Kioldódásmérés helyett kioldódás-előrejelzés? Raman, NIR, PAT és mesterséges intelligencia a tablettavizsgálatban

A tabletták kioldódásvizsgálata a gyógyszeripari minőségellenőrzés egyik legfontosabb, ugyanakkor egyik legidőigényesebb vizsgálata. A klasszikus in vitro kioldódásvizsgálat lassú, mintavételt és oldószerhasználatot igényel, a vizsgált tabletta pedig a mérés során megsemmisül. Ez természetesnek tűnik, hiszen évtizedeken át így lehetett megbízhatóan következtetni arra, hogy a hatóanyag milyen sebességgel válik hozzáférhetővé a szervezet számára.

Az utóbbi években azonban egyre pregnánsabb kutatási irány bontakozott ki: lehet-e a kioldódási profilt gyors, nem destruktív spektroszkópiai mérésekből és gyártási adatokból előre jelezni? Másképpen fogalmazva: elképzelhető-e, hogy egy tabletta Raman- vagy NIR-spektruma, préselési adatai és kritikus anyagjellemzői alapján egy validált modell megmondja, milyen lenne a tabletta kioldódási görbéje?

A válasz ma még nem az, hogy a klasszikus kioldódásvizsgálat feleslegessé vált. Inkább az, hogy a spektroszkópiai és modellalapú megközelítés egyre komolyabb, szabályozási szempontból is releváns kiegészítője, bizonyos esetekben pedig potenciális helyettesítője lehet a hagyományos vizsgálatnak. A háttérben három kulcsfogalom áll: PAT, RTRT és prediktív kioldódási modellezés.

PAT és RTRT: amikor a minőség nem a végén derül ki

A Process Analytical Technology, vagyis PAT célja, hogy a gyártási folyamatot ne pusztán utólagos laborvizsgálatokkal ellenőrizzük, hanem a folyamat közben nyert adatok alapján értsük, szabályozzuk és dokumentáljuk. Az FDA PAT-útmutatója már 2004-ben olyan tudományos és kockázatalapú keretrendszert írt le, amely támogatja az innovatív gyógyszerfejlesztést, gyártást és minőségbiztosítást.

Ehhez kapcsolódik a real-time release testing, röviden RTRT, vagyis a valós idejű felszabadítási vizsgálat koncepciója. Az EMA irányelve szerint az RTRT alkalmazható hatóanyagokra, köztitermékekre és késztermékekre is, amennyiben a termékminőség megfelelően igazolható a gyártás során gyűjtött adatok, a termékismeret és a folyamatmegértés alapján.

A folyamatos gyógyszergyártás terjedése tovább erősíti ezt az irányt. Az ICH Q13 irányelv a folyamatos gyártás fejlesztéséhez, működtetéséhez és életciklus-kezeléséhez ad tudományos és szabályozási keretet. Ha a gyártás folyamatos, akkor a minőségellenőrzésnek is egyre inkább folyamatosnak kell lennie. Ebben a világban a többórás, destruktív kioldódásvizsgálat kissé olyan, mint amikor egy gyorsvonat sebességét postakocsival próbáljuk követni.

Miért éppen Raman és NIR?

A Raman- és NIR-spektroszkópia különösen alkalmas lehet tabletták gyors, nem destruktív vizsgálatára. Mindkét technika képes információt adni a tabletta kémiai összetételéről és fizikai szerkezetéről, de eltérő módon érzékenyek az anyagi tulajdonságokra. A NIR-mérések gyakran jól használhatók nedvesség, összetétel, szemcseméret, homogenitás vagy tömörítési hatások követésére, míg a Raman-spektroszkópia jobb kémiai szelektivitást adhat, és kémiai képalkotással a komponensek térbeli eloszlása is vizsgálható.

Ez azért fontos, mert a kioldódási profil nem egyetlen paraméter következménye. Befolyásolhatja többek között:

• a hatóanyag koncentrációja és szemcsemérete,
• a segédanyagok típusa és aránya,
• a dezintegráns vagy mátrixképző anyag mennyisége,
• a tabletta porozitása és keménysége,
• a préselési erő,
• a komponensek térbeli eloszlása,
• valamint a gyártási folyamat során kialakuló mikrostruktúra.

A Raman- és NIR-spektrumok tulajdonképpen ennek a sokváltozós fizikai-kémiai állapotnak az ujjlenyomatai. A kihívás az, hogy ebből az ujjlenyomatból hogyan olvassuk ki a kioldódási görbét.

