近红外光谱法分析头孢拉定颗粒的关键质量属性及对其量值的测定

赵瑜 朱俐 尹利辉

(中国食品药品检定研究院，北京 102629)

国家评价性抽验是国家药品监督管理局组织的对上市药品的全环节监督检验。其主要针对监管工作中问题较多、风险隐患较大的品种，通过对产品主要质量问题等的综合评价，促进药品质量标准的提高，进而促使企业提高产品质量[1]。国家评价性抽验平台是在多年国家评价性抽验工作积累的基础上，由中国食品药品检定研究院组织、全国各药品检验所共同参与建设的数据共享平台，其中蕴藏着丰富的药品质量信息；针对监管工作的需要，如何挖掘并合理利用国家评价性抽验平台中的信息是当前的研究热点。

头孢拉定是第一代半合成头孢菌素，临床主要用于呼吸道、泌尿道、皮肤和软组织的感染[2]。头孢拉定制剂包括片剂、颗粒剂、胶囊剂和注射剂等[3]。其中，头孢拉定颗粒剂为我国的特有品种，临床主要用于儿童[4]。国内生产厂家较多，共有33个批准文号。国产儿童药品一般具有生产批量小、多批次的特点，保证其产品质量的一致性是质量控制的关键。2017年，头孢拉定颗粒被列为国家评价性抽验品种，与其相关的各类信息包括企业的处方工艺、各种检验数据、用于鉴别的近红外光谱(NIR)数据等均被收录于国家评价性抽验平台的数据库中。

近红外光谱法(near-infrared spectroscopy)是指对波长范围780～2500 nm(波数范围为12500～4000 cm-1)，由分子振动的倍频和合频产生的光谱，通过化学计量学算法对其光谱特征信息进行提取、模式识别和量值建模的分析方法，可用于对药物制剂的一致性检验、定性和定量分析[5-6]。本研究探索利用国家评价性抽验平台数据库中的数据，应用近红外光谱法，对头孢拉定颗粒质量和工艺的一致性进行评价，并建立预测关键质量属性量值的方法，为药品整个生命周期的监管以及靶向抽验等提供有效的科学依据。

1 NIR光谱

从国家评价性抽验平台数据库中选取17个厂家96个代表性批次的头孢拉定颗粒样品NIR光谱，包括：北京首儿药厂(简称BJSE)4批次，北京永正制药有限责任公司(简称BJYZ)6批次，迪沙药业集团有限公司(简称DSYY)4批次，广西邦琪药业集团有限公司(简称GXBQ)4批次，广州白云山医药集团股份有限公司白云山制药总厂(简称GZBYS)10批次，国药集团汕头金石制药有限公司(简称GYJS)6批次，海南三叶制药厂有限公司(简称HNSY)6批次，湖南康尔佳生物医药科技有限公司(简称HNKEJ)3批次，华北制药河北华民药业有限责任公司(简称HBZY)6批次，焦作市银河药业有限公司(简称JZYH)9批次，金日制药(中国)有限公司(简称JYZY)4批次，荆州市津奉药业发展有限公司(简称JZJF)2批次，辽宁华瑞联合制药有限公司(简称LNHR)10批次，山东云门药业有限责任公司(简称SDYM)3批次，神威药业集团有限公司(简称SWYY)6批次，天津太平洋制药有限公司(简称TTTPY)2批次，珠海金鸿药业股份有限公司(简称ZHJH)11批次。头孢拉定对照品(批号130427，中国食品药品检定研究院)。

近红外光谱均采用MPA型傅里叶变换近红外光谱仪(Bruker Optics GmbH)，PbS检测器，在仪器性能测试通过的状态下进行采集。样品置低羟基石英样品瓶中，采用积分球模式采样，测试条件为光谱范围12000～3500 cm-1，光谱分辨率8 cm-1，背景扫描次数32次，样品扫描次数32次，采集3次。

2 NIR光谱分析方法

采用OPUS6.5(Bruker Optics GmbH)软件对数据进行处理和建模。

2.1 模式识别模型

通过对头孢拉定对照品、各同厂家的头孢拉定颗粒的近红外光谱图进行分析，选择特征谱区(图1)，并结合模型优化选择适宜的光谱预处理方法；通过因子分析法提取主成分光谱，用第一主成分表征制剂工艺的共性信息，用第二、三、…主成分表征不同工艺的特征信息；通过特征信息建立模式识别模型；利用模式识别的结果与制剂处方分类的相关性，评价不同厂家头孢拉定颗粒质量和工艺一致性。

