May 19th, 2023
本协议描述了一种基于Box-Behnken设计响应面结合熵法优化高原大麦酒铁棒翠加工工艺的有效方法。
由于公司过去对具有毒性作用的药物进行辩论,铁邦翠对于毒性衰减对于临床应用极为重要。铁邦翠高原大麦酒的优化工艺简单、可见、稳定。这可以为工业生产提供这种差异。
Box-Behnken设计与熵法相结合,可以对优化条件进行表间观察,并已广泛应用于化学,制药和食品精密度。演示该程序的将是我实验室的硕士生于丽琼。首先,取500克黑高原大麦米,加水至米饭量的五倍。
将米饭煮大约两个小时,或直到剩余的水被吸收。煮熟后,将米饭倒出,等到温度降至37摄氏度。米饭中加入四克酒,拌匀。
密封罐子,并用棉绒包裹容器。然后,让它炖七天。第七天加入300毫升水,重新密封容器。
第八天,取出酒。并用300毫升水代替。正确密封容器,让它发酵一天。
将收集的葡萄酒倒入容器中。接下来,将铁棒翠或TBC准确称量到容器中,并加入高原大麦酒将混合物浸泡一天。第二天,在恒温电烘箱中干燥。
配制供试品溶液,精密称取TBC处理品粉末置锥形瓶中2克,加40%氨溶液。接下来,用50毫升异丙醇和乙酸乙酯的混合物以等比例进行超声辅助提取30分钟。为了进行高原大麦酒添加测试,设置了五组,每组有30克1.0厘米厚的TBC。
向每组含有TBC的Hyland大麦酒中加入不同量的Hyland大麦酒,并将切片浸泡12小时。要进行浸泡时间测试,请设置五组,每组有 30 克 1.0 厘米厚的 TBC。用高原大麦酒浸泡TBC,其用量是所有组中TBC量的五倍,时间间隔不同。
要进行切片厚度测试,请设置五组,其中30克TBC,切片厚度不同。将TBC与高原大麦酒一起浸泡24小时,其TBC含量是所有组的TBC量的五倍。如前所述,为每个测试组准备测试样品溶液,以及加工后的产品。
接下来,通过HPLC确定每个样品的峰面积。使用标准曲线估计单酯-二萜类生物碱(MDA)和二酯-二萜类生物碱(DDA)的量。以MDAs含量和DDAs总含量为评价指标,确定各评价指标的权重系数,采用熵法进行综合评分。
使用公式二来标准化MDA的含量,其中XIJ是第I个样本的第J个指标的值,并使用公式3来标准化DDA的总含量。使用等式四计算第 I 个评估指标 PIJ 下第 J 次试验的概率,并使用等式 5 计算信息熵 HJ。使用公式 6 计算指标权重,使用公式 7 计算指标的综合评分。在计算机上打开软件。
依次单击"新建设计"、"响应曲面",然后选择"Box-Behnken 设计"。输入研究中实验的影响因子数量和信息级别,然后单击"继续"。输入响应值的数量,然后单击完成以完成该过程。
然后,将等式 2 到 7 的综合评分设置为响应。接下来,根据设计结果用高原大麦酒处理TBC,并根据针对响应面设计的17个场景完成实验。如前所述制备样品溶液,并使用HPLC计算MDA和DDA的总含量。
单击分析,分析数据和模型信息。在顶部菜单中通过方差分析执行统计验证,并观察结果表。单击"优化",然后单击"数字"以查看预测的最佳工艺条件。
单击分析、模型图,然后单击 3D 曲面以查看软件绘制为三维图的响应曲面分析。通过苯甲酰乌头碱、乌头碱、3-脱氧乌头碱和3-乙酰乌头碱峰面积的相对标准偏差评估的精密度测试结果表明,仪器的精密度良好。稳定性测试表明,所有样品溶液均稳定24 h。
重复性试验结果表明,该方法的重复性显著。回收率实验结果表明,苯甲酰乌头碱的平均回收率为99.7%,乌头碱为100.84%,3-脱氧乌头碱为103.27%,3-乙酰乌头碱为100.92%。用高原大麦酒加工的TBC单因素试验显示,高原大麦酒的用量是TBC的5倍,浸泡时间为36小时,切片厚度为1.0厘米。
此处列出了响应面模型的实验设计和结果。按效果的强弱建立因子顺序,其中高原青稞酒添加量较高,药材切片厚度次之,然后是浸泡时间。必须对单个因子的每个条件进行三个周期的实验,以提高后续结果的准确性。
优化极化技术可以为研究有毒语调生产其他有毒伦理药物提供信息和指导。
View the full transcript and gain access to thousands of scientific videos
本协议概述了一种利用高粱酒优化铁棒春加工技术的高效方法。该方法采用Box-Behnken设计响应面结合熵法来提高加工稳定性和可视性。
Standardizing the processing of toxic ethnomedicines like Tiebangchui is critical for ensuring safety and consistency in pharmaceutical R&D pipelines. The integration of Box-Behnken design with the entropy method enables robust optimization of processing parameters, directly supporting reproducibility and industrial scalability. This approach enhances predictive confidence at the interface of discovery and process development, reducing risk in downstream applications.
This optimization method bridges early discovery and process development, informing both lead identification and preclinical material supply.