Multi-index optimization of Hantaoye micro-pills based on Box-Behnken response surface method combined with BP neural network

Abstract

Abstract:

ObjectiveThe Box-Behnken response surface methodology combined with BP neural network was used to optimize the preparation process of Hantaoye micropills.Methodspreparation of micropills of Hantaoye by extrusion rounding method was utilized， based on the one-way test，the ratio of micronized silica gel to MCC， wetting agent， loading capacity， rounding frequency and rounding time of excipients were examined as factors，and yield（%）， roundness， HR （hausner ratio） and brittleness（%） are used as evaluation indexs， based on G1-entropy weighting method， the evaluation indexs are combined and the comprehensive evaluation results are calculate-d， so as to optimize the prescription composition and its preparetion process， and a BP neural netw-ork model was established to select reasonable date for learning and validating and predicting theoptimal preparation process of Hantaoye micropills.ResultsThe optimum process for the preparation of Hantaoye micropills predicted by Box-Behnken response surface methododology and BP neural network was 1∶3（g∶g） ratio of micronized silica gel to MCC， 25% drug loading， and 22 round-ing frequency. The results of the validation test show that the absolute error of the mean value of the comprehensive evaluation results of the Box-Behnken response surface method with the theoretical value of the response surface optimization is 0.007 7， and the relative error is 0.79%.nse surface method combined with BP neural network multi-indicator optimization is stable， feasi-ble and more reasonable.ConclusionThe preparation process of Hantao leaf micro-pills based on Box-Behnken response.

Key words:Schefflera arboricolaHayata,G1-entropy weighting method,Box-Behnken response surface method,BP neural network,multi indexs optimization

摘要：

目的采用Box-Behnken响应面法结合BP（back-propagation）神经网络多指标优化汉桃叶微丸的制备工艺。方法利用挤出滚圆法制备汉桃叶微丸，在单因素试验的基础上，以辅料微粉硅胶与微晶纤维素（microcrystalline cellulose，MCC）的比例、润湿剂、载药量、滚圆频率和滚圆时间为考察因素，以收率（%）、圆整度、豪斯纳比（hausner ratio，HR）和脆碎度（%）为评价指标，基于G1-熵权法对各评价指标进行组合赋权并计算综合评价结果，从而优化处方组成及其制备工艺；建立BP神经网络模型，选取合理数据进行学习和验证并预测汉桃叶微丸的最佳制备工艺。结果采用Box-Behnken响应面法及BP神经网络预测的汉桃叶微丸的最佳制备工艺为微粉硅胶与MCC的比例为1∶3（g∶g）、载药量为25%、滚圆频率为22 Hz。验证试验的结果表明，Box-Behnken响应面法的综合评价结果均值与响应面优化理论值的绝对误差为0.007 7，相对误差为0.79%。结论基于Box-Behnken响应面法结合BP神经网络多指标优化的汉桃叶微丸的制备工艺稳定可行、较为合理。

关键词:汉桃叶,G1-熵权法,Box-Behnken响应面法,BP神经网络,多指标优化

Yongxiang MU, Chuncai ZOU, Haiyan YAN. Multi-index optimization of Hantaoye micro-pills based on Box-Behnken response surface method combined with BP neural network[J]. Journal of ShanDong First Medical University&ShanDong Academy of Medical Sciences, 2024, 45(7): 385-390.

木永祥, 邹纯才, 鄢海燕. 基于Box-Behnken响应面法结合BP神经网络多指标优化汉桃叶微丸的制备工艺[J]. betway必威登陆网址 (betway.com )学报, 2024, 45(7): 385-390.

