Ультраниры установка: Ультраниры цена установки за 1 зуб в СПб

Разное

Содержание

Изготовление ультраниров. Быстро, точно и красиво. Фото, отзывы, цены

Когда применяются ультраниры

Исходя из их конструктивных особенностей, область применения ультраниров аналогична таковой для люминиров. Установку ультраниров рекомендуют в следующих случаях:

Незначительная кривизна фронтальных зубов;
Для коррекции цвета зубной эмали, или от природы не белые зубы;
Неправильная форма зубов (например, слишком маленькие зубы;
Небольшие диастемы или тремы – промежутки между зубами, на фронтальной части;
Потемневшие пломбы на передних зубах;
Повышенная чувствительность эмали;
Наличие трещин или сколов в эмали, имеющих поверхностный характер и вызванных внешними факторами.

Ультраниры не помогут в следующих случаях (случаи те же, что и для виниров):

Сильное смещением челюстей при некорректном прикусе – протезы быстро расколются;
Бруксизм – сокращение челюстей во время сна. Иногда возможно повреждение протезов;

Ультраниры не помогут при ортодонтических проблемах – лечить необходимо будет с помощью брекетов или кап;
Повышенная стираемость зубов. Для лечения данного заболевания требуется серьезный анализ работы всей зубочелюстной системы, применение ультраниров и даже виниров скорее всего не принесет ожидаемый результат;
Недостаточный гигиенический уход за полостью рта;
Хронические воспалительные процессов в ротовой полости;
Заболеваний десен.

Из чего изготавливают ультранины. Технологии и материалы

Как упоминалось ранее, методики изготовления ультраниров такие же, как и виниров:

1. Прессование (керамика на основе дисиликат лития): ультраниры E-max, изготовленные технологией прессования и спекания керамики E-max, получаются крепкими, подобными по прочности природной эмали зуба. К тому же такие изделия различаются естественной прозрачностью, потому не отличимы от собственных зубов. С помощью техники прессования изготавливаются наиболее эстетически совершенные накладки на зубы.

2. Послойное нанесение полевошпатной керамики. Этим методом изготавливают также и виниры. На будущий ультранир техник вручную наносит слои керамики, толщина одного слоя составляет доли миллиметра. Такая работа является очень точной и требует большого опыта для достижения идеального результата. В определенном смысле это не рутина, а искусство.

Полевошпатные ультраниры очень естественны, не каждый стоматолог сможет отличить полевошпатный ультранир от натурального зуба.

3. CAD/CAM: новая методика. Суть в том, что используется метод сверхточного обточки микропротеза на специальном оборудовании-роботе. С помощью слепков делается модель челюсти клиента, потом она благодаря 3d сканеру приобретает в цифровой вид. Техник моделирует изделие в компьютерной программе, цифровая информация передается на фрезерный станок, где процессом вытачивания ультраниров из циркониевой заготовки руководит автоматика. Фрезерованные ультраниры за счет точности изготовления плотно закрепляются на поверхности зуба, обеспечивая высокие эстетические показатели и длительный срок службы. Такие ультраниры более крепкие, чем выполненные способом прессования, но уступают последним по эстетическим показателям.

Установка ультраниров. Всего два посещения стоматолога

Ультраниры устанавливаются быстро. Для того, чтобы добиться цели и получить идеальную белоснежную улыбку достаточно всего лишь двух посещений стоматолога-ортопеда (обычно). При первом визите врач внимательно осмотрит внешний вид зубов, их соотношение, определит прикус пациента. Все это позволяет ему удостовериться в возможности применения выбранного метода, отсутствии противопоказаний. Далее врач сделает слепки и определит цвет зубов пациента, их уровень прозрачности и выберет оттенок ультраниров, возможно несколько оттенков, это позволяет изготовить их как можно больше похожими на собственные зубы.

Слепки направляются в лабораторию где индивидуально для каждого пациента изготавливаются ультраниры.

При втором визите, стоматолог фиксирует ультраниры при помощи композитного клея.

Ультраниры – цена установки

Ультраниры в Санкт-Петербурге — установка ультраниров — цены за 1 зуб в клиниках МЕДИ

Иногда, если нужно, выполняется так называемое контурирование — минимальное выравнивание для придания зубу правильной формы. Специалисты МЕДИ первыми в России стали применять эту технологию, и вот уже на протяжении многих лет успешно помогают пациентам получить блистательную голливудскую улыбку.

Использование данной технологии дает возможность корректировать нарушения формы и цвета зубов при минимальной обработке зуба. В случае, если зуб поражен кариесом, перед установкой виниров необходимо будет провести терапевтическое лечение. Для достижения наилучшего эстетического результата врачи МЕДИ рекомендуют устанавливать ультраниры парами на симметрично расположенные зубы.

Чтобы установить ультраниры, понадобится несколько визитов к врачу. Во время первого посещения анализируются особенности прикуса пациента и снимаются оттиски. В каждом случае врач индивидуально принимает решение о необходимости дополнительной обработки зубов. Далее оттиски отправляются в зуботехническую лабораторию, где по ним на высокоточном оборудовании изготавливаются тончайшие керамические пластинки — ультраниры. Во время следующего визита после примерки готовые конструкции с помощью современных материалов прочно фиксируются на поверхности зубов.

Улыбка пациента до установки ультраниров До и после установки ультраниров

Изготавливаются ультраниры из высокопрочной керамики e.max и представляют собой цельнокерамическую конструкцию. Они очень тонкие, однако, после фиксации на зуб приобретают высокую прочность и служат долго, сохраняя безупречную эстетичность. Кроме того, поскольку сохраняется собственная эмаль, зафиксированные на ней ультраниры обеспечивают зубам дополнительную защиту от внешних воздействий.

Возможность установки ультраниров всегда оценивает врач. Специалисты клиник МЕДИ, обладая огромным опытом, тщательно и всесторонне рассматривают каждую ситуацию и всегда выбирают для пациента тот вариант, который будет оптимальным именно в его случае.

Ультраниры на зубы — цены, отзывы

Еще одно важное отличие ультраниров от классических виниров – отсутствие необходимости обточки эмали зуба. Для простых виниров ее обязательно требуется обтачивать, однако минимальная толщина ультратонких пластин позволяет обойтись без этой операции.

Показания к установке

Выделяют следующие показания к установке ультраниров:

Сколы, трещины и иные повреждения эмали передних зубов. Вредная привычка грызть ручку или иной твердый предмет приводит к нарушению целостности эмали, со временем она стачивается и приобретает неэстетичный вид. Ультратонкий винир маскирует дефект, восстанавливая первоначальную форму коронки.
Пигментные пятна на эмали, которые невозможно удалить при помощи чистки или отбеливания химическими препаратами. Накладка из керамики просто закрывает эстетический недостаток, после чего он становится совершенно незаметным для окружающих.

Значительные межзубные промежутки и неровности зубного ряда. При серьезных искривлениях и дистопии назначается ношение ортодонтических конструкций, а косметические нарушения маскируются с помощью тонких виниров.
Разрушение зубной эмали. Если она приобрела рыхлую структуру, специальные приспособления помогают остановить разрушение и восстановить первоначальный облик коронки.

Таким образом, установка ультраниров станет наиболее эффективным решением для устранения целого ряда серьезных косметических проблем. Это средство дарит людям безупречные белоснежные улыбки, позволяя забыть о стеснительности и комплексах по поводу внешности.

Показания к установке

Выделяют следующие показания к установке ультраниров:

Сколы, трещины и иные повреждения эмали передних зубов. Вредная привычка грызть ручку или иной твердый предмет приводит к нарушению целостности эмали, со временем она стачивается и приобретает неэстетичный вид. Ультратонкий винир маскирует дефект, восстанавливая первоначальную форму коронки.

Пигментные пятна на эмали, которые невозможно удалить при помощи чистки или отбеливания химическими препаратами. Накладка из керамики просто закрывает эстетический недостаток, после чего он становится совершенно незаметным для окружающих.
Значительные межзубные промежутки и неровности зубного ряда. При серьезных искривлениях и дистопии назначается ношение ортодонтических конструкций, а косметические нарушения маскируются с помощью тонких виниров.
Разрушение зубной эмали. Если она приобрела рыхлую структуру, специальные приспособления помогают остановить разрушение и восстановить первоначальный облик коронки.

Подбор ультраниров

цены в Москве в клинике Медикастом, отличие от виниров и люминиров

Клиника «МедикаСтом» в Москве представляет самую передовую технологию микропротезирования. Вы откроете для себя секрет ослепительной улыбки и сможете надежно защитить свои зубы.

Цены на услуги
Консультация врача стоматолога — ортопеда	Бесплатно
Установка 1 ультранира (ультратонкой накладки)	от 21 990 Р.

Ультраниры – инновационные ультратонкие керамические пластинки, обладающие беспрецедентной прочностью на излом! Аналог западных люминиров.

Обточка зубов (как под виниры) не требуется!

Мы производим ультраниры в своей зуботехнической лаборатории. Поэтому наши клиенты могут наслаждаться белоснежной улыбкой с готовыми ультранирами всего через 8–10 дней. А стоимость услуги в «МедикаСтом» в 1,5–2 раза меньше. Цена приятно удивит даже экономных клиентов.

Ультраниры от «МедикаСтом»

Ультратонкие

всего 0,2-0,3 мм

Супер-цена

от 21 990 Р.

Голливудская улыбка

через 10 дней

Записаться на прием

Возможности ультраниров

Реставрация желтых и темных зубов. Ультраниры просто незаменимы, когда оттенок эмали невозможно изменить даже самыми современными способами отбеливания. С ультранирами вы получаете белоснежную улыбку при установке – и навсегда!
Устранение промежутков между зубами. Зазоры между зубами могут портить улыбку и даже вызывать проблемы с дикцией. С ультранирами вы забудете о промежутках.
Закрытие дефектов зубов. Ультраниры, сделать которые мы готовы в ближайшее время, отлично закроют скол, трещину или старую пломбу.

Защита слабой зубной эмали. Отличное средство против повышенной стираемости эмали на зубах. С помощью ультраниров можно надежно защитить зубы со слабой и чувствительной эмалью.
Изменение формы зубов. Ультраниры полностью меняют эстетику передних зубов. Делают их визуально ровными, белыми и без малейших изъянов. Пластины и брекет-системы для выравнивания зубов не нужны.

Ортопеды клиник «МедикаСтом» (Москва) подберут для вас ультраниры так, что они будут абсолютно незаметны для окружающих! Получите красивые зубы по выгодной стоимости!

Ультраниры: до и после (фото)

На первом приеме в «МедикаСтом»

После установки

Ультраниры: преимущества. Чем отличаются люминиры?

Ультраниры так же, как и люминиры:

Выглядят красиво. Тончайшие пластинки керамики выглядят естественно. Цвет подбирается индивидуально.
Не меняются со временем. Не подвержены внешнему воздействию, не меняют цвет, не темнеют.
Практичны. Надежно закрепляются на поверхности зуба с помощью специального стоматологического композита. Зубы под ультранирами не разрушаются. Ухаживать за ними просто.
Прочны и долговечны. В 3 раза прочнее виниров. Срок службы – не менее 20 лет. Ни одни виниры не служат столько!

В отличие от люминиров предлагаемые изделия изготавливаются значительно быстрее. Вам не придется долго ждать!

Люминиры являются более дорогими. Стоимость предлагаемых нами изделий для зубов оптимальна для многих! Уточните цену у специалистов.

Вы по достоинству оцените и то, что:

Установка на зубы тончайших пластинок проводится быстро и безболезненно. Процедура установки безболезненна, не вызывает никаких неприятных ощущений, не требует использования анестезирующих препаратов для зуба.
Изделия можно снять без последствий для зубов. В отличие от других аналогов (виниры и др.), ультранир, если это потребуется, можно снять без какого-либо повреждения эмали и без необходимости заниматься восстановлением её верхнего слоя.

Как проводится установка?

Для того чтобы выполнить установку ультраниров в «МедикаСтом», достаточно совершить всего 3 визита к врачу.

1-й визит

Снятие оттиска

30 минут

2-й визит (через 3 дня)

Перенос восковой модели в полость рта, подбор цвета

60 минут

3-й визит (через 5-7 дней)

Фиксация ультраниров

Роскошная улыбка!

90 минут

Запишитесь на прием или позвоните нам прямо сейчас,
и всего через 10 дней
вы станете обладателем ослепительной улыбки!
С установкой не возникнет сложностей.

Ультраниры от «МедикаСтом»

Комфортно

Анестезия не требуется

Установка

3 посещения клиники

На всю жизнь

Гарантированно более 20 лет

Наша круглосуточная стоматология оказывает самый широкий спектр услуг. Мы всегда готовы оказать вам такие услуги как лечение кариеса и лечение периодонтита зубов.

преимущества, установка. Зачем их устанавливают? Стоимость в Москве.

Спасибо! Ваш запрос будет обработан в течении 12 часов.

Новое направление в стоматологии, эстетическая ортопедия, призвана превратить несовершенную улыбку в красивую и привлекательную. Новейшие технологии позволяют изготавливать за короткий срок накладки на зубы, которые скроют многие недостатки зубного ряда. Пациенту не надо устанавливать коронки и портить эмаль зуба, чтобы сделать голливудскую улыбку. Для этого используют виниры, люминиры и ультраниры.

Ультраниры представляют собой пластину, толщина которой до 0,3 мм. Эта тонкая пластинка изготавливается из керамики и имеет высокую прочность. Она способна выдержать высокое давление до 455 мПа. Особенно популярны японские, американские и немецкие ультраниры.

Зачем устанавливают ультраниры?

Исправить прикус и устранить сложные проблемы с формой и кривизной зубов ультраниры не смогут. В этих случаях необходим другой подход по коррекции зубного ряда, но они справятся с реставрацией зубов:

закроют сколы на зубах;
придадут эмали светлый оттенок; процедура отбеливания не понадобится;
защитят здоровые зубы от разрушительных процессов: воздействия кислот, высоких и низких температур, механических воздействий;
затормозят процесс стирания зуба;
устранят большие промежутки между зубами: редкие некрасивые зубы спрячутся под накладками.

К ультранирам не придётся привыкать. Накладки настолько тонкие, что никакого дискомфорта в ротовой полости не вызовут. Они устанавливаются на зубы, которые видны при улыбке. Фиксируются пластинки на поверхность зуба клеем.

Процедура установки ультраниров имеет свои противопоказания. Исправить улыбку с помощью накладок, показано не всем пациентам. Решение всегда принимает ортодонт. Ультраниры не ставят если:

пациент имеет глубокий неправильный прикус;
хронические заболевания ротовой полости;
заболевание зубов: кариес, нарушение тканей пародонта;
наличие зубного камня;
сильная деформация челюсти;
поворот зуба;
неправильный рост зубов.

Накладки лучше устанавливать на здоровые и ровные зубы. Ортодонт назначит лечение по коррекции зубного ряда, а красоту зубам придадут ультратонкие пластинки.

Почему выбирают ультраниры?

Прежде всего, накладки привлекают своими размерами. Но есть масса достоинств для того чтобы пациенты выбрали ультраниры, а не другой элемент эстетической стоматологии.

При установке керамических коронок на зубы, обтачивают эмаль. Если использовать виниры, то зуб шлифуют, снимая тонкий слой эмали. Пациенту не придётся носить защитные пластиковые капы, чтобы уберечь уже подготовленный зубной ряд. Накладки не требуют никаких подобных манипуляций. Их приклеивают на поверхность, без дополнительной обработки эмали.
Процедура установки проходит без анестезии. Она безболезненная.
Ультраниры – это хорошая альтернатива отбеливанию, при котором используют химические и абразивные вещества, травмирующие эмаль. Ультратонкие пластинки наоборот защищают тонкую эмаль от внешних воздействий.
На зубах пластинки незаметны. Ортодонт подбирает форму и цвет изделия, чтобы они смотрелись как можно естественнее.
Привлекает стоимость изделия. Она ниже, чем у других аналогов.
Ультраниры не утяжелят, не сдавят и не стеснят зубы. Ощущения того, что во рту находится чужеродный материал, не возникнет.
Если по каким-то причинам накладку надо изъять, то стоматолог сделает это без затруднений. При этом эмаль останется в первоначальном состоянии.
При установке ультраниров потребуется меньше времени, чем укрепление на зуб других накладок.
Привлекает высокий эстетический эффект.

Накладки можно установить не только для создания красивой улыбки, но и для защиты зубной эмали. Под ультранирами зуб сохранится дольше

Изготовление ортодонтической пластинки

Ортодонт проведёт осмотр зубов и ротовой полости и предложит оптимальный вариант реставрации зубов. Если есть противопоказания, то он посоветует устранить их: вылечить, почистить зубы и провести гигиену ротовой полости.

Пациент должен точно знать, какие ультраниры ему установить, для какой цели. Чтобы не произошло каких-либо недоразумений, ортодонт беседует с ним и подбирает оттенок накладок.
Дантист делает снимок, который обрабатывается программой компьютера. На экране можно увидеть, конечный результат, как будут выглядеть накладки на зубах.
Ортодонт снимает слепок из воска. Это необходимо, чтобы создать модель челюсти пациента. По ней будут изготавливать ультраниры.
Чтобы избежать ошибки, накладки делают сначала из воска. Модели пластинок примеривают пациенту.
После этого ортодонт выполняет коррекцию изделия, если это необходимо, показывает зубы пациенту. На этом этапе определяется, все ли недостатки зубов закрывают ультраниры. Изделия изготавливаются индивидуально для каждого зуба.
Пластинки будут готовы через 3 недели. Пациент вновь посещает стоматолога, который производит примерку накладок. Если есть какие-то недостатки, то они подлежат устранению.
Окончательная установка пластинок проводится через 3-4 недели. Ультраниры укрепляются на поверхности зуба клеем.

Работа ортодонта должна быть безупречной. Даже небольшие недостатки в изделиях приведут к дополнительным финансовым расходам пациента, и сильно ударит по репутации стоматологической клиники.

Как ухаживать за ультранирами?

Накладки на зубы не требуют какого-то специального ухода. Необходимо, как и прежде, чистить зубы 2 раза в день и пользоваться ополаскивающими средствами. Никаких отбеливающих паст не требуется. Раз в месяц обязательно надо посещать стоматолога. Он будет курировать состояние полости рта и зубов.

От курения надо воздержаться, чтобы белоснежные зубы не потемнели. Пищу, которая может окрасить пластинки надо избегать. Ограничение касается твёрдых продуктов: орехов, семечек, сухариков. Небольшие повреждения ультраниров плохо скажутся на состоянии зубов. Привлекательность улыбки утратится. Придётся устанавливать новые накладки, а это затратно.

Если ортодонт качественно выполнил свою работу и пациент щадящее относился к своим зубам с пластинками, то ультраниры прослужат до 15 лет.

Ультраниры в Екатеринбурге | Европейский стоматологический центр

Эстетическая стоматология становится всё более и более популярной в настоящее время. Многие пациенты хотят стать обладателями настоящей голливудской улыбки и обращаются к стоматологам не только для лечения зубов, но и для устранения эстетических недостатков.

Европейский Стоматологический Центр предлагает своим пациентам полный комплекс услуг эстетической стоматологии, которые позволяют добиться максимального эффекта при устранения различных дефектов – диастеме (щели) между зубами, изменениях формы и цвета зубов, потемневших старых пломбах, трещинах, сколах и многом другом.

Ультраниры появились на рынке стоматологических услуг совсем недавно и являются результатом применения новейших технологий в области эстетической стоматологии. Они представляют собой ультратонкие керамические пластинки, изготовленные методом послойного обжига. Именно за счет минимальной толщины (до 0,2 мм) ультраниров возможна их установка без обточки собственных зубов. Иногда, если это необходимо, выполняется так называемое контурирование — минимальное выравнивание для придания зубу правильной формы.

Использование данной технологии дает возможность корректировать нарушения формы и цвета зубов при минимальной обработке зуба либо и совсем без нее.

Чтобы установить ультраниры, понадобится всего лишь несколько визитов к врачу. Во время первого посещения анализируются особенности прикуса пациента и снимаются слепки. В каждом случае доктор индивидуально принимает решение о необходимости дополнительной обработки зубов или отсутствия таковой. Далее слепки отправляются в нашу зуботехническую лабораторию и изготавливаются индивидуальные ультраниры из специализированной керамической массы E.MAX с использованием самого современного оборудования. Во время следующего визита, после предварительной примерки, готовые ультраниры прочно фиксируются на поверхности зубов.

Поскольку сохраняется собственная эмаль, зафиксированные на ней ультраниры обеспечивают зубам дополнительную защиту от внешних воздействий, таких как: чай, кофе, курение, твердая пища, сахар и тд. Также ультраниры помогут людям с чувствительными зубами, так как будут служить дополнительной защитой от горячего и холодного.

