Rikkomattoman Raman-spektroskopian ja prosessianalyyttisen teknologian (PAT) soveltaminen kasviperäisten lääkeaineiden reaaliaikaiseen hivenepäpuhtausprofilointiin
Abstract
Tausta
Kasviperäiset lääkeaineet (APIs) ja kasviperäiset lääkevalmisteet edellyttävät laatustrategioita, jotka kykenevät hallitsemaan vaihtelua ja kontaminaatioriskejä käyttämällä ”totality of the evidence” -lähestymistapaa. Tämä sisältää kasviperäisen raaka-aineen valvonnan sekä kemiallisen testauksen, kuten spektroskooppiset ja/tai kromatografiset menetelmät. [1] Regulatiiviset ohjeistukset edellyttävät nimenomaisesti torjunta-ainejäämien ja satunnaisten toksiinien (esim. aflatoxins) testausta sekä vierasaineiden ja adulterants-väärennösten hallintaa, mikä motivoi sellaisten nopeiden seulontamenetelmien käyttöä, joita voidaan hyödyntää koko toimitusketjussa ja valmistuksen elinkaaren aikana. [1]
Tavoite
Tämä konseptuaalinen proof-of-concept- ja datasynteesitutkimus arvioi, kuinka rikkomaton Raman-spektroskopia (mukaan lukien SERS-tehostetut variantit) voidaan integroida Process Analytical Technology (PAT) -viitekehykseen kasviperäisten lääkeaineiden reaaliaikaista tai lähes reaaliaikaista hivenepäpuhtausprofilointia varten, painottaen toteutettavuutta, analyyttistä suorituskykyä ja käyttöönoton rajoitteita julkaistun näytön valossa. [2, 3]
Menetelmät
Kokosimme näyttöä, joka osoittaa:
- Raman-spektroskopian herkkyyden kemialliselle rakenteelle ja minimaalisen näytteen valmistelun tarpeen; [2, 4]
- SERS-tehostuksen ja edustavat osoitukset hivenaineiden torjunta-aineista (mukaan lukien ppm–sub-ppb-alueet); [5–8]
- Kemometriset strategiat adulterant-väärennösten todentamiseen ja kvantitatiiviseen ennustamiseen; [9–11]
- PAT-yhteensopivat prosessinseurantaesimerkit ja tunnetut esteet teolliselle soveltamiselle. [3]
Tulokset
Koottujen tutkimusten perusteella Raman ja kemometria erottivat väärennetyt eteeriset öljyt, kun silmämääräinen tarkastus oli riittämätön, ja PCA tarjosi spektraalisen erottelun puhtaiden ja väärennettyjen näytteiden välillä. [9] Kvantitatiivinen Raman-mallinnus (PLSR) saavutti korkean ennustustarkkuuden pitoisuuden ennustustehtävissä, mikä tukee kalibrointiin perustuvan kvantitoinnin uskottavuutta monimutkaisissa formulaatioissa. [10]
Hivenepäpuhtauksien osalta SERS-tutkimukset raportoivat tiettyjen torjunta-aineiden havaitsemisen jopa 1 ppm tasolla hedelmien pinnoilta, ja toisessa työssä mitatut LOD-arvot vaihtelivat välillä 0.001–10 ppm 21 eri torjunta-aineen osalta käyttäen kolloidisia kultananopartikkeleita. [6, 7] Kädessä pidettävä SERS yhdistettynä QuEChERS-asetaattiuuttoon havaitsi useita torjunta-aineita alle EU:n 10 ppb:n MRL-arvon basmatiriisissä valituilla analyyteillä, uuton valmistuessa alle 15 min ajassa, mikä havainnollistaa käytännönläheistä ”seulonta ensin” -työnkulkua. [8]
PAT-käytössä Raman-menetelmän nopeat, rikkomattomat ja noninvasiiviset mittaukset sekä kyky siirtyä laboratoriosta tuotantolinjoille tukevat inline/online-seurantaa. Näyttö kuitenkin korostaa myös sitä, että suurin osa PAT-tutkimuksesta on edelleen laboratoriomittakaavaista ja että Raman-prosessimallien LOD-arvot voivat olla suhteellisen korkeita, jolloin alhaisen pitoisuuden kohteita ei välttämättä havaita uuton seurannassa. [2, 3]
Johtopäätökset
Näyttö tukee toteutettavissa olevaa Raman/SERS-pohjaista PAT-konseptia kasviperäisten lääkeaineiden kontaminaatioriskien hallintaan: käytetään kannettavaa Raman-laitteistoa saapuvan materiaalin autentikointiin ja adulterant-seulontaan; hyödynnetään SERS-moduuleja kohdennettuun torjunta-aineseulontaan; ja integroidaan Raman-pohjaiset monimuuttujamallit PAT-ohjaussilmukoihin, joissa prosessiolosuhteet mahdollistavat vakaan kalibroinnin siirron ja riittävän havaitsemiskyvyn. [3, 12]
