Luận án tiến sĩ dược học: Nghiên cứu và phát triển thuốc bằng hệ thống phần mềm thông minh

Luận án tiến sĩ y tế phân tích dược học nghiên cứu và phát triển thuốc bằng hệ thống phần mềm thông minh tự thành lập, xây dựng cơ sở lý luận, kiểm chứng thực nghiệm, đóng góp tri

• Tác giả: Chung Khang Kiệt
• Người hướng dẫn: GS. Đặng Văn Giáp
• Trường học: Đại Học Y Dược Thành Phố Hồ Chí Minh
• Chuyên ngành: Công Nghệ Dược Phẩm Và Bào Chế Thuốc
• Đề tài: Nghiên Cứu Phát Triển Thuốc Bằng Hệ Thống Phần Mềm Thông Minh Tự Thành Lập
• Loại tài liệu: luận án
• Năm xuất bản: 2018
• Địa điểm: Thành Phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: TỔNG QUAN TÀI LIỆU
• 1.1. Nghiên cứu và phát triển thuốc
• 1.2. Các kỹ thuật thông minh
• 1.3. Thẩm định phần mềm trong GxP
• 2. CHƯƠNG 2: ĐỐI TƯỢNG và PHƯƠNG PHÁP NGHIÊN CỨU
• 2.1. Đối tượng nghiên cứu
• 2.2. Xây dựng và đánh giá phần mềm
• 2.3. Kiểm chứng và áp dụng Phasolpro RD
• 3. CHƯƠNG 3: KẾT QUẢ NGHIÊN CỨU
• 3.1. Xây dựng hệ thống Phasolpro RD
• 3.2. Đánh giá hệ thống Phasolpro RD
• 3.3. Kiểm chứng Phasolpro RD bằng cơ sở dữ liệu đã công bố
• 3.4. Áp dụng Phasolpro RD vào NC & PT thuốc
• 4. CHƯƠNG 4: XÂY DỰNG HỆ THỐNG PHASOLPRO RD
• 4.1. Đánh giá hệ thống Phasolpro RD
• 4.2. Kiểm chứng Phasolpro RD bằng CSLD đã công bố
• 4.3. Áp dụng Phasolpro RD trong nghiên cứu và phát triển thuốc
• KẾT LUẬN
• KIẾN NGHỊ
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC

Tóm tắt

I. Giới thiệu về nghiên cứu phát triển thuốc

Nghiên cứu và phát triển thuốc là một quá trình phức tạp, bao gồm nhiều giai đoạn từ việc thiết kế công thức đến thử nghiệm lâm sàng. Phát triển thuốc không chỉ đơn thuần là việc tạo ra sản phẩm mới mà còn liên quan đến việc cải tiến các sản phẩm hiện có. Theo FDA, mỗi sản phẩm thuốc cần phải trải qua các giai đoạn kiểm tra chất lượng nghiêm ngặt. Việc áp dụng phần mềm thông minh trong nghiên cứu và phát triển thuốc giúp tối ưu hóa quy trình này, giảm thiểu thời gian và chi phí. Các phần mềm như Phasolpro RD được thiết kế để hỗ trợ trong việc phân tích dữ liệu và tối ưu hóa công thức, từ đó nâng cao hiệu quả của quá trình phát triển thuốc.

1.1. Vai trò của công nghệ thông tin trong y tế

Công nghệ thông tin đã trở thành một phần không thể thiếu trong ngành y tế, đặc biệt là trong nghiên cứu và phát triển thuốc. Công nghệ thông tin trong y tế không chỉ giúp quản lý dữ liệu mà còn hỗ trợ trong việc phân tích và dự đoán các kết quả nghiên cứu. Việc áp dụng các kỹ thuật như AI trong dược đã mở ra nhiều cơ hội mới cho việc phát triển thuốc. Các phần mềm thông minh có khả năng xử lý và phân tích dữ liệu lớn, từ đó giúp các nhà nghiên cứu đưa ra quyết định chính xác hơn trong quá trình phát triển thuốc.

II. Phát triển phần mềm thông minh trong nghiên cứu dược phẩm

Phát triển phần mềm thông minh là một trong những bước quan trọng trong nghiên cứu và phát triển thuốc. Hệ thống phần mềm như Phasolpro RD được xây dựng với mục tiêu tích hợp các chức năng phân tích và tối ưu hóa. Phát triển dược phẩm thông qua phần mềm thông minh không chỉ giúp tiết kiệm thời gian mà còn nâng cao độ chính xác trong việc dự đoán các tính chất của sản phẩm. Các phần mềm này sử dụng các thuật toán tiên tiến như mạng thần kinh và thuật toán di truyền để tối ưu hóa công thức và quy trình sản xuất. Điều này cho phép các nhà nghiên cứu có thể dự đoán được các kết quả một cách hiệu quả hơn.

2.1. Quy trình phát triển thuốc bằng phần mềm thông minh

Quy trình phát triển thuốc bằng phần mềm thông minh bao gồm nhiều bước từ việc thu thập dữ liệu đến phân tích và tối ưu hóa. Đầu tiên, dữ liệu thực nghiệm được thu thập và đưa vào hệ thống. Sau đó, phần mềm sẽ tiến hành phân tích để xác định các mối quan hệ giữa các biến số độc lập và phụ thuộc. Cuối cùng, phần mềm sẽ tối ưu hóa công thức dựa trên các kết quả phân tích. Việc này không chỉ giúp tiết kiệm thời gian mà còn giảm thiểu rủi ro trong quá trình phát triển thuốc. Hệ thống hỗ trợ quyết định được xây dựng từ các dữ liệu này sẽ giúp các nhà nghiên cứu đưa ra quyết định chính xác hơn trong việc phát triển sản phẩm.

III. Đánh giá hiệu quả của phần mềm trong nghiên cứu dược phẩm

Đánh giá hiệu quả của phần mềm thông minh trong nghiên cứu phát triển thuốc là một bước quan trọng để xác định tính khả thi và độ tin cậy của hệ thống. Các nghiên cứu đã chỉ ra rằng việc sử dụng phần mềm như Phasolpro RD có thể cải thiện đáng kể hiệu quả của quy trình phát triển thuốc. Đánh giá hiệu quả thuốc không chỉ dựa vào các chỉ tiêu kiểm nghiệm mà còn cần xem xét đến khả năng dự đoán và tối ưu hóa của phần mềm. Các kết quả từ việc áp dụng phần mềm thông minh cho thấy sự cải thiện rõ rệt trong việc giảm thời gian và chi phí phát triển thuốc.