Ультраниры обладают рядом преимуществ:

Установка возможна без обточки зубов.
Естественная форма и цвет.
Высочайшая эстетика за счет минимальной толщины (0.2 мм).
Прогнозируемость результата на всех этапах.
Неизменность цвета и изначальной формы с течением времени.
Защита эмали от кариеса и внешних раздражителей.

Отзыв пациента о ЕСЦ
Оригинал отзыва (перевод с английского)
Доктор Дмитрий Игнатов проделал отличную работу и мне полностью понравился сервис.
Я хотел бы порекомендовать эту клинику как отличное место с высочайшем уровнем профессионализма.
Кузнецов Ярослав Борисович. Смотреть другие отзывы о центре…

Специалисты Европейского Стоматологического Центра, обладают огромным опытом в области эстетической стоматологии, тщательно и всесторонне рассматривают каждую ситуацию и всегда выбирают для пациента тот вариант, который будет оптимальным именно в его случае.

Запишитесь на бесплатную консультацию к стоматологу-ортопеду в Европейском Стоматологическом Центре по номеру +7 (343) 288-76-19 и получите исчерпывающие ответы на все свои вопросы.

Для записи на приём звоните по телефону +7 (343) 288-76-19

Ультраниры – инновация в стоматологии

В настоящее время в практике стоматологов все большее применение находят ультратонкие виниры, — их толщина колеблется между 0,3-0,5 мм.

Это позволяет скорректировать цвет и форму ваших зубов без их обтачивания, что исключает травматизацию тканей зуба. Кроме того, установка таких виниров – процесс обратимый, т. е. Вы можете снять их в любой момент.

Одним из первых брендов ульратонких виниров, появившемся на российском рынке, являются люминиры (лаб. СERINATE, США). Однако в 2011 году появилась российская разработка, которая по многим своим характеристикам превосходит люминиры.

Ультраниры или люминиры?

Это две разновидности запатентованной технологии изготовления ультратонких виниров. В чём же различие между ними?

Ультраниры (предел выдерживаемого давления до 415-455МПа) прочнее люминиров (предел выдерживаемого давления до 110МПа) в 4 раза.
Ультраниры обеспечивают наиболее точное краевое прилегание к тканям зуба за счет низкой температуры производства (и отсутствия усадки), а также монослойности своей структуры. Это еще больше усиливает прочностные характеристики.
Ультраниры изготавливаются в России (г. Санкт-Петербург), что вдвое ускоряет срок их изготовления, по сравнению с люминирами.
Ультраниры значительно дешевле люминиров (примерно на 30%).

Показания для установки ультраниров:

Если Вы хотите изменить цвет и форму зубов, или убрать пятна на зубной эмали.
Ультраниры – в некоторых случаях, отличная альтернатива ортодонтическому лечению.
Процедура установки ультраниров – ВСЕГО два посещения.

Первое убедитесь, что ваш врач прошел обучение и владеет данной технологией (наличие сертификата, с индивидуальным номером)

Первое посещение – врач снимает слепок с ваших зубов.
Второе посещение – врач наращивает УЛЬТРАНИРЫ на эмаль ваших зубов.

НИКАКИХ УКОЛОВ, НИКАКИХ ОБТАЧИВАНИЙ – И ВЫ ОБЛАДАТЕЛЬ ГОЛЛИВУДСКОЙ УЛЫБКИ!

Пример наших работ (установка ультраниров на 4 передние зуба).

TIDA-00554 Сверхмобильный DLP-спектрометр в ближнем ИК-диапазоне для портативного химического анализа с подключением по Bluetooth

Цифровой контроллер

ADS1255	24-битный, 30kSPS, дельта-сигма АЦП с очень низким уровнем шума	Аналого-цифровые преобразователи (АЦП)	Образец и покупка	Посмотреть комплекты для проектирования и оценочные модули
BQ24250	1-элементное, 2-А, управляемое I2C понижающее зарядное устройство с 1 мкА в режиме SYSOFF и функцией отключения TS	ИС управления батареями	Образец и покупка	Посмотреть комплекты для проектирования и оценочные модули
CC2564MODA	Bluetooth® 4.1 с базовой скоростью, повышенной скоростью передачи данных, модуль низкого энергопотребления (LE) со встроенной антенной	Беспроводная связь	Образец и покупка	Посмотреть комплекты для проектирования и оценочные модули
CC2564MODN	Bluetooth® 4.1 с базовой скоростью (BR), повышенной скоростью передачи данных (EDR), модулем низкого энергопотребления (LE)	Беспроводная связь	Образец и покупка	Посмотреть комплекты для проектирования и оценочные модули
DLP2010NIR	DLP® 0.2 WVGA NIR DMD	Чипсеты с улучшенным управлением освещением	Образец и покупка	Посмотреть комплекты для проектирования и оценочные модули
DLPA2005	Драйвер PMIC / LED для DLP2010 и DLP2010NIR (0,2 WVGA) DMD	Наборы микросхем для отображения и проецирования	Образец и покупка	Посмотреть комплекты для проектирования и оценочные модули
DLPC150	для DLP2010NIR DMD	Чипсеты с улучшенным управлением освещением	Образец и покупка	Посмотреть комплекты для проектирования и оценочные модули
HDC1000	Цифровой датчик влажности с низким энергопотреблением, погрешностью 3% и встроенным датчиком температуры	Датчики	Нет в наличии	Посмотреть комплекты для проектирования и оценочные модули
INA213	Высокоточный двунаправленный усилитель с датчиком тока, 26 В	Усилители считывания тока	Образец и покупка	Посмотреть комплекты для проектирования и оценочные модули
OPA2376	Двойной прецизионный операционный усилитель с низким уровнем шума и низким током покоя ;	Операционные усилители (операционные усилители)	Образец и покупка	Посмотреть комплекты для проектирования и оценочные модули
OPA350	Однополярный, однополярный, высокоскоростной, малошумящий операционный усилитель с питанием от Rail-to-Rail	Операционные усилители (операционные усилители)	Образец и покупка	Посмотреть комплекты для проектирования и оценочные модули
OPA567	Rail-to-Rail I / O, усилитель мощности 2 А	Операционные усилители (операционные усилители)	Образец и покупка	Нет в наличии
REF5025	2.Прецизионное последовательное опорное напряжение 5 В, 3 мкВ пик / В, дрейф 3 ppm / ° C	Опорные напряжения	Образец и покупка	Посмотреть комплекты для проектирования и оценочные модули
SN74LV1T04	Одиночный источник питания ИНВЕРТОР Сдвиг логического уровня затвора	Преобразователи уровня напряжения	Образец и покупка	Посмотреть комплекты для проектирования и оценочные модули
SN74LV1T08	Одиночный источник питания 2 входа ПОЛОЖИТЕЛЬНЫЙ И Gate с логическим переключателем уровня	Преобразователи уровня напряжения	Образец и покупка	Посмотреть комплекты для проектирования и оценочные модули
SN74LV1T32	Одиночный источник питания 2 ВХОДА ПОЛОЖИТЕЛЬНЫЙ ИЛИ GATE с логическим переключателем уровня	Преобразователи уровня напряжения	Образец и покупка	Посмотреть комплекты для проектирования и оценочные модули
SN74LVC1G125	Одноместный 1.Буфер от 65 до 5,5 В с выходами с 3 состояниями	Буфер / драйвер	Образец и покупка	Посмотреть комплекты для проектирования и оценочные модули
SN74LVC2G125	2-канальный буфер от 1,65 В до 5,5 В с выходами с 3 состояниями	Буфер / драйвер	Образец и покупка	Посмотреть комплекты для проектирования и оценочные модули
SN74LVC2G157	Селектор / мультиплексор данных с двух линий на одну линию	ИС специальной логики	Образец и покупка	Посмотреть комплекты для проектирования и оценочные модули
TM4C1290NCPDT	32-разрядный микроконтроллер на базе Arm Cortex-M4F с частотой 120 МГц, 1 МБ флэш-памяти, 256 КБ ОЗУ, USB	Микроконтроллеры (MCU)	Образец и покупка	Посмотреть комплекты для проектирования и оценочные модули
TM4C1290NCZAD	32-разрядный микроконтроллер на базе Arm Cortex-M4F с частотой 120 МГц, 1 МБ флэш-памяти, 256 КБ ОЗУ, USB	Микроконтроллеры (MCU)	Образец и покупка	Посмотреть комплекты для проектирования и оценочные модули
TM4C1292NCPDT	32-битный микроконтроллер на базе Arm Cortex-M4F с 120 МГц, 1 МБ флэш-памяти, 256 КБ ОЗУ, USB, ENET MAC + MII	Микроконтроллеры (MCU)	Образец и покупка	Посмотреть комплекты для проектирования и оценочные модули
TM4C1292NCZAD	32-битный микроконтроллер на базе Arm Cortex-M4F с 120 МГц, 1 МБ флэш-памяти, 256 КБ ОЗУ, USB, ENET MAC + MII	Микроконтроллеры (MCU)	Образец и покупка	Посмотреть комплекты для проектирования и оценочные модули
TM4C1294KCPDT	32-битный микроконтроллер на базе Arm Cortex-M4F с 120 МГц, 512 Кб флэш-памяти, 256 Кб ОЗУ, USB, ENET MAC + PHY	Микроконтроллеры (MCU)	Образец и покупка	Посмотреть комплекты для проектирования и оценочные модули
TM4C1294NCPDT	32-битный MCU на базе Arm Cortex-M4F с 120 МГц, 1 МБ флэш-памяти, 256 КБ ОЗУ, USB, ENET MAC + PHY ;	Микроконтроллеры (MCU)	Образец и покупка	Посмотреть комплекты для проектирования и оценочные модули
TM4C1294NCZAD	32-разрядный микроконтроллер на базе Arm Cortex-M4F с 120 МГц, 1 МБ флэш-памяти, 256 КБ ОЗУ, USB, ENET MAC + PHY	Микроконтроллеры (MCU)	Образец и покупка	Посмотреть комплекты для проектирования и оценочные модули
TM4C1297NCZAD	32-разрядный микроконтроллер на базе Arm Cortex-M4F с 120 МГц, 1 МБ флэш-памяти, 256 КБ ОЗУ, USB, ЖК-дисплей	Микроконтроллеры (MCU)	Образец и покупка	Посмотреть комплекты для проектирования и оценочные модули
TM4C1299KCZAD	32-битный микроконтроллер на базе Arm Cortex-M4F с 120 МГц, 512 Кб флэш-памяти, 256 Кб ОЗУ, USB, ENET MAC + PHY, ЖК-дисплей	Микроконтроллеры (MCU)	Образец и покупка	Посмотреть комплекты для проектирования и оценочные модули
TM4C1299NCZAD	32-разрядный микроконтроллер на базе Arm Cortex-M4F с 120 МГц, 1 МБ флэш-памяти, 256 КБ ОЗУ, USB, ENET MAC + PHY, ЖК-дисплей	Микроконтроллеры (MCU)	Образец и покупка	Посмотреть комплекты для проектирования и оценочные модули
TM4C129CNCPDT	32-разрядный микроконтроллер на базе Arm Cortex-M4F с частотой 120 МГц, 1 МБ флэш-памяти, 256 КБ ОЗУ, USB, AES	Микроконтроллеры (MCU)	Образец и покупка	Посмотреть комплекты для проектирования и оценочные модули
TM4C129CNCZAD	32-разрядный микроконтроллер на базе Arm Cortex-M4F с частотой 120 МГц, 1 МБ флэш-памяти, 256 КБ ОЗУ, USB, AES	Микроконтроллеры (MCU)	Образец и покупка	Посмотреть комплекты для проектирования и оценочные модули
TM4C129DNCPDT	32-разрядный микроконтроллер на базе Arm Cortex-M4F с 120 МГц, 1 МБ флэш-памяти, 256 КБ ОЗУ, USB, ENET MAC + MII, AES	Микроконтроллеры (MCU)	Образец и покупка	Посмотреть комплекты для проектирования и оценочные модули
TM4C129DNCZAD	32-разрядный микроконтроллер на базе Arm Cortex-M4F с 120 МГц, 1 МБ флэш-памяти, 256 КБ ОЗУ, USB, ENET MAC + MII, AES	Микроконтроллеры (MCU)	Образец и покупка	Посмотреть комплекты для проектирования и оценочные модули
TM4C129EKCPDT	32-битный микроконтроллер на базе Arm Cortex-M4F с 120 МГц, 512 Кб флэш-памяти, 256 Кб ОЗУ, USB, ENET MAC + PHY, AES	Микроконтроллеры (MCU)	Образец и покупка	Посмотреть комплекты для проектирования и оценочные модули
TM4C129ENCPDT	32-разрядный микроконтроллер на базе Arm Cortex-M4F с 120 МГц, 1 МБ флэш-памяти, 256 КБ ОЗУ, USB, ENET MAC + PHY, AES	Микроконтроллеры (MCU)	Образец и покупка	Посмотреть комплекты для проектирования и оценочные модули
TM4C129ENCZAD	32-разрядный микроконтроллер на базе Arm Cortex-M4F с 120 МГц, 1 МБ флэш-памяти, 256 КБ ОЗУ, USB, ENET MAC + PHY, AES	Микроконтроллеры (MCU)	Образец и покупка	Посмотреть комплекты для проектирования и оценочные модули
TM4C129LNCZAD	32-разрядный микроконтроллер на базе Arm Cortex-M4F с 120 МГц, 1 МБ флэш-памяти, 256 КБ ОЗУ, USB, ENET MAC + PHY, ЖК-дисплей, AES	Микроконтроллеры (MCU)	Образец и покупка	Посмотреть комплекты для проектирования и оценочные модули
TM4C129XKCZAD	32-битный микроконтроллер на базе Arm Cortex-M4F с 120 МГц, 512 Кб флэш-памяти, 256 Кб ОЗУ, USB, ENET MAC + PHY, ЖК-дисплей, AES	Микроконтроллеры (MCU)	Нет в наличии	Посмотреть комплекты для проектирования и оценочные модули
TM4C129XNCZAD	32-битный микроконтроллер на базе Arm Cortex-M4F с 120 МГц, 1 МБ флэш-памяти, 256 КБ ОЗУ, USB, ENET MAC + PHY, ЖК-дисплей, AES ;	Микроконтроллеры (MCU)	Образец и покупка	Посмотреть комплекты для проектирования и оценочные модули
TPD4S012	Quad 0.Защитный диод от электростатического разряда 8 пФ, 5,5 В, ± 8 кВ с устойчивой шиной Vbus 15 В для интерфейса USB	ИС защиты цепей	Образец и покупка	Посмотреть комплекты для проектирования и оценочные модули
TPS22904	Переключатель нагрузки 3,6 В, 0,5 А, 66 мОм с выходным разрядом	Силовые выключатели	Образец и покупка	Нет в наличии
TPS386596	Счетверенный контроллер напряжения с ручным сбросом Вход	Управление питанием	Образец и покупка	Нет в наличии
TPS63036	Высокоэффективный одноиндукторный пониженно-повышающий преобразователь с переключателями на 1 А	Пониженно-повышающие и инвертирующие регуляторы	Образец и покупка	Посмотреть комплекты для проектирования и оценочные модули
TPS81256	Integrated Power Solution, модуль повышающего преобразователя мощностью 3 Вт в корпусе MicroSiP ™	Повышающие (повышающие) регуляторы	Образец и покупка	Посмотреть комплекты для проектирования и оценочные модули
TPS82671	Полностью интегрированный модуль понижающего преобразователя на 600 мА на 600 мА в корпусе MicroSiP ™	Понижающие регуляторы	Образец и покупка	Посмотреть комплекты для проектирования и оценочные модули
TXB0106	6-битный двунаправленный преобразователь уровня напряжения с автоматическим определением направления и +/- 15 кВ ESD Protect	Преобразователи уровня напряжения	Образец и покупка	Посмотреть комплекты для проектирования и оценочные модули

Деконволюция гемодинамических ответов по поверхности коры с использованием персонализированной функциональной спектроскопии в ближнем инфракрасном диапазоне

Scholkmann, F. et al. Обзор аппаратуры и методологии непрерывной спектроскопии в ближнем инфракрасном диапазоне и визуализации. NeuroImage 85 (Часть 1), 6–27. https://doi.org/10.1016/j.neuroimage.2013.05.004 (2014).

Артикул PubMed Google Scholar

Koizumi, H. et al. Неинвазивная визуализация функции мозга с помощью оптической топографии. TrAC Trends Anal.Chem. 24 (2), 147–156. https://doi.org/10.1016/j.trac.2004.11.002 (2005).

CAS Статья Google Scholar

Boas, D. A. et al. Визуализация тела с помощью диффузной оптической томографии. Сигнальный процесс IEEE. Mag. 18 (6), 57–75. https://doi.org/10.1109/79.962278 (2001a).

ADS Статья Google Scholar

White, B. R. & Culver, J. P. Фазово-кодируемая ретинотопия как оценка диффузной оптической нейровизуализации. NeuroImage 49 (1), 568–577. https://doi.org/10.1016/j.neuroimage.2009.07.023 (2010a).

Артикул PubMed Google Scholar

Habermehl, C. et al. Соматосенсорную активацию двух пальцев можно различить с помощью диффузной оптической томографии сверхвысокой плотности. NeuroImage 59 (4), 3201–3211.https://doi.org/10.1016/j.neuroimage.2011.11.062 (2012).

Артикул PubMed Google Scholar

Eggebrecht, A. T. et al. Картирование распределенных функций мозга и сетей с помощью диффузной оптической томографии. Нат. Фотоника 8 (6), 448–454. https://doi.org/10.1038/nphoton.2014.107 (2014).

ADS CAS Статья PubMed PubMed Central Google Scholar

Хоши Ю. и Ямада Ю. Обзор диффузной оптической томографии и ее клинических приложений. J. Biomed. Опт. 21 (9), 0

. https://doi.org/10.1117/1.JBO.21.9.0

(2016).

ADS Статья PubMed Google Scholar

Ferradal, S. L. et al. Функциональная визуализация развивающегося мозга у постели больного с помощью диффузной оптической томографии. Cereb. Cortex 26 (4), 1558–1568.https://doi.org/10.1093/cercor/bhu320 (2016).

Артикул PubMed Google Scholar

Арридж С. Р. Методы диффузной оптической визуализации. Philos. Пер. R. Soc. Лондон. Математика. Phys. Англ. Sci. 369 (1955), 4558–4576. https://doi.org/10.1098/rsta.2011.0311 (2011).

ADS MathSciNet Статья МАТЕМАТИКА Google Scholar

10.

Habermehl, C., Steinbrink, J., Müller, K.-R. И Хауфе, С. Оптимизация регуляризации для реконструкции изображений в церебральной диффузной оптической томографии. J. Biomed. Опт. 19 (9), 096006. https://doi.org/10.1117/1.JBO.19.9.096006 (2014).

ADS Статья Google Scholar

11.

Boas, D. A. et al. Точность ближней инфракрасной спектроскопии и визуализации при очаговых изменениях церебральной гемодинамики. Neuroimage 13 (1), 76–90 (2001b).

CAS Статья Google Scholar

12.

Strangman, G., Franceschini, M. A. & Boas, D. A. Факторы, влияющие на точность расчетов концентрации в ближней инфракрасной области спектра для локальных изменений параметров оксигенации. Neuroimage 18 (4), 865–879 (2003).

Артикул Google Scholar

13.

Тиан Ф., Александракис Г. и Лю Х. Оптимизация геометрии зонда для диффузной оптической визуализации мозга на основе плотности измерения и распределения. Прил. Опт. 48 (13), 2496–2504. https://doi.org/10.1364/AO.48.002496 (2009).

ADS Статья PubMed Google Scholar

14.

Уайт, Б. Р. и Калвер, Дж. П. Количественная оценка диффузной оптической томографии высокой плотности: разрешение in vivo и характеристики картирования. J. Biomed. Опт. https://doi.org/10.1117/1.3368999 (2010).

Артикул PubMed PubMed Central Google Scholar

15.

Machado, A., Marcotte, O., Lina, J. M., Kobayashi, E. & Grova, C. Оптимальный монтаж оптодов на электроэнцефалографии / функциональных колпачках для спектроскопии в ближнем инфракрасном диапазоне, предназначенных для изучения эпилептических разрядов. J. Biomed. Опт. 19 (2), 026010. https://doi.org/10.1117/1.JBO.19.2.026010 (2014).

ADS Статья PubMed Google Scholar

16.

Pellegrino, G. et al. Гемодинамический ответ на интериктальные эпилептиформные разряды с помощью персонализированных записей EEG-fNIRS. Фронт. Neurosci. https://doi.org/10.3389/fnins.2016.00102 (2016).