Keskeisimmät rajoitukset ovat herkkyys ultra-trace-tason kohteille heterogeenisissä kasviperäisissä matriiseissa, fluoresenssi ja heikot Raman-signaalit sekä validointi- ja mallinsiirtovaatimukset, joita tarvitaan vähennetyn testauksen tai skip testing -lähestymistapojen regulatiiviseen hyväksyntään. [3, 4, 13]
Avainsanat
- Raman-spektroskopia
- SERS
- Prosessianalyyttinen teknologia
- Botanical API
- Torjunta-ainejäämät
- Väärennösten havaitseminen
- Kemometria
- Reaaliaikainen seuranta
Johdanto
Kasviperäisiä lääkeaineita ja kasviperäisiä lääkevalmisteita säädellään laatuparadigmoilla, jotka korostavat terapeuttista yhtenäisyyttä ja tukeutuvat ”totality of the evidence” -lähestymistapaan. Tämä sisältää kasviperäisen raaka-aineen valvonnan ja kemiallisen laadunvalvonnan testauksen, jossa voidaan käyttää spektroskooppisia ja/tai kromatografisia menetelmiä. [1] Tässä paradigmassa kontaminaatio- ja väärennösriskit mainitaan nimenomaisesti laatuhuolina, jotka edellyttävät testausstrategioita, mukaan lukien torjunta-ainejäämien (mukaan lukien alkuperäiset torjunta-aineet ja tärkeimmät toksiset metaboliitit) ja satunnaisten toksiinien, kuten aflatoxins, testausta sekä vierasaineiden ja adulterants-väärennösten hallintaa. [1]
Samanaikaisesti eurooppalainen ohjeistus rohdosaineiden ja -valmisteiden spesifikaatioista määrittelee spesifikaatiot testeiksi, menetelmiksi ja hyväksymiskriteereiksi, joilla varmistetaan laatu vapauttamisen yhteydessä ja kestoajan aikana. Se tunnistaa epäpuhtausryhmät, jotka on käsiteltävä asianmukaisesti, mukaan lukien raskasmetallit/alkuaine-epäpuhtaudet, torjunta-aineiden ja fumiganttien jäämät, mykotoksiinit (aflatoxins, ochratoxin A) ja mikrobikontaminaatio. [13, 14] EMA:n ohjeistus osoittaa myös, että epäpuhtausjäämien jaksottainen testaus (periodic/skip testing) voi olla hyväksyttävää, kun se perustellaan riskinarvioinnilla ja erätiedoilla. Tämä luo selkeän regulatiivisen kannustimen nopeammille seulonta- ja prosessiymmärrystyökaluille, jotka voivat oikeuttaa riskipohjaiset valvontastrategiat turvallisuudesta tinkimättä. [13]
Raman-spektroskopia on ehdokas tällaisiin strategioihin, koska Raman-sironta tarjoaa kemiallisesti spesifisiä ”sormenjälkispektrejä”. Raman-menetelmiä kuvataan yleisesti nopeiksi, rikkomattomiksi ja noninvasiivisiksi, ja niiden näytteenvalmistus on yksinkertaista. Nämä ovat operatiivisia ominaisuuksia, jotka sopivat reaaliaikaiseen päätöksentekoon valmistuksen ja toimitusketjun valvonnan aikana. [2, 4]
Farmaseuttisten Raman-sovellusten katsaukset kuvaavat käyttöalueen ulottuvan laboratoriosta vastaanottolaitureille ja tuotantolinjoille, mikä tarkoittaa, että Raman-spektroskopiaa voidaan pitää paitsi off-line-identifiointityökaluna, myös mahdollisena prosessinaikaisena analyyttisenä sensorina PAT-kontekstissa. [2] PAT määritellään nimenomaisesti työkalujen ja keinojen sarjaksi reaaliaikaisen analyysin ja takaisinkytkentäohjauksen toteuttamiseksi teollisen tuotannon aikana, jotta varmistetaan hallittava tuotantoprosessi ja optimaalinen tuotteen laatu. Värähtelyspektroskooppisten tekniikoiden kuvataan mahdollistavan kasvien sisäisten laatuominaisuuksien online-tyyppisen, reaaliaikaisen ja nopean havaitsemisen prosessoinnin aikana. [3]
Kasviperäisten aineiden hivenepäpuhtausprofilointi on kuitenkin analyyttisesti vaativaa, ja kirjallisuus osoittaa merkittäviä soveltamisen haasteita: suurin osa PAT-tutkimuksesta on tehty laboratoriomittakaavan laitteilla, joissa koeolosuhteet on helpompi hallita, ja Raman-pohjaisilla prosessimalleilla voi olla suhteellisen korkeat LOD-arvot, jotka eivät havaitse alhaisen pitoisuuden kohteita simuloiduissa uutonseurantatehtävissä. [3] Nämä rajoitteet motivoivat kasviperäisten lääkeaineiden suunnitteluun liittyvää kysymystä: miten Raman (ja SERS-tehostettu Raman) voidaan ottaa käyttöön PAT-viitekehyksessä siten, että se tarjoaa nopean, rikkomattoman seulonnan ja mahdollisuuksien mukaan kvantitatiivisia ennusteita, jotka kestävät matriisin ja prosessin vaihtelua, pysyen samalla yhteensopivana epäpuhtauksien hallinnan ja menetelmävalidoinnin riskipohjaisten regulatiivisten odotusten kanssa? [2, 3, 13]
