《盐酸丁咯地尔渗透泵型控释片的研制及家犬体内药物动力学研究论文》由会员分享，可在线阅读，更多相关《盐酸丁咯地尔渗透泵型控释片的研制及家犬体内药物动力学研究论文（86页珍藏版）》请在金锄头文库上搜索。
1、山东大学硕士学位论文盐酸丁咯地尔渗透泵型控释片的研制与家犬体内药物动力学研究研究生：常建晖导师：邓树海教授摘要目的：随着人口老龄化进展，心脑血管病的发病率迅速提高，大量资料证明心血管疾病、脑血管病和恶性肿瘤已成为当今威胁人类健康的三大疾病。盐酸丁咯地尔( B u f l o m e d i lh y d r o c h l o r i d e ，B H ) 是由法国L a f o n 公司开发上市用于治疗外周血管及脑局部血管微循环障碍造成的功能不全性疾病的一种新型动脉血管活性剂。由于其半衰期较短，普通片剂每天需给药3 4 次，给药频繁，血药浓度波动较大，产生峰谷现象，出现头痛、头晕、恶心、呕吐
2、等不良反应。将其制成渗透泵型控释给药系统可减少给药次数，改善血药浓度峰谷现象，可显著降低由于血药浓度波动引起的不良反应，提高疗效，同时由于减少给药次数，可提高患者用药的顺应性。本文将B H 研制成渗透泵型控释片，并进行生物利用度及体内外相关性研究。方法：根据渗透压原理，采用膜控技术，将B H 研制成渗透泵型控释片；利用由日本星药科大学高山幸三教授免费提供的人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k ，A N N ) 技术优化筛选处方与工艺，并与传统反应曲面法( r e s p o n s es u r f a c e m e t h
3、o d ，R S M ) 比较；通过预试验筛选出N a C I作为渗透活性物质，与B H 采用湿法制粒压片制成药物贮库，优化筛选包衣膜中致孔剂的用量和包衣膜厚度，以获得满意的释药参数。根据预试验确定的包衣液中致孔剂用量及包衣膜厚度范围，确定每个因素为5 个水平，设计2 5 个处方进行体外释放试验，求得零级释药速度常数与相关系数，山东大学硕士学位论文并以此为优化指标，采用A N N 与R S M 两种方法优化；考察B H 渗透泵型控释片的包衣膜厚度与均匀度、转速、释放介质p H 对释药特性的影响：研究体外释药机理和释药途径，并进行初步稳定性研究：采用随机交叉试验设计，以B H 普通片为对照，采用
4、单剂量与多剂量给药方案，对B H 渗透泵型控释片家犬体内的药物动力学和相对生物利用度及体外释药与体内吸收相关性进行研究。结果：体外释放试验结果表明，致孔剂用量与包衣膜厚度对释药特性有显著的影响，随着包衣膜厚度的增加及致孔剂用量的减少，释药速度显著减慢，释药速度常数变小；当包衣膜厚度及致孔剂用量达一定水平时，体外释药符合零级过程。与R S M 相比，A N N 的优化预测性能更好，比较两种优化方法的反应曲面以及对两种优化结果的验证表明，A N N 对处方筛选中经常存在的非线性关系的拟合效果良好，是一种较好的处方与工艺优化工具。优化得最佳包衣处方组成为：醋酸纤维素用量为5 0m g m L ，致孔
5、剂用量为6 6 m g m L ，衣膜重量为7 3 m g 。按照该处方制备B H 渗透泵型控释片，体外释药参数为：k z = 0 1 1 1 2 ，r = 0 9 9 5 9 ，8 h 累积释放百分率大于8 0 。膜厚度与均匀度测定结果表明，批内与批间差异R S D 均小于1 ，每片3 0 个不同点的膜厚度差异R S D 小于1 ，表明制备工艺稳定，重现性好。零级释药速度常数及相关系数与转速及释放介质p H 无关。在不同浓度的N a C l 溶液中释放结果表明，随着释放介质N a C I 浓度的增加，由于膜内为N a C I 饱和溶液，渗透压一定，故包衣膜内外的渗透压差减小，释药速度显著变慢