Артикул PubMed PubMed Central Google Scholar

17.

Brigadoi, S., Salvagnin, D., Fischetti, M. & Cooper, R.J. Конструктор массивов: автоматизированный оптимизированный дизайн массива для функциональной ближней инфракрасной спектроскопии. Neurophotonics 5 (3), 035010. https://doi.org/10.1117/1.NPh.5.3.035010 (2018).

Артикул PubMed PubMed Central Google Scholar

18.

Machado, A. et al. Оптимальное расположение оптодов на коже черепа для персонализированных функциональных исследований спектроскопии в ближней инфракрасной области. J. Neurosci. Методы 309 , 91–108. https://doi.org/10.1016/j.jneumeth.2018.08.006 (2018).

CAS Статья PubMed Google Scholar

19.

Rizki, E. E. et al. Определение стороны эпилептического очага при мезиальной височной эпилепсии с использованием длительного неинвазивного мониторинга fNIRS / EEG для дооперационной оценки. Нейрофотоника https://doi.org/10.1117/1.NPh.2.2.025003 (2015).

Артикул PubMed PubMed Central Google Scholar

20.

Так, С. и Й., Дж. К. Статистический анализ данных fNIRS: всесторонний обзор. NeuroImage 85 (Часть 1), 72–91. https://doi.org/10.1016/j.neuroimage.2013.06.016 (2014).

Артикул PubMed Google Scholar

21.

Schroeter, M. L. et al. К стандартному анализу функциональных изображений в ближней инфракрасной области. NeuroImage 21 (1), 283–290. https://doi.org/10.1016/j.neuroimage.2003.09.054 (2004).

Артикул PubMed Google Scholar

22.

Plichta, M., Heinzel, S., Ehlis, A.-C., Pauli, P. & Fallgatter, A. Анализ на основе моделей быстрой функциональной спектроскопии в ближнем инфракрасном диапазоне, связанной с событиями (NIRS) данные: параметрическое валидационное исследование. NeuroImage 35 (2), 625–634. https://doi.org/10.1016 / j.neuroimage.2006.11.028 (2007).

CAS Статья PubMed Google Scholar

23.

Koh, P.H. et al. Функциональный анализ оптических сигналов: программный инструмент для обработки данных спектроскопии в ближней инфракрасной области, включающий статистическое параметрическое картирование. J. Biomed. Опт. https://doi.org/10.1117/1.2804092 (2007).

Артикул PubMed Google Scholar

24.

Ye, J. C., Tak, S., Jang, K. E., Jung, J. & Jang, J. NIRS-SPM: Статистическое параметрическое отображение для ближней инфракрасной спектроскопии. NeuroImage 44 (2), 428–447. https://doi.org/10.1016/j.neuroimage.2008.08.036 (2009).

Артикул PubMed Google Scholar

25.

Machado, A. et al. Обнаружение гемодинамических ответов на эпилептическую активность с использованием одновременной регистрации данных электроэнцефалографии (ЭЭГ) / ближней инфракрасной спектроскопии (NIRS). NeuroImage 56 (1), 114–125. https://doi.org/10.1016/j.neuroimage.2010.12.026 (2011).

CAS Статья PubMed Google Scholar

26.

Lin, Z.-J., Li, L., Cazzell, M. & Liu, H. Объемная диффузная оптическая томография под контролем Атласа, дополненная анализом обобщенных линейных моделей, позволяющая отображать реакции молодых людей на принятие решений о рисках. взрослые люди. Hum Brain Mapp 35 (8), 4249–4266.https://doi.org/10.1002/hbm.22459 (2014).

Артикул PubMed PubMed Central Google Scholar

27.

Тиан Ф. и Лю Х. Диффузная оптическая томография с компенсацией глубины, улучшенная с помощью анализа общей линейной модели и анатомического атласа головы человека. NeuroImage 85 (Часть 1), 166–180. https://doi.org/10.1016/j.neuroimage.2013.07.016 (2014).

Артикул PubMed Google Scholar

28.

Hassanpour, M. S. et al. Статистический анализ диффузной оптической томографии высокой плотности. NeuroImage 85 (Часть 1), 104–116. https://doi.org/10.1016/j.neuroimage.2013.05.105 (2014).

Артикул PubMed Google Scholar

29.

Friston, K. J. et al. ФМРТ, связанная с событием: характеристика дифференциальных ответов. NeuroImage 7 (1), 30–40. https: // doi.org / 10.1006 / nimg.1997.0306 (1998).

CAS Статья PubMed Google Scholar

30.

Гловер, Г. Х. Деконволюция импульсной характеристики в BOLD-фМРТ, связанной с событием. NeuroImage 9 (4), 416–429. https://doi.org/10.1006/nimg.1998.0419 (1999).

CAS Статья PubMed Google Scholar

31.

Huppert, T. J., Hoge, R.D., Diamond, S. G., Franceschini, M. A. & Boas, D. A. Временное сравнение гемодинамических ответов BOLD, ASL и NIRS на двигательные стимулы у взрослых людей. NeuroImage 29 (2), 368–382. https://doi.org/10.1016/j.neuroimage.2005.08.065 (2006).

CAS Статья PubMed Google Scholar

32.

Агирре, Г. К., Заран, Э. и Д’Эспозито, М. Вариабельность человеческих, ЖИРНЫХ гемодинамических ответов. NeuroImage 8 (4), 360–369. https://doi.org/10.1006/nimg.1998.0369 (1998).

CAS Статья PubMed Google Scholar

33.

Miezin, FM, Maccotta, L., Ollinger, JM, Petersen, SE & Buckner, RL Характеристика гемодинамической реакции: влияние частоты представления, процедуры отбора проб и возможности упорядочивания активности мозга на основе относительного времени . NeuroImage 11 (6), 735–759.https://doi.org/10.1006/nimg.2000.0568 (2000).

CAS Статья PubMed Google Scholar

34.

Хандверкер, Д. А., Гонсалес-Кастильо, Дж., Д’Эспозито, М. и Бандеттини, П. А. Постоянная проблема понимания и моделирования гемодинамических вариаций в фМРТ. NeuroImage 62 (2), 1017–1023. https://doi.org/10.1016/j.neuroimage.2012.02.015 (2012).

Артикул PubMed PubMed Central Google Scholar

35.

Jasdzewski, G. et al. Различия в гемодинамической реакции на связанные с событием моторные и зрительные парадигмы, измеренные с помощью спектроскопии в ближнем инфракрасном диапазоне. NeuroImage 20 (1), 479–488. https://doi.org/10.1016/S1053-8119(03)00311-2 (2003).

CAS Статья PubMed Google Scholar

36.

Heinzel, S. et al. Вариабельность (функциональной) гемодинамики, измеренная с одновременным использованием fNIRS и fMRI во время межвременного выбора. NeuroImage 71 , 125–134. https://doi.org/10.1016/j.neuroimage.2012.12.074 (2013).

Артикул PubMed Google Scholar

37.

Yücel, M. A. et al. Специфичность гемодинамических ответов мозга на болезненные раздражители: исследование функциональной ближней инфракрасной спектроскопии. Sci Rep 5 , 9469. https://doi.org/10.1038/srep09469 (2015).

ADS CAS Статья PubMed PubMed Central Google Scholar

38.

Schroeter, M. L., Zysset, S., Kruggel, F. & von Cramon, D. Y. Возрастная зависимость гемодинамического ответа, измеренная с помощью функциональной спектроскопии в ближнем инфракрасном диапазоне. NeuroImage 19 (3), 555–564. https://doi.org/10.1016/S1053-8119(03)00155-1 (2003).

Артикул PubMed Google Scholar

39.

Tak, S. et al. Количественный анализ гемодинамических и метаболических изменений при подкорковой сосудистой деменции с использованием одновременной спектроскопии в ближнем инфракрасном диапазоне и измерений фМРТ. NeuroImage 55 (1), 176–184. https://doi.org/10.1016/j.neuroimage.2010.11.046 (2011).

Артикул PubMed Google Scholar

40.

Aarabi, A., Osharina, V. & Wallois, F. Влияние смешивающих переменных на оценку функции гемодинамического ответа с использованием анализа усреднения и деконволюции: исследование NIRS, связанное с событием. NeuroImage 155 , 25–49. https://doi.org/10.1016/j.Neuroimage.2017.04.048 (2017).

Артикул PubMed Google Scholar

41.

Santosa, H., Fishburn, F., Zhai, X. & Huppert, T. J. Исследование чувствительности-специфичности канонических и основанных на деконволюции линейных моделей в вызванной функциональной ближней инфракрасной спектроскопии. Neurophotonics 6 (2), 025009. https://doi.org/10.1117/1.NPh.6.2.025009 (2019).

CAS Статья PubMed PubMed Central Google Scholar

42.

Хенсон Р. и Фристон К. Глава 14 — Модели свертки для фМРТ. В статистическом параметрическом картировании 178–192 (Academic Press, 2007).

43.

Huppert, T. J., Diamond, S. G., Franceschini, M. A. & Boas, D. A. HomER: Обзор методов анализа временных рядов для ближней инфракрасной спектроскопии мозга. Прил. Опт. 48 (10), D280 – D298 (2009).

ADS Статья Google Scholar

44.

Lina, J., Matteau-Pelletier, C., Dehaes, M., Desjardins, M. & Lesage, F. Оценка гемодинамических ответов при диффузной оптической визуализации на основе вейвлетов. Med. Изображение Анал. 14 (4), 606–616. https://doi.org/10.1016/j.media.2010.04.006 (2010).

CAS Статья PubMed Google Scholar

45.

Peng, K. et al. Использование специфической для пациента функции гемодинамического ответа в анализе эпилептических спайков эпилепсии человека: исследование, основанное на EEG – fNIRS. NeuroImage 126 , 239–255. https://doi.org/10.1016/j.neuroimage.2015.11.045 (2016).

Артикул PubMed Google Scholar

46.

Brigadoi, S. et al. Оценка реконструкции изображения в реальном времени в диффузной оптической томографии с использованием физиологически реалистичных тестовых данных. Biomed. Опт. Экспресс 6 (12), 4719–4737. https://doi.org/10.1364/BOE.6.004719 (2015).

CAS Статья PubMed PubMed Central Google Scholar

47.

Worsley, K. et al. Общий статистический анализ данных фМРТ. NeuroImage 15 (1), 1–15 (2002).

CAS Статья Google Scholar

48.

Mangin, J.-F., Frouin, V., Bloch, I., Régis, J. & López-Krahe, J. От трехмерных магнитно-резонансных изображений до структурных представлений топографии коры с сохранением топологии деформации. J. Math. Imaging Vis. 5 (4), 297–318.https://doi.org/10.1007/BF01250286 (1995).

Артикул Google Scholar

49.

Боас, Д. А., Калвер, Дж. П., Стотт, Дж. Дж. И Данн, А. К. Трехмерный код Монте-Карло для миграции фотонов через сложные гетерогенные среды, включая голову взрослого человека. Опт. Экспресс 10 (3), 159–170. https://doi.org/10.1364/OE.10.000159 (2002).

ADS Статья PubMed Google Scholar

50.

Фанг, К. и Боас, Д. А. Моделирование миграции фотонов в трехмерной мутной среде методом Монте-Карло, ускоренное графическими процессорами. Опт. экспресс 17 (22), 20178–20190 (2009).

ADS CAS Статья Google Scholar

51.

Grova, C. et al. Анатомически обоснованная интерполяция данных фМРТ на кортикальной поверхности. NeuroImage 31 (4), 1475–1486. https: // doi.org / 10.1016 / j.neuroimage.2006.02.049 (2006).

CAS Статья PubMed Google Scholar

52.

Abdelnour, F., Genovese, C. & Huppert, T. Иерархическая байесовская регуляризация реконструкций для диффузной оптической томографии с использованием нескольких априорных значений. Biomed. Опт. Экспресс 1 (4), 1084–1103. https://doi.org/10.1364/BOE.1.001084 (2010).

Артикул PubMed PubMed Central Google Scholar

53.

Хямяляйнен, М. С. и Ильмониеми, Р. Дж. Интерпретация магнитных полей мозга: оценки минимальной нормы. Med. Биол. Англ. Comput. 32 (1), 35–42. https://doi.org/10.1007/BF02512476 (1994).

Артикул PubMed Google Scholar

54.

Friston, K. J. et al. Классический и байесовский вывод в нейровизуализации: Теория. NeuroImage 16 (2), 465–483. https: // doi.org / 10.1006 / nimg.2002.1090 (2002).

CAS Статья PubMed Google Scholar

55.

Hawco, C. S., Bagshaw, A. P., Lu, Y., Dubeau, F. & Gotman, J. ЖИВОЕ изменения происходят до эпилептических всплесков, наблюдаемых на ЭЭГ кожи головы. NeuroImage 35 (4), 1450–1458. https://doi.org/10.1016/j.neuroimage.2006.12.042 (2007).

Артикул PubMed Google Scholar

56.

Rathakrishnan, R., Moeller, F., Levan, P., Dubeau, F. & Gotman, J. BOLD изменения сигнала, предшествующие отрицательным ответам в EEG-fMRI у пациентов с фокальной эпилепсией. Эпилепсия 51 (9), 1837–1845. https://doi.org/10.1111/j.1528-1167.2010.02643.x (2010).

Артикул PubMed PubMed Central Google Scholar

57.

Cohen-Adad, J. et al. Обнаружение активации в диффузном оптическом изображении с помощью общей линейной модели. Med. Изображение Анал. 11 (6), 616–629 (2007).

CAS Статья Google Scholar

58.

Rencher, A. C. & Schaalje, G. B. Множественная регрессия: оценка. В линейных моделях в статистике 137–184 (Wiley, 2007).

59.

Rencher, A. C. & Schaalje, G. B. Множественная регрессия: проверка гипотез и доверительные интервалы. В линейных моделях в статистике 185–225 (Wiley, 2007).

60.

Bullmore, E. et al. Цветной шум и вычислительный вывод в нейрофизиологическом (фМРТ) анализе временных рядов: методы передискретизации во временной и вейвлет-областях. Hum. Brain Mapp. 12 (2), 61–78. 10.1002 / 1097-0193 (200102) 12: 2 \ (<\) 61 :: AID-HBM1004 \ (> \) 3.0.CO; 2-W (2001).

61.

Plichta, M. et al. Связанная с событием функциональная ближняя инфракрасная спектроскопия (fNIRS): надежны ли измерения ?. NeuroImage 31 (1), 116–124.https://doi.org/10.1016/j.neuroimage.2005.12.008 (2006).

CAS Статья PubMed Google Scholar

62.

Friman, O. & Westin, C.-F. Передискретизация временного ряда фМРТ. NeuroImage 25 (3), 859–867. https://doi.org/10.1016/j.neuroimage.2004.11.046 (2005).

Артикул PubMed Google Scholar

63.

Юсель, М.А., Зельб, Дж., Боас, Д. А., Кэш, С. и Купер, Р. Дж. Уменьшение артефактов движения для долгосрочного клинического мониторинга NIRS с использованием оптических волокон на основе призмы, закрепленной коллодием. NeuroImage https://doi.org/10.1016/j.neuroimage.2013.06.054 (2014).

Артикул PubMed PubMed Central Google Scholar

64.

Шолкманн, Ф., Спихтиг, С., Мюлеманн, Т. и Вольф, М. Как обнаруживать и уменьшать артефакты движения при формировании изображений в ближнем инфракрасном диапазоне с использованием скользящего стандартного отклонения и сплайн-интерполяции. Physiol. Измер. 31 (5), 649. https://doi.org/10.1088/0967-3334/31/5/004 (2010).

CAS Статья PubMed Google Scholar

65.

Proulx, S. et al. Повышенная чувствительность быстрой BOLD фМРТ с функцией гемодинамического ответа, специфичной для конкретного пациента, и применение при эпилепсии. NeuroImage 93 (Часть 1), 59–73. https://doi.org/10.1016/j.neuroimage.2014.02.018 (2014).

Артикул PubMed Google Scholar

66.

Wolf, M. et al. Различная временная эволюция изменений концентрации оксигемоглобина и дезоксигемоглобина в зрительной и моторной коре во время функциональной стимуляции: исследование спектроскопии в ближнем инфракрасном диапазоне. Neuroimage 16 (3PA), 704–712 (2002).

Артикул Google Scholar

67.

Грегг, Н. М., Уайт, Б. Р., Зефф, Б. В., Бергер, А. Дж. И Калвер, Дж. П. Специфичность диффузной оптической визуализации для мозга: Улучшения от регрессии поверхностного сигнала и томографии. Фронт. Нейроэнергетика. https://doi.org/10.3389/fnene.2010.00014 (2010).

Артикул Google Scholar

68.

Gagnon, L., Yücel, M. A., Boas, D. A. & Cooper, R.J. Дальнейшее улучшение снижения поверхностного загрязнения в NIRS с использованием измерений двойного короткого разделения. NeuroImage https://doi.org/10.1016/j.neuroimage.2013.01.073 (2014).

69.

Эрдоган, С. Б., Юджел, М. А. и Акын, А. Анализ системного вмешательства, вызванного заданием, в измерениях fNIRS: выводы из fMRI. NeuroImage 87 , 490–504. https://doi.org/10.1016/j.neuroimage.2013.10.024 (2014).

Артикул PubMed Google Scholar

70.

Brigadoi, S. & Cooper, R.J. Насколько коротко значит короткое? Оптимальное расстояние источник-детектор для каналов с коротким разделением в функциональной ближней инфракрасной спектроскопии. Нейрофотоника https://doi.org/10.1117/1.NPh.2.2.025005 (2015).

Артикул PubMed PubMed Central Google Scholar

71.

Huppert, T. J. Комментарий к статистическим свойствам шума и его влиянию на общие линейные модели в функциональной ближней инфракрасной спектроскопии. Нейрофотоника 3 (1), 010401.https://doi.org/10.1117/1.NPh.3.1.010401 (2016).

Артикул PubMed PubMed Central Google Scholar

72.

Баркер, Дж. У., Аараби, А. и Хупперт, Т. Дж. Алгоритм на основе модели авторегрессии для коррекции движения и серийно коррелированных ошибок в fNIRS. Biomed. Опт. Экспресс 4 (8), 1366–1379. https://doi.org/10.1364/BOE.4.001366 (2013).

Артикул PubMed PubMed Central Google Scholar

73.

Фекете Т., Рубин Д., Карлсон Дж. М. и Мухика-Пароди Л. Р. Пакет анализа NIRS: снижение шума и статистический вывод. PLoS ONE 6 (9), e24322. https://doi.org/10.1371/journal.pone.0024322 (2011).

ADS CAS Статья PubMed PubMed Central Google Scholar

74.

Сингх, А. К. и Дэн, И. Изучение уровня ложного обнаружения в многоканальном NIRS. NeuroImage 33 (2), 542–549.https://doi.org/10.1016/j.neuroimage.2006.06.047 (2006).

Артикул PubMed Google Scholar

75.

Goutte, C., Nielsen, F. A. & Hansen, K.H. Моделирование гемодинамического ответа в фМРТ с использованием гладких FIR-фильтров. IEEE Trans. Med. Imaging 19 (12), 1188–1201. https://doi.org/10.1109/42.897811 (2000).

CAS Статья PubMed Google Scholar

76.

Marrelec, G., Benali, H., Ciuciu, P., Pélégrini-Issac, M. & Poline, J.-B. Надежная байесовская оценка функции гемодинамического ответа в связанном с событием BOLD fMRI с использованием базовой физиологической информации. Hum. Brain Mapp. 19 (1), 1–17. https://doi.org/10.1002/hbm.10100 (2003).

Артикул PubMed PubMed Central Google Scholar

77.

Чоудхури, Р. А., Лина, Дж. М., Кобаяши, Э.& Grova, C. Локализация источника MEG пространственно протяженных генераторов эпилептической активности: сравнение энтропийного и иерархического байесовских подходов. PLoS ONE 8 (2), 66. https://doi.org/10.1371/journal.pone.0055969 (2013).

CAS Статья Google Scholar

Термостабильный оптоволоконный кабель NIR —

Стабильность сигнала и низкий уровень шума в дистанционной спектроскопии зависят от волоконной оптики с высокой пропускной способностью.На передачу должны очень мало влиять такие факторы окружающей среды, как температура, вибрация и уровень окружающего освещения. От запатентованной конструкции волокна до высококачественных материалов — волоконно-оптический кабель волноводного спектроскопического класса обеспечивает высочайшую эффективность передачи и долговечность. Для волокна, работающего в ближнем инфракрасном диапазоне, полиимидное покрытие и запатентованный буфер на основе силикона защищают волокно от теплового напряжения.