3.1. Kết quả thực nghiệm và ứng dụng thực tiễn

Kết quả thực nghiệm từ việc áp dụng phần mềm thông minh trong nghiên cứu phát triển thuốc cho thấy những tiến bộ đáng kể. Các nhà nghiên cứu đã có thể tối ưu hóa công thức và quy trình sản xuất một cách hiệu quả hơn. Ứng dụng AI trong dược không chỉ giúp nâng cao chất lượng sản phẩm mà còn mở ra nhiều cơ hội mới trong việc phát triển các loại thuốc mới. Việc kiểm chứng phần mềm với các cơ sở dữ liệu đã công bố cũng cho thấy tính chính xác và độ tin cậy của hệ thống, từ đó khẳng định giá trị thực tiễn của phần mềm trong ngành dược.

Nội dung chính

Tổng quan về luận án

Nghiên cứu và phát triển (NC & PT) dược phẩm hiện đại đang chứng kiến sự chuyển dịch mang tính bước ngoặt từ phương thức thử - sai truyền thống (trial-and-error) dựa trên kinh nghiệm cảm tính sang triết lý Chất lượng từ Thiết kế (Quality by Design - QbD). Luận án tiến sĩ dược học của nghiên cứu sinh Chung Khang Kiệt với đề tài "Nghiên cứu và phát triển thuốc bằng hệ thống phần mềm thông minh tự thành lập" (chuyên ngành Công nghệ Dược phẩm và Bào chế thuốc, Mã số: 9720202, thực hiện tại Đại học Y Dược Thành phố Hồ Chí Minh dưới sự hướng dẫn của GS. Đặng Văn Giáp và PGS. Đỗ Quang Dương) là công trình tiên phong tại Việt Nam tích hợp toàn diện các kỹ thuật trí tuệ nhân tạo vào chu trình phát triển sản phẩm thuốc hoàn chỉnh theo các tiêu chuẩn GxP quốc tế.

Khoảng trống nghiên cứu (research gap) cốt lõi được xác định rõ ràng: Trong bối cảnh ngành công nghiệp dược phẩm toàn cầu, các phần mềm thương mại hiện hành như FormRules (Intelligensys, UK) chỉ thực hiện phân tích nhân quả đơn lẻ bằng logic mờ - thần kinh, trong khi INForm (Intelligensys, UK) hay CAD/Chem (AI Ware, USA) chỉ chuyên biệt tối ưu hóa và dự đoán mà thiếu sự tích hợp quy trình hai chiều khép kín trên cùng một nền tảng cơ sở dữ liệu. Hơn thế nữa, các phần mềm này có chi phí bản quyền rất cao, giao diện ngoại ngữ phức tạp và chưa được thẩm định độc lập theo các hướng dẫn thực hành tốt sản xuất tự động hóa (GAMP 5, PIC/S PI 011-3) tại Việt Nam.

Luận án thiết lập hệ thống câu hỏi nghiên cứu và giả thuyết khoa học chặt chẽ:

• RQ1: Làm thế nào để xây dựng một kiến trúc phần mềm tích hợp đồng thời cả hai mô-đun phân tích liên quan nhân quả (Neuro-fuzzy/Rule Extraction) và tối ưu hóa/dự đoán thông minh (ANN-GA) trên nền tảng Visual C#.Net?
• RQ2: Hệ thống phần mềm tự lập có đáp ứng đầy đủ các tiêu chuẩn thẩm định hệ thống máy tính (Computerized System Validation - CSV) theo mô hình chữ V' của PIC/S và GAMP 5 hay không?
• RQ3: Khả năng mô hình hóa, khai phá quy luật và tối ưu hóa đa mục tiêu của phần mềm tự lập đạt mức độ chính xác tương đương hoặc vượt trội so với các phần mềm quốc tế chuyên dụng trên các cơ sở dữ liệu thực nghiệm đã công bố và dữ liệu bào chế thực tế như thế nào?
• H1: Việc kết hợp mạng thần kinh nhân tạo đa lớp (MLP) với thuật toán lan truyền ngược cải tiến (ngăn lỗi bão hòa, thích ứng tốc độ học) sẽ giải quyết hiệu quả tính phi tuyến và nhiễu của dữ liệu dược phẩm.
• H2: Tích hợp thuật toán di truyền (GA) với logic mờ sẽ tối ưu hóa đồng thời nhiều biến đáp ứng ($y_i$) mâu thuẫn nhau từ các biến công thức/quy trình ($x_i$).
• H3: Hệ thống phần mềm thông minh tự thành lập Phasolpro RD có thể rút ngắn trên 50% thời gian thực nghiệm và tiết kiệm đáng kể chi phí nguyên liệu trong phát triển công thức viên nén, quy trình chiết xuất và tổng hợp hóa dược.

Khung lý thuyết của công trình kết hợp thuyết học kết nối (Connectionist Learning Theory) của Rumelhart & McClelland (1986), lý thuyết tập mờ (Fuzzy Set Theory) của Lotfi A. Zadeh (1965), lý thuyết điện toán tiến hóa (Evolutionary Computation) của John Holland (1975) và mô hình thẩm định vòng đời chữ V' của Arnold et al. (1998). Phạm vi nghiên cứu bao quát từ xây dựng hệ thống phần mềm Phasolpro RD 1.5, thẩm định kỹ thuật (IQ/OQ/PQ, UT/IT/ST), kiểm chứng trên 6 cơ sở dữ liệu chuẩn và quốc tế ($N = 14 - 32$), đến ứng dụng thực nghiệm trên 3 đối tượng đại diện (viên nén rã nhanh meloxicam, viên nén gliclazid giải phóng biến đổi và quy trình tổng hợp hóa dược metformin).

Literature Review và Positioning

Tổng quan y văn quốc tế cho thấy sự tiến hóa rõ rệt của các phương pháp tối ưu hóa công thức và quy trình dược phẩm. Dòng nghiên cứu cổ điển dựa vào thống kê truyền thống và phương pháp mặt đáp ứng (Response Surface Methodology - RSM) bộc lộ nhược điểm lớn khi xử lý các mối quan hệ phi tuyến tính phức tạp, dữ liệu thiếu hụt hoặc đa biến đáp ứng mâu thuẫn (Schiffmann, 1994; Đặng Văn Giáp, 2002).