Tämän mukaisesti tässä käsiteltävä tutkimuskysymys on: Voiko julkaistu näyttö Raman- ja SERS-menetelmien suorituskyvystä tukea käytännön PAT-arkkitehtuuria kasviperäisten lääkeaineiden lähes reaaliaikaiseen hivenepäpuhtausprofilointiin, joka täydentää tai seuloo klassisia varmistavia määrityksiä? [3, 6, 8] Työhypoteesina on, että Raman-pohjainen rikkomaton sormenjälkianalyysi on tehokkain porrastettuna PAT-järjestelmänä: (i) Raman + kemometria nopeaan autentikointiin/väärennösseulontaan; (ii) kohdennetut SERS-moduulit hivenaineiden torjunta-aineiden havaitsemiseen relevanteissa matriiseissa; ja (iii) prosessi-Raman-seuranta sisäisille laatuominaisuuksille, joissa herkkyys on riittävä, jolloin riskipohjainen skip-testaus perustellaan datalla ja erähistorialla pelkän sensorin käytön sijaan. [3, 6, 9, 13]
Kvantitatiivinen ennustaminen ja kalibrointiin perustuva päättely
Kvantitatiivisen ennustamisen ja kalibrointiin perustuvan päättelyn osalta Raman-tutkimus methyl eugenol -formulaatioista, joita oli jatkettu xylene-aineella, osoitti, että PCA oli hyödyllinen eri pitoisuuksien Raman-spektriaineistojen erottelussa. Lisäksi PLSR-malli kykeni ennustamaan tuntemattoman näytteen pitoisuuden luotettavasti, mikä osoittaa, että Raman-spektroskopian ja PLSR-mallin yhdistelmällä voidaan saavuttaa korkea ennustuskyky. Tämä korostaa sen potentiaalista hyötyä kvantitatiivisten mallien kehittämisessä tunnetun riskin adulterants-väärennöksille kasviperäisissä lääkeaineissa, kun vertailumateriaaleja on saatavilla [10].
Identiteetin varmistaminen lopputuotteissa
Viivakoodipohjainen Raman-menetelmä on osoittautunut tehokkaaksi lääkeaineiden (APIs) identiteetin varmistamisessa lopputuotteissa. Tekniikka toimii vertaamalla odotetun lääkeaineen ja lopullisen lääketuotteen viivakoodien välistä nollasta poikkeavaa päällekkäisyyttä, jossa spektrit on muunnettu korostamaan Raman-piikkejä [11]. Tätä lähestymistapaa käyttämällä 18 hyväksyttyä lääketuotetta ja yhdeksän simuloitua väärennöstä tunnistettiin 100% tarkkuudella. Tämä tukee Raman-pohjaisen ”sormenjälkien päällekkäisyys” -logiikan toteutettavuutta vankassa identiteetin varmentamisessa formuloiduissa tuotteissa, kunhan sovelletaan asianmukaisia muunnoksia ja päätössääntöjä [11].
Raman-analyysi kasviperäisten 'look-alike'-riskien hallinnassa
Raman-spektrien tunnistusmenetelmiä on käytetty aitojen näytteiden erottamiseen väärennetyistä kasviperäisissä yhteyksissä. Esimerkiksi Phansomba/Phellinus-näytteiden analyysi paljasti selvän eron aitojen ja väärennettyjen yksilöiden välillä. Keskeiset Raman-kaistat (487, 528, 786, 892, 915 ja 1436 cm), jotka ovat ominaisia Phellinus-lajille (erityisesti Ph. merrillii), tunnistettiin, mikä viittaa mahdollisuuteen rakentaa tunnistustietokantoja muiden rohdosvalmisteiden tarkastusprosesseja varten [21].
Rajoituksia on kuitenkin olemassa. Seulonnassa, joka sisälsi 50 kasviperäistä ravintolisää, joiden väitettiin parantavan seksuaalista suorituskykyä, Raman-spektroskopia havaitsi yhdeksän väärennettyä näytettä (neljä sildenafil- ja viisi tadalafil-valmistetta). Se ei kuitenkaan kyennyt antamaan ratkaisevia tuloksia tadalafil-väärennöksestä kahdessa näytteessä, mikä osoittaa varmistavien menetelmien tai tehostettujen spektrintulkintastrategioiden tarpeen tietyissä tapauksissa [22].
4.2 Torjunta-ainejäämät SERS-menetelmällä
Julkaistu näyttö korostaa, että SERS on nopea, rikkomaton tekniikka, joka kykenee havaitsemaan hivenaineiden torjunta-aineita (ppm tai ppb) kasviperäisten kontaminanttien valvontastandardien mukaisesti [1, 6, 19]. Eräs tutkimus osoitti SERS:n kyvyn havaita torjunta-aineita hedelmien pinnoilla jopa 1 ppm tasolla, mikä korreloi hyvin omenoiden regulatiivisten torjunta-ainejäämärajojen kanssa [6].
