一种适用于新药开发的受限工艺参数持续优化方法技术

本发明专利技术涉及一种适用于新药开发的受限工艺参数持续优化方法，预先设置待优化步骤中的工艺参数或化合物合成参数限度，且预先设置待优化步骤的指标性结果，后通过区分初始模式与持续优化模式两种模式，分别执行随机参数下的指标性结果收集，与优化参数下的指标性结果收集；本发明专利技术提供了一种能够实现新药研发实验全流程降本增效的适用于新药开发的受限工艺参数持续优化方法。数持续优化方法。数持续优化方法。

【技术实现步骤摘要】
一种适用于新药开发的受限工艺参数持续优化方法


[0001]本专利技术涉及管理方法的相关
，尤其涉及一种适用于新药开发的受限工艺参数持续优化方法。

技术介绍

[0002]新药开发过程中，在有效成分合成工艺找到后，会对其合成工艺、制剂加工工艺进行一系列参数上的探索与优化，以获得更高的产率、更少的杂质、更稳定的产品。
[0003]在化合物合成开发过程中，常见的参数确定方式是在基于自变量参数正交实验的基础上、通过经验与化学反应规律上的判断综合确定的，但对于新化学分子而言，这种方法只能证明合成参数可行，但无法简单地被确定为最优方法，即存在一定的效率降低与成本增加；同理，在制剂工艺开发过程中，参数确定的方式与效果也类似。
[0004]目前现有技术中，缺乏一种针对新药开发的化合物合成参数以及制剂工艺参数的、通用于任何可导参数引起可导结果指标变化的、参数持续性优化的方法。

