基于无柄液滴实验与深度学习-机制建模框架评估griseofulvin对直接压片片剂崩解中液体吸收和溶胀行为的影响

《International Journal of Pharmaceutics》：Evaluating the effect of griseofulvin on the disintegration properties of tablets

　　

理解活性药物成分（active pharmaceutical ingredients, APIs）如何影响片剂崩解（tablet disintegration），对于优化口服药品性能仍然至关重要。在本工作中，研究人员提出了一种集成、数据驱动的框架，该框架结合基于深度学习的图像分割、自动区域检测和机制建模，以从无柄液滴（sessile drop）实验中表征液体吸收和溶胀行为。利用该工作流程，研究人员考察了将griseofulvin掺入含有多种辅料组合的直接压片片剂中的影响。在所有处方中，griseofulvin的存在显著降低了润湿性和最大溶胀尺寸，这与用难溶性、疏水性药物替代吸湿性辅料一致。贝叶斯分层建模（Bayesian hierarchical modelling）证实了所有处方溶胀能力的可信降低以及初始溶胀速率的处方依赖性变化。值得注意的是，微晶纤维素/乳糖（MCC/lactose）片剂尽管孔隙率降低，仍表现出更快的初始溶胀和更短的崩解时间，表明API诱导的微结构变化增强了液体进入可溶胀辅料的通道。总体而言，所提出的框架提供了一种快速（<6 min）、机制性且最小主观性的方法，用于探究处方依赖的崩解行为。对于griseofulvin，该方法对吸收和溶胀行为的变化敏感，突出了其作为高通量处方筛选（high-throughput formulation screening）方法的潜力。需要开展涉及更广泛API的进一步研究，以确定这些观察是否可推广并与崩解和溶出性能相关。

1. Introduction
片剂崩解（tablet disintegration）是压缩剂型接触液体后机械破碎为颗粒和初级粒子的过程，是药物释放的第一步，可破坏粒子间相互作用并暴露更多内表面积。片剂崩解通常涉及液体吸收、溶胀、粒子间键断裂和粒子溶解。对于速释片剂，快速崩解常是活性药物成分（active pharmaceutical ingredients, APIs）溶出和随后进入体循环吸收的前提。然而，将API嵌入复杂辅料基质可能延迟溶出，使崩解剂和填充剂选择对维持生物利用度至关重要。当前行业标准如美国药典（United States Pharmacopoeia, USP）第701章崩解测试被认为陈旧，具有主观性且缺乏对崩解机制的深入理解，也常不能模拟体内条件。因此，研究人员发展了磁共振成像、宽带声谐振溶出光谱（broadband acoustic resonance dissolution spectroscopy, BARDS）、经典图像分析、基于深度学习的显微计算机断层扫描（micro-computed tomography, μCT）图像分析、应力松弛、太赫兹脉冲成像和无柄液滴（sessile drop）实验等方法。Maclean等提出基于辅料性质的崩解分类：润湿性控制、溶解控制和溶胀控制。Markl等使用经典图像分析无柄液滴实验并独立建模吸收和溶胀。本研究扩展该框架，采用深度学习图像分割、自动区域检测和接触角提取，以理解griseofulvin对崩解过程的影响。

2. Materials and methods
研究使用19种片剂处方训练和测试框架，其中3种含API，16种为安慰剂。含griseofulvin的三种处方使用交联羧甲纤维素钠（croscarmellose sodium, CCS）为崩解剂、微晶纤维素（microcrystalline cellulose, MCC）为填充剂，第二填充剂为甘露醇、乳糖或无水磷酸氢钙（dibasic calcium phosphate anhydrous, DCPA）之一；每片含30% w/w griseofulvin、5%崩解剂、1%润滑剂，填充剂均分。安慰剂处方涵盖CCS、交联聚维酮（crospovidone, XPVP）、低取代羟丙基纤维素（low-substituted hydroxypropyl cellulose, L-HPC）和羧甲淀粉钠（sodium starch glycolate, SSG）四种崩解剂，以及MCC/mannitol、MCC/lactose、MCC/DCPA、DCPA/lactose等填充剂组合。共27个片剂集、613次无柄液滴实验，覆盖不同处方、储存条件和制造条件。无柄液滴实验使用Krüss DSA30，将MilliQ超纯水液滴置于片剂表面，griseofulvin片剂以50 FPS、安慰剂以30 FPS记录视频。