6、，说明本品的释药动力主要是包衣膜内外的渗透压差。比较释药前后包衣膜的变化可见，释药前膜表面较为光滑平整，而在释药后，看到膜上有很多小孔，是由膜中致孔剂溶解后形成的释药微孔。结果表明，B H 渗透泵型控释片的释药动力为包衣膜内外渗透压差，渗透压差的变化对释药特性有显著影响，属于渗透压原理；药物通过致孔剂溶解后在膜上形成的微孔释放出来，释药特性受微孔的数量和大小控制，即膜控机理。初步稳定性研究结果表明，B H 渗透泵型控释片在高温、高湿及光照条件下，外观性状、含量、释药参数等指标均无明显变化，表明本品对光、热、4山东大学硕士学位论文湿稳定；室温留样试验中，本品在室温条件下放置6 个月，各项指标均无
7、明显变化。家犬单剂量口服B H 普通片及渗透泵片后，。分别为( 1 5 0 3 ) 和( 5 2 0 8 ) h ，靠。，分别为( 4 3 8 7 1 - - + 2 8 9 3 ) 和( 1 8 9 9 7 5 5 4 2 ) n g m L ，t ，尼分别为( 2 0 0 4 ) 和( 4 4 7 0 7 4 ) h ，A U C o t 分别为( 1 7 4 0 1 9 2 2 5 7 4 ) 和( 1 6 5 0 1 1 2 4 7 0 5 ) n g m L 。1 h ，M R T 分别为( 3 6 0 5 ) 和( 8 7 0 8 ) h 。方差分析结果表明，个体间及周期间主要药动
8、学参数无显著性差异( P 0 0 5 ) ，两制剂的C m M R T 之间存在显著性差异( P 0 0 5 ) 。对A U C o 。与巳。的双单侧t 检验及9 0 置信区间分析结果表明，两制剂的A U C o 。具有生物等效性，而C _ 。生物不等效。家犬多剂量口服B H 普通片及渗透泵片后，霸。分别为( 1 3 0 2 ) 和( 4 3 o 2 ) h ，c 盏分别为( 3 3 9 2 2 - I - 6 9 6 7 ) 和( 2 4 5 0 3 2 8 5 5 ) n g m L ，。分别为( 5 3 4 5 2 2 3 7 ) 和( 7 1 5 6 1 5 2 _ 8 ) n g m
9、 L ，彳U C s 。分别为( 2 0 9 2 0 43 1 6 8 8 ) 和( 1 8 4 7 6 3 1 8 6 3 8 ) n g - m L h ，D F 分别为1 6 4 0 3 3 和1 1 30 1 5 。方差分析结果表明，个体间及周期间主要药动学参数无显著性差异( P 0 0 5 ) ，两制剂A U G 。之间无显著性差异( P 0 0 5 ) ，D F 之间存在显著性差异( P 4 P ，而且膜内渗透压远远大于膜外渗透压，d 一一口，式( 3 ) 可简化为：d m ：AK 丌C( 4 ) d th上式中K - - - - L 。a 为常数，在片芯内的全部药物完全溶解之前，
10、式( 4 ) 中的C 可用药物的溶解度岛表示，上式可变成：愕 ，= 缸毋配瞄j z2 百啊铬J其中，( d 。一) ：为零级释药速率，K 为半透膜对水的渗透性，A 为膜面积，h 为膜厚度，z 为膜内渗透压，曲为药物溶解度。由上式可知，在片芯组成一定的情况下，一、z 、5 d 均为常数，通过改变K 和h 可调节释药速率，即通过改变半透膜中致孔剂的用量改变K ，山东大学硕士学位论文改变膜厚度改变h ，从而可获得最佳释药速率。本实验在预试验基础上，确定半透膜中致孑L 剂的用量和膜厚度为两个主要影响因素，以渗透泵的特性释药参数，即释药速度常数七：和零级释药相关系数r 为优化指标，采用人工神经网络法多指
11、标同步优化渗透泵控释片的处方和工艺，并与传统的反应越面优化法进行比较。人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k ，A N N ) 是新出现的一种多指标同步优化技术，是基于计算机技术的一种学习系统，属于人工智能技术的一个分支4 I5J 它能够模拟人脑的逻辑思维过程，利用神经运算的非线性并行处理特征，进行识别、分类及非逻辑归纳等信息处理功能f ”】。自1 9 8 5 年K o h o n e n 发表了关于人工神经组织的理论专著以来，计算机辅助人工神经网络技术在广泛的学科领域内取得了应用m 】。在1 9 9 1 年H u s s a i