技术实现思路

[0005]为解决上述技术问题，本专利技术的目的是提供一种适用于新药开发的受限工艺参数持续优化方法，能够在新药开发领域的化合物合成参数、制剂工艺参数两大方面，针对任何可导参数引起可导结果指标变化的过程，实现全局最优参数组合的自动优化，有效解决了传统的合成参数、工艺参数确定过程中，出现的参数组合非全局最优，导致成本较高、效率过低的问题，实现新药研发在化合物合成、制剂工艺领域的降本增效。
[0006]为实现上述目的，本专利技术采用如下技术方案：
[0007]1、一种适用于新药开发的受限工艺参数持续优化方法，其特征在于，包括以下步骤：
[0008]S1、设置工艺参数的范围以及与工艺参数相关联的评价指标；
[0009]S2、挑选位于步骤S1中工艺参数的范围内的随机受限工艺参数作为实际参数值；
[0010]S3、使用实际参数值进行实验操作，收集实验数据，获得评价指标；
[0011]S4、记录步骤S3中使用到的实际参数值和获得的评价指标；
[0012]S5、判断是否收集到足够的实际参数值和评价指标的数据，若是，将进行下一步，若否，将重复步骤S2至步骤S4，继续收集实际参数值和评价指标的数据；
[0013]S6、将步骤S4中收集到的实际参数值和评价指标通过持续优化获得优化后的参数值；
[0014]S7、检查步骤S6中获得的优化参数值是否处于工艺参数的范围内，若是，将进行步骤S3和S4，若否，将重复步骤S6。
[0015]对本专利技术提供的一种适用于新药开发的受限工艺参数持续优化方法进行改进，所述步骤S6中的持续优化采用的是人工神经网络算法。
[0016]对本专利技术提供的一种适用于新药开发的受限工艺参数持续优化方法进行改进，所
述人工神经网络算法指的是将实际参数值组合成为一个数列作为实际输入I，并将获得的评价指标作为理论输出O1，对实际输入I经过人工神经网络计算、生成人工神经网络算法的实际输出O2，根据实际输出O2与理论输出O1的结果差D，判断结果差D越大，实际参数值的数值越劣。
[0017]对本专利技术提供的一种适用于新药开发的受限工艺参数持续优化方法进行改进，所述人工神经网络算法还将通过对结果差D的拟合函数求导、导数下降的方向作为参数值优化的方向。
[0018]对本专利技术提供的一种适用于新药开发的受限工艺参数持续优化方法进行改进，在多维参数的算法中，是通过梯度下降算法，找出参数的优化方向，并通过反向传播算法，将更优的调整值反向传入人工神经网络的更浅层级，从而实现对参数值的优化，对优化后的参数值作为当前最优参数值。
[0019]对本专利技术提供的一种适用于新药开发的受限工艺参数持续优化方法进行改进，检查所述最优参数值是否位于所述步骤S1中的工艺参数范围内，将自动生成的、超出工艺参数范围的值，修正到工艺参数范围内，作为合法的当前最优参数值，并重复步骤S3和步骤S4，从而通过持续优化获得更优的参数值。
[0020]对本专利技术提供的一种适用于新药开发的受限工艺参数持续优化方法进行改进，所述步骤S2至步骤S4设为初始模式，所述步骤S6和步骤S7设为持续优化模式。
[0021]对本专利技术提供的一种适用于新药开发的受限工艺参数持续优化方法进行改进，所述步骤S6中获得的优化后的参数值可以通过不断重复的持续优化模式来获得。
[0022]借由上述方案，本专利技术至少具有以下优点：
[0023]1、简单化：
[0024]本方法除了正常参数开发必要进行的准备、操作、统计的工作之外，只需要一次性在最开始设置参数的可接受范围以及相应指标，不需要做更多额外工作；
[0025]2、优化结果可量化：
[0026]本方法的结果指标直接参与方法计算，优化的效果可通过数值演算直接得出并进行量化评价；
[0027]3、持续优化：
[0028]本方法在工艺操作与参数优化流程上是同步的，即操作、实验的同时，相应的工艺参数就能得到优化，操作越多，优化效果越好；
[0029]4、相对通用性：
[0030]本方法针对新药开发领域受限工艺参数在限定范围内的可导变化，可以得出相应指标的变化在排除随机影响因素后依然可导，即可适用于本方法；
[0031]5、渐进式：
[0032]本方法能够在既有的开发流程基础上，渐进式地参与参数优化过程，即：仅仅先进行较少工艺参数和指标的导入，就可具备相应的工艺优化机能，后续也可随着工艺参数和指标的不断加入，来最终扩大到对整个流程涉及到的参数进行优化，这个过程是一个渐进式的过程；
[0033]6、资源占用少：
[0034]本方法不需要额外工具、材料的辅助，可仅通过计算实现，还可通过计算机程序实
现更进一步的自动化，降本增效；
[0035]7、模块化：
[0036]本方法的参数优化部分，其方法是可选的，既可以使用本文提到的人工神经网络算法，亦可使用诸如蒙特卡洛算法、强化学习等方法进行，可以在不同的应用环境中选择更优的算法，来获得最好的参数优化结果；
[0037]8、合规性：
[0038]本方法从原理上保证了，不会有使用限制条件以外的参数进行开发、操作的情况出现。
[0039]上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，并可依照说明书的内容予以实施，以下以本专利技术的较佳实施例并配合附图详细说明如后。
附图说明
[0040]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0041]图1是适用于新药开发的受限工艺参数持续优化方法的流程图。
具体实施方式
[0042]下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种适用于新药开发的受限工艺参数持续优化方法，其特征在于，包括以下步骤：S1、设置工艺参数的范围以及与工艺参数相关联的评价指标；S2、挑选位于步骤S1中工艺参数的范围内的随机受限工艺参数作为实际参数值；S3、使用实际参数值进行实验操作，收集实验数据，获得评价指标；S4、记录步骤S3中使用到的实际参数值和获得的评价指标；S5、判断是否收集到足够的实际参数值和评价指标的数据，若是，将进行下一步，若否，将重复步骤S2至步骤S4，继续收集实际参数值和评价指标的数据；S6、将步骤S4中收集到的实际参数值和评价指标通过持续优化获得优化后的参数值；S7、检查步骤S6中获得的优化参数值是否处于工艺参数的范围内，若是，将进行步骤S3和S4，若否，将重复步骤S6。2.如权利要求1所述的一种适用于新药开发的受限工艺参数持续优化方法，其特征在于：所述步骤S6中的持续优化采用的是人工神经网络算法。3.如权利要求2所述的一种适用于新药开发的受限工艺参数持续优化方法，其特征在于：所述人工神经网络算法指的是将实际参数值组合成为一个数列作为实际输入I，并将获得的评价指标作为理论输出O1，对实际输入I经过人工神经网络计算、生成人工神经网络算法的实际输出O2，根据实际输出O2与理论输出O1的结果差D...

【专利技术属性】
技术研发人员：何雨航，
申请(专利权)人：吉斯凯苏州制药有限公司，
类型：发明
国别省市：