Стандартный термостойкий оптоволоконный кабель ближнего инфракрасного диапазона имеет жесткую внешнюю оболочку из Tefzel ™ и внутренних нитей Kevlar ™ для прочности.Эта прочная конструкция предотвращает повреждение во время установки.

Недорогие 200-микронные оптоволоконные кабели для электросвязи / бытовой техники не подходят для спектроскопических применений, так как они не могут обеспечить достаточное количество света для детектора. Волоконно-волноводные источники питания волоконно-оптических кабелей 400, 500 и 600 микрон. NIR-O и Clearview db оптически согласованы с размером 500 микрон, так как это лучший компромисс между гибкостью установки и светопропускной способностью.

Производство высокопроизводительного волокна

Волноводный волоконно-оптический кабель ближнего инфракрасного диапазона выполнен из композитного материала сердцевина и оболочка.Сердцевина, нить накала, которая направляет свет, состоит из тонкой нити плавленого кварца с высокой пропускной способностью. Оболочка представляет собой внешний слой из легированного плавленого кварца с более низким показателем преломления. Эта двухслойная конструкция удерживает свет плотно ограниченным центральной сердцевиной волокна, обеспечивая тем самым максимальное количество света на дальнем конце. Диаметр строго контролируется в процессе вытяжки волокна. В результате получается волокно, которое очень хорошо центрируется в разъемах и имеет очень низкий коэффициент потерь на километр.

Фигура 1; Анатомия волноводного оптоволоконного кабеля

Незащищенное кварцевое волокно довольно хрупкое. Для повышения прочности и гибкости волокна в процессе вытяжки его покрывают полиимидным материалом. Затем добавляется еще один защитный слой, насыщенный углеродом буфер из силикона RTV (патент США №5,381,505). Буфер уменьшает рассеянный свет, как внешний рассеянный свет, который «просачивается» через кожух, так и внутренний рассеянный свет или режимы «облицовки». Наконец, мы добавляем внешнюю защитную куртку.Наше «технологическое волокно» — оптоволоконный кабель для работы в суровых условиях окружающей среды или приложений, требующих большой длины кабеля — получает многослойную оболочку из Tefzel ™ и Kevlar ™.

Два вида оптоволоконного кабеля NIR

В настоящее время Guided Wave предлагает два различных типа оптического волокна, оптимизированных для интересующей вас спектральной области. Каждый тип может иметь кожух, как указано выше, и заканчиваться в разъемы типа SMA или FC. Кабели и оптоволокно без оболочки доступны с различными диаметрами жил от 200 мкм до 600 мкм (альтернативы можно узнать у компании Guided Wave).Тип кабеля, который вы выберете, зависит от вашего приложения:

Термостойкое технологическое волокно обеспечивает минимально возможное внутреннее ослабление света. Он подходит для спектроскопии в видимой или ближней инфракрасной области (VIS-NIR). Он особенно эффективен для приложений, требующих повышенной чувствительности в спектральной области около 1385 нм или там, где необходимы очень длинные кабели (до 300 м). Этот кабель эффективен в спектральном диапазоне от 400 нм до 2100 нм.

Лабораторное NIR-волокно , предназначенное для коротких лабораторных испытаний, обычно продается с лабораторным анализатором NIR-O.Это более гибкое NIR-волокно может поставляться в стальной монослойной оболочке с ПВХ-покрытием, стальной бронированной оболочке BX или трубке с застежкой-молнией из ПВХ.

Рисунок 2: Рабочие характеристики волноводного волокна

Варианты обшивки волокна NIR

Технологический волоконно-оптический кабель: Tefzel ™ Kevlar ™
Лабораторный волоконный кабель: стальная моноблочная оболочка с ПВХ-покрытием
Армированный волоконный кабель: стальная броня BX с ПВХ-оболочкой (максимальная длина 150 метров)

Доступные диаметры волокна NIR

200 мкм (максимальная длина 15 метров)
400 мкм
500 мкм
600 мкм

Варианты заделки оптоволокна

SMA 905
FC
Custom (вызов)
Раздвоенный (вызов)
Unterminated

Дополнительные аксессуары

Соединения переборок SMA 905 и FC
Переходник SMA 905 — FC
Комплект для заделки оптоволокна и аксессуары
Калиброванный динамометрический ключ для соединителей SMA 905

Название продукта	Термически стабильный сверхнизкий NIR- ) Волокно для технологической спектроскопии
Длина волны Спектральный диапазон	400-2100 нм
Типичный участок волокна (длина)	от 5 до 250 м
Максимум температуры — неизолированный или армированный (если для заделки используется высокотемпературная эпоксидная смола)	315 ° C
Максимальная температура — оболочка Tefzel (если для заделки используется высокотемпературная эпоксидная смола)	165 ° C
Максимальная температура — ПВХ (если для заделки используется высокотемпературная эпоксидная смола)	105 ° C
Минимальная температура (контактная волна для альтернативы)	-20 ° C
Базовое затухание (без оболочки)	≤ 3 дБ / км при 1550 нм
Разница в затухании (1385 нм — 1550 нм)

Более быстрые и недорогие методы разработки методов калибровки для анализа продуктов ферментации с использованием ближней инфракрасной спектроскопии (NIRS) | Журнал промышленной микробиологии и биотехнологии

Аннотация

Последние инновации в области синтетической биологии, ферментации и разработки процессов сократили время вывода продукта на рынок за счет сокращения времени и трудозатрат на создание штамма.Чтобы идти в ногу с этими нововведениями, требуются более быстрые аналитические методы, но современные методы измерения титров ферментации часто требуют ручного вмешательства и являются медленными, трудоемкими и трудными для масштабирования. Спектроскопические методы, такие как спектроскопия в ближней инфракрасной области (NIR), устраняют этот недостаток; однако методы NIR требуют разработки калибровочной модели, которая часто требует больших затрат и времени. Здесь мы представляем два подхода, которые ускоряют разработку калибровочной модели. Во-первых, обобщенное калибровочное моделирование (GCM) или родственное моделирование, которое сокращает время и стоимость калибровочного моделирования до 50% за счет уменьшения количества требуемых образцов.Вместо построения моделей для конкретных аналитов, GCM объединяет уменьшенное количество спектров от нескольких отдельных аналитов для получения большого пула спектров для обобщенной модели, прогнозирующей все уровни аналитов. Во-вторых, рандомизированное многокомпонентное многомерное моделирование (RMMM) сокращает время моделирования за счет смешивания нескольких аналитов в одну матрицу образца и последующего проведения спектральных измерений. После этого разрабатываются индивидуальные методы калибровки для различных компонентов смеси. Время, сэкономленное за счет использования RMMM, пропорционально количеству компонентов или аналитов в смеси.В сочетании эти два метода эффективно сокращают связанные с этим затраты и время на разработку калибровочной модели в 10 раз.

Введение

В секторе биотехнологий окончательным испытанием нового штамма является его эффективность в емкости для ферментации. Обычно это включает измерения сахара, плотности биомассы и продукта для оценки ключевых показателей производительности, таких как выход и продуктивность (скорость образования продукта). В современной практике анализ образцов ферментации — это медленный и обременительный процесс, при котором образцы собираются, подготавливаются вручную и анализируются с помощью уникальных анализов влажной химии (рис.1). Каждый день можно брать ограниченное количество образцов, что ограничивает временное разрешение в течение периода ферментации. Наборы образцов также часто анализируются партиями, что приводит к значительным задержкам между завершением ферментации и доступностью данных.

Рис. 1

Схема современного метода влажной химии, показывающая его длительное время выполнения, а также традиционный метод индивидуализированной модели NIR. Также показана экономия времени GCM и RMMM.

Фиг.1

Схема текущего метода влажной химии, показывающая его длительное время выполнения, а также традиционный метод индивидуализированной модели NIR. Также показана экономия времени GCM и RMMM.

Поскольку производительность ферментационного сосуда имеет решающее значение для развития штамма, существует необходимость в разработке быстрых, точных и неразрушающих аналитических методов, включающих небольшую пробоподготовку или ее отсутствие, которые ускорят измерения ферментации и уменьшат трудозатраты. Быстрые методы, работающие в режиме реального времени, сокращают время анализа ферментации на 75–90% за счет устранения почти всех требований ежедневного отбора проб и повышения качества решений, позволяя биологам и инженерам-технологам получать полезную информацию по минутам или часам -часовые метаболические характеристики штаммов (Cozzolino et al., 2006). Эти данные в реальном времени приведут к дальнейшему сокращению ежедневного отбора проб, поскольку критические параметры отслеживаются и понимаются. Выборка станет более стратегической и будет использоваться либо для подтверждающих целей, либо для поддержания и улучшения модели.

Среди различных методов, которые исследуются и разрабатываются, спектроскопия в ближней инфракрасной области (NIR) является в этом отношении на первом месте. БИК-спектроскопия — это метод неразрушающего измерения, который нашел применение во многих отраслях промышленности, включая фармацевтическую, нефтехимическую и пищевую (Prajapati et al., 2016; Риэль и др., 2002; Райли и др., 1999, 2001; Roggo et al., 2007). Колебания в ближнем ИК-диапазоне наблюдаются как обертоны или комбинированные полосы основных полос среднего ИК-диапазона. NIR, в сочетании с хемометрическими инструментами, включая частичный метод наименьших квадратов (PLS) и анализ главных компонентов, а также в сочетании с методами математической предварительной обработки или спектрального кондиционирования, такими как первая и вторая производные, стандартная нормальная вариация (SNV) и коррекция мультипликативного рассеяния (MSC) , создает мощные методы, которые позволяют как качественное ранжирование штаммов (Cozzolino et al., 2006) и количественное определение продуктов и промежуточных концентраций (Roggo et al., 2007). История, теория и принципы NIR хорошо описаны (Bec & Huck, 2019; Burns & Ciurczak, 2007; Davis, 2017; Williams, 2019). Для определения качества моделей калибровки NIR используется несколько показателей, в том числе:

Коэффициент детерминации (R ²) : мера вариации калибровочных образцов, описываемая моделью.Он также измеряет силу корреляции между измерением NIR и эталонным методом.
Рейтинг : модели калибровки NIR создаются путем уменьшения размеров сложных спектров NIR, а модели калибровки выбираются частично на основе количества рангов (также известных как факторы или главные компоненты), необходимых для точного описания данные.
Остаточное отклонение предсказания (RPD) : отношение стандартного отклонения к стандартной ошибке предсказания, мера предсказательной силы модели.
Среднеквадратичная ошибка перекрестной проверки или прогнозирования (RMSECV или RMSEP) : мера ошибки в моделях NIR.
Смещение перехвата : мера постоянного смещения в модели.

NIR превратился в рабочую лошадку методологии и практики процессно-аналитических технологий, что нашло отражение в огромных инвестициях, которые фармацевтические компании сделали, чтобы соответствовать как FDA, так и руководящим принципам Европейского Союза по внедрению NIR (European Medicines Agency, 2012 ; U.Управление по санитарному надзору за качеством пищевых продуктов и медикаментов США, 2004 г .; Whitford & Julien, 2008).

Отсутствие подготовки образца и быстрое время анализа в миллисекундной шкале времени (Card et al., 2008) — два преимущества использования NIR. Неразрушающий характер измерения NIR означает, что целостность образца сохраняется, что позволяет проводить измерения в исходном состоянии образца (Li et al., 2020). Именно отсутствие пробоподготовки делает возможными измерения в реальном времени, и основная причина, по которой NIR является привлекательным способом измерения в фармацевтическом и химическом производстве, где в производственные процессы в реальном времени вносятся корректировки для поддержания постоянства качества продукции (Vann & Шеппард, 2017).Еще одна примечательная особенность NIR — возможность измерять несколько компонентов за одно спектральное сканирование. Больше не требуется подготовка нескольких образцов для нескольких анализов, что позволяет экономить время и ресурсы.

С годами использование NIR в операциях ферментации (Cervera et al., 2009; Tosi et al., 2003) неуклонно увеличивалось, хотя и более медленными темпами, чем ожидалось, и тем более в критической области штамма. разработка или скрининг штаммов (Cozzolino et al., 2006; Saha & Jackson, 2017), где матрицы бульонов постоянно меняются по мере улучшения штаммов и методов управления ферментацией.Другой проблемой является большое количество образцов, необходимых для разработки калибровочных моделей, поскольку модель должна отражать все переменные, параметры и условия, которые описывают процесс ферментации. Это делает первоначальную разработку модели калибровки NIR дорогостоящей и трудоемкой. В этом исследовании мы решаем некоторые из этих проблем с помощью инновационных методов построения моделей, которые ускоряют темп моделирования калибровки NIR. Уменьшая препятствия на пути разработки модели калибровки NIR, потенциал NIR в процессе ферментации может быть реализован за счет (1) значительного снижения потребности в ежедневном сборе и подготовке образцов, (2) сокращения времени анализа и (3) увеличения плотности информации. , давая критическую и полезную информацию о деформациях и характеристиках.

Разработка модели калибровки ближнего ИК-диапазона по самой своей природе является автономной деятельностью. Представленные здесь данные и обсуждение были созданы в автономном режиме; однако после проверки методы NIR можно без проблем передавать и использовать для мониторинга процессов ферментации в реальном времени.

Развитие калибровочной модели: два новых метода калибровки

Разработка калибровочной модели — это, пожалуй, самый важный аспект применения измерения титра NIR при ферментации.Однако разработка хороших, эффективных и высокопроизводительных калибровочных моделей может быть довольно дорогостоящим мероприятием. При разработке штаммов и процессов ферментации требуется отбор образцов из процессов, которые часто являются сложными и различаются по сырью, штамму и рабочим процессам. Построение новых моделей для каждой новой разработанной молекулы или штамма со временем приводит к огромным совокупным затратам.

Метод обобщенного калибровочного моделирования (GCM) или родственное моделирование : Преобладающая практика во многих отраслях при разработке моделей калибровки NIR заключается в создании одной модели для каждого аналита в стабильных, четко определенных и охарактеризованных системах (Cozzolino et al. al., 2006; Мононо и др., 2012). В этом исследовании мы продемонстрировали, что можем улучшить эту практику, используя GCM, также известное как родственное моделирование, которое позволяет сократить количество данных, необходимых для построения калибровочной модели, до 50%. Обобщаемость модели направлена на разработку единой модели, которую можно использовать для связанной молекулы в химическом классе (химические братья и сестры). ГХМ могут использоваться для широкого круга аналитов со схожими функциональными группами или другими структурными атрибутами (отсюда и название «родственные братья»).Принцип обобщения заключается в том, что если группа молекул или аналитов имеет сходные структурные функциональные возможности ядра, единая модель может быть построена из уменьшенного количества образцов от каждой молекулы в группе в более крупный пул образцов, представляющих общие сходства и уникальные различия. среди всех аналитов. Используя одну из молекул в группе в качестве основного аналита, мы можем построить обобщенную модель для группы, начав с минимального количества образцов для основного анализируемого вещества, а затем добавив уменьшенное количество образцов для других химических братьев и сестер данного химического вещества. группа.В качестве примера предположим, что мы должны построить GCM для группы спиртов, включая этиленгликоль, 1,2-пропандиол, 1,3-пропандиол и 1-пропанол. Мы можем построить хорошую модель этиленгликоля примерно с 40 образцами, а затем, добавив примерно 20 образцов каждого из 1,2-пропандиола, 1,3-пропандиола и 1-пропанола, мы можем расширить эту модель, чтобы она стала одной калибровочной моделью, которая обобщается по всей группе. Вместо создания 4 отдельных калибровочных моделей по 40 образцов в каждой (всего 160 образцов) мы получаем одну ГХМ аналогичного качества с использованием всего 100 образцов, что на 37% меньше.
Метод рандомизированного многокомпонентного многомерного моделирования (RMMM) : Ограничение обобщенного модельного подхода состоит в том, что он требует, чтобы аналиты имели общие структурные или функциональные особенности (химические братья и сестры), чтобы они имели близкие частоты колебаний БИК или есть некоторые перекрывающиеся полосы частот NIR. Когда обобщение невозможно, мы использовали многокомпонентные измерения (Monono et al., 2012; Quentin et al., 2017; Riley et al., 1997, 2001) для разработки моделей калибровки для нескольких аналитов или молекул одновременно.Здесь, поскольку спектр многокомпонентной смеси представляет собой взвешенную по концентрации линейную комбинацию спектров отдельных компонентов в смеси, многомерная статистика используется для разработки индивидуальных моделей из спектров смеси. Таким образом, вместо того, чтобы проводить несколько отдельных спектральных измерений для каждого аналита отдельно, проводится одно спектральное измерение смеси, а затем используются хемометрические методы для разработки калибровочных моделей для отдельных аналитов. Для того чтобы это было возможно, должны быть выполнены два условия:

Аналиты в смесях не должны химически реагировать друг с другом или с матрицей; они должны оставаться и сохранять свою индивидуальную идентичность в смеси и не вступать в реакцию с образованием новых соединений.
Либо используемые смеси должны быть разработаны таким образом, чтобы корреляция между концентрациями каждой пары аналитов была равна нулю или очень близка к нулю, либо, если некоррелированные смеси недоступны, должны использоваться разные спектральные области.

В этом исследовании аналиты были специально сгруппированы в нереактивные наборы, затем концентрации аналитов в смесях образцов были рандомизированы (дополнительный рисунок A) с помощью генератора случайных чисел.

Материалы и методы

Анализатор и зонд

Спектры

NIR были получены с использованием спектрометра Bruker Matrix-F и специального зонда для трансфекции IN271. Материал зонда — нержавеющая сталь 1.4404 (316 л) с сапфировым окном. Длина оптического пути зонда составляла 2 мм с прорезью 1 мм, с присоединенным пучком волоконной оптики длиной 3 м с семью кварцевыми световодами с низким ОН (диаметр сердцевины 600 мкм), оканчивающимися двумя коннекторами SMA-905, с уплотнительным кольцом Kalrez 6375 .Корпус зонда имел диаметр 15 мм с электрополированной обработанной поверхностью. Глубина погружения корпуса зонда составляла 220 мм с заглушкой для автоклавирования. Зонд и корпус рассчитаны на диапазон температур от –50 ° C до 1400 ° C с максимальным давлением 5 бар.

Метод моделирования обобщенной калибровки

В этом исследовании мы представляем одну GCM для группы органических кислот и вторую для терпенов. Янтарная, винная, адипиновая и глутаровая кислоты составляли органические кислоты, а фарнезен и α-бисаболол составляли терпеновую группу (дополнительный рис.Б). В группе органических кислот аналиты добавляли в ферментационный бульон наивного штамма Saccharomyces cerevisiae для имитации продукции, в то время как в группе терпенов α-бисаболол и фарнезен продуцировались in situ сконструированными штаммами.

Обобщенная модель органических кислот

Концентрации образцов для органических кислот были рассчитаны после того, как анализируемые вещества были добавлены в 50 мл ферментационного бульона из шести ферментеров. Янтарная кислота чистотой 99%, глутаровая кислота чистотой 99%, адипиновая кислота 99.Использовали чистоту 5% и винную кислоту 99,5%, все они были получены от Sigma Aldrich, Сент-Луис, Миссури. Аликвоты добавляли к бульону по массе для достижения расчетных концентраций 0–4 М. Глутаровая кислота была обозначена в качестве основного аналита с 30 образцами с добавками. Для каждого из других аналитов в группе было создано пять образцов с добавками.

Ферментация длилась 5 дней, и ежедневные спектры образцов ферментации с добавками были сняты для моделирования роста и продукции этих аналитов при ферментации.Все спектры были объединены в хемометрическом программном обеспечении Bruker Opus, и регрессия PLS вместе с предварительной математической обработкой первой производной была использована для создания единой ГХМ органической кислоты. Измерения в ближнем ИК-диапазоне собирали в автономном режиме с измеренным бульоном в 100 мл флаконе со средой и добавлением органических кислот. Для перемешивания бульона использовали магнитную мешалку как для правильного перемешивания, так и для поддержания гомогенности бульона во время сбора спектров. Бутылки со средой, содержащие бульон с добавлением аналитов, помещали на перемешивающую пластину и перемешивали при 2000 об / мин, пока получали спектры NIR.

Терпен (α-бисаболол / фарнезен) Обобщенная модель

Обобщенная модель была дополнительно протестирована с использованием реальных производственных (уменьшенных в масштабе производства) ферментеров, производящих фарнезен и α-бисаболол независимо. Здесь использовали десять 2-литровых ферментеров, содержащих штамм, продуцирующий фарнезен, и двадцать 2-литровых ферментеров, содержащих штамм, продуцирующий α-бисаболол. Для разработки калибровочной модели использовали спектры NIR 250 образцов бульона α-бисаболола за 13 дней ферментации и 114 образцов бульона фарнезена за 11 дней.Спектры дополнительных 60 образцов фарнезена, взятых из другого набора из 10 ферментеров в течение 6 дней, были использованы для проверки предсказательной силы терпеновой GCM. Обобщенная модель терпена была дополнительно подвергнута тестированию с использованием ее для прогнозирования концентраций α-бисаболола в 10 образцах, взятых из экспериментального ферментера объемом 300 л.