Kvantitatiiviset SERS-tutkimukset ovat osoittaneet vahvaa kalibrointisuorituskykyä. Esimerkiksi eräs tutkimus raportoi selitysasteiksi (R²) 0.99 aineelle omethoate ja 0.98 aineelle chlorpyrifos, toteamisrajojen (LODs) ollessa vastaavasti 1.63 mg·cm ja 2.64 mg·cm. Tämä korostaa SERS-piikkien intensiteetteihin perustuvien kalibrointimallien toteutettavuutta jäämien kvantitoinnissa [17]. Tässä tutkimuksessa analyyttikohtaisia Raman-piikkejä (413 cm omethoate-aineelle, 346 cm chlorpyrifos-aineelle) käytettiin pitoisuuskartoitukseen kalibrointimallien avulla [17].
Kolloidisilla kultananopartikkeleilla tehostettu SERS on lisännyt Raman-sirontaa 21 eri torjunta-aineesta. Toteamisrajat vaihtelivat välillä 0.001–10 ppm, ja aineiden phosmet ja thiram samanaikainen tunnistaminen omenan kuoresta saavutettiin käyttämällä PCA- ja SERS-menetelmiä [7].
Lehtivihannesmatriisien osalta torjunta-ainejäämien phosmet, thiabendazole ja acetamiprid kalibrointikäyrät osoittivat vahvaa lineaarista korrelaatiota, ja saannot olivat välillä 94.67% ja 112.89%. Saantoon perustuvissa validoinneissa raportoitiin suhteelliset keskihajonnat välillä 3.87% ja 8.56%. Koko testausprosessi, mukaan lukien näytteenotto, spektrianalyysi ja kvantitatiivinen ennustaminen, valmistui alle viidessä minuutissa, mikä on merkittävä parannus perinteisiin kromatografisiin menetelmiin verrattuna [16].
Kasviperäisessä matriisissa SERS osoitti potentiaalia deltamethrin-aineen havaitsemisessa Corydalis-suvun kasveissa. Ensisijainen ominaispiikki tunnistettiin kohdassa 999 cm, ja mallinnuksen lisäykset tuottivat jopa 0.186 mg/L toteamisrajan suoralla havainnoinnilla 999 cm piikistä. PLS-mallin käyttö tuotti myös hyviä ennustavia suorituskykymittareita [23].
Kädessä pidettävät SERS-laitteet yhdistettynä QuEChERS-asetaattiuuttoon osoittivat kyvyn havaita useita torjunta-ainejäämiä basmatiriisissä 15 minuutissa. Torjunta-aineet kuten CBM, THI ja TRI havaittiin alle EU:n enimmäisjäämärajan (MRL) 10 ppb. ACE-aineen toteamisraja jäi kuitenkin 800 ppb tasolle, mikä korostaa analyyttikohtaista vaihtelua herkkyydessä usean jäämän työnkulussa [8].
Dynaamiset SERS-lähestymistavat ovat parantaneet herkkyyttä sessile-drop-konteksteissa, mahdollistaen aineiden paraquat, thiabendazole, tricyclazole ja isocarbophos havaitsemisen ppm- ja ppb-tasoilla. Tämä lähestymistapa hyödyntää nanopartikkelien metastabiilia tilaa haihtumisen aikana erottelukyvyn säilyttämiseksi piikitetyissä vihannesuutteissa. Lineaariset suhteet ominaispiikkien intensiteettien ja pitoisuustasojen välillä vahvistavat tätä menetelmää edelleen [18].
4.3 Mykotoksiini- ja mikrobimarkkeriprofilointi
Regulatiiviset standardit edellyttävät mykotoksiinien ja mikrobiologisen laadun testausta rohdosaineista, keskittyen erityisesti aflatoxins- ja ochratoxin A -yhdisteisiin [13, 24]. Esimerkiksi USP-monografiat määrittelevät aflatoxin B1:n enimmäisrajaksi NMT 5 ppb ja aflatoxins B1, B2, G1 ja G2 summan enimmäisrajaksi NMT 20 ppb [19]. Nämä rajat määrittelevät herkkyyden, joka seulonta- ja varmistusmenetelmien on saavutettava.
Koska pääpaino on Raman/SERS-torjunta-ainehavainnoinnissa ja väärennössovelluksissa, tämä teknologia on parhaimmillaan täydentävänä seulontatyökaluna laajemmassa kontaminanttien hallintastrategiassa. Tämä on linjassa regulatiivisten ohjeiden kanssa, joiden mukaan laadunvalvontaa tulisi tukea kemiallisilla testeillä, kuten spektroskopialla tai kromatografialla, hyödyntäen samalla uusia teknologioita [1, 13].