12、 n A S 的报告中1 引，提出了将A N N 用于药学研究领域的设想，其后的十余年间人们对A N N 在药学研究中的应用进行了不懈的研究与实践，在药物剂型处方设计、生产工艺优化、构效关系、分析数据阐明和生物药剂学、体内体外相关性研究、药物动力学、临床药学等各方面取得了初步的应用。特别是近几年，在国外的药学研究工作中得到了实质性的成功应用【”。”。到目前为止，A N N 在药剂学中的应用已经相当广泛，在剂型设计与处方优化、制剂工艺优化、处方前药物理化性质考察以及生物药剂学与药物动力学研究等方面均己成功应用。在药物剂型的研制开发中，A N N 模型显示了其在对多因素多水平非线性关系的良好的预测
13、能力。吴涛等人 2 3 1 将A N N 技术应用于硫酸沙丁胺醇单室渗透泵片的处方设计中，使用A N N 对包括H P M C 和P E G 的含量及包衣膜厚等3 个因素的2 0 个不同处方进行训练学习，通过调整人工神经网络的误差至预定范围内，成功地对渗透泵的零级溶出释药行为进行了预测。M i r j a n aG 将A N N 用来模拟气雾剂的释药行为2 ”，以评价其在此类给药系统的殴计与评价中应用的价值，经过学习后A N N 很好的预测并分析了与药物气雾剂药效相关的紊流动力学性质。N k e r eK E 用A N N 预测9山东大学硬士学位论文由油、水及两种表面活性剂组成的水性微乳系统的
14、相行为的实验中，只用了传统方法15 的实验量进行训练，即准确地对各性质进行了预测，使实验工作量大为减小1 25 1 。在药物剂型的制备工艺过程中，存在着诸如温度、压力、粘度、流速等许多因素，如何对其进行有效控制进而制得安全性、有效性俱佳的药物制剂，长期以来一直是人们关心的问题，而A N N 则为解决这类多元同步优化问题提供了方法。M u r t o n i e m i 等旺63 利用A N N 考察了流化床制粒工艺过程，对其中湿度、喷气压力、粒子质量、粒径等诸多因素的交叉行为进行了考察，经过训练，A N N 显现出比回归模拟更优异的预测精确性，较好地解决了问题。R o c k s l o h
15、K 等【27 J 还将A N N 应用于高剂量植物浸膏片的压片力与崩解时间的相关关系考察中。经过实验设计、A N N 学习过程，最终在对溶出行为的预测上，A N N 多变量模拟提供的预测值比传统的数学模拟方式更接近实验值，精确程度也更高。在制剂的处方前工作中，以及在生物药剂学和药物动力学研究中，A N N 也显示了很强的归纳与预测能力。M i r j a n aG 等人【2 4 1 应用A N N 模拟法对亲脂性半固态乳剂给药系统中塑性形变及其物理稳定性进行了精确的预测。B r a j e s hK 等人2 8 1 在1 9 9 5 年运用A N N 技术预测了胶柬系统的分散系数。J a m
16、e s 等 2 9 1 将人工神经网络用于缓释处方的体内外相关性的研究中。经过调试，A N N 根据溶出释药数据成功地拟合了血浆中血药浓度曲线。他还提出A N N 在生物药剂学研究中应用时的尚待改进之处，并高度评价了人工神经网络技术在体内外相关性研究中的应用潜力。图7 所示为典型的人工神经网络结构，与生物神经类似，由一个输入层( i n p u tl a y e r ) 、一个或多个隐层( h i d d e nl a y e r ) 及一个输出层( o u t p u tl a y e r )组成。任何一层中均含有一些节点，类似于生物神经元( n e u r o n s ) ，相邻两层之间相互充分连接，类似于生物神经的突触( s y n a p s e s ) ，节点之间的连接强度称为“权”( w e i g h t s ) 。隐层的层数