Как и при измерении органических кислот, спектры NIR были сняты для 50 мл проб бульона α-бисаболола и фарнезена, помещая магнитную мешалку в бутыль со средой, помещая ее на перемешивающую пластину и погружая датчик трансфекции NIR в образец до тех пор, пока бульон не покроет окно зонда.

Рандомизированное многокомпонентное многомерное моделирование

Здесь были отобраны шесть аналитов, охватывающих химический класс и биологическое разнообразие. Они были сгруппированы в две группы по химической совместимости с реакционной способностью, при этом члены группы не вступали в реакцию с образованием нового соединения. Кадаверин, 2-фенилэтанол и α-бисаболол составляли группу A, а сквален, d-лимонен и олеиновая кислота составляли группу B. Для группы A использовали инженерный штамм дрожжей, продуцирующий α-бисаболол, а бульон из непроцессированного S.cerevisiae использовали для группы B. Десять ферментеров использовали для группы A, тогда как в группе B было 12 ферментеров. Ферментация длилась 10 дней в периодическом режиме с подпиткой. Аналиты были приобретены в Sigma-Aldrich, Сент-Луис, Миссури. Члены групп A и B имеют следующую чистоту: олеиновая кислота 90%, лимонен 97%, сквален 98%, кадаверин 95% и 2-фенилэтанол 99%, и все они были в жидкой форме. -Бисаболол получали путем ферментации с использованием сконструированного штамма дрожжей, и концентрацию определяли с помощью газовой хроматографии, как описано ниже.Концентрацию всех оставшихся аналитов рассчитывали гравиметрически после того, как их аликвотировали непосредственно в ферментационный бульон.

Сосуд для измерения проб и принадлежности для смешивания

Для RMMM использовалась другая стратегия смешивания, чем для GCMM. Вместо бутыли со средой с мешалкой мы использовали рабочую станцию IKA Ultra-Turrax Tube Drive P (идент. № 0025005836) и чашу для смешивания объемом 50 мл, как показано на рис. C (дополнительный материал).Эта установка позволяла непрерывное смешивание во время регистрации спектров. Скорость привода Ultra-Turrax Tube Drive была установлена на 2000 об / мин, чтобы она соответствовала скорости магнитной мешалки.

Регистрация спектра в ближнем ИК-диапазоне (GCM и RMMM)

Отмеряли ферментационный бульон (50 мл) в бутыль со средой (GCM) и пробирку IKA (RMMM), и добавляли различное количество аналита. При скорости перемешивания, установленной на 2000 об / мин, образец перемешивали в течение примерно 2 минут, затем зонд NIR опускали в чашу для смешивания и снимали спектры.Несколько типичных спектров ферментационного бульона NIR, содержащих как добавленные аналиты, так и упомянутые выше продукты ферментации, снятые спектрометром Bruker Matrix-F, показаны на рисунке D (дополнительный материал).

Анализ газовой хроматографии

Определение титров фарнезена и α-бисаболола в бульоне проводили с использованием газовой хроматографии с пламенно-ионизационным детектированием (GC-FID).

Фарнезен : образец бульона фарнезена объемом 10 мл помещали в стеклянный флакон на 20 мл и хорошо перемешивали.0,5 мл переносили в тарированную стеклянную пробирку на 20 мл и записывали вес. К бульону добавляли 18 миллилитров смеси 90: 10: 0,25 метанол: бутоксиэтанол: тетрадекан и регистрировали общую массу бульона, экстракционного реагента и флакона. Экстракты тщательно перемешивали и оставляли на 15 мин, позволяя твердым частицам осесть. Сто микролитров супернатанта переносили во флакон для GC-FID и разбавляли 900 мкл этилацетата. Инъекции в трех повторах проводили с использованием импульсной раздельной инжекции на колонку Agilent J&W DB-1MS-LTM (метилсиликон, 10 м × 0.Толщина пленки 10 мм × 0,10 мкм). Вход GC-FID был разделенным / без разделения с соотношением деления 108: 1 с давлением импульса впрыска 75 фунтов на квадратный дюйм и разделенным потоком 70,2 мл / мин в течение 0,15 мин. Температура на входе составляла 300 ° C, при постоянном давлении 59,7 фунтов на квадратный дюйм, с водородом в качестве газа-носителя. Температура печи GC-FID была первоначально установлена на 100 ° C в течение 0,15 мин, затем повышалась до 175 ° C со скоростью 15 ° C / мин, пока не достигала конечной температуры 320 ° C, в течение всего времени работы 5,5 мин. Титр фарнезена рассчитывали с использованием тетрадекана в качестве внутреннего стандарта и выражали в граммах на килограмм (г / кг) бульона.

α-бисаболол : Что касается фарнезена, 10 мл бульона α-бисаболола отбирали в сцинтилляционный флакон на 20 мл и хорошо перемешивали. Образец бульона объемом двести пятьдесят микролитров разделяли на аликвоты при перемешивании и переносили во второй сосуд. Регистрировали вес флакона с образцом, добавляли 15 мл смеси метанол: этилацетат: гексадекан в соотношении 1400: 1200: 2,5 и повторно взвешивали флакон. Образцы встряхивали в течение 120 с, затем оставляли на 30 мин или до полного осаждения твердых частиц и прозрачности супернатанта.Надосадочная жидкость объемом 500 мкл переносилась во флакон для GC-FID и разбавлялась 500 мкл этилацетата. Один микролитр вводили во впускное отверстие, настроенное на температуру 275 ° C, с коэффициентом деления 50: 1 и повышенным давлением 75 фунтов на квадратный дюйм в течение 0,2 мин. сразу после инъекции. Разделение выполняли на колонке Agilent HP-1 (толщина пленки 10 м × 0,10 мм × 0,10 мкм) с использованием водорода при постоянном давлении 65 фунтов на квадратный дюйм. После инъекции температура печи поддерживалась на уровне 140 ° C в течение 0,1 мин, затем увеличивалась до 240 ° C со скоростью 25 ° C / мин, затем до 300 ° C со скоростью 30 ° C / мин, затем до 320 ° C при 20 ° C / мин и, наконец, выдерживали при 320 ° C в течение 0.5 мин. Температура детектора составляла 325 ° C, потоки водорода, воздуха и подпиточного газа (азот) составляли 30, 360 и 45 мл / мин соответственно.

Результаты / Обсуждение

Обобщенный метод моделирования калибровки

Глутаровая кислота использовалась в качестве основного аналита для метода ГХМ, при этом в течение 5 дней ферментации отбиралось 30 образцов в день. Каждый день модель дополнялась добавлением винной, янтарной и адипиновой кислот в пяти уровнях концентрации в один образец бульона.Полученные 225 образцов составили калибровочный набор.

Индивидуальные модели для каждой кислоты показаны на рис. 2 (a – d). В таблице 1 показаны спектральная область и математическая предварительная обработка, использованная для каждой модели, а также показатели качества модели, включая коэффициент корреляции ( R ²), ранг, RMSECV и RPD. В каждом случае использовался метод перекрестной проверки с исключением по одному. Хотя концентрации винной, янтарной и адипиновой кислот, добавляемых в индивидуальный бульон, были одинаковыми ежедневно, мы пришли к калибровочным моделям, оптимизированным для каждого аналита, с использованием различных параметров моделирования, таких как спектральная область, предварительная математическая обработка и ранг.Хотя графики калибровочной регрессии выглядят одинаково с высокими значениями R ², в таблице 1 также показаны области перекрывающихся спектральных областей и математической предварительной обработки, которые использовались и использовались при построении обобщенной модели для объединенных аналитов.

Рис. 2

Калибровочные модели для отдельных органических кислот. Этот метод индивидуализированной модели является традиционным способом разработки модели NIR.

Рис. 2

Калибровочные модели для отдельных органических кислот.Этот метод индивидуализированной модели является традиционным способом разработки модели NIR.

Таблица 1. Параметры калибровочной модели

и показатели качества для отдельных моделей органических кислот и обобщенной модели

000000000000000000000 –4242

Название .	Рейтинг .	р ² .	RMSECV (M) .	Спектральный диапазон (см ^–1) .	Предварительная математическая подготовка .	RPD .
Глутаровая кислота	6	0,9984	0,0045	6348–5315	SNV	24,7
			Первая производная + SNV	25,4
Янтарная кислота	5	0.9954	0,0072	8458–7498, 6101–5446	SNV	15
Адипиновая кислота	5	0,9676	0,017			–7000	–7000 Обобщенная модель	11	0.9915	0,0103	9403–5446	Первая производная	10,8

000000 8454 845

Имя .	Рейтинг .	р ² .	RMSECV (M) .	Спектральный диапазон (см ^–1) .	Предварительная математическая подготовка .	RPD .
Глутаровая кислота	6	0,9984	0,0045	6348–5315	SNV	24,7
80005		9984	0,0035	7505–6796, 4428–4242	Первая производная + SNV	25,4
Янтарная кислота	5	0,9954	0,0072 05	15
Адипиновая кислота	5	0,9676	0,017	9403–7498	Первая производная	5,59
Обобщенная модель	11 9000.9915	0,0103	9403–5446	Первая производная	10,8

Таблица 1. Параметры калибровочной модели

и показатели качества для отдельных моделей органических кислот и обобщенной модели

000000000000000000000 –4242

Название .	Рейтинг .	р ² .	RMSECV (M) .	Спектральный диапазон (см ^–1) .	Предварительная математическая подготовка .	RPD .
Глутаровая кислота	6	0,9984	0,0045	6348–5315	SNV	24,7
			Первая производная + SNV	25,4
Янтарная кислота	5	0.9954	0,0072	8458–7498, 6101–5446	SNV	15
Адипиновая кислота	5	0,9676	0,017			–7000	–7000 Обобщенная модель	11	0.9915	0,0103	9403–5446	Первая производная	10,8

000000 8454 845

Имя .	Рейтинг .	р ² .	RMSECV (M) .	Спектральный диапазон (см ^–1) .	Предварительная математическая подготовка .	RPD .
Глутаровая кислота	6	0,9984	0,0045	6348–5315	SNV	24,7
80005		9984	0,0035	7505–6796, 4428–4242	Первая производная + SNV	25,4
Янтарная кислота	5	0,9954	0,0072 05	15
Адипиновая кислота	5	0,9676	0,017	9403–7498	Первая производная	5,59
Обобщенная модель	11 9000.9915	0,0103	9403–5446	Первая производная	10,8

В каждом случае R ² корреляции между концентрациями, измеренными NIR, и расчетной эталонной концентрацией было больше 0,96, что означает модели, разработанные для отдельных молекул, описывают более 96% изменения концентрации в наборе калибровочных образцов. Используемый ранг варьировался от 5 до 8, что хорошо для сложной системы, такой как ферментационный бульон, который изменяет матрицу по мере роста клеток, потребления сахара и питательных веществ и производства продуктов.И используемый ранг, и R ² этих калибровок согласуются с предыдущими отчетами. Card et al. (2008) сообщили о коэффициентах корреляции от 0,926 до 0,995 и ранжировании от 3 до 7 для культуры млекопитающих, которая в основном вырабатывала глюкозу, лактат и глутамин, в то время как Riley et al. (1997) сообщили о рангах от 4 до 8 для процесса с подпиткой. Cervera et al. (2009) опубликовали подробную обзорную статью, в которой они объединили спектральные области, математическую предварительную обработку, R ², ранг и ошибки в культуре клеток и ферментации для различных типов соединений, и наше исследование, похоже, согласуется с ценности, которые они составили.

Когда спектры образцов калибровочного набора были объединены для разработки обобщенной модели, мы получили очень хорошую модель, очень похожую на индивидуализированные модели (рис. 3a). GCM R ² из 0,9915 показывает, что модель описывает более 99% изменения концентрации в калибровочном наборе. Используемый ранг намного выше, чем у любой из вышеперечисленных моделей (таблица 1), но все же согласуется с литературными данными, хотя и для гораздо более простых систем (Cervera et al., 2009).Этого следовало ожидать, поскольку у нас более сложная система выборок, и для адекватного описания новой системы выборок потребуется более высокий ранг. Широкая спектральная область, используемая в обобщенной модели (9403–5446 см, ^–1), также указывает на необходимость сбора большего количества информации в GCM, чем в отдельных моделях. Хотя ведутся споры о том, какой уровень или значение RPD является наиболее полезным (Cozzolino & Moron, 2006; Camacho-Tamayo et al., 2014; Saeys et al., 2005; Tenhunen et al., 1994), общепризнано, что RPD более 4 свидетельствует о хорошей предсказательной способности.RPD 10,8, рассчитанная для GCM, является убедительным указанием на то, что его можно использовать для прогнозирования любой из кислот в группе в пределах указанного диапазона.

Рис. 3

Спектры ГХМ органических кислот, объединяющие образцы, содержащие отдельные органические кислоты, показаны на (а). ГХМ органической кислоты с глутаровой, винной и адипиновой кислотами показана на (b). Модель (b) использовалась для прогнозирования концентраций янтарной кислоты, которая не была включена в ее калибровочный набор.График регрессии (c) показывает хорошую корреляцию между измеренными и прогнозируемыми концентрациями янтарной кислоты.

Рис. 3

Спектры ГХМ органических кислот, объединяющие образцы, содержащие отдельные органические кислоты, показаны на (а). ГХМ органической кислоты с глутаровой, винной и адипиновой кислотами показана на (b). Модель (b) использовалась для прогнозирования концентраций янтарной кислоты, которая не была включена в ее калибровочный набор. График регрессии (c) показывает хорошую корреляцию между измеренными и прогнозируемыми концентрациями янтарной кислоты.

Показав, что предсказательная сила обобщенной модели такая же хорошая, как и у отдельных моделей, теперь мы можем продемонстрировать одно из преимуществ этого метода, когда он используется для измерения других аналитов, которые входят в класс, но не использовались. на этапе разработки модели. В качестве примера мы построили другую обобщенную модель органических кислот, на этот раз только с глутаровой, винной и адипиновой кислотами (рис. 3b), и использовали ее для прогнозирования повышенных концентраций янтарной кислоты. Как показано на рис.3c, прогнозируемые NIR концентрации янтарной кислоты сильно коррелировали с расчетными концентрациями и были статистически эквивалентны в пределах 5% расчетной концентрации янтарной кислоты с использованием двух односторонних тестов t (TOST, анализ не показан).

Чтобы дополнительно продемонстрировать мощность и применимость GCMM, мы также проверили предсказательную силу GCM, построенного с использованием двух наших продуктов, α-бисаболола и фарнезена. Были построены индивидуальные модели для фарнезена и α-бисаболола, и их спектры впоследствии были объединены для построения обобщенной модели терпена.Двести пятьдесят образцов α-бисаболола были использованы для разработки модели только α-бисаболола, 115 образцов фарнезена были использованы для модели только фарнезена, затем все 365 спектров были объединены в обобщенной модели терпена. Индивидуальные калибровочные модели для α-бисаболола и фарнезена показаны на рис. 4 (а, б). Каждый имел R ² более 0,99, с рангами 8 и 7 и RPD 11,8 и 31,3 соответственно, что указывает на высокий уровень предсказуемости. Чрезвычайно высокое значение RPD модели фарнезена, возможно, связано с очень хорошо разработанным и охарактеризованным методом анализа фарнезена с помощью GC-FID, который используется в нашей лаборатории.Таблица 2 показывает сводку параметров модели. Как и в случае обобщенной модели органической кислоты, для отдельных моделей использовались различные спектральные диапазоны и математическая предварительная обработка. Различные спектральные области и математическая предварительная обработка отражают уникальность каждой модели, в то время как области спектрального перекрытия демонстрируют общие черты, которые использовались при разработке обобщенной модели. Обобщенная модель, объединяющая спектры α-бисаболола и фарнезена, имела R ² из 0.9958, что указывает на то, что модель описывает более 99% совокупной популяции образцов α-бисаболола и фарнезена, использованных для построения модели. Так же, как и в обобщенной модели органических кислот, в терпеновой GCM использовалась как общая спектральная область, так и математическая предварительная обработка отдельных моделей.

Рис. 4

Отдельные модели α-бисаболола и фарнезена показаны на (а) и (б). ГХМ терпена из комбинации спектров, взятых из образцов, содержащих α-бисаболол и фарнезен (c), показывает модель, которая так же хороша, как и две отдельные модели.Диапазон калибровки фарнезена был выше, чем у α-бисаболола, и объединение обоих аналитов в терпеновую GCM позволило расширить диапазон α-бисаболола. (d) сравнивает концентрации α-бисаболола в наборе образцов, полученных в пилотном масштабе, предсказанные терпеновой GCM, полученной из образцов лабораторного масштаба.

Рис. 4

Отдельные модели α-бисаболола и фарнезена показаны на (a) и (b). ГХМ терпена из комбинации спектров, взятых из образцов, содержащих α-бисаболол и фарнезен (c), показывает модель, которая так же хороша, как и две отдельные модели.Диапазон калибровки фарнезена был выше, чем у α-бисаболола, и объединение обоих аналитов в терпеновую GCM позволило расширить диапазон α-бисаболола. (d) сравнивает концентрации α-бисаболола в наборе образцов, полученных в пилотном масштабе, предсказанные терпеновой GCM, полученной из образцов лабораторного масштаба.

Таблица 2. Параметры калибровочной модели

и показатели качества отдельных моделей α-бисаболола и фарнезена, а также Terpene GCM

15,4

Название .	Рейтинг .	р ² .	RMSECV (г / кг) .	Спектральный диапазон (см ^–1) .	Предварительная математическая подготовка .	RPD .
α-Бисаболол	9	0,9929	2,240	8454–7498, 6102–5446	Первая производная + SNV	11.8
Фарнезен	7	0,9990	1,310	7506–6094	SNV	31,3
Терпены	15

0004

Имя .	Рейтинг .	р ² .	RMSECV (г / кг) .	Спектральный диапазон (см ^–1) .	Предварительная математическая подготовка .	RPD .
α-Бисаболол	9	0,9929	2,240	8454–7498, 6102–5446	Первая производная + SNV	11,8

	7506–6094	SNV	31.3
Терпены	15	0,9958	2,090	7506–5446	SNV	15,4

Таблица 2. Параметры калибровки

и параметры модели BARNEABOL и показатели качества индивидуальной модели α-Farseol Терпен GCM

0004

Название .	Рейтинг .	р ² .	RMSECV (г / кг) .	Спектральный диапазон (см ^–1) .	Предварительная математическая подготовка .	RPD .
α-Бисаболол	9	0,9929	2,240	8454–7498, 6102–5446	Первая производная + SNV	11,8

	7506–6094	SNV	31.3
Терпены	15	0,9958	2,090	7506–5446	SNV	15,4

9004

Имя .	Рейтинг .	р ² .	RMSECV (г / кг) .	Спектральный диапазон (см ^–1) .	Предварительная математическая подготовка .	RPD .
α-бисаболол	9	0,9929	2,240	8454–7498, 6102–5446	Первая производная + SNV	11,8
	7506–6094	SNV	31,3
Терпены	15	0,9958	2,090	7506–5446	SNV	15.4

Обобщенная модель калибровки терпена на основе комбинированных спектров измерения α-бисаболола и фарнезена показана на рис. 4c. Интересной особенностью обобщенной модели терпена и всех обобщенных моделей является возможность расширения диапазона количественной оценки модели, такого как диапазон титров в текущем исследовании, для любого члена группы. По мере конструирования и разработки новых штаммов, улучшения измеряются или фиксируются в таких критических параметрах, как титр, урожайность и продуктивность.Обобщенная модель терпена показывает, что ее можно использовать для измерения α-бисаболола с титрами до примерно 150 г / кг, помимо максимума модели только для α-бисаболола, составляющего около 120 г / кг, без получения новых образцов α-бисаболола выше 120. г / кг. Это снижает стоимость разработки и сроки, так как у нас есть готовый к использованию метод, который можно использовать до тех пор, пока штаммы α-бисаболола не будут производить больше продукта, чем диапазон титров фарнезена 150 г / кг. Другой важной особенностью метода обобщенной модели и основным требованием к ее эффективности является то, что члены должны иметь перекрывающиеся диапазоны концентраций.Эта характеристика перекрытия имеет решающее значение для построения хорошей обобщенной модели, а также для обеспечения ее производительности. После установления области перекрытия один или два компонента можно затем использовать для расширения общего диапазона калибровки, который теперь можно применять ко всем членам в группе или другим молекулам, которые имеют схожие характеристики. Это продемонстрировано как для органических кислот, так и для терпеновых GCM (см. Рис. 3a, b и 4c). Для терпеновой GCM перекрывающаяся область составляет 1–120 г / кг, как показано, в то время как для GCM органической кислоты это был весь диапазон калибровки (0–0.4 М). Эти области выступают в качестве основы, которая дает возможность расширения диапазона калибровки в будущем по мере добавления новых образцов, что делает GCMM очень мощным.

