ｋNN과 앙상블을 이용한 항결핵약 캡슐제의 용출 예측 연구 (A Study on Dissolution Prediction of Anti-Tuberculosis Capsules Using kNN and Ensemble Algorithm)

서지정보

· 발행기관 : 한국산학기술학회
· 수록지 정보 : 한국산학기술학회논문지 / 24권 / 1호 / 531 ~ 537페이지
· 저자명 : 김선호, 최낙훈, 오종석

초록

이 연구에서는 항결핵약 캡슐 제제에 대하여 머신러닝을 통해 원료의 물리적, 화학적 실험 결과만을 갖고 완성된 제품의 용출률 예측을 진행하였다. 적용된 방법은 제약분야 QbD(Quality by Design)에 적용되는 회귀분석을 이용하여 용출에 중요한 인자를 도출한 후, 머신러닝 기법을 이용하여 학습하고 예측 결과를 도출하여 실제값과 비교 분석하고자 하였다. 우선 시험한 데이터를 입력 조건으로 하고 용출과 정량적으로 연결하는 행위를 통하여 변수들과의 상관관계를 확인하였다. 회귀분석을 통해 변수의 중요도를 파악한 뒤 중요도에 따라서 약물 용출에 영향이 높은 변수를 도출하였다. 다음으로 500번 반복을 통한 최적화 과정을 거친 머신러닝 알고리즘의 결과와 비교하였으며, 사용된 데이터는 수년간의 제약 생산 과정에서 기록된 로트 데이터 중 512개의 데이터를 활용한다. 회귀분석 방법을 통하여 중요 원료 품질특성 18종류를 입력하여 상관성 분석 결과, 예측에 영향을 미치지 않는다고 판단되는 인자 10가지를 제외하였다. 위 결과를 토대로, 머신러닝을 통한 용출률 예측 결과 95% 예측 정확도가 도출되었으며, 이는 현장에서 실용적으로 즉시 사용 가능한 결과이다. 본 연구를 통하여 원료 품질특성만을 이용해 완제품의 용출을 예측할 수 있다면 초기 개발 시 연구 기간을 단축시킬 수 있으며 더 낮은 비용으로 의약품을 생산하여 더 나은 환자 치료에 기여할 수 있을 것이다.

영어초록

In this study, the dissolution of the finished product was predicted using only the physical and chemical experimental results of the raw material by machine learning for an anti-tuberculosis drug capsule. The method used was to derive important factors for elimination using regression analysis in the pharmaceutical field QbD (Quality by Design) and then to derive learning and prediction results using machine learning techniques to compare and analyze them with actual values. First, the correlation between variables was confirmed by quantitatively connecting dissolution as an input condition with the tested data. After determining the importance of variables through regression analysis, variables with strong effects on drug dissolution were derived according to their importance. Next, it was compared with the results of a machine learning algorithm that has undergone an optimization process through 500 iterations. The data used utilized 512 data points among lot data recorded during the years of pharmaceutical production. Through the regression analysis method, 18 important raw material quality characteristics were input. Correlation analysis revealed 10 factors that did not affect the prediction and were excluded. The prediction accuracy of 95% for the dissolution rate was derived as a result of prediction through machine learning, which can be used practically in the field. Drug production and better patient treatment can be accomplished in less time and at a lower cost during initial development if the dissolution of the finished product can be predicted using only the raw material quality characteristics.

참고자료

· 없음