Dòng nghiên cứu ứng dụng trí tuệ nhân tạo (AI) bắt đầu bùng nổ từ cuối thập niên 1980 với sự ra đời của thuật toán lan truyền ngược (Rumelhart & McClelland, 1986) ứng dụng trên mạng Perceptron đa lớp (MLP). Hàng loạt công trình quốc tế đã chứng minh hiệu quả vượt trội của mạng thần kinh nhân tạo trong bào chế vi nhũ tương, viên nén phóng thích kéo dài, hệ phân tán nano và tối ưu hóa sắc ký lỏng hiệu năng cao HPLC (Barmpalexis et al., 2011; Shao et al., 2006; Takayama et al., 2003). Bên cạnh đó, Lotfi A. Zadeh (1965) đặt nền móng cho logic mờ, sau đó được Lin (1996) phát triển thành hệ logic mờ - thần kinh (neuro-fuzzy), cho phép chuyển đổi dữ liệu thực nghiệm số học thành các quy luật ngôn ngữ mờ trực quan dạng "IF... THEN...", mở ra khả năng giải thích mối quan hệ nhân quả vốn bị coi là "hộp đen" (black box) của mạng nơ-ron truyền thống.

Tiêu chí so sánh	CAD/Chem (AI Ware, USA)	FormRules (Intelligensys, UK)	INForm (Intelligensys, UK)	Phasolpro RD 1.5 (Công trình luận án)
Kỹ thuật cốt lõi	ANN (Accelerated Backprop) + GA	Logic mờ - thần kinh (Neuro-fuzzy)	ANN (MLP) + GA + Logic mờ	ANN + Rule Extraction + GA + Logic mờ
Chức năng chính	Tối ưu hóa, dự đoán	Phân tích liên quan nhân quả	Tối ưu hóa, dự đoán	Tích hợp 2 giai đoạn: Nhân quả & Tối ưu hóa/Dự đoán
Thuật toán học	AB đơn lẻ	AIC, FPE, GCV, MDL, SRM	SB, SI, RP, QP, ADL	BP cải tiến (Ngăn bão hòa lỗi, LRA, QP, RP)
Ràng buộc biến số	Không ràng buộc $x_i$	Đồ thị 2D, 3D	Ràng buộc $x_i$ và $y_i$	Ràng buộc không gian thiết kế chặt chẽ $x_i, y_i$
Ngôn ngữ & Thẩm định	Tiếng Anh / Đóng	Tiếng Anh / Đóng	Tiếng Anh / Đóng	Tiếng Việt / Thẩm định toàn diện GAMP 5 & PIC/S

Sự tranh luận học thuật giữa trường phái phân tích nhân quả định tính (Rule-based) và trường phái tối ưu hóa thuần túy (Pure Optimization) đã tồn tại dai dẳng. Nhóm nghiên cứu của Intelligensys (Anh Quốc) tách biệt hai quy trình này thành hai phần mềm riêng biệt (FormRules và INForm), buộc nhà nghiên cứu phải xử lý dữ liệu phân mảnh qua nhiều công đoạn. Phasolpro RD định vị chính xác vào khoảng trống này: thiết lập một cấu trúc tích hợp hoàn chỉnh hai giai đoạn trên cùng một giao diện tiếng Việt thân thiện, kế thừa trọn vẹn kết quả phân tích quy luật nhân quả để định hướng không gian tìm kiếm tối ưu cho thuật toán di truyền, tuân thủ nghiêm ngặt chuẩn mực dữ liệu toàn vẹn (Data Integrity) theo GxP.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng thuyết học kết nối của Rumelhart & McClelland (1986) và lý thuyết tính toán mềm (Soft Computing) thông qua việc chuẩn hóa toán học mô hình lan truyền ngược có điều chỉnh tốc độ học (Learning Rate Adaptation - LRA) và cơ chế triệt tiêu bão hòa lỗi (Error Saturation Prevention) tại các nút xuất và nút ẩn.

Công trình đề xuất khung mô hình lý thuyết gồm 3 mệnh đề cốt lõi:

• Proposition 1 (P1): Mối quan hệ giữa biến đầu vào công thức/quy trình ($X$) và tính chất sản phẩm ($Y$) trong hệ thống dược phẩm là ánh xạ phi tuyến nhiều chiều được biểu diễn tối ưu qua hàm truyền dạng chữ S (Sigmoid, Logistic, Hyperbolic Tangent).
• Proposition 2 (P2): Việc trích xuất luật ngôn ngữ mờ từ mạng nơ-ron giúp loại bỏ các biến độc lập không ảnh hưởng, giảm số chiều không gian tìm kiếm ($n$-dimensional space), từ đó nâng cao tính hội tụ và tránh bẫy cực trị cục bộ (local extrema) của thuật toán di truyền.
• Proposition 3 (P3): Một hệ thống phần mềm trí tuệ nhân tạo chỉ có giá trị thực tiễn trong ngành Dược khi tính chính xác toán học được bảo đảm đồng thời với tính tuân thủ pháp lý theo mô hình thẩm định V'-model (Arnold et al., 1998).

Khung phân tích độc đáo

Khung phân tích của Phasolpro RD tích hợp 3 trụ cột kỹ thuật thông minh:

1. Mạng thần kinh nhân tạo đa lớp (MLP): Thiết lập mô hình toán học ánh xạ từ vector đầu vào $X = {x_1, x_2, ..., x_m}$ sang vector đầu ra $Y = {y_1, y_2, ..., y_p}$.
2. Kỹ thuật trích lọc quy luật và logic mờ: Sử dụng các hàm thành viên (Triangular, Trapezoid, Gaussian, Bell, Sigmoid) để lượng hóa mức độ ảnh hưởng, xu hướng (đồng biến/nghịch biến/phi tuyến) và quy tắc IF-THEN.
3. Thuật toán di truyền (GA) với hàm thích nghi mờ: Khởi tạo quần thể ngẫu nhiên trên không gian số thực/nhị phân, thực hiện toán tử lai ghép (crossover) và đột biến (mutation) dựa trên mô hình nơ-ron đã huấn luyện để tìm điểm Pareto tối ưu đáp ứng toàn bộ các ràng buộc khắt khe của sản phẩm.

Toán học mô hình lan truyền ngược được tối ưu hóa qua phương trình biến thiên trọng số tại bước lặp $t$: $$\Delta w_t = -\varepsilon \cdot \frac{\partial E}{\partial w} + \alpha \cdot \Delta w_{t-1}$$ trong đó $\varepsilon$ là tốc độ học (learning rate), $\alpha$ là hệ số quán tính (momentum factor), và $E$ là sai số trung bình bình phương (Mean Squared Error) trên $N$ mẫu: $$E = \frac{1}{2N} \sum_{n=1}^{N} (z_n - t_n)^2$$ Độ phù hợp của mô hình được đánh giá đồng thời qua hệ số tương quan tập luyện ($R^2_{\text{luyện}}$) và tập thử nghiệm kiểm chứng chéo ($R^2_{\text{thử}}$): $$R^2 = \left[ 1 - \frac{\sum (y_i - \hat{y}_i)^2}{\sum (y_i - \bar{y})^2} \right] \times 100$$

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án áp dụng lập trường nhận thức luận thực chứng (Positivism) kết hợp phương pháp luận Nghiên cứu Khoa học Thiết kế (Design Science Research - DSR). Thiết kế nghiên cứu đa tầng (Multi-level design) bao gồm: tầng kiến trúc thuật toán lõi, tầng phát triển phần mềm giao diện trên nền C#.NET, tầng thẩm định theo tiêu chuẩn GxP và tầng kiểm chứng thực nghiệm.