Прогнозирующая способность терпеновой GCM была проверена путем ее применения к образцам из ферментера опытного производства (производство с уменьшенным масштабом). Это был независимый набор данных, созданный из образцов, взятых из ферментера на 300 л, что в 150 раз больше, чем у ферментеров объемом 2 л, использованных для построения модели. Несмотря на то, что мы прилагаем все усилия к тому, чтобы условия нашего процесса были одинаковыми во всех масштабах, разница в объеме, естественно, приводит к различиям в процессе, таким как смешивание и локальные колебания температуры в ферментерах, что влияет на состав пробы.Однако даже с этими различиями, терпеновая GCM, созданная с использованием 2-литровых ферментеров, точно предсказала концентрации α-бисаболола, измеренные с помощью GC-FID в образцах, взятых из 300-литрового ферментера (рис. 4d). Концентрации α-бисаболола, предсказанные NIR, не показали фиксированной или пропорциональной систематической ошибки по сравнению с концентрациями, измеренными GC-FID в регрессионном анализе Passing – Bablok (Passing & Bablok, 1983) (не показано). Наклон 0,967 существенно не отличался от 1, а точка пересечения -1,117 значимо не отличалась от нуля, что указывает на то, что GCM, построенный в лабораторном масштабе, точно предсказал концентрации α-бисаболола в ферментере нашей пилотной установки,

Далее, терпеновая GCM и модель только терпена были использованы для прогнозирования фарнезена в наборе из 60 независимых образцов фарнезена, взятых из десяти 2-литровых ферментеров в течение 6-дневного периода ферментации.БИК-спектры этих образцов были получены в автономном режиме, и титры фарнезена были определены с использованием обеих моделей, соответственно. Это было сделано для сравнения точности титров, предсказанных обеими моделями, с таковыми из эталонного анализа GC-FID. На рис. E (дополнительный материал) показаны титры фарнезена в десяти ферментерах, измеренные с помощью эталонного метода анализа GC-FID, вместе с титрами, предсказанными с помощью терпеновой GCM и модели только для фарнезена. Хотя титры, предсказанные обеими моделями NIR, были очень близки к титрам, измеренным эталонным измерением GC-FID, по сути показывая, что использование обеих или любой из моделей NIR обеспечит высокий уровень точности в измерениях фарнезена, ни разница между ними. титры, предсказанные обеими моделями (около 1.0 г / кг), ни стандартные отклонения (0,1 г / кг) не были значимыми в регрессионном анализе Пассинга – Баблока. Кроме того, терпеновая GCM, по-видимому, имеет положительное смещение, поскольку она последовательно предсказывала несколько более высокие значения титра по сравнению с эталонным методом GC-FID, в то время как модель только с фарнезеном была слегка отрицательно смещена и предсказывала, в среднем, меньшее количество фарнезена в бульоне. по сравнению с указанным методом GC-FID. Фактически, эти смещения также не были значимыми, как было определено с помощью регрессии Пассинга – Баблока (Passing & Bablok, 1983) (анализ не показан), которая вернула наклоны, которые существенно не отличались от 1, и точки пересечения, которые существенно не отличались от 0 (наклон = 0.9987 и пересечение = -0,9627 для сравнения модели GC-FID-только фарнезен, и наклон = 0,9970 и пересечение = 0,3893 для сравнения модели GC-FID-терпена). Это показывает, что ни одна из моделей не имела фиксированной или пропорциональной систематической ошибки по сравнению с эталонным анализом GC-FID.

Терпеновая GCM предложила немного более точное предсказание фарнезена в образце бульона по сравнению с эталонным методом GC-FID, чем модель только с фарнезеном, хотя, как описано выше, это различие не было статистически значимым.Это может быть результатом увеличения размера выборки, используемой при разработке модели, поскольку мы добавили образцы α-бисаболола к исходному набору данных по фарнезену, что привело к более широкому охвату среды ферментации и более надежному описанию системы. Между всеми тремя методами (два метода NIR и метод GC-FID) разница менее 4%, что указывает на то, что любая модель будет подходящей заменой для метода GC-FID и что метод GCM может точно предсказать любой из компонентов смеси.Именно эта универсальность для всех классов продуктов позволяет быстро применять методы GCM к новым молекулам. Мы можем быстро построить новые обобщенные модели из исторических спектральных библиотек подобных молекул с уменьшенным количеством образцов новых молекул, тем самым снижая затраты, связанные с разработкой новых моделей с нуля. Как показано здесь, мы можем продолжать использовать эту обобщенную модель, даже если улучшение деформации приводит к более высоким титрам.

Метод рандомизированного многокомпонентного многомерного моделирования

В калибровочных моделях RMMM, построенных для этого исследования, концентрация аналитов варьировалась от 0 до 30 г / л для добавленных аналитов, а α-бисаболол, продуцируемый сконструированным штаммом, варьировался от 0 до 110 г / кг.Молекулы были сгруппированы по растворимости и химической совместимости, чтобы предотвратить перекрестную реактивность. Нам удалось разработать очень хорошие модели для всех молекул в каждой группе, которые демонстрируют эффективность RMMM и возможность быстро разработать модели калибровки NIR для новых аналитов. Таблица 3 показывает сводку результатов модели калибровки для аналитов в двух группах. Даже несмотря на то, что аналиты, составляющие каждую группу, были смешаны вместе искусственно и был взят один спектр на образец, на калибровочные модели не повлияло присутствие других аналитов в смеси образцов.Комбинации спектрального диапазона и математической предварительной обработки были в основном разными для каждого члена группы, и даже когда использовалась аналогичная предварительная обработка, как для α-бисаболола и кадаверина в группе A, использовались разные спектральные области, и ранги были разными.

Таблица 3. Сводные результаты

моделей калибровки в ближнем инфракрасном диапазоне для молекул в группах A и B, показывающие показатели, используемые для определения качества модели. Использовались разные спектральные области, предварительная математическая обработка и ранги

000 6102 9–572

Группа .	Имя .	Рейтинг .	р ² .	RMSECV (г / кг) .	Спектральный диапазон (см ^–1) .	Предварительная математическая подготовка .	RPD .
A	Кадаверин	9	0,9767	0,84	9403–6094, 4605–4420	Первая производная + SNV	6.6
	2-фенилэтанол	10	0,9610	1,41	9403–7336, 6310–5785	Первая производная	5,1


		3,57	6012–5447	Первая производная + SNV	10,3
B	Сквален	6	0,9735	1,16
	Олеиновая кислота	7	0,9753	1,28	10,391–9588, 8794–7992, 6395–5592	MSC	6,4
								0,9951	0,534	6102–5770	Первая производная + MSC	14,2

000 6102 9–572

Группа .	Имя .	Рейтинг .	р ² .	RMSECV (г / кг) .	Спектральный диапазон (см ^–1) .	Предварительная математическая подготовка .	RPD .
A	Кадаверин	9	0,9767	0,84	9403–6094, 4605–4420	Первая производная + SNV	6.6
	2-фенилэтанол	10	0,9610	1,41	9403–7336, 6310–5785	Первая производная	5,1


		3,57	6012–5447	Первая производная + SNV	10,3
B	Сквален	6	0,9735	1,16
	Олеиновая кислота	7	0,9753	1,28	10,391–9588, 8794–7992, 6395–5592	MSC		0,9951	0,534	6102–5770	Первая производная + MSC	14,2

Таблица 3.

Сводные результаты моделей NIR-калибровки для молекул в группах A и B, показывающие показатели, используемые для определения качества модели .Использовались разные спектральные области, предварительная математическая обработка и ранги

–9588, 8794–7992, 6395–5592

Группа .	Имя .	Рейтинг .	р ² .	RMSECV (г / кг) .	Спектральный диапазон (см ^–1) .	Предварительная математическая подготовка .	RPD .
A	Кадаверин	9	0.9767	0,84	9403–6094, 4605–4420	Первая производная + SNV	6,6
	2-фенилэтанол	10	0,9610410005	0,9610410005			Первая производная	5,1
	α-Бисаболол	5	0,9902	3,57	6012–5447	Первая производная + SNV	10.3
B	Сквален	6	0,9735	1,16	6102–5770	Вторая производная	6,2
								MSC	6.4
	d-лимонен	4	0.9951	0,534	6102–5770	2

–9588, 8794–7992, 6395–5592

Группа .	Имя .	Рейтинг .	р ² .	RMSECV (г / кг) .	Спектральный диапазон (см ^–1) .	Предварительная математическая подготовка .	RPD .
A	Кадаверин	9	0.9767	0,84	9403–6094, 4605–4420	Первая производная + SNV	6,6
	2-фенилэтанол	10	0,9610410005	0,9610410005			Первая производная	5,1
	α-Бисаболол	5	0,9902	3,57	6012–5447	Первая производная + SNV	10.3
B	Сквален	6	0,9735	1,16	6102–5770	Вторая производная	6,2
								MSC	6.4
	d-лимонен	4	0.9951	0,534	6102–5770	2

Спектры для образцов группы B были получены в трех экземплярах, в то время как в группе A были выполнены одиночные измерения. Кажется, что нет никакой разницы между использованием одного спектра и трех спектров, поскольку оба измерения дали хорошие модели калибровки NIR. Графики калибровочной модели (рис.5) показывают, что во всех случаях были разработаны хорошие модели, о чем свидетельствует R ² в диапазоне от 0,96 до 0,99, а также другие показатели, перечисленные в таблице 3 и на рис.5. Таким образом, наши калибровочные модели адекватно описывают набор образцов, используемый для построения модели, независимо от других аналитов в смеси образцов. Группа A особенно интересна, поскольку качество модели предполагает, что добавление кадаверина и 2-фенилэтанола не повлияло на калибровочную модель α-бисаболола, и аналогично производство in situ α-бисаболола сконструированным штаммом не повлияло на модели добавленных аналитов. Модели группы B показали аналогичные характеристики, при этом модели не показали влияния других аналитов.

Рис. 5

Калибровочные модели молекул в группах A и B, созданные с помощью RMMM.

Рис. 5

Калибровочные модели молекул в группах A и B, созданные с использованием RMMM.

Эти результаты показывают, что мы можем сократить и сократить сроки разработки модели калибровки NIR, объединив работу по сбору спектров, которая часто требует времени и усилий для нескольких аналитов, в один набор измерений. Вместо того, чтобы проводить отдельные измерения и повторять одну и ту же работу для каждого аналита, мы можем объединить аналиты, провести одно спектральное измерение и разработать индивидуальные калибровочные модели.Хотя мы представили здесь результаты для групп из трех человек, мы в равной степени продемонстрировали (не показаны), что мы можем расширить метод калибровки RMMM для построения моделей как минимум для пяти аналитов в смеси образцов. Два описанных здесь подхода можно использовать вместе, и в сочетании они могут в 10 раз снизить связанные затраты и время, необходимые для разработки модели калибровки NIR.

Работа в будущем

Здесь мы продемонстрировали, что использование подходов к моделированию GCM и RMMM может привести к сокращению времени и количества образцов, необходимых для разработки моделей калибровки NIR.Однако необходимо провести дополнительную работу по улучшению этих методов, чтобы еще больше сократить требования к выборке и времени. Область, которая требует дальнейшего исследования, которое потенциально приведет к большему сокращению количества требуемых калибровочных образцов, — это использование в большинстве процессов одной калибровочной модели в процессах с более чем одной фазой. Хороший пример — ферментация. По мере того, как процесс ферментации переходит от начальной фазы роста, когда клетки в основном размножаются, к фазе производства, когда клетки в основном производят продукты, спектр NIR может значительно измениться.Мы предполагаем, что для построения единой модели, одинаково хорошо охватывающей две качественно разные фазы процесса, потребуется гораздо больше образцов, чем для построения нескольких моделей, охватывающих различные компоненты процесса, такие как лаг / логарифм ферментации и фазы производства. Однако разделение модели на несколько этапов процесса приведет к созданию моделей для конкретных регионов или фаз, которые в целом должны потребовать меньшего количества выборок для описания всего процесса. Больше подобной работы поможет снизить затраты на интеграцию NIR в мониторинг и операции ферментации.

Заключение

В то время как NIR-спектроскопия дает нам возможность повысить плотность информации, предоставлять информацию в реальном времени и исключить подготовку образцов для традиционных хроматографических анализов, первоначальная стоимость высока с точки зрения времени и усилий на разработку модели. В этом исследовании мы показываем два способа сокращения затрат и времени, связанных с разработкой модели. Метод GCM сократил количество образцов, необходимых для построения модели, примерно на 50% за счет объединения спектров образцов химических братьев и сестер для создания одной обобщенной модели, которая работает для всех компонентов в этой группе, а не для нескольких отдельных моделей.Использование GCM для создания обобщенной модели терпенов, фарнезен в ферментерах был предсказан так же или даже немного лучше, чем модель, содержащая только фарнезен. Используя метод RMMM, мы также показали, что, комбинируя разные аналиты в одну смесь и получая ее спектр, мы можем использовать один спектр, объединяющий несколько аналитов для построения модели, тем самым сокращая количество необходимых измерений образца, а также время, необходимое для спектрального анализа. сбор данных с коэффициентом, равным количеству аналитов в смеси.

Финансирование

Авторы выражают благодарность Агентству перспективных оборонных исследований (DARPA) за финансирование этой работы (номер соглашения об инвестициях в технологии (TIA) HR0011-15-3-001).

Заявление о конфликте интересов

Нет конфликта интересов, связанного с этой работой.

Доступность данных

Данные для этой работы высылаются по запросу.

Список литературы

Бек

К.B.

Huck

C.W.

(

2019

Возможности прорыва в ближней инфракрасной спектроскопии: моделирование спектров. Обзор последних событий

Frontiers in Chemistry

(

—

. .

Бернс

Д.А.

Ciurczak

E.W.

(

2007

Справочник по анализу в ближней инфракрасной области

(3-е изд.).

CRC Press

Камачо-Тамайо

J.H.

Rubiano

S.Y.

Hurtado

S.M.

(

2014

Спектроскопия диффузного отражения в ближней инфракрасной области (NIR) для предсказания содержания углерода и азота в оксизоле

Agronomía Colombiana

(

—

. .

Карточка

Hunsaker

Smith

Hirsch

(

2008

Спектроскопия в ближней инфракрасной области для быстрого одновременного мониторинга

Bioprocess International

—

. одновременный мониторинг-182382 /.

Cervera

A.E.

Petersen

Lantz

A.E.

Larsen

Gernaey

K.V.

(

2009

Применение ближней инфракрасной спектроскопии для мониторинга и контроля клеточных культур и ферментации

Прогресс биотехнологии

(

1561

—

1581

. .

Cozzolino

Flood

Bello

Gishen

De Barros Lops

. (

2006

Сочетание ближней инфракрасной спектроскопии и многомерного анализа в качестве инструмента для дифференциации различных штаммов Saccharomyces cerevisiae : метаболомическое исследование

Дрожжи

(

14–15)

1089

—

1096

. .

Cozzolino

Moron

(

2006

Возможности спектроскопии отражения в ближней инфракрасной области и хемометрии для прогнозирования фракций органического углерода в почве

Исследование почвы и обработки почвы

(

1-2

—

. .

Дэвис

A.M.C

2017

Введение в спектроскопию ближнего инфракрасного диапазона (NIR)

IMPublicationsOpen

. . .

Европейское агентство по лекарственным средствам

. (

2012

Руководство по использованию ближней инфракрасной спектроскопии (NIRS) в фармацевтической промышленности и требования к данным для новых заявок и вариантов

Европейский Союз, Европейское агентство по лекарственным средствам.

Zhang

Wang

Zhang

9055 (

2020

Обзор методов NIR-спектроскопии неразрушающего анализа качества масличных и пищевых масел

Тенденции в пищевой науке и технологиях

101

172

—

181

. .

Мононо

E.M.

Haagenson

D.M.

Pryor

S.W.

(

2012

Разработка и оценка калибровочных моделей NIR для многовидовых травянистых многолетников

Промышленная биотехнология

(

285

—

292

. .

Переходной

Bablok

(

1983

Новая биометрическая процедура для проверки равенства измерений двумя разными аналитическими методами

Клиническая химия и лабораторная медицина

(

709

—

720

. .

Prajapati

Solanki

Modi

Basuri

T.A.

(

2016

Краткий обзор БИК-спектроскопии и ее фармацевтических приложений

Международный журнал фармацевтической химии и анализа

(

117

—

123

Quentin

A.G.

Rodemann

Doutreleau

M.F.

Moreau

Davies

N.W.

(

2017

Применение спектроскопии в ближнем инфракрасном диапазоне для оценки неструктурных углеводов в образцах листьев Eucalyptus globulus Labilladière

Физиология дерева

(

132

—

141

Rhiel

Cohen

M.B.

Murhammer

D.W.

Арнольд

(

2002

Неразрушающее спектроскопическое измерение в ближней инфракрасной области нескольких аналитов в неразбавленных образцах сред для культивирования клеток на основе сыворотки

Биотехнология и биоинженерия

(

—

. .

Райли

М.R.

Crider

H.M.

Nite

M.E.

Garcia

R.A.

Woo

Wegge

R.M.

(

2001

Одновременное измерение 19 компонентов в среде для культивирования клеток животных, содержащей сыворотку, методом спектроскопии в ближней инфракрасной области с преобразованием Фурье

Прогресс биотехнологии

(

376

—

378

Riley

M.R.

Okeson

C.D.

Frazier

B.L.

(

1999

Быстрая калибровка спектроскопических измерений культивирования клеток млекопитающих в ближнем инфракрасном диапазоне

Прогресс биотехнологии

(

1133

—

1141

. .

Riley

M.R.

Rhiel

Zhou

Arnold

M.A.

Murhammer

D.W.

(

1997

Одновременное измерение глюкозы и глутамина во вставленных средах для культивирования клеток методом ближней инфракрасной спектроскопии

Биотехнология и биоинженерия

(

—

. .

Roggo

Chalus

Maurer

Lema-Martinez

Edmond

Jent

(

2007

Обзор ближней инфракрасной спектроскопии и хемометики в фармацевтических технологиях

Журнал фармацевтического и биомедицинского анализа

(

683

—

700

Saeys

Mouazen

A.M.

Ramon

(

2005

Возможность локального и онлайн-анализа навоза свиней с использованием спектроскопии отражения в видимой и ближней инфракрасной областях спектра

Biosystems Engineering

(

393

—

402

. .

Saha

Jackson

(

2018

Анализ влажности, масла и жирнокислотного состава оливок методом ближней инфракрасной спектроскопии: разработка и проверка калибровочных моделей

Журнал продовольственной и сельскохозяйственной науки

(

1821

—

1831

Tenhunen

Sjöholm

Pietilä

Home

(

1994

Определение сбраживаемых сахаров и азотистых соединений в сусле с помощью спектроскопии в ближнем и среднем инфракрасном диапазоне

Журнал Института пивоварения

100

(

—

. .

Tosi

Rossi

Tamburini

Vaccari

Amaretti

Matteuzzi

(

2003

Оценка поточной инфракрасной спектроскопии для непрерывного мониторинга процессов ферментации

Прогресс биотехнологии

(

1816

—

1821

. .

Управление по санитарному надзору за качеством пищевых продуктов и медикаментов США

. (

2004

Руководство для отрасли PAT — основа для инновационных фармацевтических разработок, производства и обеспечения качества

Министерство здравоохранения и социальных служб США, Управление по санитарному надзору за качеством пищевых продуктов и медикаментов США

. .

Ванн

Sheppard

(

2017

Использование ближней инфракрасной спектроскопии (NIRS) в биофармацевтической промышленности для определения критических параметров процесса в реальном времени и интеграции передовых стратегий управления с обратной связью с использованием MIDUS control

Журнал промышленной микробиологии и биотехнологии

(

1589

—

1603

. .

Whitford

Julien

(

2008

Приложение 1: Проектирование для обеспечения надежности процесса

Bioprocess International

S32

—

S44

. .

Williams

(

2019

Карл Х.Норрис, отец ближней инфракрасной спектроскопии

NIR News

(

7–8

—

. .

Это статья в открытом доступе, распространяемая в соответствии с условиями лицензии Creative Commons Attribution-NonCommercial-NoDerivs (http://creativecommons.org/licenses/by-nc-nd/4.0/), которая разрешает некоммерческое воспроизведение и распространение. работы на любом носителе при условии, что оригинальная работа не была изменена или преобразована каким-либо образом, и что произведение правильно процитировано.По вопросам коммерческого повторного использования обращайтесь по адресу [email protected].