2.2 NIR量值预测模型

将近红外光谱与参考方法测定的化学值相关联，应用偏最小二乘法(PLS)建立定量模型[7]，实现对关键质量属性量值的快速预测。优化的定量模型参数[光谱范围、光谱预处理方法、算法、维数(rank)等]，根据模型的决定系数R2和均方根误差(RMSEP)确定。

3 结果与讨论

3.1 头孢拉定颗粒处方分析

颗粒剂由原料药和一定比例的赋形剂，通过混合、制软材、制湿微粒、干燥、整粒与分级、装袋等过程生产[8]。通过对数据库处方工艺信息的发掘，得到部分厂家头孢拉定颗粒的处方组成信息(表1)。头孢拉定颗粒处方中除赋形剂外，还添加了改善口感的香精作为矫味剂和改善观感的食用色素，以提高儿童临床用药的依从性。虽然各厂家的头孢拉定颗粒处方和工艺各异，但均采用蔗糖作为主要的赋形剂。

表1 头孢拉定颗粒的处方组成信息Tab.1 Prescription composition information of cefradine granules

3.2 头孢拉定颗粒质量和工艺一致性评价

近红外光谱中除包含有制剂活性成分和处方中诸辅料的信息外，还包括产品中有关物质(工艺稳定性)、粒度(制粒工艺)、水分(干燥工艺)等与制剂工艺相关的信息。通过比对头孢拉定、头孢氨苄对照品和头孢拉定颗粒的典型近红外光谱(图1)发现：头孢拉定的近红外信号在5100 cm-1附近呈较强的特征吸收峰，制剂中辅料未见其有干扰；颗粒剂中辅料在7500～5400 cm-1和5000～4000 cm-1的信号比较丰富且吸收较强，对头孢拉定信号存在干扰。同时，17个厂家的头孢拉定颗粒的近红外光谱(图2)显示，他们的相似度较高，这可能与处方中蔗糖的含量均较高有关。

图2 17个厂家头孢拉定颗粒的近红外光谱图Fig.2 NIR spectra of cefradine granules from 17 maufacturers

利用化学计量学方法挖掘各产品近红外光谱中的工艺信息，利用模式识别法对不同的工艺特征进行区分，探索不同厂家头孢拉定颗粒质量和工艺的一致性。

对17个厂家96个批次的头孢拉定颗粒的近红外光谱(光谱范围为5000～5600 cm-1、7000～7400 cm-1、6200～6900 cm-1)进行矢量归一化预处理，通过因子分析，提取主成分光谱(表2)；其中第一主成分代表率达99.9%，表征颗粒剂工艺的共性信息；第2～5主成分表征不同厂家的工艺特性。

表2 头孢拉定颗粒近红外光谱因子分析的特征值及代表率Tab.2 Eigenvalues and representative rate of NIRS factor analysis of cefradine granules

用第2、3、4主成分进行数据重构，通过主成分空间表征不同工艺的特征(图3)。模式识别结果显示，17个厂家(工艺)头孢拉定颗粒在工艺特征空间中呈现5类工艺特征。

图3 模式识别区分头孢拉定颗粒的工艺特征Fig.3 Pattern recognition of the process characteristics of cefradine granules

用光谱的第2、3、4主成分进行Ward’s聚类分析，光谱距离的阈值设为1，将模式识别结果与不同厂家产品相关联，对头孢拉定颗粒的产品质量和工艺的一致性进行分析(图4)。GYJS各批次聚为一类，与类1相对应，且与其他厂家样品的光谱距离最远，显示其具有独特的工艺特异性；ZHJH与类2对应，各批次样品的光谱距离较小，显示了较好的批间一致性；HNKEJ的光谱和LNHR的光谱距离较近，与类3对应，LNHR表现出相对较大的批间波动；与类4对应的有5个厂家的样品，其中GZBYS和BJYZ的光谱距离相对较近，GZBD、JZJF、JZYH 3个厂家的光谱距离相对较近；其余厂家的样品与类5对应，包括BJSE、JRZY、HBZY、SDYM、SWYY、DSYY、HNSY、GXBQ、TJTPY 9个厂家，其中SDYM、SWYY和DSYY的产品各批次样品光谱距离较小且各聚为一类，其他厂家的样品各批次之间存在交叉，均显示出较大的批间变异性。

图4 产品基于NIR光谱第2、3、4主成分的Ward′s聚类结果Fig.4 Ward′s clustering results of products based on the 2nd，3rd and 4th principal components of NIR spectra