4.4 Raskasmetallien ja epäorgaanisten kontaminanttien päättely
EMA edellyttää raskasmetallien ja muiden alkuaine-epäpuhtauksien testausta rohdosvalmisteista, ellei muuta osoiteta, luoden regulatiivisen odotuksen hivenepäpuhtausprofiloinnille kasviperäisissä lääkeaineissa [13, 24].
Nykyisessä Raman/SERS-näyttöaineistossa näitä kontaminantteja käsitellään epäsuorasti raaka-aineen identiteetin paremman hallinnan, nopeamman väärennösseulonnan ja korkean riskin näytteiden varmistavan testauksen priorisoinnin kautta. Raman-menetelmiä ei kuitenkaan tällä hetkellä pidetä itsenäisinä menetelminä alkuaine-epäpuhtauksien kvantitointiin ilman lisävalidointia tai täydentäviä teknologioita [1, 13, 21].
4.5 In-line- ja on-line-Raman-PAT kasviperäisessä prosessoinnissa
Prosessianalyyttinen teknologia (PAT) hyödyntää reaaliaikaista analyysia tuotteen laadun ja prosessin hallinnan optimoimiseksi. Raman-spektroskopian kuvataan soveltuvan tähän hyvin tarjoten nopean, noninvasiivisen analyysin, joka on yhteensopiva prosessinaikaisten valmistusolosuhteiden kanssa [3].
Yksi esimerkki Raman-PAT-sovelluksesta on RS-CARS-PLS-mallin käyttö uuttoprosessien seurannassa Wenxin-granulaattien valmistuksessa. Vaikka malli osoitti tehokasta prosessin seurantaa, sen herkkyys alhaisen pitoisuuden analyyteille, kuten saccharides, oli rajallinen – mikä korostaa SERS-menetelmän tai täydentävien tekniikoiden tarvetta hivenaineiden kontaminanttien havaitsemisessa [3].
Teollinen käyttöönotto asettaa lisähaasteita, sillä suurin osa PAT-tutkimuksesta tapahtuu laboratorio-olosuhteissa. Vankkuuteen ja vaihtelun hallintaan on kiinnitettävä huomiota onnistuneen ylösajon ja reaaliaikaisen toteutuksen varmistamiseksi [3].
4.6 Analyyttisen suorituskyvyn vertailu
Perinteinen Raman-spektroskopia tarjoaa nopeita, rikkomattomia kemiallisia sormenjälkiä ilman näytteen esikäsittelyä. Sitä vastoin SERS parantaa herkkyyttä hivenepäpuhtauksien havaitsemiseksi, saavuttaen toteamisrajoja välillä 1 ppm – 0.001 ppm tietyille torjunta-aineille menetelmästä ja matriisista riippuen [4, 5, 6, 7]. Esimerkiksi SERS yhdistettynä kalibrointiin osoitti torjunta-aineiden havaitsemisen lehtivihanneksista korrelaatiokertoimilla jopa 0.98291, ja koko työnkulun valmistuminen kesti vain viisi minuuttia [16].
Autentikointisovelluksissa PCA on ollut hyödyllinen eteeristen öljyjen hienovaraisten spektrivaihteluiden erottamisessa, ja viivakoodipohjaiset Raman-tekniikat osoittivat 100% tarkkuuden väärennettyjen ja aitojen lopputuotteiden tunnistamisessa [9–11].
4.7 Kannettavat ja kädessä pidettävät laitteet raaka-aineiden seulonnassa
Kannettavat Raman-laitteet nähdään aikatehokkaina, rikkomattomina työkaluina, jotka kykenevät nopeasti analysoimaan kasviperäisiä materiaaleja ilman monimutkaista valmistelua. Ne soveltuvat myös rohdosvalmisteiden terveys- ja turvallisuusvaatimusten noudattamisen seurantaan, tarjoten arvokkaan työkalun sekä tehtaalla tapahtuvaan että markkinoille saattamisen jälkeiseen seulontaan [12].
FDA:n regulatiiviset ohjeet korostavat uusia menetelmiä, kuten morfologiaan perustuvaa Raman-spektroskopiaa (MDRS), hyödyllisinä tehtävissä, kuten partikkelikokojakauman karakterisoinnissa, kunhan ne on tuettu tiukalla validoinnilla. Vaikka ne eivät ole kasviperäisille lääkeaineille spesifisiä, nämä menetelmät osoittavat Raman-tekniikan kyvyn täydentää perinteisiä analyyttisiä tekniikoita [25, 26].
Pohdinta
Syntetisoitu näyttö tukee Raman- ja SERS-menetelmiä arvokkaina työkaluina rikkomattomaan, nopeaan seulontaan ja reaaliaikaiseen seurantaan PAT-ympäristöissä. Nämä teknologiat voidaan integroida tehokkaasti kasviperäisten lääkeaineiden kontaminaation hallinnan ja laadunvarmistuksen työnkulkuihin [2, 3, 5].