Mesterséges intelligencia mint spektroszkópiai tolmács

A modern prediktív kioldódási modellek lényege, hogy a spektroszkópiai, gyártási és anyagjellemző adatokból gépi tanulási modellekkel próbálják előre jelezni az in vitro kioldódási profilt. Ilyen modellek lehetnek például mesterséges neurális hálók, támogatóvektor-gépek, döntési fa alapú ensemble modellek vagy konvolúciós neurális hálók Raman-képek feldolgozására.

Egy 2021-ben megjelent tanulmányban nyújtott hatóanyag-leadású tabletták in vitro kioldódási profilját jósolták NIR-spektrumok, préselési erő és szemcseméret-eloszlási adatok alapján. A szerzők három gépi tanulási módszert hasonlítottak össze: mesterséges neurális hálót, támogatóvektor-gépet és ensemble regressziós fákat. A vizsgálat szerint az ANN adta a legpontosabb eredményeket, és a PAT-szenzoradatok kritikus anyagjellemzőkkel kombinálva alkalmasak lehetnek a kioldódás RTRT-alapú becslésére.

Egy 2023-as magyar vonatkozású munka azonnali hatóanyag-leadású koffeintabletták kioldódási profilját próbálta előre jelezni NIR- és Raman-spektrumok alapján. A vizsgálatban hat különböző formulációt készítettek eltérő koffein- és burgonyakeményítő-tartalommal, majd a tablettákról NIR- és Raman-spektrumokat gyűjtöttek reflexiós és transzmissziós módban. Az optimalizált neurális hálós modellek validációs tablettákon átlagosan 59 feletti f₂ hasonlósági értéket értek el, a legjobb prediktív teljesítményt pedig a reflexiós Raman-spektrumokra épített modell mutatta.

Ez különösen érdekes eredmény, mert a Raman-mérés nem csupán gyors és nem destruktív, hanem közvetlenebb kémiai információt is adhat a tabletta felületéről és komponenseiről. A spektroszkópia itt már nem egyszerű azonosítási eszköz, hanem egy modell bemenete: a spektrum a kérdés, a kioldódási profil a válasz.

Raman-képalkotás: amikor már nem csak spektrumot, hanem térképet látunk

A Raman-spektroszkópia egyik izgalmas továbbfejlesztése a Raman-kémiai képalkotás. Ilyenkor nem csak egy átlagos spektrumot mérünk, hanem térképet kapunk arról, hogy a tabletta felszínén vagy metszetén hogyan oszlanak el az egyes komponensek. Ez különösen fontos lehet nyújtott hatóanyag-leadású tablettáknál, ahol például a HPMC mátrixképző anyag koncentrációja és szemcsemérete alapvetően befolyásolhatja a hatóanyag felszabadulását.

Egy 2023-as tanulmány gyors Raman-képalkotást és konvolúciós neurális hálókat alkalmazott nyújtott hatóanyag-leadású tabletták kioldódási profiljának előrejelzésére. A szerzők HPMC-eloszlási térképeket dolgoztak fel, és a CNN-alapú megközelítéseket klasszikusabb képelemzési módszerekkel hasonlították össze. A CNN-CLS módszer validációs tablettákon 62,95 átlagos f₂ értéket ért el, míg az a modell, amely közvetlenül a kémiai képekből próbálta jósolni a kioldódási profilt, 54,2-es átlagos f₂ értéket adott.

A szerzők fontos technológiai fejlődésre is rámutattak: a Raman-képalkotó műszerek sebessége az elmúlt években jelentősen nőtt. Korábbi eszközökkel egy megfelelő méretű kémiai kép felvétele akár órákat is igénybe vehetett, míg újabb rendszerekkel nagyságrendekkel több spektrum rögzíthető adott idő alatt. Ez azért lényeges, mert egy prediktív módszer csak akkor lehet valódi ipari alternatíva, ha nem ugyanannyi ideig tart, mint az a vizsgálat, amelyet kiváltani szeretne.

A prediktív modell nem varázslat, hanem validálandó mérőrendszer

A spektroszkópiai- és AI-alapú kioldódás-előrejelzés legnagyobb kockázata, hogy első látásra túlságosan “okosnak” tűnik. Egy neurális háló könnyen adhat meggyőző görbéket, de a gyógyszeriparban nem az a kérdés, hogy a modell szépen rajzol-e. Az a kérdés, hogy tudományosan igazolható, robusztus, validált és életcikluson keresztül kontrollált döntési rendszerként működik-e.

