrun P, Sacré P, et al. Optimization of a pharmaceutical tablet formulation based on a design space approach and using vibrational spectroscopy as PAT tool[J]. International Journal of Pharmaceutics,2015,486(1-2):13-20.

[16] Sánchez-López E, Egea M A, Cano A, et al. PEGylated PLGA nanospheres optimized by design of experiments for ocular administration of dexibuprofen —in vitro, ex vivo and in vivo characterization[J]. Colloids and Surfaces B: Biointerfaces,

2016,145:241-250.

[17] Achouri D, Hornebecq V, Piccerelle P, et al. Self-assembled liquid crystalline nanoparticles as an ophthalmic drug delivery system. Part I: influence of process parameters on their preparation studied by experimental design[J]. Drug Development Industrial Pharmacy,2015,41(1):109-115

[18] Achouri D, Sergent M, Tonetto A, et al. Self-assembled liquid crystalline nanoparticles as an ophthalmic drug delivery system. Part II: optimization of formulation variables using experimental design[J]. Drug Development and Industrial

Pharmacy,2015,41(3):493-501.

[19] Simone V D, Dalmoro A, Lamberti G, et al. Central Composite Design in HPMC granulation and correlations between product properties and process parameters[J]. New Journal of Chemistry,2017,41(14):6504-6513.

[20] Liu H, Galbraith S C, Ricart B, et al. Optimization of critical quality attributes in continuous twin-screw wet granulation via design space validated with pilot scale experimental data[J]. International Journal of Pharmaceutics,2017,525(1):249-263.

[21] Ali B E, Rabba A K, Fayed M H, et al. Development and optimization of fluoxetine orally disintegrating tablets using Box-Behnken design[J]. Tropical Journal of Pharmaceutical Research,2016,15(4):667-677.

[22] Kovacevic J, Ibric S, Djuris J, et al. Application of the design of experiments in optimization of drug layering of pellets with an insight into drug polymer interactions[J]. International Journal of Pharmaceutics,2016,506(1-2):312-319.

[23] Teckoe J, Mascaro T, Farrell T P, et al. Process Optimization of a Novel Immediate Release Film Coating System using QbD Principles[J]. AAPS Pharmscitech,2013,14(2):531-540.

[24] 唐延甜. 星点设计-效应面优化法优化阿司匹林肠溶片的包衣工艺[J]. 天津化工,2012(01):25-28.

[25] 何凤军，丽周恩，云吴，等. 益心舒片包衣工艺优化研究[J]. 世界科学技术.中医药现代化,2016,18(1):69-76.