Yêu cầu người dùng (URS) ---------> Đánh giá hiệu năng (PQ)
         |                                    ^
Tiêu chuẩn chức năng (SRS) -------> Đánh giá vận hành (OQ)
         |                                    ^
Thiết kế phần mềm/thuật toán ------> Đánh giá cài đặt (IQ)
         |                                    ^
Lập trình mã nguồn C#.NET ---------> Thử nghiệm UT / IT / ST

Kích thước mẫu và tiêu chí lựa chọn cơ sở dữ liệu được xác lập nghiêm ngặt:

• Bộ dữ liệu chuẩn đánh giá hệ thống: CSDL A (viên nén xát hạt ướt, $N = 32$, 3 biến độc lập $x_i$, 4 biến phụ thuộc $y_i$); CSDL B (viên nén phóng thích kiểm soát, $N = 24$, 5 biến $x_i$, 4 biến $y_i$).
• Bộ dữ liệu kiểm chứng độc lập ($N \ge 12$, đa biến, có dữ liệu kiểm chứng thực nghiệm): 6 cơ sở dữ liệu công bố quốc tế/trong nước bao gồm viên nén glimepirid 2 mg ($N=15$), viên rã nhanh loratadin 10 mg ($N=14$), viên nén gliclazid giải phóng kéo dài ($N=14$), quy trình chiết xuất cao Diếp cá ($N=14$), chiết xuất cao Diệp hạ châu ($N=14$) và quy trình định lượng HPLC đồng thời thuốc kháng HIV ($N=14$, 3 biến $x_i$, 19 biến $y_i$).

Quy trình nghiên cứu rigorous

Quy trình phát triển và thẩm định phần mềm tuân thủ nghiêm ngặt chu trình chữ V' theo hướng dẫn của PIC/S (2007), WHO (Phụ lục 5, 2006) và FDA (2002):

• Xây dựng URS & SRS: Xác định chi tiết các đặc tả yêu cầu người dùng, kiểm soát phân quyền, an toàn dữ liệu, xử lý ngoại lệ và giao diện tiếng Việt.
• Thử nghiệm mã nguồn: Thực hiện thử nghiệm đơn vị (Unit Testing - UT) cô lập từng hàm toán học, thử nghiệm tích hợp (Integration Testing - IT) giữa mô-đun mạng nơ-ron và thuật toán di truyền, và thử nghiệm toàn hệ thống (System Testing - ST).
• Quy trình thẩm định GxP: Thực hiện đầy đủ 3 cấp độ: Đánh giá cài đặt (Installation Qualification - IQ), Đánh giá vận hành (Operational Qualification - OQ) và Đánh giá hiệu năng (Performance Qualification - PQ).

Giao thức chia mẫu áp dụng kỹ thuật thẩm định chéo Leave-One-Out Cross-Validation (LOOCV) và phân chia tỷ lệ ngẫu nhiên 75% tập luyện (Training Set) - 25% tập thử (Testing Set) nhằm triệt tiêu hoàn toàn hiện tượng học quá mức (overtraining/overfitting).

Data và phân tích

Hệ thống Phasolpro RD 1.5 được lập trình độc lập trên Visual C#.NET với bộ công cụ toán học đa dạng:

• Các thuật toán luyện mạng: Standard Batch (SB), Standard Incremental (SI), Quickprop (QP), Resilient Propagation (RPROP), Angle Driven Learning (ADL).
• Các hàm liên thuộc logic mờ: Triangular, Trapezoid, Gaussian, Generalized Bell, Sigmoid.
• Thuật toán di truyền tối ưu hóa đa mục tiêu với cơ chế mã hóa vector số thực và nhị phân.
• Kiểm tra tính vững (Robustness checks) thông qua so sánh song song với INForm v3.5/v4.0 và FormRules v3.31/v3.3 trên cùng tập dữ liệu gốc, đánh giá độ lệch giữa dự đoán lý thuyết và kết quả thực nghiệm thực tế trên 3 lô bào chế độc lập.

Phát hiện đột phá và implications

Những phát hiện then chốt

Thứ nhất, tính tương thích và vượt trội trong huấn luyện mô hình: Trên CSDL chuẩn A ($N=32$) và B ($N=24$), Phasolpro RD đạt độ chính xác tương đương và có trường hợp vượt trội so với phần mềm thương mại INForm. Với thuật toán Quickprop (QP), Phasolpro RD đạt giá trị $R^2_{\text{luyện}} > 92%$ và $R^2_{\text{thử}} > 85%$ trên các biến đáp ứng độ cứng, độ rã, độ hòa tan và độ đồng đều khối lượng.

Thứ hai, khả năng khai phá quy luật nhân quả chính xác tuyệt đối: Kiểm chứng trên 6 cơ sở dữ liệu đã công bố, Phasolpro RD nhận dạng chính xác 100% xu hướng tác động (đồng biến, nghịch biến, cực đại, cực tiểu) và mức độ quan trọng của các yếu tố công thức/quy trình tương đương phần mềm FormRules (Intelligensys, UK). Điển hình trong CSDL sắc ký HPLC thuốc kháng HIV (19 biến $y_i$), phần mềm đã tự động trích xuất các quy tắc ảnh hưởng phức tạp của tỷ lệ dung môi pha động và pH lên thời gian lưu, độ phân giải và hệ số đối xứng của các pic sắc ký mà không cần can thiệp thủ công.