Ваша диета зависит от спектроскопии в ближнем инфракрасном диапазоне

Вы вряд ли сможете начать свой день без зерновых. Это может быть овес, булочка с отрубями или даже крупа, если это вам нравится.

На самом деле зерновые являются частью нашего повседневного рациона. Министерство сельского хозяйства США определяет зерновые как любые продукты питания, приготовленные из пшеницы, риса, овса, кукурузной муки, ячменя или других зерновых культур. Сюда входят хлеб, макаронные изделия, овсяные хлопья, хлопья для завтрака и лепешки.

О чем вы, возможно, не знаете, так это то, что спектроскопия в ближнем инфракрасном диапазоне (NIR) играет решающую роль в мониторинге безопасности, качества и пользы для здоровья этих зерен.

БИК-спектроскопия широко применяется в исследованиях пищевой науки и техники. Он стал одним из наиболее распространенных аналитических методов в этом секторе из-за его низкой стоимости, быстрой обработки и неразрушающего характера. В настоящее время БИК-спектроскопия является широко признанным методом рутинной оценки качества в промышленности по переработке пшеницы и зерновых.

Зерновые культуры являются основным продуктом питания во всем мире. Пшеница, рис и кукуруза представляют собой важнейшие сельскохозяйственные культуры. По данным Министерства сельского хозяйства США, эти продукты обеспечивают более половины калорийности или калорийности рациона в мире. Качество продуктов питания строго зависит от качества используемого сырья. Поэтому оценка его состава, чистоты и физико-химических характеристик представляет интерес для пищевой промышленности, селекционеров и фермеров, а также для научного сообщества, обслуживающего эти отрасли.

Зерно обладает рядом свойств, которые влияют на его качество, безопасность и ценность для здоровья. Белок, влага, фенольные соединения и грибки — вот лишь некоторые из этих особенностей. Инженеры используют NIR-спектроскопию для обнаружения этих характеристик.

Согласно исследованию 2018 года, проведенному Никола Капорасо, Мартином Уитвортом и Яном Фиском, измерение содержания белка и влаги в пшенице и других зернах является одним из наиболее распространенных применений спектроскопии БИК. Спектроскопия предоставляет информацию о химических свойствах материала, а БИК-спектроскопия используется для оценки зерна зерновых.Группа продемонстрировала потенциал методов на основе NIR для прогнозирования содержания белка, повреждения проростков и активности α-амилазы в пшенице и ячмене. Они также продемонстрировали оценку параметров качества других зерновых культур, таких как рис, кукуруза и овес, и оценку грибковой инфекции.

Традиционные приложения NIR-спектроскопии для зерновых использовали молотую пшеницу в исследовании. Тем не менее, исследователи продемонстрировали, что надежное предсказание состава пшеницы возможно с использованием ближнего инфракрасного излучения непосредственно для цельных зерен.Это большой прогресс с преимуществами с точки зрения подготовки проб, стоимости и применимости.

БИК-спектроскопия применялась для предсказания некоторых основных компонентов зерна, таких как влажность, белок и липиды. Он продемонстрировал такие хорошие характеристики, что во многих случаях его предпочитают традиционным методам влажной химии для рутинного анализа.

Традиционно при использовании измельченного материала удаляется информация о естественной изменчивости отдельных ядер в образце.Его природа подразумевает измерение среднего. Тем не менее, измельчение дает однородный материал на спектрометре. Поэтому исследователи обычно получают лучшие прогнозы по сравнению с измерением всего ядра.

Но измельчение занимает много времени и представляет собой ограничение, когда инженерам необходимо сканировать большое количество образцов. БИК-спектроскопия позволяет сканировать отдельные ядра, а не все ядра.

Содержание белка в пшенице было основной целью для NIR-спектроскопии при применении в больших количествах и с одним ядром.Например, спектроскопия отражения NIR применялась для оценки изменчивости белков в отдельных зернах пшеницы из различных классов пшеницы USDA. Было также показано, что содержание белка в пшенице может быть оценено с помощью спектров отражения в ближнем ИК-диапазоне для одного ядра с производительностью, эквивалентной характеристикам обычного оборудования для измерения в ближнем ИК-диапазоне.

БИК-спектроскопия позволила точно предсказать содержание фенольных соединений и свободной п-кумаровой кислоты в ячмене. БИК-спектроскопия также использовалась для прогнозирования содержания белка и амилазы в рисовой муке.

По словам исследователей, микотоксины кукурузы являются распространенной проблемой в каждой стране-производителе. Рост токсигенных грибов может существенно повлиять на качество и безопасность продуктов как для людей, так и для животных. Традиционная NIR-спектроскопия использовалась в нескольких приложениях для обнаружения микотоксигенных грибов и их токсичных метаболитов.

HORIBA Scientific производит ряд спектрометров NIR, включая ручные устройства и как часть систем, изготавливаемых по индивидуальному заказу.

Произошла ошибка при настройке пользовательского файла cookie

Этот сайт использует файлы cookie для повышения производительности.Если ваш браузер не принимает файлы cookie, вы не можете просматривать этот сайт.

Настройка вашего браузера на прием файлов cookie

Существует множество причин, по которым cookie не может быть установлен правильно. Ниже приведены наиболее частые причины:

В вашем браузере отключены файлы cookie. Вам необходимо сбросить настройки вашего браузера, чтобы он принимал файлы cookie, или чтобы спросить вас, хотите ли вы принимать файлы cookie.
Ваш браузер спрашивает вас, хотите ли вы принимать файлы cookie, и вы отказались.Чтобы принять файлы cookie с этого сайта, нажмите кнопку «Назад» и примите файлы cookie.
Ваш браузер не поддерживает файлы cookie. Если вы подозреваете это, попробуйте другой браузер.
Дата на вашем компьютере в прошлом. Если часы вашего компьютера показывают дату до 1 января 1970 г., браузер автоматически забудет файл cookie. Чтобы исправить это, установите правильное время и дату на своем компьютере.
Вы установили приложение, которое отслеживает или блокирует установку файлов cookie.Вы должны отключить приложение при входе в систему или проконсультироваться с системным администратором.

Почему этому сайту требуются файлы cookie?

Этот сайт использует файлы cookie для повышения производительности, запоминая, что вы вошли в систему, когда переходите со страницы на страницу. Чтобы предоставить доступ без файлов cookie потребует, чтобы сайт создавал новый сеанс для каждой посещаемой страницы, что замедляет работу системы до неприемлемого уровня.

Что сохраняется в файле cookie?

Этот сайт не хранит ничего, кроме автоматически сгенерированного идентификатора сеанса в cookie; никакая другая информация не фиксируется.

Как правило, в файлах cookie может храниться только информация, которую вы предоставляете, или выбор, который вы делаете при посещении веб-сайта. Например, сайт не может определить ваше имя электронной почты, пока вы не введете его. Разрешение веб-сайту создавать файлы cookie не дает этому или любому другому сайту доступа к остальной части вашего компьютера, и только сайт, который создал файл cookie, может его прочитать.

NIR-мониторинг в режиме реального времени процессов смешивания фармацевтических препаратов с помощью многомерных количественных моделей

Инициативы в области технологических аналитических технологий (PAT) теперь являются неотъемлемой частью усилий по развитию фармацевтической промышленности.Многие технические и научные статьи и даже специальные разделы регулярно появляются в нескольких публикациях по фармацевтическому производству. Они могут быть частью проекта «Качество по дизайну» (QbD), чтобы лучше идентифицировать и понимать критические параметры процесса. Необходимость и положительная ценность PAT обычно хорошо осознаются и понимаются через создание пространства проектирования единичного процесса. Однако методология мониторинга и контроля и протоколы PAT все еще не определены, и пока нет глобального консенсуса.Именно на этом основании ASTM создала рабочие группы, сосредоточенные на разработке стандартов построения моделей и мониторинга процессов с помощью PAT.

Хотя обеспечение и контроль качества на промышленных предприятиях обычно ожидают, что данные PAT будут аналогичны данным, полученным в ходе обычного лабораторного анализа, это не всегда может быть эффективным, удобным или возможным. Например, анализ активного фармацевтического ингредиента (API) может быть одним из наиболее важных атрибутов качества таблетки при современном контроле качества.Обычно для этого требуется методика количественной оценки, чтобы получить значение концентрации, которое обычно указывается в заявленных процентах или международных единицах. С помощью стандартных лабораторных методов, таких как высокоэффективная жидкостная хроматография (ВЭЖХ) или индуктивно-связанная плазма (ИСП), количественное определение может быть точным и точным. Однако эти лабораторные методы трудоемки, дороги и требуют пробоподготовки с использованием растворителей, что связано с финансовыми и экологическими затратами. Значительная экономия средств и времени может быть достигнута с помощью PAT.Однако задача состоит в том, чтобы достичь того же уровня точности и точности с помощью PAT, что и с обычными лабораторными методами.

PAT обычно генерирует гораздо больший объем данных, чем стандартные лабораторные методы. Таким образом, даже когда ошибка метода PAT больше, чем у его лабораторного аналога, уровень контроля может быть намного выше, поскольку объем собранных данных более репрезентативен для всей производственной партии. Получив, например, более 30 оценок качества с помощью PAT, можно будет установить, работает ли установка нормально и работает так, как ожидалось, или процесс имеет систематические ошибки или нежелательные отклонения от контролируемых траекторий.Наличие более 30 образцов порошка для каждой партии и количественная оценка каждого API в каждом образце практически немыслимо для текущих операций QA / QC, но может быть выполнено с помощью PAT.

Более того, ошибка оценки качества PAT может быть уменьшена путем применения альтернативных критериев. Например, контроль качества лекарственного средства в процессе не всегда может требовать определения величины отклонения, если такое отклонение происходит; во многих случаях может быть необходимо только определить, встречается ли такое отклонение. Это можно сделать с помощью качественных моделей.Сканируя однородные образцы состава, не входящие в спецификацию, можно создать эталонную модель. Каждый сбор данных, который попадает в доверительный интервал этой эталонной модели, определяется как находящийся в пределах спецификаций, а каждый выход за пределы считается не отвечающим спецификациям. Погрешность такой качественной модели может быть небольшой при наличии адекватных доверительных интервалов, а чувствительность и точность методов может быть подтверждена с помощью отрицательных и положительных тестовых исследований, что может быть жизнеспособным подходом для многих PAT.

Качественная хемометрия для анализа однородности смеси была исследована в первой части этой работы ¹. Различные качественные анализы спектра в ближней инфракрасной области (NIR) были применены к операции смешивания V-образным смесителем поливитаминного состава Wyeth с 16 ингредиентами и сравнивались с лабораторными результатами образцов воров, собранных во время каждой партии. Такой качественный подход включал (а) спектральную дисперсию и (б) расстояние от эталонных анализов. В случае (а) дисперсия последовательных спектров отслеживалась до тех пор, пока не было достигнуто состояние низкой и стабильной дисперсии; это минимальное отклонение было приписано состоянию однородности смеси.Последний вычисляет безразмерное значение расстояния между спектром, полученным во время операции смешивания, и группой спектров, которые считаются однородными или контролируемыми. Когда значение расстояния для образца, полученного из партии, находилось в пределах указанного доверительного интервала, считалось, что партия достигла однородности.

Многие другие исследования качественной хемометрии были выполнены для анализа смеси методом ближней инфракрасной спектроскопии (NIRS) ^2-5. Однако большинство исследований, проводимых для разработки NIRS, основаны на количественных хемометриках для оценки однородности или контроля состояния смеси.Некоторые исследуют мониторинг индикатора в составе, разрабатывая количественную модель для этого индикатора. Бернтссон и др. ⁶ провел такой анализ двухкомпонентной смеси как для малых (10 дм³), так и для крупных (3 м³) смесителей Nauta. Попо и др. ⁷ также исследовал количественное определение индикатора в двухкомпонентной смеси в лабораторной установке V-смесителя (4qt) с помощью NIR. Адекватность их модели подтверждена стандартным лабораторным анализом УФ-спектроскопии QA.

В части 3 своего исследования Эль-Хаграси и Дреннен ⁸ исследовали мониторинг индикатора в двухкомпонентной смеси и сравнили различные типы хемометрической регрессии, такие как частичные наименьшие квадраты (PLS), регрессия главных компонентов ( ПЦР) и многолинейной регрессии (MLR) для получения модели количественной оценки. Результаты показали эффективный мониторинг концентрации индикатора 7 и 11 мас.%, Но не оказались столь же эффективными при низкой концентрации 3 мас.%. Эти типы мониторинга обеспечивают более типичный подход к обеспечению качества, поскольку концентрацию API можно отслеживать и проверять в установленных пределах.

Более сложный мониторинг ингредиентов при смешивании фармацевтических препаратов исследовали Bynum et al. ⁹. В этом случае все пять компонентов фармацевтического состава были количественно определены путем разработки модели PLS из лабораторных образцов с известными гравиметрическими концентрациями. Модель была протестирована, чтобы проследить за линейными концентрациями каждого компонента в бункерном смесителе на 20 л.

Настоящее исследование, проведенное Университетом Шербрука в сотрудничестве с Технической службой Wyeth Pharmaceuticals Montréal, было направлено на изучение хемометрических моделей для оценки однородности смеси с помощью NIR в качестве инструмента PAT.Результаты качественного анализа представлены в первой части ¹. Эта вторая часть посвящена количественному анализу с помощью хемометрии. Сравнение всех методов будет представлено в разделе «Заключение».

Экспериментальная установка

В настоящем исследовании модель была построена из лабораторных партий состава с использованием V-образного смесителя объемом 1 фут3 и увеличена для анализа V-образного смесителя объемом 125 футов3. товарная партия. Экспериментальная установка и методология (разделы 2 и 3) были описаны в части 1 нашего исследования ¹.Однако они указаны здесь для непрерывности.

Исследуемая формула представляет собой запатентованный поливитаминный состав Wyeth, содержащий 16 различных ингредиентов, каждый из которых имеет концентрацию в диапазоне от менее 1 мас.% До более 40 мас.%; точная формулировка является частной информацией, но ее краткий обзор представлен в таблице 1. Обратите внимание, что первые восемь ингредиентов составляют более 75 мас.% от общей композиции. Следовательно, некоторые ингредиенты имеют значительно низкие концентрации (менее 1 мас.%) И могут быть невидимы с чувствительностью, обеспечиваемой используемой системой NIR.

Система NIR представляет собой спектрометр на основе микроэлектромеханической системы (MEMS), который обеспечивает спектральный охват от 1350 до 1800 нм и время сбора данных менее 100 мс. Измерительный зонд имеет размер пятна 40 мм, а проникновение образца оценивается примерно в 1 мм. Прибор устанавливается непосредственно на V-образном смесителе, а на его крышке установлено сапфировое окно, обеспечивающее порт отбора проб для датчика NIR для выполнения измерений коэффициента отражения. Система обменивается данными с портативным компьютером через беспроводное соединение Wi-Fi и может срабатывать для автоматического получения спектра NIR в заданной точке во временном пространстве вращения.Триггер активирует получение NIR, когда блендер перевернут, а порошок полностью покрывает крышку V-образного блендера. При проведении анализа порошка считается, что порошок находится в статическом состоянии. Каждое вращение запускает регистрацию, и каждая регистрация генерирует четыре спектра NIR, усредненных в одном спектре, с общим временем сбора данных 400 мс, исключая программную интеграцию. Это усреднение помогает увеличить отношение сигнал / шум.

Методология

Чтобы лучше всего смоделировать типичную производственную партию, лабораторные партии в масштабе 1 фут³ в этом исследовании использовались в тех же рабочих условиях (производственная процедура), что и производственные партии, за исключением того, что при лабораторные весы.Таким образом, все витаминные ингредиенты были добавлены в V-образный смеситель отдельно, создавая максимальное состояние сегрегации перед любым смешиванием.

Экспериментальные опыты были выполнены в соответствии со следующим протоколом: первая партия со временем перемешивания 15 минут была произведена и контролировалась с помощью технологии NIR. Предварительная кривая смешения была построена с помощью простого качественного анализа. Этот анализ был использован для установки двух других значений времени смешивания на 69 и 23 секунды соответственно. Процедура была предпринята для обеспечения трех партий с различными состояниями однородности.Поскольку V-образный смеситель объемом 1 фут³ вращается со скоростью 26 об / мин, количество оборотов для каждой партии составляло 380, 30 и 10 соответственно. Для каждого прогона можно ожидать одинакового количества спектров. На следующих страницах три серии упоминаются и сообщаются по их номерам прогона:

Прогон №1 = 15 минут смешивания = 380 оборотов;
Запуск №2 = время смешивания 69 с = 30 оборотов;
Запуск # 3 = время смешивания 23 с = 10 оборотов.

После завершения каждой партии типичный образец для отбора проб (см. Рисунок 1) использовался для отбора 10 образцов в различных местах объема V-образного смесителя.Известно, что метод отбора проб может вызвать смещение результатов ^10,11, но эта установка была выбрана в качестве эталона, потому что она все еще общепринята в производстве для определения однородности смесей большинством фармацевтических производителей. 10 точек отбора проб показаны на рисунке 2. Каждая партия была выброшена после отбора, поскольку предполагалось, что отбор проб может удалить значительные количества ингредиентов с низкой концентрацией в негомогенизированных партиях.

Каждый образец сканировали 10 раз с помощью системы NIR перед любым лабораторным анализом; ручное перемешивание применялось между каждым сбором данных NIR.Образцы, полученные с помощью зонда Thief, сначала выливались в окно сбора данных спектрометра NIR. Пластиковую мешалку использовали для перемешивания порошкового образца между сканированиями. Смесь витаминов была визуально неоднородной; таким образом, ошибка статического заряда считалась незначительной по сравнению с очевидной неоднородностью.

После пяти сканирований образец переносили обратно в бутыль, встряхивали вручную и затем снова выливали в окно отбора проб NIR для еще пяти сканирований. Были использованы те же параметры сбора данных, что и при анализе смеси.На основе этих сканирований была построена хемометрическая количественная модель.

Затем образцы были отправлены в лабораторию контроля качества витаминов Wyeth Pharmaceuticals, где восемь целевых ингредиентов были количественно определены стандартными лабораторными методами, такими как ВЭЖХ, ультраэффективная жидкостная хроматография (UPLC) или ICP.

Образец также подвергался воздействию шума, который может возникнуть во время производства, такого как истирание частиц и накопление статического электричества. Неудобство состоит в том, что невозможно спланировать концентрацию отсканированных образцов.Кроме того, эта методология не гарантирует, что концентрация ингредиентов между каждым образцом будет линейно независимой или некоррелированной.

Три партии смешивания были разработаны для устранения этих проблем. При отборе образцов из партии, которая должна была достичь однородности (запуск № 1), многие образцы должны иметь концентрацию, равную гравиметрическим значениям. Аналогичным образом, при отборе партий, далеких от однородности (цикл №2 и цикл №3), многие образцы должны иметь очень разные концентрации.Гипотеза состоит в том, что при отборе 30 проб из трех партий с различными состояниями однородности распределение концентрации должно быть близко к нормальному. Более того, чтобы уменьшить влияние коллинеарности между концентрациями образцов, хемометрический анализ был ограничен билинейными моделями, такими как анализ главных компонентов (PCA) и PLS, которые, как известно, работают лучше, чем обычные модели (такие как MLR) в этих моделях. условия ¹².

Расположение образцов похитителя можно увидеть на Рисунке 2.Они пронумерованы от 1A до 5B. Этот рисунок иллюстрирует лабораторные результаты для витамина С. Тенденция, показанная на рисунке 2, является типичной и наблюдалась для каждого количественно определенного компонента. Для каждой партии и для каждого компонента закрытие баланса массы составляло 100 ± 5%. Следовательно, можно сделать вывод, что статистически взятые пробы были репрезентативными для всей партии.

Кривая лабораторной смеси была построена с относительным стандартным отклонением (RSD) концентраций для каждого количественно определенного компонента и для каждой партии.Затем были нанесены RSD в зависимости от количества оборотов для построения кривой смешения (см. Рисунок 3), которая использовалась для анализа однородности лабораторных эталонов. Регрессия может приблизительно соответствовать фактическому времени, необходимому для достижения однородного состояния, когда каждый компонент составляет менее 5% RSD. Однако тип регрессии для оптимального определения точки, в которой значения RSD опускаются ниже 5%, неизвестен. При экспоненциальной регрессии время смешивания, оцененное на основе лабораторного анализа, составляло 126 оборотов, или четыре минуты 50 секунд, но кривая смешивания также может быть просто линейной между циклом №2 и циклом №3, а затем стабильна до значений RSD цикла №1.В этом случае необходимое время смешивания для достижения приемлемого времени смешивания будет чуть менее 50 оборотов.