A 2024-ben véglegesített ICH Q2(R2) irányelv általános keretet ad az analitikai módszerek validálásához, és kifejezetten kiterjed a spektroszkópiai adatok analitikai felhasználására is. Ugyanebben a szabályozási környezetben az ICH Q14 az analitikai módszerfejlesztés tudományos, kockázatalapú megközelítését és a változáskezelés hatékonyabb kezelését támogatja.

Ez azt jelenti, hogy egy Raman- vagy NIR-alapú prediktív kioldódási modellnél nem elegendő a modell pontosságát egyszer megmutatni. A teljes analitikai eljárást kell értelmezni:

• milyen minta- és formulációtartományra érvényes a modell,
• milyen spektrum-előfeldolgozást alkalmazunk,
• mennyire reprezentatív a tanító adatkészlet,
• hogyan kezeljük a gyártási variabilitást,
• milyen elfogadási kritériumokat használunk,
• hogyan történik a modell karbantartása,
• mikor kell újrakalibrálni vagy újravalidálni,
• és hogyan biztosítható az adatfolyam integritása GMP-környezetben.

A modell tehát nem egy különálló AI-doboz, hanem az analitikai módszer része. Ha a modell változik, az analitikai módszer is változhat.

Az f₂ hasonlósági faktor korlátai

A kioldódási profilok összehasonlítására széles körben használják az f₂ hasonlósági faktort. A prediktív modellek értékelésében is gyakran megjelenik, hiszen intuitív módon azt mutatja, hogy a jósolt és a mért görbe mennyire hasonló. Ugyanakkor az újabb kutatások szerint az f₂ önmagában nem feltétlenül elegendő a prediktív modellek minőségének megítélésére.

Egy 2025-ben megjelent tanulmány tíz különböző ANN-modellt hasonlított össze clopidogrel tabletták kioldódási profiljának előrejelzésére. A modellek különféle bemeneti adatokat használtak, többek között gyártási beállításokat, mért folyamatparamétereket és NIR-spektrumokat. A szerzők arra jutottak, hogy az f₂, az R² és az RMSE nem mindig tükrözi megfelelően a modellek diszkriminációs képességét, vagyis azt, hogy a modell valóban érzékeli-e a folyamatparaméterek és anyagjellemzők hatását a kioldódási profilra.

A tanulmány ezért a sum of ranking differences, röviden SRD módszer alkalmazását javasolta a prediktív modellek összehasonlítására. Az SRD segíthet megkülönböztetni azokat a modelleket, amelyek valóban értelmes predikciót adnak, azoktól, amelyek csak “átlagos”, túláltalánosított vagy akár véletlenszerű viselkedést mutatnak.

Ez gyakorlati szempontból nagyon fontos. Egy modell lehet látszólag jó, ha a vizsgált tartomány szűk, és minden tabletta hasonlóan viselkedik. De a minőségellenőrzésben éppen az a cél, hogy a modell felismerje a lényeges eltéréseket. A jó prediktív modell nemcsak szép görbét rajzol, hanem észreveszi, ha a gyártási folyamat kicsúszik a megértett tartományból.

Mit jelenthet ez a gyakorlatban?

A prediktív kioldódási modellezés gyakorlati haszna több irányból is jelentős lehet.

Először, gyorsíthatja a fejlesztést. Ha a formulációs vagy technológiai változtatások hatása spektroszkópiai és folyamatadatokból előre jelezhető, kevesebb klasszikus kioldódásvizsgálatra lehet szükség a fejlesztési tér feltérképezéséhez.

Másodszor, támogathatja a folyamatos gyártást. Folyamatos tablettagyártásnál a valós idejű vagy közel valós idejű minőségbecslés különösen értékes, hiszen a folyamat nem természetes batch-határokban gondolkodik.

Harmadszor, csökkentheti a destruktív vizsgálatok számát. A klasszikus kioldódásvizsgálat továbbra is referencia maradhat, de nem feltétlenül kell minden döntést kizárólag arra építeni.

Negyedszer, mélyebb folyamatmegértést adhat. A spektroszkópiai és képalkotó módszerek nemcsak azt mutatják meg, hogy egy tabletta megfelel-e, hanem azt is, hogy miért viselkedik úgy, ahogy viselkedik.

Az IQ Consortium 2025-ös iparági pozíciója szerint a prediktív kioldódási modellek gyors at-line vagy on-line mérésekre épülve potenciálisan fenntarthatóbbá és gyorsabbá tehetik a termékfelszabadítást, és már vannak példák arra, hogy nagy szabályozó hatóságok elfogadtak ilyen modelleket kioldódási kritikus minőségi attribútum release-vizsgálataként.