5.1 Raman- ja PAT-menetelmien vahvuudet verrattuna perinteisiin rikkoviin menetelmiin
Raman-spektroskopia on edullinen nopeutensa, rikkomattomuutensa ja minimaalisten näytteenvalmistusvaatimustensa ansiosta. SERS laajentaa tätä hyödyllisyyttä mahdollistamalla hivenaineiden havaitsemisen tehostusmekanismien kautta. Tämän on osoitettu havaitsevan torjunta-aineita ppb-tasoille asti nopeilla kokonaistyönkuluilla, mikä tekee siitä ihanteellisen alkuseulontaan ja näytteiden valikointiin varmistavia testejä varten [2, 4, 5, 16].
5.2 Rajoitukset
Keskeisiä rajoituksia ovat perusmuotoisten Raman-menetelmien herkkyyshaasteet, erityisesti alhaisen pitoisuuden analyyteille ilman SERS-tehostusta. Raman-pohjaisen PAT:n teollinen käyttö edellyttää myös vaihtelun ja vankan mittakaavan laajentamisen haasteiden voittamista. Lisäksi tukeutuminen kemometrisiin malleihin, kuten PCA ja PLS, tuo mukanaan monimutkaisuutta ja mahdollista epävarmuutta riippuen matriisin vaihtelusta ja mallin koulutuksesta [3, 9, 22, 23].
Regulatiivinen ohjeistus ja Raman-pohjaiset seulontatyökalut
Regulatiivinen ohjeistus tukee kasviperäisten aineiden laatulähestymistapaa, joka perustuu näytön kokonaisuuteen, mukaan lukien kasviperäisen raaka-aineen valvonta ja kemiallisen laadunvalvonnan testit käyttäen spektroskooppisia ja/tai kromatografisia menetelmiä. Tämä tarjoaa konseptuaalisen polun Raman-pohjaisten seulontatyökalujen integroimiseksi yleisiin valvontastrategioihin sen sijaan, että niitä kohdeltaisiin kaikkien klassisten määritysten itsenäisinä korvaajina. [1]
FDA:n ohjeistus edellyttää nimenomaisesti torjunta-ainejäämien ja satunnaisten toksiinien, kuten aflatoxins, sekä vierasaineiden ja väärennösten testausta. Tämä on linjassa Raman/SERS-menetelmien kyvykkyyden kanssa torjunta-aineseulonnassa ja väärennösten havaitsemisessa, vahvistaen tarvetta kontaminanttiluokkien kattavuudelle kattavassa valvontaohjelmassa. [1]
FDA toteaa myös, että hakijoiden tulisi arvioida nykyisiä ja nousevia teknologioita ja kehittää ortogonaalisia analyysimenetelmiä riittävän tunnistamisen ja kvantitoinnin varmistamiseksi. Tämä voidaan tulkita tueksi Raman/SERS-käytölle osana ortogonaalista menetelmäjoukkoa yhdessä varmistavien menetelmien, kuten LC–MS tai muiden määritysten kanssa lopullista kvantitointia varten, erityisesti silloin, kun SERS-suorituskyky riippuu näytteen esikäsittelyn hallinnasta tarkan kvantitoitavuuden saavuttamiseksi suhteessa LC–MS-menetelmään. [1, 27] Tätä näkemystä tukien tutkimus, jossa verrattiin SERS- ja LC–MS-menetelmiä odottamattoman herbicide-aineen havaitsemisessa monimutkaisesta matriisista, raportoi SERS-menetelmän osoittavan korkeaa herkkyyttä ja parempaa havaitsemistehokkuutta ultra-trace-tason kohteille, kun taas LC–MS tarjosi tarkemman kvantitoitavuuden hyvin hallitun näytteen esikäsittelyn ansiosta. Tämä motivoi porrastettua arkkitehtuuria: SERS nopeaan herkään havaitsemiseen ja LC–MS varmistavaan kvantitointiin. [27]
EU:ssa EMA:n spesifikaatio-ohjeistus määrittelee spesifikaatiot ja tunnistaa käsiteltävät kontaminanttiryhmät (mukaan lukien raskasmetallit, torjunta-ainejäämät, mykotoksiinit, mikrobikontaminaatio). Se sallii jaksottaisen testauksen (skip testing), kun se on perusteltu riskinarvioinnilla ja erätiedoilla, mikä tarkoittaa, että Raman/PAT-datavirrat voisivat tarjota tukevaa näyttöä riskipohjaisille testausstrategioille, jos ne on validoitu ja niiden osoitetaan havaitsevan oleelliset poikkeamat oikea-aikaisesti. [13, 14]
5.4 Riskipohjainen käyttöönottostrategia ja elinkaaren hallinta