Количественные результаты NIR

После каждой из трех партий методом похищения образцов было отобрано 10 образцов, всего 30 образцов. Эти образцы сначала были просканированы 10 раз с помощью анализатора NIR, а затем отправлены в лаборатории контроля качества для количественного анализа современными лабораторными методами, такими как ВЭЖХ. Эти лабораторные результаты были использованы для построения количественной модели NIR.Обратите внимание, что, поскольку каждый образец сканировали 10 раз, 10 спектров соответствовали каждой концентрации, проанализированной лабораторией. Кроме того, в этой модели количественной оценки рассчитывалась концентрация микрокристаллической целлюлозы (МКЦ). Обратите внимание, однако, что это сырье не было количественно определено текущими тестами QA, проводимыми на образцах. Вместо этого для каждого образца проверяли концентрацию общего кальция, которая затем отражалась в концентрации MCC. Действительно, МКЦ в исследовании состоял из 35 мас.% Кальция, неорганического вещества, невидимого в ближней инфракрасной области.Сообщается о концентрации сырья в целом, что может повлиять на ошибку модели для этого сырья.

Построение модели количественной оценки потребовало очень кропотливой разработки из-за высокого уровня сложности. Большое количество ингредиентов и низкая концентрация некоторых из них усложняют модель и могут привести к серьезным ошибкам. Процесс разработки модели показан на рисунке 4.

При построении количественной модели требуются два набора данных.Набор данных, используемый для калибровки регрессии, будет называться набором данных калибровки. Второй набор данных для оценки ошибки результирующей модели будет называться набором внешних данных. Несмотря на то, что 30 образцов воров были собраны и количественно определены лабораторными методами, не все из них принесут пользу модели. Построение количественной модели начинается с выбора набора калибровочных данных.

Первый шаг выбора набора калибровочных данных состоит в удалении избыточных образцов. Выборки, не предоставляющие дополнительной информации о регрессии, обычно приводят к смещению индекса, используемого для оценки ошибки регрессии, и смещению веса каждой точки данных в регрессии.Чтобы выполнить этот анализ избыточности, анализ PCA может быть выполнен на Y-переменных с предварительной обработкой единичного масштабирования. Процесс единичного масштабирования состоит из удаления среднего значения каждой переменной и деления на стандартное отклонение. Эта предварительная обработка позволяет нам масштабировать значения концентрации каждого количественно определенного витамина или вспомогательного вещества так, чтобы они имели одинаковый вес и варьировались в одном диапазоне. На графиках с оценкой 1 и 2 можно затем выявить повторяющиеся образцы. На рисунке 5 показан этот избыточный анализ на графике оценки t1 и t2.На рисунке образцы, которые были признаны избыточными, выделены красным кружком. В таком случае один из образцов в кружке был удален и включен во внешний набор данных.

Во-вторых, сканирование NIR, которое может быть выбросом, должно быть удалено, чтобы не допустить, чтобы они вносили систематическую ошибку в предварительную обработку данных и не оказывали слишком большое влияние на регрессию. Это можно сделать с помощью PCA-анализа X-переменных образцов без предварительной обработки данных. График расстояний Hotelling T2 может обнаруживать выбросы.На рисунке 6 показан этот анализ для X-переменных (значений оптической плотности каждого NIR-сканирования) набора калибровочных данных. Выбросы могут быть обнаружены по большому значению расстояния по сравнению со значением расстояния сканирований из того же образца. Доверительные интервалы позволяют различать выбросы. В случае нашего анализа четыре скана были исключены. Эти сканы не были включены во внешний набор данных. Решение об их удалении было принято после визуального осмотра спектров. Они показали явное отличие от других членов той же группы.Эти выбросы можно объяснить несколькими причинами, но наиболее вероятная из них была связана с сегрегацией траектории, которая может возникнуть при заливке образцов порошка в окно сбора данных. Это подтверждается тем фактом, что большинство выбросов — это первое сканирование.

После этих двух шагов восемь из 30 образцов были удалены, оставив 22 образца для набора данных калибровки. Эти восемь образцов были удалены во время анализа избыточности и, как и ожидалось, по большей части были образцами цикла №1, поскольку цикл №1 имел наилучшую однородность.При анализе выбросов было удалено четыре отдельных сканирования.

Третьим шагом был сравнительный анализ регрессии и данных до лечения. При выполнении предварительной обработки данных необходимо соблюдать золотое правило: чем проще, тем лучше. Предварительная обработка данных может кардинально изменить набор данных, чтобы можно было получить любую заданную производительность. Однако слишком тяжелая и сложная предварительная обработка данных может не работать должным образом, когда модель масштабируется от лабораторного до полномасштабного производства. В ходе анализа была выбрана первая производная Савицкого-Голая по 15 точкам13.Обратите внимание, что эти предварительные обработки данных были выбраны после обширного анализа предварительной обработки данных, в котором сравнивались многие математические преобразования и алгоритмы, такие как стандартная нормальная переменная (SNV), коррекция мультипликативного разброса (MSC), 2-я производная, единичная дисперсия, Парето и их комбинации. Показатели эффективности модели использовались для выбора наилучшей предварительной обработки данных.

В качестве показателей эффективности модели были выбраны следующие: Rx2, Q2, R2 и средняя остаточная стандартная ошибка прогноза (RMSEP) каждого количественно определенного компонента.Rx2 и Q2 — значения, которые соответствуют степени согласия модели PCA с необработанными данными. Значение, близкое к одному из этих показателей, означает, что ПК, выбранные для анализа, адекватно описывают необработанные данные. Точнее, значение Rx2 является показателем степени согласия между регрессией ПК и необработанными данными, а значение Q2 является показателем степени согласия между регрессией ПК и исходными данными, как определено перекрестным анализом. валидационный анализ. Значение Q2 может быть более актуальным, чем значение Rx214.

Показатели R2 и RMSEP представляют собой значения, которые соответствуют степени согласия регрессионной модели PLS между переменными X (значениями поглощения) и Y-переменными (значениями концентрации). Значение R2 представляет собой типичную подгонку регрессии между концентрацией, предсказанной моделью, и фактической концентрацией. Желательно значение R2, близкое к единице. RMSEP рассчитывается с использованием набора внешних данных в качестве эталона. Набор внешних данных состоит из NIR-сканирования образца с известными концентрациями, которые не использовались в наборе данных калибровки.Хороший способ справиться с набором внешних данных — использовать образцы, удаленные анализом избыточности, но могут быть добавлены и другие. Затем с помощью модели оцениваются концентрации этих эталонов и вычисляются ошибки между известными и прогнозируемыми концентрациями. Это значение может быть лучшим показателем фактической ошибки прогнозирования для каждого компонента. Желательно низкое значение RMSEP.

Анализ параллельно с анализом данных до обработки — это выбор количества ПК. Выбор количества ПК из анализа PCA — сложная операция.Как правило, программный пакет автоматически выбирает количество ПК, которые дают максимальное значение Q2 или минимальное значение суммы квадратов ошибок прогнозирования (PRESS). Однако при этом не учитывается результирующий RMSEP. Следует помнить, что чем больше компьютеров выбрано, тем лучше будут значения Rx2 и R2. Однако чрезмерное количество ПК приведет к моделированию шума NIR и, таким образом, уменьшит значения Q2 и PRESS и увеличит RMSEP. В этом исследовании выбор ПК в каждом анализе предварительной обработки был выбран таким образом, чтобы отразить соответствующую комбинацию максимального значения R2 и минимального RMSEP для каждого компонента.Для регрессионной модели PLS было достаточно пяти компьютеров, чтобы получить хорошие результаты по обоим показателям.

Последний требуемый анализ модели PLS — это анализ остатков. Этот анализ необходим для выявления возможных выбросов, которые могут повлиять на результаты модели после предварительной обработки данных и расчета ПК. Его можно провести, посмотрев на график оценки PC1 по сравнению с PC2 или на кривую нормального распределения. Однако удаление этих выбросов — это индивидуальное исследование; очевидные должны быть удалены, но обширное удаление может исключить важную изменчивость данных.Одним из основных критериев является то, что данные должны соответствовать графику нормального распределения. В ходе этого остаточного исследования спектры не удалялись.

На рисунке 7 концентрации восьми из 16 ингредиентов витаминного состава отслеживаются для прогона №1 с использованием разработанной модели, при этом данные о концентрации представлены в% от ввода. Каждая точка представляет один спектр, и поскольку спектр получается для каждого поворота, делается 380 прогнозов для 380 витков прогона №1. На этом графике ожидается стабилизация концентраций около 100% на входе и в пределах нижнего контрольного предела (LCL) 90% и верхнего контрольного предела (UCL) 110%.В каждом случае значения, кажется, стабилизируются чуть более 105% вместо 100%, что свидетельствует о наличии небольшого смещения в модели. Это может быть связано с отличием базового эффекта от получения спектров воровских образцов с получением спектров в прогоне №1. Однако это смещение считается приемлемым, поскольку оно находится в пределах определенной ошибки (от RMSEP) каждого прогноза, как указано в таблице 2.

Интересно наблюдать за изменением концентраций витамина C и витамина B3, поскольку эти два ингредиента может иметь лучшую чувствительность к количественной оценке.Установлено, что они быстро меняются в течение первых 50 оборотов, но стабилизируются после более чем 100 оборотов. Это можно объяснить существованием двух механизмов перемешивания разного масштаба и скорости. Это также наблюдалось с помощью спектральной дисперсии и анализа расстояний из Части 1 исследования, но это можно увидеть более четко с помощью этого анализа. Таким образом, вначале преобладающим механизмом будет быстрое диспергирование за счет перколяционной диффузии ингредиентов внутри движущейся объемной матрицы, за которым следует более медленный механизм, контролируемый переносом массы между движущимися блоками объемного объема.Количественный анализ предполагает время смешивания не менее 100 оборотов. Эти два наблюдения хорошо согласуются с лабораторным эталонным анализом.

Несмотря на то, что некоторые ингредиенты, такие как MCC, витамин B1 и B5, по-видимому, имеют низкие RMSEP и адекватный R2, при сканировании партии №1 на Рисунке 7 они, похоже, ведут себя аналогичным образом. Эти ингредиенты могут сильно коррелировать, что является недостатком методологии, используемой для разработки этой сложной модели. Это можно увидеть на рисунке 8 напротив, который представляет график нагрузки модели PLS.График показывает вклад (вес) каждой переменной отклика (Y) в PC1 по сравнению с PC2. Значение далеко от нуля означает, что переменная Y имеет сильное влияние на два основных ПК. График подтверждает, что эти ингредиенты одинаково влияют на ПК и модель. Также было замечено, что коррелированные ингредиенты имеют аналогичные сильные пики поглощения в исследованной области NIR. Однако обратите внимание, что в модели задействовано пять компьютеров, и информацию об этих ингредиентах можно лучше увидеть на других, менее влиятельных компьютерах.

Масштабирование в ближнем ИК-диапазоне

Многомерная модель, разработанная в лабораторных экспериментах, может хорошо работать в лабораторных испытаниях, но масштабирование модели не всегда прямолинейно. В идеале модель должна быть разработана с использованием спектров ближнего ИК-диапазона, полученных во время полномасштабной партии продукции, чтобы при построении модели учитывались все возможные шумы, зная, что вероятность того, что шумы являются функцией масштаба работы устройства, вполне реальна. Это возможно при построении качественного анализа расстояния, такого как часть 1 исследования, но может быть проблематичным при построении количественной модели.Так было в текущем исследовании, и модель, разработанная на основе лабораторных данных, использовалась для мониторинга серийного производства того же состава.

Та же самая система NIR на основе MEMS была установлена на серийном V-образном смесителе с рабочим объемом 125 фут3. Зонд системы, используемой для регистрации спектров в ближнем ИК-диапазоне, крепился к специально модифицированной крышке V-образного смесителя, снабженной сапфировым окном. Регистрация триггера была установлена для четырех спектров на оборот, усредненных как один. См. Рисунок 9 для получения более подробной информации.

Контролируемая партия соответствовала стандартному производственному процессу Wyeth Pharmaceuticals для целевой формулы. Это включает в себя два этапа смешивания в V-образном смесителе: этап начального смешивания продолжительностью 20 минут для каждого витамина и минерала и второй этап смешивания для добавления смазки. Обратите внимание, что полномасштабный производственный процесс включает в себя несколько операций с предварительным смешиванием, выполняемых в небольших блендерах для лучшего диспергирования ингредиентов с низкой концентрацией. Это не было сделано с партиями в лабораторном масштабе, и поэтому ожидалось, что кривая смешения будет немного отличаться от кривой на Рисунке 7.

Кривая смешивания для серийной партии продукции представлена на Рисунке 10, на котором показаны первые 150 оборотов конечной смеси ингредиентов перед добавлением смазки. Эти вращения считаются репрезентативными для реальной кривой смешивания, ожидаемой для начального смешивания всех ингредиентов. Всего 30 оборотов кажется достаточным для стабилизации смешивания ингредиентов, хотя медленный процесс смешивания кажется преобладающим до последнего вращения. Анализ действительно подтверждает однородность партии и адекватность смешивания.Масштабирование модели кажется адекватным, хотя было невозможно сравнить фактическое производственное сканирование в ближнем ИК-диапазоне с лабораторным эталоном. Только несколько ингредиентов фактически стабилизируют примерно 100% теоретического входного значения. Несмотря на то, что масштабирование модели является адекватным, фактическая ошибка измерения выше, чем значения RMSEP, полученные в лабораторных исследованиях. Эта ошибка не могла быть измерена в случае исследования масштаба производства. Более того, такая же корреляция наблюдается для ингредиентов с низкой концентрацией.

В этом расширенном исследовании можно также задаться вопросом, как одно сканирование может быть репрезентативным для более одной тонны порошка, смешанного в таком полномасштабном блендере. Однако следует отметить, что объем данных, собранных такой PAT, намного больше, чем то, что обычно можно получить в исследованиях смешения, и, таким образом, представление всей партии можно увидеть с помощью многих последовательных измерений вместо отдельных данных. точка. Так обстоит дело в нашем исследовании, где однородность партии рассматривается не тогда, когда все точки данных находятся в пределах спецификаций, а только тогда, когда все точки данных находятся в пределах спецификаций в течение достаточного периода времени.Это количество времени должно быть определено путем исторического исследования нескольких лотов. Не выполняется здесь, это может быть предметом будущих исследований. Однородность контролируемой партии, показанная на Рисунке 10, по-прежнему считается адекватной, поскольку все точки данных стабилизируются и никогда не изменяются после того, как наблюдается стабилизация.

Заключение

Количественная модель для восьми из 16 ингредиентов целевой поливитаминной композиции была разработана в лабораторных условиях с относительно низкими ошибками прогноза.Технология NIR позволяет контролировать однородность партии с помощью количественной модели в лабораторном или полномасштабном производстве. Результаты дают существенное представление о механизмах перемешивания, но требуется дополнительная работа, чтобы связать наблюдение с физическими явлениями, происходящими во время перемешивания. Для предотвращения чрезмерной подгонки и коллинеарности переменных в билинейных моделях (например, PCA, PLS) необходима строгая методология разработки модели. Методология применялась при разработке модели и была эффективна для большинства целевых ингредиентов.Тенденция смешивания, полученная в результате анализа, ясно показывает, что целевые ингредиенты смешиваются вместе и их стабилизация после всего лишь примерно 30 оборотов. Ингредиенты достигают ожидаемого значения в пределах ожидаемой ошибки прогноза, которая может быть немного выше, когда модель применяется к серийным производственным партиям, чем к лабораторным.

Однако было продемонстрировано, что некоторые ингредиенты с низкой концентрацией ведут себя аналогичным образом, что указывает на корреляцию между ними. Это не было замечено при оценке ошибки прогнозирования модели (RMSEP) и коэффициента корреляции (R2) и подчеркивает сложность разработки такой модели и обеспечения ее адекватной работы при применении на полномасштабных партиях.Точность количественного определения этих ингредиентов с низкой концентрацией считается неопределенной.

Учитывая большие усилия, необходимые для построения такой многомерной количественной модели, и поскольку сложность модели приводит к предсказаниям с сомнительным значением ошибки, можно сделать вывод, что этот тип анализа требует дальнейшего улучшения для удовлетворения потребностей QA. в обычном фармацевтическом производственном процессе, особенно когда есть потребность в прогнозировании большого количества API или других ингредиентов, как в поливитаминных составах.Несмотря на то, что обычное значение концентрации достигается с помощью этого типа анализа, ошибки могут быть намного выше, чем ожидается при использовании обычных лабораторных методов. Более того, анализ зависит от формулы и должен повторяться для каждого состава или если рецептура когда-либо изменялась. Следует помнить, что модель, разработанная для одного ингредиента в смеси, должна быть обновлена, если тот же ингредиент отслеживается в другой смеси. Основываясь на реальных наблюдениях за работой, можно сказать, что требуемые улучшения включают: (а) исследование корреляций, существующих между концентрациями некоторых ингредиентов, (б) использование данных для достижения лучшего понимания явлений смешения как функции свойства ингредиентов и (c) изучение физического воздействия частиц на NIRS, чтобы лучше понять шум, который они могут вызывать.

Технология NIR в настоящее время является одним из наиболее эффективных инструментов для непрерывного мониторинга процессов в фармацевтической промышленности благодаря скорости сбора данных и надежным характеристикам. Как упоминалось в Части 1 этого исследования, многие другие модели могут быть применены к спектрам NIR для получения информации аналогичного типа, не требуя фактических значений концентрации всех целевых ингредиентов в фармацевтическом составе. Эти типы анализа могут быть более подходящими для регулярного производства, или можно решить использовать прогноз на основе более чем одного типа модели, чтобы уменьшить возможное смещение одной модели в конкретной партии, в таблице 3 представлено сравнение предлагаемых методов ( плюсы и минусы).Полученный PAT сможет оценить, контролируется ли работа смесительного устройства, и его можно будет использовать для постоянного улучшения или как часть инициативы QbD.

Благодарности

Авторы признательны Wyeth Pharmaceuticals и Национальному совету по научным и инженерным исследованиям Канады (NSERC) за финансирование, связанное с этим проектом. Выражаем благодарность за научный и технический вклад следующих стипендиатов: Антуана Курнуа (Wyeth Pharmaceuticals), Элиан Карон (Университет Шербрука), Карло Бенедетти (SNC-Lavalin Pharma), Гийома Леонарда (Университет Шербрука).

Ссылки

LAPOINTE-GARANT, P.-P., ABATZOGLOU, N., SIMARD, J.-S., Мониторинг NIR процесса фармацевтического смешивания в реальном времени с помощью моделей, полученных из многомерного анализа, WSEAS Proceedings, 2008
ЭЛЬ-ХАГРАСИ, А.С., ДЕЛЬГАДО-ЛОПЕС М., ДРЕННЕН, Дж. К., 3-й, Технологический аналитический подход к контролю процесса смешивания фармацевтических порошков в ближнем инфракрасном диапазоне. Часть II: Качественные модели в ближней инфракрасной области для прогнозирования однородности смеси, J. Pharm. Sci.95 (2) (2006) 407.
WOLD, S., ESBENSEN, K., GELADI, P., Chemom. Intell. Лаборатория. Syst. 2 (1987) 37.
DE HASETH, J.A., AZARRAGA, L.V., Anal. Chem. 53 (1981) 2292.
BLANCO, M., GOZÁLEZ BA, R., BERTRAN E., Мониторинг смешивания порошков в фармацевтических процессах с помощью ближней инфракрасной спектроскопии, Talanta 56 (2002) 203.
BERNTSSON, O., ДАНИЭЛССОН, Л.-Г., ЛАГЕРХОЛЬМ, Б., ФОЛЕСТАД, С., Количественный поточный мониторинг смешивания порошков с помощью спектроскопии отражения в ближнем инфракрасном диапазоне, Технология порошков 123 (2) (2002) 185.
POPO, M., ROMERO-TORRES, S., CONDE, C., ROMAÑACH, RJ, Анализ однородности смеси с использованием потоковой выборки и ближней инфракрасной спектроскопии, AAPS PharmSciTech, статья 24, сентябрь 2002 г.
EL-HAGRASY, AS, ДРЕННЕН, JK 3-е, Технологический подход к контролю процесса смешивания фармацевтических порошков в ближнем инфракрасном диапазоне. Часть III: Количественная калибровка в ближнем инфракрасном диапазоне для прогнозирования однородности смеси и характеристики кинетики смешивания порошков, J. Pharm. Sci.95 (2) (2006) 422.
BYNUM, K., ZIELINSKI, J., PATEL, S., WABUYELE, B., LOBRUTTO, R.