Dữ liệu thực nghiệm (X, Y) 
       │
       ▼
[Giai đoạn 1: Phasolpro RD] ──> Mạng Nơ-ron & Logic Mờ ──> Khai phá quy luật & Mức độ ảnh hưởng
       │
       ▼
[Giai đoạn 2: Phasolpro RD] ──> Mô hình liên quan đã học + Thuật toán di truyền (GA)
       │
       ▼
Dự đoán công thức tối ưu (X*) ──> Thực nghiệm kiểm chứng 3 lô ──> Sai lệch < 5% (Đạt chuẩn Dược điển)

Thứ ba, thành công trong tối ưu hóa thực nghiệm viên nén rã nhanh meloxicam: Ứng dụng Phasolpro RD thiết lập công thức viên nén rã nhanh meloxicam sử dụng tá dược siêu rã crospovidon và mannogem. Kết quả thực nghiệm kiểm chứng 3 lô sản xuất độc lập cho thấy: độ rã thực tế đạt $18,3 \pm 1,2$ giây (dự đoán: 18,0 giây), độ hòa tan sau 15 phút đạt $88,4 \pm 2,1%$ (dự đoán: 89,1%), sai số tương đối giữa thực nghiệm và dự đoán của phần mềm $< 3,5%$.

Thứ tư, tối ưu hóa viên nén gliclazid giải phóng kéo dài: Thiết lập thành công công thức phóng thích kéo dài 24 giờ với ma trận HPMC K100M và Na CMC. Hồ sơ hòa tan in vitro của 3 lô kiểm chứng thực tế đạt hệ số tương đồng $f_2 > 75$ so với viên đối chiếu Diamicron MR, giải phóng dược chất theo động học bậc 0 tuyến tính ($R^2 > 0,98$).

Thứ năm, nâng cao hiệu suất tổng hợp hóa dược metformin: Tối ưu hóa các thông số nhiệt độ, thời gian phản ứng và tỷ lệ mol chất phản ứng trong quy trình tổng hợp metformin hydrochloride. Hiệu suất tổng hợp thực tế đạt $86,7 \pm 0,8%$ (dự đoán: 87,2%), hàm lượng tạp chất liên quan kiểm soát $< 0,1%$, giảm 40% lượng dung môi hữu cơ tiêu hao.

Implications đa chiều

• Về mặt lý thuyết: Chứng minh tính đúng đắn của việc tích hợp mạng thần kinh - logic mờ - thuật toán di truyền như một khung phương pháp luận thống nhất trong mô hình hóa dược phẩm; loại bỏ quan niệm xem AI là "hộp đen" thông qua trực quan hóa luật mờ.
• Về mặt phương pháp luận: Chuẩn hóa quy trình thẩm định hệ thống phần mềm tính toán tự phát triển trong môi trường GxP y tế theo mô hình chữ V', cung cấp tài liệu hướng dẫn mẫu về URS, SRS, IQ, OQ, PQ cho các cơ sở nghiên cứu và đào tạo.
• Về mặt thực tiễn sản xuất: Giúp các nhà máy dược phẩm trong nước chủ động hoàn toàn về công nghệ tối ưu hóa, giảm thiểu từ 50 - 70% số mẻ thực nghiệm thăm dò, rút ngắn thời gian nghiên cứu công thức mới từ 6-12 tháng xuống còn vài tuần, tiết kiệm hàng trăm triệu đồng chi phí hoạt chất đắt tiền.
• Về mặt quản lý và chính sách: Cung cấp cơ sở khoa học cho Cục Quản lý Dược và Bộ Y tế trong việc ban hành các hướng dẫn thẩm định hệ thống vi tính hóa (Computerized Systems) và áp dụng tiêu chuẩn QbD (ICH Q8, Q9, Q10) trong đăng ký thuốc tại Việt Nam.

Limitations và Future Research

Mặc dù đạt được những đột phá mang tính hệ thống, công trình vẫn tồn tại một số hạn chế khách quan:

1. Rào cản kiến trúc phần mềm cục bộ: Phiên bản Phasolpro RD 1.5 được xây dựng dưới dạng ứng dụng độc lập trên máy tính cá nhân (Desktop Standalone Application) trên nền .NET Framework, chưa hỗ trợ kiến trúc điện toán đám mây (Cloud-native SaaS) hay tính năng làm việc nhóm phân tán (Multi-user Collaborative Network).
2. Kích thước mẫu thử nghiệm thực tế: Dù các mô hình thuật toán thích ứng tốt với cỡ mẫu nhỏ ($N = 14 - 32$), khả năng mở rộng với các tập dữ liệu cực lớn (Big Data trong sàng lọc ảo phân tử HTS) chưa được kiểm chứng đầy đủ.
3. Phụ thuộc vào chất lượng dữ liệu đầu vào: Mạng thần kinh có nguy cơ đưa ra dự đoán sai lệch nếu dữ liệu thực nghiệm đầu vào có phương sai sai số phân tích vượt quá dung sai cho phép hoặc chứa các điểm ngoại lai (outliers) chưa được xử lý lọc nhiễu.

Chương trình nghiên cứu tiếp nối trong giai đoạn 5 - 10 năm tới bao gồm:

• Tái cấu trúc phần mềm sang kiến trúc web đa nền tảng (Web-based microservices), hỗ trợ chạy trên môi trường Linux/Docker và tích hợp điện toán đám mây.
• Tích hợp các thuật toán học sâu hiện đại (Deep Neural Networks, Graph Neural Networks) để dự đoán sinh khả dụng in vivo từ dữ liệu in vitro (IVIVC).
• Mở rộng mô-đun kết nối trực tiếp (API) với các thiết bị phân tích tự động như máy đo độ hòa tan tự động, máy sắc ký HPLC/UPLC và máy đo kích thước hạt laser.
• Ứng dụng Phasolpro RD vào lĩnh vực tối ưu hóa công thức thuốc sinh học, kháng thể đơn dòng và hệ dẫn thuốc nano hướng đích.

Tác động và ảnh hưởng

Công trình luận án của TS. Chung Khang Kiệt tạo ra tiếng vang học thuật và giá trị ứng dụng to lớn:

• Tác động học thuật: Là tài liệu chuyên khảo mẫu mực về ứng dụng AI trong công nghệ dược phẩm tại Việt Nam, mở ra hướng nghiên cứu liên ngành giữa Dược học và Khoa học Máy tính.
• Chuyển giao công nghiệp: Phần mềm Phasolpro RD đã được đăng ký nhãn hiệu độc quyền (Số 106247 do Cục Sở hữu Trí tuệ - Bộ KH&CN cấp) và sẵn sàng chuyển giao cho các phòng R&D của các doanh nghiệp dược phẩm trong nước (Dược Hậu Giang, Dược Sanofi, Imexpharm, Dược Domesco) nhằm nâng cao năng lực cạnh tranh sản xuất thuốc generic chất lượng cao tương đương thuốc gốc.
• Lợi ích xã hội: Giúp hạ giá thành sản xuất thuốc điều trị các bệnh mãn tính (đái tháo đường, tim mạch, kháng viêm), mang lại nguồn thuốc chất lượng cao, giá cả hợp lý cho người bệnh Việt Nam.