Figures/Tables7

水平	因素
-1	1∶2	20	19
0	1∶3	25	22
1	1∶4	30	25

水平	因素
-1	1∶2	20	19
0	1∶3	25	22
1	1∶4	30	25

序号	因素	评价指标	综合评价结果
1	1∶2	25	19	53.23	17	1.155	1.522	0.778 9
2	1∶2	25	25	48.39	18	1.071	1.707	0.754 1
3	1∶4	25	19	52.32	20	1.137	1.766	0.750 2
4	1∶4	25	25	47.15	19	1.238	1.155	0.744 7
5	1∶3	20	19	52.55	18	1.077	1.538	0.787 6
6	1∶3	20	25	46.07	17	1.275	1.131	0.743 4
7	1∶3	30	19	51.78	19	1.252	0.985	0.792 3
8	1∶3	30	25	48.69	15	1.273	1.292	0.756 1
9	1∶2	20	22	45.69	17	1.055	1.501	0.758 7
10	1∶4	20	22	49.02	18	1.193	1.816	0.723 9
11	1∶2	30	22	41.53	17	1.204	1.098	0.733 4
12	1∶4	30	22	40.85	19	1.055	1.286	0.735 5
13	1∶3	25	22	67.98	15	1.036	0.972	0.966 6
14	1∶3	25	22	67.48	16	1.036	0.888	0.971 1
15	1∶3	25	22	69.83	15	1.036	1.035	0.968 8
16	1∶3	25	22	68.49	14	1.038	0.948	0.980 5
17	1∶3	25	22	69.88	15	1.038	0.924	0.985 5

序号	因素	评价指标	综合评价结果
1	1∶2	25	19	53.23	17	1.155	1.522	0.778 9
2	1∶2	25	25	48.39	18	1.071	1.707	0.754 1
3	1∶4	25	19	52.32	20	1.137	1.766	0.750 2
4	1∶4	25	25	47.15	19	1.238	1.155	0.744 7
5	1∶3	20	19	52.55	18	1.077	1.538	0.787 6
6	1∶3	20	25	46.07	17	1.275	1.131	0.743 4
7	1∶3	30	19	51.78	19	1.252	0.985	0.792 3
8	1∶3	30	25	48.69	15	1.273	1.292	0.756 1
9	1∶2	20	22	45.69	17	1.055	1.501	0.758 7
10	1∶4	20	22	49.02	18	1.193	1.816	0.723 9
11	1∶2	30	22	41.53	17	1.204	1.098	0.733 4
12	1∶4	30	22	40.85	19	1.055	1.286	0.735 5
13	1∶3	25	22	67.98	15	1.036	0.972	0.966 6
14	1∶3	25	22	67.48	16	1.036	0.888	0.971 1
15	1∶3	25	22	69.83	15	1.036	1.035	0.968 8
16	1∶3	25	22	68.49	14	1.038	0.948	0.980 5
17	1∶3	25	22	69.88	15	1.038	0.924	0.985 5

因素	平方和	自由度	均方	F	P
模型	0.17	9	0.019	193.80	< 0.001
A	6.217 × 10^-4	1	6.271 × 10^-4	6.26	0.041
B	1.707 × 10^-6	1	1.707 × 10^-6	0.02	0.900
C	1.530 × 10^-3	1	1.530 × 10^-3	15.26	0.006
AB	3.412 × 10^-4	1	3.412 × 10^-4	3.40	0.108
AC	9.225 × 10^-5	1	9.225 × 10^-5	0.92	0.369
BC	1.610 × 10^-5	1	1.610 × 10^-5	0.16	0.701
A²	0.066	1	0.066	653.48	< 0.001
B²	0.053	1	0.053	525.65	< 0.001
C²	0.036	1	0.036	361.48	< 0.001
残差	7.017 × 10^-4	7	1.002 × 10^-4	2.21	0.229
失拟项	4.380 × 10^-4	3	1.460 × 10^-4
纯误差	2.637×10^-4	4	6.593 × 10^-5
总离差	0.18	16

因素	平方和	自由度	均方	F	P
模型	0.17	9	0.019	193.80	< 0.001
A	6.217 × 10^-4	1	6.271 × 10^-4	6.26	0.041
B	1.707 × 10^-6	1	1.707 × 10^-6	0.02	0.900
C	1.530 × 10^-3	1	1.530 × 10^-3	15.26	0.006
AB	3.412 × 10^-4	1	3.412 × 10^-4	3.40	0.108
AC	9.225 × 10^-5	1	9.225 × 10^-5	0.92	0.369
BC	1.610 × 10^-5	1	1.610 × 10^-5	0.16	0.701
A²	0.066	1	0.066	653.48	< 0.001
B²	0.053	1	0.053	525.65	< 0.001
C²	0.036	1	0.036	361.48	< 0.001
残差	7.017 × 10^-4	7	1.002 × 10^-4	2.21	0.229
失拟项	4.380 × 10^-4	3	1.460 × 10^-4
纯误差	2.637×10^-4	4	6.593 × 10^-5
总离差	0.18	16