USP-ohjeistus osoittaa, että testauksen laajuus voidaan määrittää riskipohjaisella lähestymistavalla, jossa huomioidaan kontaminaation todennäköisyys. Tämä tukee strategiaa, jossa Raman/SERS-seulonnan intensiteetti ja varmistava testaus kohdennetaan riskitekijöiden, kuten lähteen, maantieteen, erähistorian ja aiemman seulontadatan perusteella. [19] EMA osoittaa vastaavasti, että jaksottainen testaus voi olla hyväksyttävää perusteltuna, ja perusteluissa tulisi huomioida kasvimateriaali, viljely-/tuotanto-olosuhteet, naapuritilojen kontaminaatio, maantieteellinen alkuperä ja tukeutua riskinarviointiin ja erätietoihin, mikä vahvistaa datarikkaiden seurantajärjestelmien tarvetta ad hoc -testauksen vähentämisen sijaan. [13]
Tässä riskipohjaisessa kontekstissa Raman-pohjainen PAT voidaan nähdä nopeiden, toistettavien sormenjälkien ja seulontatulosten tuottajana, joka tukee trendien seurantaa ja poikkeavien erien nopeaa tunnistamista. Varmistavat määritykset varataan seulonnassa merkityille erille tai seulontajärjestelmän suorituskyvyn ja kalibroinnin vakauden säännölliseen todentamiseen. [2, 13] Viivakoodipohjainen lääkeaineiden tunnistusmenetelmä ja kädessä pidettävä eteeristen öljyjen väärennösten havaitseminen havainnollistavat, kuinka vankat päätössäännöt (viivakoodien päällekkäisyys, voimakkaat diagnostiset kaistat) voivat yksinkertaistaa seulontapäätöksiä joissakin yhteyksissä, kun taas PCA-pohjainen erottelu osoittaa, missä tarvitaan monimuuttujamalleja herkkyyden säilyttämiseksi hienovaraisille väärennöskuvioille. [9, 11, 20]
Raman-menetelmien elinkaaren hallintaan viitataan myös FDA:n havainnoissa MDRS-hakemuksista: puuttuvat validointitiedot toistettavuudesta ja tarkkuudesta ovat puutteita, mikä korostaa, että Raman-pohjaiset PAT-menetelmät on kehitettävä siten, että validointi ja suorituskyvyn dokumentointi ovat keskeisiä tuotoksia viranomaisasioinnissa. [25]
5.5 Tulevaisuuden näkymät
Näyttö viittaa useisiin teknisiin suuntiin Raman-pohjaisen PAT-menetelmän toteutettavuuden lisäämiseksi hivenepäpuhtauksille. Ensinnäkin tekniikoiden lisääntynyt kirjo (Fourier-muunnos-Raman, resonanssi-Raman, konfokaalinen Raman ja SERS) kuvataan mahdollisina Raman-signaalien vahvistamiseen sekä instrumenttien ja näytteiden käsittelyn kehittämiseen. Tämä tukee strategiaa, jossa tekniikkavariantit valitaan matriisin ja herkkyystarpeiden mukaan sen sijaan, että luotettaisiin yhteen Raman-konfiguraatioon kaikissa kasviperäisissä prosesseissa. [4]
Toiseksi, SERS-selektiivisyyttä voidaan parantaa funktionalisoimalla nanorakenteita reseptorimolekyyleillä, kuten aptameereilla. Tämä osoittaa tien kohti kohdennettuja hivenepäpuhtausmäärityksiä, jotka on upotettu PAT-moduuleihin tilanteissa, joissa häiriöt ovat merkittävä riski. [5]
Kolmanneksi, kuvantamiseen perustuvien SERS-lähestymistapojen kuvataan mahdollistavan reaaliaikaisen seurannan ja kontaminaation paikallistamisen kasvikudoksen pinnoilla tai sisällä. Tämä viittaa siihen, että tulevat kasviperäisten lääkeaineiden työnkulut voisivat sisältää spatiaalisesti eroteltua kontaminaatiokartoitusta korkean riskin materiaaleille tai kontaminaatioreittien tutkimiseen. [5] Lopuksi käytännön käyttöönottopotentiaalia tukevat johtopäätökset, joiden mukaan SERS voitaisiin ottaa laajemmin käyttöön nopeissa ja paikan päällä tehtävissä elintarviketurvallisuuden ja ympäristön seurannan työkaluissa, sekä näyttö siitä, että kannettavia Raman-laitteita voidaan käyttää rohdosvalmisteiden terveys- ja turvallisuusvaatimusten seurantaan kuluttajamarkkinoilla, mikä korostaa jatkumoa kenttäseulonnasta valmistuksen PAT-järjestelmiin. [12, 27]
6. Johtopäätökset
Tämä konseptuaalinen näyttösynteesi osoittaa, että Raman-spektroskopia on hyvin linjassa PAT-tavoitteiden kanssa, koska se on nopeaa, rikkomatonta, noninvasiivista ja yksinkertaista näytteenvalmistuksessa. Raman-sovellusten kuvataan ulottuvan laboratoriosta tuotantolinjoille, mikä tukee elinkaarinäkemystä Raman-pohjaisesta mittauksesta saapuvan raaka-aineen seulonnasta prosessinaikaiseen seurantaan. [2]