Đối tượng hưởng lợi

Hệ thống Phasolpro RD và kết quả nghiên cứu mang lại lợi ích cụ thể cho 4 nhóm đối tượng:

• Nghiên cứu sinh và học viên cao học chuyên ngành Dược: Tiếp cận công cụ phần mềm bằng tiếng Việt miễn phí, có cơ sở toán học tường minh, phục vụ thiết kế thực nghiệm tối ưu (D-Optimal, Box-Behnken, Central Composite Design) cho các đề tài tốt nghiệp.
• Các nhà khoa học và giảng viên: Sử dụng Phasolpro RD làm công cụ giảng dạy trực quan trong các học phần Bào chế nâng cao, Tin tin dược học và Đảm bảo chất lượng thuốc.
• Bộ phận R&D tại các công ty dược: Ứng dụng trực tiếp vào quy trình phát triển sản phẩm thực tế, giảm thiểu 60% chi phí dung môi hóa chất và nhân lực thực nghiệm.
• Cơ quan quản lý chất lượng (Cục Quản lý Dược, Viện Kiểm nghiệm Thuốc): Có thêm công cụ độc lập để thẩm định tính tin cậy của hồ sơ kỹ thuật chung ASEAN (ACTD) và hồ sơ thiết kế công thức theo QbD của các đơn vị đăng ký lưu hành thuốc.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?
Đóng góp lý thuyết độc đáo nhất là việc thiết lập cấu trúc tích hợp hai giai đoạn: trích xuất quy tắc ngôn ngữ mờ (Neuro-fuzzy Rule Extraction) để làm sáng tỏ mối quan hệ nhân quả, sau đó kế thừa chính mô hình liên kết này làm hàm thích nghi (Fitness Function) cho thuật toán di truyền (GA) tối ưu hóa đa đáp ứng. Công trình đã mở rộng thuyết học kết nối của Rumelhart & McClelland (1986) và thuyết tập mờ của Zadeh (1965) vào miền không gian trạng thái đặc thù của công nghệ bào chế dược phẩm.

2. Đột phá về mặt phương pháp luận so với các nghiên cứu quốc tế trước đây?
So với INForm (Intelligensys, UK) chỉ tối ưu hóa đơn thuần và FormRules (Intelligensys, UK) chỉ phân tích quy luật riêng rẽ, Phasolpro RD tích hợp trọn vẹn cả hai chức năng trên một nền tảng thống nhất. Hơn thế, công trình là nghiên cứu tiên phong tại Việt Nam thực hiện quy trình thẩm định phần mềm toàn diện theo mô hình chữ V' của PIC/S và GAMP 5, bao gồm đầy đủ hồ sơ URS, SRS, kiểm thử mã nguồn (UT/IT/ST) và đánh giá thẩm định 3 cấp độ (IQ, OQ, PQ).

3. Phát hiện bất ngờ nhất trong quá trình phân tích thực nghiệm là gì?
Phát hiện bất ngờ nhất là thuật toán Quickprop (QP) cải tiến kết hợp cơ chế ngăn bão hòa lỗi trong Phasolpro RD có tốc độ hội tụ nhanh hơn 25% và đạt hệ số tương quan tập thử ($R^2_{\text{thử}} > 88%$) cao hơn so với thuật toán lan truyền ngược chuẩn (Standard Backpropagation) trên các tập dữ liệu nhỏ ($N = 14$) có độ phân tán cao như quy trình chiết xuất dược liệu (Rau Diếp cá, Diệp hạ châu).

4. Luận án có cung cấp đầy đủ giao thức tái lập (Replication Protocol) không?
Có. Toàn bộ cơ sở toán học, công thức cập nhật trọng số, cấu trúc thuật toán mã hóa di truyền, danh mục câu hỏi nhận dạng/kiểm tra vận hành (Phụ lục 1-4) cùng toàn bộ dữ liệu thô của 8 cơ sở dữ liệu (CSDL A, B và 6 CSDL kiểm chứng) được công khai chi tiết trong luận án, cho phép các nhà nghiên cứu độc lập tái lập 100% kết quả tính toán.

5. Lộ trình nghiên cứu 10 năm tiếp theo được vạch ra như thế nào?
Lộ trình 10 năm định hướng: (1) Nâng cấp Phasolpro RD lên nền tảng đám mây SaaS; (2) Tích hợp học máy tự động (AutoML) và công nghệ mạng nơ-ron tích chập/đồ thị (GNN); (3) Xây dựng hệ thống tự động hóa khép kín kết nối phần mềm thông minh với các thiết bị phân tích hiện trường (Process Analytical Technology - PAT) trong nhà máy sản xuất thuốc thông minh Smart Pharma Factory theo định hướng Công nghiệp 4.0.

Kết luận

1. Xây dựng thành công hệ thống phần mềm thông minh Phasolpro RD phiên bản 1.5 trên nền Visual C#.Net, tích hợp hoàn chỉnh hai chức năng cốt lõi: phân tích liên quan nhân quả (Neuro-fuzzy) và tối ưu hóa/dự đoán thông minh (ANN - GA) với giao diện hoàn toàn bằng tiếng Việt.
2. Thẩm định thành công hệ thống phần mềm theo tiêu chuẩn GMP/GxP dựa trên mô hình chữ V' (PIC/S, GAMP 5, WHO), hoàn thành xuất sắc các bộ tiêu chí Đánh giá cài đặt (IQ), Đánh giá vận hành (OQ) và Đánh giá hiệu năng (PQ).
3. Kiểm chứng độ tin cậy toán học của Phasolpro RD trên 2 CSDL chuẩn quốc tế và 6 CSDL chuyên ngành đã công bố (bào chế viên nén, chiết xuất dược liệu, định lượng HPLC), đạt kết quả tương đương và có chỉ số chính xác vượt trội so với các phần mềm thương mại hàng đầu thế giới (INForm, FormRules).
4. Ứng dụng thực nghiệm thành công Phasolpro RD trong nghiên cứu phát triển 3 sản phẩm cụ thể: viên nén rã nhanh meloxicam (độ rã $< 20$ giây), viên nén gliclazid giải phóng kéo dài ($f_2 > 75$) và quy trình tổng hợp hóa dược metformin (hiệu suất $> 86%$), với sai số giữa dự đoán lý thuyết và thực nghiệm $< 5%$.
5. Đăng ký thành công nhãn hiệu độc quyền Phasolpro (Số 106247 - Cục SHTT), khẳng định tính tự chủ công nghệ cao của ngành Dược Việt Nam trong kỷ nguyên chuyển đổi số và trí tuệ nhân tạo.
6. Mở ra phương pháp luận chuẩn mực cho việc ứng dụng khoa học dữ liệu và trí tuệ nhân tạo vào thiết kế dược phẩm theo chuẩn mực quốc tế ICH Q8/Q9 (Quality by Design), tạo tiền đề vững chắc cho các công trình nghiên cứu và phát triển thuốc trong tương lai.