Mire nem alkalmas még?

Fontos óvatosnak maradni. A Raman/NIR/AI-alapú kioldódás-előrejelzés nem univerzális csodaszer. Egy modell, amely jól működik egy adott hatóanyaggal, segédanyag-rendszerrel és gyártási technológiával, nem vihető át automatikusan egy másik termékre. A modell érvényességi tartománya mindig termék-, folyamat- és adatfüggő.

Különösen nehéz lehet a módszer alkalmazása, ha:

• a kioldódást nem a tabletta spektroszkópiával jól érzékelhető tulajdonságai határozzák meg,
• a kritikus változók kívül esnek a mérés érzékenységi tartományán,
• a tanító adatkészlet túl kicsi vagy túl homogén,
• a modell nem találkozik elegendő “rossz” vagy határhelyzeti mintával,
• a gyártási folyamat változásai új, korábban nem látott állapotokat hoznak létre,
• vagy a modell teljesítményét csak utólagos görbeillesztéssel, nem pedig valódi prediktív validációval bizonyították.

Egy prediktív kioldódási modellnél ezért nemcsak az a kérdés, hogy mit tud a modell ideális körülmények között, hanem az is, hogy mit tesz akkor, amikor a valóság kissé rendetlenebb, mint a tanítóadat.

Következtetés

A Raman- és NIR-spektroszkópiára épülő mesterséges intelligencia modellek ma már nem távoli tudományos fantáziák. Az elmúlt évek kutatásai azt mutatják, hogy a tabletták kioldódási profilja bizonyos rendszerekben jó közelítéssel előre jelezhető nem destruktív spektroszkópiai adatokból, gyártási paraméterekből és kritikus anyagjellemzőkből. Különösen ígéretes a Raman-képalkotás és a konvolúciós neurális hálók kombinációja, mert nemcsak átlagos spektrumot, hanem komponenseloszlási információt is felhasználhat.

Mégsem arról van szó, hogy a klasszikus kioldódásvizsgálat holnap reggel nyugdíjba vonul. Inkább arról, hogy a kioldódásvizsgálat szerepe átalakulhat. A hagyományos mérés referencia, fejlesztési és validálási alap maradhat, miközben a gyors, nem destruktív prediktív modellek egyre nagyobb szerepet kaphatnak a fejlesztésben, folyamatmegértésben, folyamatos gyártásban és végső soron a valós idejű felszabadítási döntésekben.

A jövő tablettavizsgáló laborja valószínűleg nem kevesebbet fog mérni, hanem okosabban. A kioldódási fürdő mellé felsorakozik a Raman, a NIR, a PAT-adatfolyam és a validált modell. A döntés pedig nem egyetlen mérésből születik, hanem egy tudományosan igazolt adat-ökoszisztémából.

A klasszikus kioldódásvizsgálat továbbra is az egyik legfontosabb gyógyszerforma-vizsgálati eszköz marad. De a spektroszkópiai és mesterséges intelligencia alapú előrejelzés már most megmutatja, merre tart a szakma: a minőség nemcsak a végtermékből olvasható ki, hanem a folyamat egész történetéből.

Válogatott szakirodalom

1. Péterfi O., Nagy Z. K., Sipos E., Galata D. L.: Artificial Intelligence-based Prediction of In Vitro Dissolution Profile of Immediate Release Tablets with Near-infrared and Raman Spectroscopy. Periodica Polytechnica Chemical Engineering, 2023.
2. Galata D. L. et al: Real-time release testing of dissolution based on surrogate models developed by machine learning algorithms using NIR spectra, compression force and particle size distribution as input data. International Journal of Pharmaceutics, 2021.
3. Galata D. L. et al: Convolutional neural network-based evaluation of chemical maps obtained by fast Raman imaging for prediction of tablet dissolution profiles. International Journal of Pharmaceutics, 2023.
4. Péterfi O. et al: Comparison of Surrogate Models in Tablet Dissolution Prediction: Addressing the Limitations of F₂ and Introducing Sum of Ranking Differences for Model Evaluation. AAPS PharmSciTech, 2025.
5. FDA: PAT — A Framework for Innovative Pharmaceutical Development, Manufacturing, and Quality Assurance.
6. EMA: Guideline on Real Time Release Testing.
7. ICH/FDA: Q2(R2) Validation of Analytical Procedures és Q14 Analytical Procedure Development, final guidance, 2024.
8. ICH: Q13 Continuous Manufacturing of Drug Substances and Drug Products.