药物工艺开发中溶解度预测模型的评估（阿斯利康） 在合成药物工艺开发中的许多单元操作设计中，溶解度是一个重要属性，然而直接测量潜在溶剂、混合溶剂中的溶解度，有时候并不理想或实用。在制药工业中投入使用的，包括有几种预测化合物在有机溶剂中溶解度的理论模型。ETC(Enabling Technologies Consortium) 合作，需要进行溶解度模型标准测试，以便指导溶解度模型的更好使用。 阿斯利康的研究人员针对一组较为广泛的溶质-溶剂组合，包括24 种溶质和80 种溶剂、混合溶剂，对多种溶解度模型进行了评估。作为 ETC 内部共同努力的一部分，对乙酰唑胺、咖啡因、西咪替丁、桂利嗪、格列本脲、奥美拉唑、扑热息痛、吡罗昔康、利培酮和糖精进行了测量。ETC 合作参与者额外提供了的溶解度的一些内部数据，涵盖了更有限的溶剂范围。 溶解度模型的方法各不相同，包括从第一性原理模型（COSMO-RS 和 COSMO-SAC）到回归模型（R-UNIFAC 和Lovette-Amgen模型）等。作者使用不同的适应度测量，对每种模型的性能进行了广泛的评估。 尽管作者提出了几种不同的性能指标（如准确性、RMSE和MCC），但没有一种指标能够完美地捕捉模型在所有预期情况下的适用性。建议研究者评估每个指标在其预期应用中的重要性，并根据所需数据规模和应用模型的能力来平衡评估。 结果表明，溶解度模型确实可用于化学过程开发，这些模型在性能方面非常具有吸引力。通过有效的初步筛选，能够产生较小的潜在溶剂和溶剂混合物集，以便进一步筛选，而且在后期开发中，能够识别和消除二元体系协同溶解度效应的潜在影响。 从这些模型的总体趋势来看，使用的实验数据越多，总体性能改善越大。使用DSC或参考溶解度时，基于ADF-COSMO的模型通常是最准确的。R-UNIFAC模型在不同任务中的表现各不相同，只有从参考溶剂和多态性处理的选择上将它们区分开来。Lovette-Amgen模型在单溶剂系统的大多数评估中表现得异常出色（使用数据训练了该模型），但二元溶剂评估方面显著落后（数据未用于训练模型）。 Evaluation of Predictive Solubility Models in Pharmaceutical Process Development─an Enabling Technologies Consortium Collaboration, Michael A. Lovette, Jacob Albrecht, Ravi S. Ananthula, Francesco Ricci, Rahul Sangodkar, Mansi S. Shah, and Simone Tomasi, Cryst. Growth Des. 2022, DOI: 10.1021/acs.cgd.2c00368 […]