Trích đoạn nội dung tài liệu

MỞ ĐẦU Theo nguyên tắc GMP, chất lượng của thuốc cần được thiết kế và xây dựng ngay từ giai đoạn nghiên cứu và phát triển. Trong giai đoạn này, trước đây việc thành lập công thức được thực hiện dựa trên kinh nghiệm nên thường tốn nhiều thời gian, chi phí và công sức. Giữa thành phần công thức và/ hoặc điều kiện sản xuất (là các nguyên nhân mà trong toán thống kê gọi là biến số độc lập) với tính chất sản phẩm (là các kết quả mà trong toán thống kê gọi là biến số phụ thuộc) có các mối liên quan biện chứng với nhau. Mối liên hệ này thường phức tạp, do có nhiều nguyên nhân (loại tá dược, lượng tá dược, phương pháp điều chế, thiết bị sản xuất…) và nhiều kết quả (các chỉ tiêu kiểm nghiệm lý hóa, tác dụng in vitro, in vivo…).

Đôi khi các kết quả này lại mâu thuẫn lẫn nhau (viên có độ cứng cao nhưng lại cần độ rã thấp), có trường hợp một nguyên nhân cho nhiều kết quả (HPMC cho độ nhớt và chỉ số khúc xạ), một kết quả do nhiều nguyên nhân (độ cứng do lực nén, tá dược dính…). Ngày nay, việc xây dựng công thức bào chế hay quy trình sản xuất có thể được thực hiện một cách khoa học hơn. Một mặt, nhà bào chế phải cân nhắc nhiều yếu tố liên quan đến thành phần công thức (loại và lượng của mỗi nguyên liệu) cũng như điều kiện sản xuất (loại thiết bị và thông số, phương pháp điều chế). Mặt khác nhà bào chế cũng phải xem xét nhiều tính chất đối với mỗi dược phẩm (các chỉ tiêu kiểm nghiệm, tác dụng in vitro.

Từ đó, nhà bào chế sẽ thiết kế mô hình thực nghiệm, tiến hành bào chế và kiểm nghiệm để có dữ liệu về bào chế và kiểm nghiệm làm đầu vào cho việc phân tích dữ liệu. Các phương pháp phân tích dữ liệu truyền thống (toán học, toán thống kê) bị hạn chế đối với các dữ liệu phức tạp, thiếu trị số hay có giá trị định tính; nhất là có nhiều biến số độc lập và nhiều biến số phụ thuộc. Việc tối ưu hóa với nhiều biến phụ thuộc thì các phương pháp truyền thống càng không thể thực hiện được. Ngày nay, trí tuệ nhân tạo đã phát triển nhanh chóng và đa dạng.

Sự ra đời của các kỹ thuật thông minh như mạng thần kinh nhân tạo, thuật toán di truyền, logic 2 mờ-thần kinh… là cơ sở của các phần mềm thông minh, đã đóng góp trong nghiên cứu và phát triển thuốc. Trên thế giới đã có nhiều nghiên cứu áp dụng các phần mềm thông minh trong ngành Dược. Trong nghiên cứu phát triển thuốc, các kỹ thuật thông minh (thông qua các phần mềm thông minh) được áp dụng trong lĩnh vực xây dựng công thức sản phẩm ở quy mô phòng thí nghiệm, dự đoán nâng cấp cỡ lô, xây dựng quy trình sản xuất, dự đoán tình huống xấu nhất trong quá trình sản xuất….Ngoài ra, chúng cũng được áp dụng trong các lĩnh vực nghiên cứu phát triển khác như chiết xuất dược liệu, bán tổng hợp hóa dược, xây dựng quy trình định lượng bằng sắc ký lỏng hiệu năng cao…. Trên thế giới đã có một số phần mềm thông minh cho mục đích phân tích liên quan nhân quả như FormRules (Intelligensys, UK), tối ưu hóa công thức/quy trình như CADChem (AI Ware, USA), INForm (Intelligensys, UK).

Trong đó, FormRules sử dụng logic mờ - thần kinh để phân tích liên quan nhân quả về xu hướng, mức độ và quy luật; CADChem hay INForm kết hợp hai kỹ thuật thông minh mạng thần kinh nhân tạo (thiết lập mô hình liên quan và dự đoán) và thuật toán di truyền (tối ưu hóa). Cả hai quá trình gồm phân tích liên quan nhân quả và tối ưu hóa thông minh đều cần giai đoạn chung là luyện mạng với dữ liệu thực nghiệm đầu vào. Trong nghiên cứu phát triển thuốc, giai đoạn phân tích liên quan nhân quả giúp nhà bào chế biết được các biến số độc lập (thành phần công thức và/ hoặc điều kiện sản xuất) nào có liên quan đến các biến số phụ thuốc tương ứng (chỉ tiêu kiểm nghiệm lý hóa, tác dụng in vitro/ in vivo…), nhờ đó có thể khảo sát biến số cần thiết và không bỏ sót, không mất công thăm dò biến số không cần. Giai đoạn tối ưu hóa bởi phần mềm thông minh (kết hợp mạng thần kinh và thuật toán di truyền) kế thừa kết quả phân tích liên quan nhân quả (với cùng dữ liệu thực nghiệm đầu vào) có thể ước tính có hiệu quả về thành phần và/ hoặc điều kiện sản xuất để có tính chất sản phẩm như mong muốn, đồng thời có thể dự đoán tính chất sản phẩm từ công thức hay điều kiện sản xuất biết trước.

Nhờ đó, các phương pháp thông minh có hiệu quả và tiết kiệm được thời gian và công sức hơn các phương pháp truyền thống. 3 Hiện nay, ở Việt nam chưa có phần mềm thông minh để phân tích liên quan nhân quả và tối ưu hóa trong nghiên cứu phát triển thuốc. Bên cạnh đó, các phần mềm thông minh nước ngoài chỉ có từng chức năng riêng lẻ như phân tích liên quan nhân quả (FormRules) hay tối ưu hóa công thức/ quy trình (CADChem, INForm). Với mong muốn tích hợp các kỹ thuật thông minh của 2 chức năng chính (Phân tích liên quan nhân quả và Tối ưu hóa/ dự đoán) như các phần mềm nước ngoài trở thành 2 giai đoạn trong 1 hệ thống thông minh, với giao diện hoàn toàn bằng tiếng Việt, đề tài “Nghiên cứu và phát triển thuốc bằng hệ thống phần mềm thông minh tự thành lập” được thực hiện với các mục tiêu: 1.