3. Experimental data extraction and characterisation
3.1 U-Net segmentation：全卷积贝叶斯U-Net作为逐像素分类器，通过最小化蒙特卡洛二元交叉熵（Monte Carlo binary cross entropy, MC BCE）和S?rensen-Dice系数（S?rensen-Dice coefficient, SDC）损失的线性组合进行训练，输出液滴表面积及其不确定度。
3.2 Extraction of surface area and contact angle：表面积由识别为液滴的像素数乘以像素面积得到；接触角通过拟合液滴边缘椭圆并计算其与片剂表面交点处角度得到。
3.3 Identifying droplet contact：使用峰值检测算法确定液体吸收开始时间t_a,i，并约束峰值至少为最大测量表面积的30%。
3.4 Identifying regimes using Seq2Seq modelling：研究人员训练双向序列到序列（sequence-to-sequence, Seq2Seq）神经网络，将表面积曲线逐点分类为吸收主导、过渡和溶胀主导区域，输出吸收结束时间t_a,f和溶胀开始时间t_s,i。
3.5 Absorption and swelling modelling：液体吸收表示为相对于t_a,i时表面积的绝对相对变化，并拟合幂律y(t)=kt^m；溶胀表示为相对于t_s,i的表面积变化，并拟合改进Schott模型，参数包括A、最大溶胀尺寸σ_∞和时间t_r。
3.6 Framework deployment：通常3个2–3 min、10–30 FPS视频足以表征吸收和溶胀；在NVIDIA RTX A6000工作站上，批量24的图像分析推理约与视频长度相同，Seq2Seq和建模几乎瞬时完成。

4. The effect of griseofulvin on tablet disintegration properties
研究人员仅比较同时存在于安慰剂和含药片剂中的处方，即MCC分别与mannitol、lactose、DCPA组合，且仅使用CCS为崩解剂、10 kN压片。通过无柄液滴参数和贝叶斯分层模型比较含与不含griseofulvin的片剂。结果显示，所有处方中griseofulvin存在时最大溶胀尺寸σ_∞均显著更小，润湿性均可信地更差，即初始接触角φ₀更高。MCC/lactose片剂中，griseofulvin引入后初始溶胀速率σ?₀增加，崩解时间约减半，尽管孔隙率降低；这表明API诱导的微结构变化使液体更快到达可溶胀的MCC/CCS材料。MCC/mannitol和MCC/DCPA中σ?₀可信降低。MCC/mannitol的k可信降低，其含griseofulvin片剂崩解仍主要由甘露醇溶解驱动。MCC/DCPA崩解仍很快，仍呈溶胀控制；其孔隙率降低明显，但液体吸收参数k的差异不确定，原文指出可能与数据稀缺或吸收模型复杂性不足有关，并可考虑分段幂律改进。讨论认为，吸湿性MCC被非吸湿性griseofulvin稀释导致溶胀降低；MCC/lactose因崩解受润湿性控制而变化最明显；MCC/DCPA因MCC溶胀与DCPA不溶性共同控制，减少两者会减少可溶胀材料及可供溶胀粒子推挤的材料。乳糖易形成致密紧密基质，结晶griseofulvin可能造成微结构不规则，从而加快液体到达可溶胀材料。

5. Conclusions
讨论总结表明，该框架将深度学习视频分割和变点检测与吸收、溶胀的机制建模结合，可快速有效研究处方和制造对片剂崩解性能的影响。无需广泛崩解/溶出测试即可观察到加入难溶性药物的影响，例如含griseofulvin片剂中明显且可信的溶胀降低。典型无柄液滴实验约2 min即可获得足够数据，深度学习图像分析可实时执行，实验与分析约3–6 min完成，明显优于耗时更长的方法。该方法还可快速测试水至生物相关介质等不同溶出介质，仅需?100 μL。因此，该方法可用于决策框架，判断特定处方或制造是否需要进一步崩解或溶出测试，包括处方筛选研究；也可与Maclean等的灵活溶出模型结合，若使用Schott模型描述整体片剂崩解，可粗略估计片剂溶出曲线。研究结论翻译：本研究提出的框架为研究处方和制造对药物片剂崩解性能的影响提供了一种快速有效的方法。它将用于视频分割和变点检测的深度学习与吸收和溶胀过程的机制建模相结合。第4节数据表明，无需进行广泛的崩解/溶出测试即可观察到向处方中加入难溶性药物的影响，例如含griseofulvin片剂中观察到的明显、可信的溶胀降低。此外，典型无柄液滴实验约需2 min即可获得足够的吸收和溶胀数据用于机制建模，而深度学习图像分析可实时执行，这意味着实验可在约3–6 min内完成并分析。与耗时可能长几个数量级的崩解和溶出测试方法相比，这具有明显优势。此外，无柄液滴方法允许快速测试不同溶出介质，从水到生物相关介质，仅使用非常小体积，?100 μL。因此，该方法可用于决策框架，以判断特定处方/制造是否需要进一步的崩解或溶出测试，包括处方筛选研究。一个实例是将此处测量的参数与Maclean等的灵活溶出模型相结合，若使用Schott模型描述整体片剂崩解，则可估计片剂溶出曲线的粗略指示。尽管结果有前景，但包含更多具有不同理化性质的API、不同制造条件、不同药物载量、不同崩解剂和辅料浓度的研究将进一步验证该框架的稳健性。另一个潜在改进可能来自吸收过程的建模。