3.3 关键质量属性的量值预测模型

头孢拉定、头孢氨苄和水分的含量是头孢拉定颗粒的关键质量属性。其中，头孢拉定为API成分，头孢氨苄为头孢拉定的降解物，可来源于原料药和制剂过程，水分主要由颗粒制粒给出引入。中国药典2020版头孢拉定颗粒各论中规定：头孢氨苄不得过头孢拉定和头孢氨苄总量的6.0%。利用近红外光谱建立定量模型，可实现对制剂中头孢拉定、头孢氨苄和水分的含量的快速预测。

3.3.1 参考方法[9]

利用国家评价性抽验的检测结果作为近红外模型的化学参考值。其中，头孢拉定含量和头孢氨苄含量为采用中国药典2010版HPLC法(C18柱，流动相水-甲醇-3.86%醋酸钠溶液-4%醋酸溶液(1564:400:30:6，V/V/V/V)，流速0.8 mL/min，检测波长254 nm)测得的百分含量(W/W，%)。水分为卡尔非休法测得的百分含量(W/W，%)。

3.3.2 头孢拉定含量预测模型

头孢拉定颗粒中活性成分的含量约在4%～12%之间。将96个批次样品中的67批次作为训练集(百分浓度范围(3.93～11.93)(W/W，%)，29批次作为验证集(百分浓度范围(4.0～11.7)(W/W，%)，建立头孢拉定定量模型。优化后的模型参数：光谱范围为11600～9830、8940～7150和6270～5380 cm-1，采用矢量归一化法进行光谱预处理。头孢拉定PLS模型的校正和验证结果如图5所示。训练集模型拟合值和真值的决定系数R2达99.5，RMSEE值0.205，维数为8；交叉验证预测值和真值的决定系数R2达99.1，RMSECV值0.27，偏移量0.004486。验证集预测值和真值的决定系数R2达97.63，RMSEP值0.389，偏移量-0.0253。

图5 头孢拉定颗粒中头孢拉定PLS模型校正和验证结果Fig.5 Results of calibration and validation of PLS model of cefradine content in cefradine granules

3.3.3 头孢氨苄含量预测模型

头孢拉定颗粒中头孢氨苄的含量约在1%～6%之间。将96个批次中的67批次样品作为训练集(百分浓度范围(1.3%～5.7%)(W/W)，29批次作为验证集(百分浓度范围1.36%～4.2%(W/W)，建立头孢氨苄的PLS定量模型。优化后的模型参数：光谱范围为8940～7150和6270～5380 cm-1，采用矢量归一化法进行光谱预处理。头孢氨苄PLS模型的校正和验证结果如图6所示。训练集模型拟合值和真值的决定系数R2为86.8，RMSEE值0.0351，维数为8；交叉验证预测值和真值的决定系数R2为70.0，RMSECV值0.0483，偏移量-0.00076。验证集预测值和真值的决定系数R2达57.2，RMSEP值0.531，偏移量-0.0991。

图6 头孢拉定颗粒中头孢氨苄PLS模型校正和验证结果Fig.6 Results of calibration and validation of PLS model of cephalexin content in cefradine granules

3.3.4 水分含量预测模型

头孢拉定颗粒中水分的含量约在0.3%～1.4%之间。将96个批次中的67批次样品作为训练集(百分浓度范围0.3%～1.31%(W/W)，29批次作为验证集(百分浓度范围0.4%～1.26%(W/W)，建立水分的定量模型。优化后的模型参数：光谱范围为10533.5～5450 cm-1，采用矢量归一化法进行光谱预处理。训练集模型拟合值和真值的决定系数R2为86.5，RMSEE值0.104，维数为8；交叉验证预测值和真值的决定系数R2为55.9，RMSECV值0.476，偏移量0.00519。验证集预测值和真值的决定系数R2为53.0，RMSEP值0.149，偏移量0.0604，参见图7。

图7 头孢拉定颗粒中水分PLS模型校正和验证结果Fig.7 Results of calibration and validation of PLS model of water content in cefradine granules

4 结论

本文以头孢拉定颗粒为例，探讨了通过发掘国家评价性抽验平台数据库中的数据，采用近红外光谱结合模式识别的方法，对不同厂家产品的质量和工艺的一致性进行评价，对其中关键质量属性的量值(头孢拉定含量、头孢氨苄含量和水分含量)，通过PLS定量模型进行快速预测。该研究表明，国家评价性抽验平台对服务于药品的监管及靶向抽验具有重要价值。