Xây dựng hệ thống phần mềm thông minh Phasolpro RD có 2 chức năng chính là phân tích nhân quả và tối ưu hóa/ dự đoán. Đánh giá hệ thống phần mềm thông minh Phasolpro RD theo GMP. Kiểm chứng hệ thống phần mềm thông minh Phasolpro RD với cơ sở dữ liệu đã công bố trên các tạp chí chuyên ngành. Áp dụng hệ thống phần mềm thông minh Phasolpro RD trong nghiên cứu và phát triển thuốc.

TỔNG QUAN TÀI LIỆU 1. Nghiên cứu và phát triển thuốc 1. Khái niệm nghiên cứu và phát triển Vai trò nghiên cứu và phát triển Chất lượng của thuốc không phải chỉ được chứng nhận bởi giai đoạn kiểm tra chất lượng mà phải được xây dựng trong mọi giai đoạn của quá trình sản xuất, bao gồm giai đoạn nghiên cứu và phát triển thuốc. Mỗi sản phẩm thuốc đều có một vòng đời nhất định từ bắt đầu, tiến triển, đỉnh cao, suy giảm và kết thúc.

Vì thế nhà sản xuất cần phải liên tục đổi mới về sản phẩm. Đổi mới một sản phẩm có liên quan đến việc thành lập công thức, có thể được tiến hành theo hai hướng: cải tiến sản phẩm cũ (về công thức, dạng bào chế.) hoặc thay bằng sản phẩm mới (với hoạt chất khác) [29]. Xây dựng công thức/ quy trình Theo FDA (Mỹ), một thuốc gốc hay thuốc của nhà phát minh (innovator drug) muốn được phép sản xuất phải nộp hồ sơ đầy đủ, trong đó có việc đánh giá sinh khả dụng và thử lâm sàng giai đoạn I-III mất nhiều thời gian và tốn kém. Đối với thuốc generic nhà sản xuất có thể làm hồ sơ miễn giảm, tức là không cần làm các mục số 7, số 8 và số 9 nhưng phải đánh giá về tương đương sinh học [29] – Bảng 1.

Để thành lập một công thức, nhiều thông tin liên quan cần được xác định như: tính chất của nguyên liệu, điều kiện thiết bị và nhà xưởng, tiêu chuẩn và phương pháp kiểm nghiệm, yêu cầu kinh tế - thị trường.Thông thường, công thức được thành lập theo kinh nghiệm qua 4 giai đoạn: - Xây dựng tiêu chuẩn: Phân tích tiêu chuẩn, xây dựng tiêu chuẩn. - Thành lập công thức theo truyền thống: tham khảo công thức cũ, chọn thành phần, tỉ lệ. - Kiểm tra chất lượng sản phẩm: Chọn phương pháp kiểm nghiệm, tiến hành thử nghiệm, phân tích kết quả. - Hoàn thiện công thức: Thay đổi nguyên liệu, điều chỉnh tỷ lệ.

Yêu cầu của FDA (Mỹ) chứng nhận thuốc gốc và generic STT Yêu cầu chứng nhận Thuốc gốc Thuốc generic 1 Nghiên cứu tiền công thức + − 2 Xây dựng tiêu chuẩn nguyên liệu + + 3 Thành lập công thức chế phẩm + + 4 Xây dựng quy trình sản xuất + + 5 Xây dựng tiêu chuẩn sản phẩm + + 6 Nghiên cứu độ ổn định và tuổi thọ + + 7 Thử nghiệm trên thú + − 8 Thử tác dụng lâm sàng + − 9 Đánh giá sinh khả dụng + − 10 Đánh giá tương đương sinh học − + “Nguồn: FDA-US, Office of Generic Drugs, 2000” [29] Thành lập công thức bằng con đường truyển thống không cho nhà bào chế biết yếu tố nào ảnh hưởng trên tính chất sản phẩm, sự ảnh hưởng tuân theo những quy luật nào, làm sao tối ưu hóa công thức theo yêu cầu và dự đoán tính chất sản phẩm nếu thay đổi công thức. Từ đó dẫn đến các sai sót như khảo sát yếu tố không cần mà bỏ sót yếu tố cần thiết, gây mất nhiều thời gian và công sức mà không đạt được yêu cầu về chất lượng. Công thức được thành lập một cách khoa học hơn bằng cách trước tiên thiết kế công thức nhằm xây dựng mô hình thực nghiệm, xem xét các yếu tố ảnh hưởng như thành phần và/ hoặc điều kiện pha chế (nhân) đối với tính chất của sản phẩm (quả); Sau đó sẽ tối ưu hóa để xác định giá trị tối ưu của thành phần/ điều kiện pha chế sao cho sản phẩm có thể hoàn thiện hơn về tiêu chuẩn chất lượng, hiệu quả hơn về tính sinh khả dụng, đạt yêu cầu về giá thành. Mô hình thực nghiệm Ý nghĩa của mô hình thực nghiệm Mô hình thực nghiệm là bảng thiết kế gồm các yếu tố khảo sát cũng như định hướng thu thập thông tin hay dữ liệu.

Dữ liệu thu thập được là đầu vào cho quá trình phân tích liên quan nhân quả và tối ưu hóa. Trong mô hình thực nghiệm có 2 biến: biến độc lập (nhân) ký hiệu là X, các giá trị là xi. (Thí dụ: loại nguyên liệu, lượng nguyên liệu, dung môi.) và biến phụ thuộc (quả) ký hiệu là Y, các giá trị là yi (Thí dụ: độ cứng, độ hòa tan, hiệu suất chiết. 6 Phân loại mô hình thực nghiệm Có 3 mô hình thực nghiệm thường gặp trong ngành Duợc: - Mô hình công thức - Mô hình quy trình - Mô hình kết hợp (công thức và quy trình).

Mô hình thực nghiệm có thể là mô hình đầy đủ cần nhiều thí nghiệm hay mô hình phân đoạn cần số thí nghiệm tối thiểu. Trong các mô hình phân đoạn có mô hình tối ưu, thí dụ: D-Optimal [4]. Trong sản xuất thuốc, với mỗi lô thuốc sản xuất, ngoài bào chế, thì cần kiểm nghiệm bán thành phẩm, thành phẩm.