PAT määritellään nimenomaisesti mahdollistamaan reaaliaikainen analyysi ja takaisinkytkentäohjaus hallittavien tuotantoprosessien ja optimaalisen laadun varmistamiseksi. Värähtelyspektroskopian kuvataan mahdollistavan kasvien sisäisen laadun online-tyyppisen reaaliaikaisen nopean havaitsemisen prosessoinnin aikana, tarjoten konseptuaalisen perustan Raman-sensorin sijoittamiselle kasviperäisten aineiden valmistuksessa. [3]
Hivenepäpuhtauksien osalta SERS tarjoaa vahvimman näyttöpohjan herkkyydestä, tehostuksen mahdollisesti saavuttaessa ultra-trace-tunnistusrajat jalometalleilla, ja useiden torjunta-ainetutkimusten osoittaessa ppm–ppb- ja jopa matalia nanomolaarisia tunnistusalueita kvantitointimittareilla ja nopeilla työnkuluilla (esim. 5 min kokonaistestiaika; <15 min uutto). [5, 8, 16, 18] Kemometria on välttämätöntä monille aitouden varmistus- ja kvantitointitehtäville, koska silmämääräinen tarkastus voi olla riittämätön väärennösten havaitsemiseen, kun taas PCA ja PLSR ovat osoittaneet kykynsä erottelussa ja kvantitatiivisessa ennustamisessa. [9, 10]
Ensisijaiset rajoitukset kasviperäisten lääkeaineiden reaaliaikaiselle hivenepäpuhtausprofiloinnille ovat herkkyysrajoitukset tehostamattomissa Raman PAT -prosessimalleissa (kuten suhteellisen korkeat LOD-arvot uuton seurannassa) sekä vankkuus- ja validointihaasteet PAT:n skaalaamisessa laboratoriosta tuotantoon, yhdessä matriisista johtuvan epävarmuuden kanssa joissakin väärennösseulontatapauksissa. [3, 22] Näin ollen näytön tukema suositeltavin toiminnallinen ratkaisu on porrastettu PAT-arkkitehtuuri:
- Kannettava Raman + kemometria nopeaan autentikointiin/väärennösseulontaan.
- Kohdennetut SERS-määritykset korkean riskin torjunta-ainejäämille.
- Varmistavat ortogonaaliset menetelmät, kun kvantitoitavuus ja regulatiivinen päätöksenteko edellyttävät korkeampaa varmuutta, mikä on linjassa ortogonaalisia menetelmiä koskevien regulatiivisten odotusten ja skip-testauksen riskipohjaisten perustelujen kanssa. [1, 5, 12, 13, 27]
Rahoitus
Ei ulkopuolista rahoitusta. [1]
Eturistiriidat
Kirjoittajat ilmoittavat, ettei heillä ole eturistiriitoja. [1]
Tietojen saatavuus
Kaikki tässä konseptuaalisessa tutkimuksessa käytetyt tiedot on johdettu tässä syntetisoiduista viitatuista julkaistuista lähteistä ja regulatiivisista asiakirjoista. [1, 14]
Kuva 1
Kuva 1. Konseptuaalinen PAT-työnkulku kasviperäisten lääkeaineiden kontaminaatioriskien hallintaan integroimalla rikkomaton Raman ja SERS: saapuvan kasviraaka-aineen seulonta käyttäen nopeaa, rikkomatonta Raman-sormenjälkianalyysia vastaanottopisteissä; kemometriset autentikointi-/väärennöstarkistukset (esim. PCA-pohjainen erottelu; viivakoodien päällekkäisyyteen perustuva identiteetin varmistus) identiteetin varmistamiseksi; kohdennetut SERS-moduulit hivenaineiden torjunta-aineiden seulontaan ja nopeaan kvantitatiiviseen ennustamiseen (ppm–ppb-herkkyys lyhyillä mittausajoilla); prosessinaikainen Raman-seuranta valmistusyksiköissä PAT-viitekehyksessä reaaliaikaisena analyysina ja takaisinkytkentäohjauksena; sekä riskipohjaiset jaksottaiset varmistus-/skip-testauspäätökset, joita tukevat erähistoria ja muodolliset riskinarvioinnit EMA/USP-ohjeistuksen mukaisesti. [2, 3, 6, 9, 11, 13, 16, 19]
Taulukko 2
| Kontaminantti-/väärennösluokka | Raman/SERS-konfiguraatio | PAT-integraatiopisteet |
|---|---|---|
| Raskasmetallit | Rikkomaton Raman-seulonta | Raaka-aineen seulonta |
| Torjunta-ainejäämät | Kohdennetut SERS-moduulit | Hivenseulonta |
| Mykotoksiinit | Kemometrinen erottelu | Autentikointitarkistukset |
Taulukko 3
| Regulatiivinen/kompendiaalinen ankkuri | Raman-pohjainen PAT-linjaus |
|---|---|
| USP-ohjeistus | Valvottu seulonta, riskipohjaiset testausstrategiat |
| EMA-spesifikaatiot | Kontaminanttiryhmien noudattaminen, jaksottaisen testauksen perustelut |
| FDA-suositukset | Tukee ortogonaalisia menetelmiä, elinkaaren hallintaa |
