注射劑可見異物如何檢測？AI+拉曼光譜在復(fù)雜制劑開發(fā)的價值深度剖析

定義：

注射劑中的異物，系指非故意存在于溶液中的除氣泡外的可移動的不溶性微?；蚩梢姷漠愇铩Ｒ坏┊愇镫S注射液進入體內(nèi)可隨血液流動卻不能被代謝，可能對人體造成難以發(fā)現(xiàn)和潛在的嚴重危害，因此注射劑需要對異物進行嚴格控制。對異物進行鑒別分析可以幫助研究者找到異物產(chǎn)生的原因，從而進行預(yù)防和控制。

法規(guī)：

美國藥典USP <790>明確指出，注射類藥品必須“基本無可見顆?！?；此外，各國藥監(jiān)機構(gòu)亦對相關(guān)雜質(zhì)提出了更為嚴格的定量與定性要求。

產(chǎn)生的來源：

注射劑中的異物通常為生產(chǎn)線設(shè)備、組件、包裝材料等材料的脫落物、藥液自身組分析出物。實際上也可能是藥液自身降解產(chǎn)生，或與生產(chǎn)線或包材接觸過程發(fā)生相互作用新生成的析出物。

可見顆粒識別的AI+拉曼應(yīng)用

在藥品特別是注射類復(fù)雜制劑的生產(chǎn)與質(zhì)量控制過程中，可見顆粒的識別不僅關(guān)乎產(chǎn)品的合規(guī)性和穩(wěn)定性，更直接關(guān)聯(lián)到患者的用藥安全。按照當前全球GMP標準，包括《美國藥典》USP <790>、《中國藥典》2020年版等，對于注射劑必須執(zhí)行“基本無可見顆?！钡臉藴?。生產(chǎn)過程中一旦在成品中檢出顆粒異物，往往需要立即啟動偏差調(diào)查、生產(chǎn)溯源，甚至面臨整批報廢的風險。

顆粒的來源可以是多方面的，如設(shè)備老化產(chǎn)生的金屬屑、包裝材料剝落、過濾膜碎片、灌裝環(huán)節(jié)的機械性剪切產(chǎn)生的微粒、以及蛋白質(zhì)自身在應(yīng)激條件下形成的聚集物等。從監(jiān)管角度看，不僅要求判斷“有無顆?！保M一步提出必須明確“顆粒是什么”“來自何處”“是否可控”，否則難以滿足對產(chǎn)品風險的系統(tǒng)性評估。而這一過程中最具挑戰(zhàn)性的環(huán)節(jié)，正是對顆粒的快速、準確、低依賴人工經(jīng)驗的“化學(xué)成分識別”。

在此背景下，拉曼光譜技術(shù)憑借其高分子結(jié)構(gòu)靈敏性、無損檢測、可在水溶液中直接檢測等優(yōu)勢，正在成為顆粒識別的新興手段。其最大優(yōu)勢在于能夠提供被測顆粒分子振動模式的“光學(xué)指紋”，從而識別出顆粒的材料類別，例如區(qū)分玻璃、聚合物、蛋白質(zhì)、硅油等。

然而，拉曼技術(shù)仍面臨以下幾個現(xiàn)實限制：

?拉曼譜圖波段復(fù)雜、特征峰重疊、背景熒光干擾，導(dǎo)致非專業(yè)人士難以快速準確解讀；

? 缺乏統(tǒng)一、完整的顆粒光譜參考庫，尤其是在多種來源的“未知顆?！鼻闆r下；

?不適于在高通量質(zhì)控流程中單獨使用，除非與智能化算法結(jié)合。

為解決上述瓶頸，將拉曼光譜與機器學(xué)習(xí)算法結(jié)合，用以自動識別多種常見可見顆粒的類型，從而顯著提高檢測效率和準確性，減少對操作人員主觀判斷的依賴。

實驗設(shè)計：多顆粒模擬 + 譜圖構(gòu)建 + 算法訓(xùn)練

研究人員模擬了藥品生產(chǎn)場景中可能出現(xiàn)的十類可見顆粒，包括外源性纖維類（如羊毛、纖維素），內(nèi)源性聚合物（如聚丙烯 PP、聚偏二氟乙烯 PVDF、聚醚砜 PES、聚四氟乙烯 PTFE）、硅油、硅膠管、玻璃碎屑及蛋白質(zhì)聚集體。這些顆粒均以人工方式制備成懸浮液，并使用532 nm激光波長的共聚焦拉曼顯微系統(tǒng)進行譜圖采集。

圖1 常見可見顆粒標準溶液的拉曼光譜圖。

a 纖維素；b 羊毛；c 聚丙烯；d 聚偏二氟乙烯（PVDF）；e 聚醚砜（PES）；f 聚四氟乙烯（PTFE）；g 硅油；h 硅膠管；i 玻璃；j 蛋白質(zhì)（IgG1抗體）。

拉曼光譜的測量條件為使用532 nm激光波長，激光功率為6 mW，曝光時間為6秒。圖中所繪制的平均光譜來自每種可見顆粒類型的50條光譜（n = 50），陰影部分表示各平均譜圖的標準差，以反映重復(fù)測量之間的波動范圍。

每類顆粒采集50條光譜，共計500條樣本數(shù)據(jù)，涵蓋了從400 cm?1到1800 cm?1的拉曼“指紋區(qū)”。隨后，研究人員對所有譜圖進行標準化預(yù)處理，包括基線扣除、歸一化、峰位提取等，并運用PCA（主成分分析）進行降維，如圖2所示，常見顆粒的拉曼圖譜在前三的3D圖中分布，可以看出不同的可見顆粒的拉曼圖譜的差異分布情況。

