پیوندهای مفید
آمار
| تعداد نشریات | 21 |
| تعداد شمارهها | 675 |
| تعداد مقالات | 9,819 |
| تعداد مشاهده مقاله | 69,697,894 |
| تعداد دریافت فایل اصل مقاله | 49,109,014 |
کنترل کیفیت متفورمین در نمونههای پودری با استفاده از تصویربرداری ابرطیفی و مدلهای یادگیری ماشین | ||
| شیمى کاربردى روز | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 15 آذر 1404 | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22075/chem.2025.37869.2370 | ||
| نویسندگان | ||
| فاطمه هاتفی؛ زهرا بوالحسنی؛ هادی پرستار شهری* | ||
| دانشکده شیمی، دانشگاه صنعتی شریف، تهران، ایران | ||
| تاریخ دریافت: 04 خرداد 1404، تاریخ بازنگری: 08 مهر 1404، تاریخ پذیرش: 15 آذر 1404 | ||
| چکیده | ||
| با توجه به رشد فزاینده تولید و مصرف داروهای ژنریک در سطح جهانی و افزایش خطر ورود محصولات دارویی تقلبی و غیراستاندارد، ابداع روشهای نوین، سریع و غیرمخرب برای کنترل کیفیت داروها از اهمیت ویژهای برخوردار است. در این پژوهش، از فناوری تصویربرداری ابرطیفی در محدوده مرئی تا زیر قرمز نزدیک (Vis-NIR HSI) بههمراه روشهای کمومتریکس /یادگیری ماشین برای ارزیابی دوز ماده مؤثره متفورمین در نمونههای پودری استفاده شد. نمونهها در سه دسته با دوز استاندارد(SD)، غیر استاندارد پایین(LD) و غیر استاندارد بالا (HD) تهیه شدند. پس از جمعآوری دادههای تصویری ابرطیفی، از میانگینگیری طیفی، تحلیل مؤلفههای اصلی (PCA)، روش حداقل مربعات جزئی-تحلیل تمایزی (PLS-DA) و دو الگوریتم یادگیری ماشین شامل شبکه عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) برای تحلیل و طبقهبندی دادهها بهره گرفته شد. نتایج نشان داد که مدلهای کمومتریکسی، بهویژه شبکه عصبی مصنوعی و حداقل مربعات جزئی-تحلیل تمایزی ، توانستهاند سه گروه مورد نظر را با دقت و صحت بالا از یکدیگر تفکیک نمایند. تصویربرداری ابرطیفی در بازه طولموجی 400 تا 950 نانومتر، در کنار پردازشهای آماری، ابزاری مؤثر و کارآمد در شناسایی کیفیت متفورمین و تمایز نمونههای استاندارد و غیراستاندارد فراهم کرده است. | ||
| کلیدواژهها | ||
| تصویربرداری ابرطیفی؛ متفورمین؛ کنترل کیفیت؛ کمومتریکس؛ یادگیری ماشین؛ شبکه عصبی مصنوعی | ||
| عنوان مقاله [English] | ||
| Quality Control of Powdered Metformin Using Hyperspectral Imaging and Machine Learning Models | ||
| نویسندگان [English] | ||
| Fatemeh Hatefi؛ Zahra Bolhasani؛ Hadi Parastar | ||
| Department of Chemistry, Sharif University of Technology, Tehran, Iran | ||
| چکیده [English] | ||
| Given the global growth in the production and consumption of generic drugs and the increasing risk of counterfeit or substandard pharmaceutical products, the development of novel, rapid, and non-destructive quality control methods has become critically important. In this study, hyperspectral imaging (HSI) in the visible to near-infrared range (Vis-NIR, 400–950 nm), combined with chemometric/machine learning techniques, was employed to assess the active pharmaceutical ingredient (API) content of metformin in powder-based samples. Samples were classified into three dosage groups: standard dose (SD), low non-standard dose (LD), and high non-standard dose (HD). Hyperspectral imaging data were processed using spectral averaging, principal component analysis (PCA), partial least squares-discriminant analysis (PLS-DA), and machine learning algorithms including artificial neural network (ANN) and support vector machines (SVM). Results demonstrated that chemometric models, particularly ANN and PLS-DA, could effectively differentiate between the three sample groups with high accuracy. The combination of Vis-NIR HSI and statistical modelling proved to be a powerful tool for detecting metformin dosage levels and distinguishing standard from non-standard pharmaceutical compositions. | ||
| کلیدواژهها [English] | ||
| Hyperspectral Imaging, Metformin, Quality Control, Chemometrics, Machine Learning, Artificial Neural Network | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 4 |
||