批号	收率/%	圆整度/°	HR	脆碎度/%	综合评价结果
1	68.37	15	1.0351	1.331	0.947 9
2	69.45	14	1.0358	0.9236	0.999 8
3	68.37	15	1.0536	1.165	0.954 9

批号	收率/%	圆整度/°	HR	脆碎度/%	综合评价结果
1	68.37	15	1.0351	1.331	0.947 9
2	69.45	14	1.0358	0.9236	0.999 8
3	68.37	15	1.0536	1.165	0.954 9

References17

1	国家药典委员会.中华人民共和国药典： 2020年版第一部［M］. 北京：中国医药科技出版社，2020
2	杨婷，李小双，郑林，等. 汉桃叶的化学成分研究（Ⅱ）［J］.中药材，2022，45（9）： 2118.
3	罗媛，晏婷，巩仔鹏，等. 汉桃叶化学成分的药理作用及质量控制研究进展［J］.贵州农业科学，2020，48（12）： 109.
4	聂雨杉，匡维米，黄勇，等. 汉桃叶药材质量标准研究［J］.中国民族民间医药，2022，31（10）： 15.
5	苏秦，李喜香，包强，等. 微丸的研究进展［J］.基层中医药，2023，2（11）： 106.
6	王莹，吴红杰，管庆霞，等. 多属性决策组合赋权法优化芍药甘草汤颗粒剂提取工艺的研究［J］.中华中医药杂志，2021，36（12）： 7288.
7	冯利梅，陈艳琰，乐世俊，等. 基于层次分析-熵权法的中药质量标志物量化辨识方法研究——以芍药甘草汤为例［J］.药学学报，2021，56（1）： 296.
8	陈雪婷，徐文杰，李洁环，等. 基于G1-熵权法和正交设计多指标优化血脉疏通颗粒的提取工艺［J］.广东药科大学学报，2022，38（6）： 86.
9	李航，黎盛强，周恩丽，等. 基于神经网络优化模型的中药复方安慰剂配色模拟研究［J］.南京中医药大学学报，2024，40（1）： 18.
10	江蕾蕾，王秀敏，江昌照，等. 大黄酸结肠靶向微丸包衣处方的筛选及其释药性能评价［J］.中成药，2022，44（4）： 1247.
11	卢晓艺，许文，叶淼，等. 盐肤木总酚酸微丸的处方优化及制备工艺研究［J］.中国中药杂志，2019，44（13）： 2785.
12	赵雯，刘睿，张艳军. 姜黄素缓释微丸的制备工艺及处方优化［J］.时珍国医国药，2015，26（9）： 2140.
13	邹纯才，洪国君，鄢海燕. 不同数据标准化方法对瓜蒌滴丸抗凝血作用谱效关系的影响［J］.中国中药杂志，2018，43（9）： 1864.
14	董育瑄，王妍，洪燕龙，等. 提高中药固体制剂载药量的意义与途径［J］.中国现代应用药学，2024，41（3）： 420.
15	赵文，李长治，陈红等. 神经网络多指标优化汉桃叶微丸的制备工艺研究［J］.中国中药杂志，2020，27（8）： 7309.
16	张婧，李翔，廖正根，等. 高载药量二十五味肺病微丸的制备及其性能考察［J］.中国实验方剂学杂志，2016，22（1）： 1.
17	黄莉，邹纯才，鄢海燕，等. 基于指纹图谱的Box-Behnken响应面法结合BP神经网络多指标优化决明子总蒽醌提取工艺［J］.中国药学杂志，2023，58（7）： 619.

[1]	Zhu LIU, Tao CHEN, Chuncai ZOU, Haiyan YAN.Study on preparation technology and physical fingerprint of rape pollen Granules based on QbD concept[J]. Journal of ShanDong First Medical University&ShanDong Academy of Medical Sciences, 2024, 45(3): 129-134.
[2]	Yongxiang MU, Chuncai ZOU, Haiyan YAN.Multi-index optimization of extraction process for total flavonoids in Hantaoye by Box-Behnken response surface method combined with BP neural network based on fingerprint mapping and CRITIC weighting[J]. Journal of Shandong First Medical Unversity & Shandong Academy of Medical Sciences, 2023, 44(11): 805-812.