圖2 常見可見顆粒的拉曼圖譜在前三（PCs）的3D圖中分布

在此基礎(chǔ)上，研究團隊將每種可見顆粒的45條(90%)光譜作為訓(xùn)練集和5條(10%)作為驗證集。基于訓(xùn)練集數(shù)據(jù)，結(jié)合K折交叉驗證，分別采用5種分類算法進行訓(xùn)練：

1. 決策樹（Fine Tree）

2. 二次判別分析（Quadratic Discriminant）

3. K近鄰（Fine KNN）

4. 支持向量機（Cubic SVM）

5. 子空間 K 近鄰集成分類器（Subspace KNN）

圖2不同類型可見顆粒的訓(xùn)練（驗證）混淆矩陣，基于標準顆粒溶液數(shù)據(jù)，使用五種典型的機器學(xué)習(xí)算法進行模型訓(xùn)練和評估。混淆矩陣展示了每種模型在訓(xùn)練集中對各類顆粒的識別效果，其中對角線數(shù)字表示被正確分類的樣本數(shù)量，非對角線數(shù)字則表示識別錯誤的樣本數(shù)量

從圖中可以看出：

a. 模型 1.23：子空間 K 近鄰集成分類器（Subspace KNN），對10種顆粒類型均實現(xiàn)了100%分類準確率，無誤判；

b. 模型 1.10：三次核支持向量機（Cubic SVM），在硅膠管與硅油的邊界判別中出現(xiàn)1例輕微混淆，其余全部正確；

c. 模型 1.14：精細 K 近鄰（Fine KNN），與 SVM 表現(xiàn)相近，僅在硅膠管類別出現(xiàn)1例誤判；

d. 模型 1.5：二次判別分析（Quadratic Discriminant Analysis），在蛋白質(zhì)與硅膠管的識別上表現(xiàn)稍弱，出現(xiàn)3個及以上樣本的錯誤分類；

e. 模型 1.1：精細決策樹（Fine Tree），在蛋白質(zhì)樣本上出現(xiàn)了明顯偏差，有5個樣本被誤分類為羊毛，且對 PVDF 的判別也有偏差。

模型結(jié)果分析：準確率超98%，AI可判別高相似譜圖

結(jié)果顯示，五種模型均表現(xiàn)出極高的訓(xùn)練與測試準確率，其中表現(xiàn)最佳的subspace KNN模型在訓(xùn)練集和測試集中均實現(xiàn)了100%的分類準確率，即能夠?qū)⑺锌梢婎w粒歸類為正確類型。

表1 不同算法建立的模型的預(yù)測準確率

尤其值得注意的是，在測試集中：

? 模型能夠成功區(qū)分光譜極為相似的硅油與硅膠管兩類顆粒，后者在傳統(tǒng)拉曼譜圖中難以憑經(jīng)驗準確識別；

? 對于容易發(fā)生熒光干擾的羊毛與蛋白質(zhì)聚集物，算法亦表現(xiàn)出良好的穩(wěn)定性；

? PCA三維可視化展示出各類顆粒在主成分維度上的聚類性，驗證了譜圖間的差異可被機器有效學(xué)習(xí)并利用。

該研究證明了AI可以極大提升拉曼光譜在顆粒識別中的自動化與準確性，這個具體的流程為：從標準顆粒譜圖庫建設(shè) → 拉曼數(shù)據(jù)采集 → 數(shù)據(jù)預(yù)處理 → 特征提取 → 模型訓(xùn)練 → 自動分類預(yù)測，可以形成一整套可以被部署于制藥質(zhì)量控制流程中的“智能識別方案”。

值得指出的是，拉曼+AI并非“孤勇者”，而是可以與PXRD、DSC、NIR等其他晶型檢測技術(shù)形成“組合拳”策略。在實際項目中，可以先通過PXRD確認樣品主要結(jié)晶狀態(tài)，再用AI+拉曼實現(xiàn)更細顆粒度的定量分析與局部監(jiān)測，形成雙重保障。

同時，AI算法也可以吸收來自不同檢測平臺的數(shù)據(jù)，建立多模態(tài)學(xué)習(xí)模型，例如將PXRD衍射峰與拉曼光譜進行融合建模，從而進一步提高模型魯棒性和識別范圍。

總結(jié)

通過本研究及其模型表現(xiàn)我們可以清晰地看到，AI 與拉曼光譜的結(jié)合，正為藥品制劑開發(fā)帶來前所未有的效率、深度與智能化可能性。從實驗室到產(chǎn)線，從顆粒識別到晶型解析，這項技術(shù)真正讓微觀結(jié)構(gòu)“看得見、分得清、說得準”。

我們相信，拉曼+AI融合技術(shù)將在不久的將來，從“質(zhì)控利器”走向“研發(fā)引擎”，從“檢測工具”演進為“認知平臺”。它不僅是技術(shù)的跨界協(xié)同，更是制藥行業(yè)真正擁抱智能化、精準化未來的象征。

新陽唯康

新陽唯康是國內(nèi)率先將拉曼光譜技術(shù)應(yīng)用于復(fù)雜制劑中的藥物固態(tài)研究的企業(yè)，配備全國最頂尖的拉曼設(shè)備，致力于為客戶解決藥物研發(fā)過程中最具挑戰(zhàn)性的問題，已為各大上市藥企高質(zhì)量完成多個晶型研究項目，為藥品上市保駕護航。

參考文獻：

[1]Sheng, H., Zhao, Y., Long, X., Chen, L., Li, B., Fei, Y., Mi, L., & Ma, J. (2022). Visible particle identification using Raman spectroscopy and machine learning. AAPS PharmSciTech, 23(1), 186.