乳酸羟乙醇酸共聚物微球中蛋白包封率的测定

目的:寻求一种合适的方法测定蛋白在乳酸羟乙醇酸共聚物(PLGA)微球中的包封率。方法:采用复乳 溶剂挥发法制备 BSA的PLGA微球,应用考马斯亮蓝法测定总蛋白浓度,根据文献报道的7种不同方法进行包封率测定。结果:不同的测定方法对 PLGA微球中真实的药物包封率的反映程度不同,相互间差异很大。结论:以水解法测定BSA在PLGA微球中包封率的方法提取 最完全。水解法中,又以乙腈作溶剂、再用氢氧化钠水解两步提取法最为简便、快速、准确。     

冬凌草甲素纳米粒制备及其体外抗肿瘤作用

目的制备冬凌草甲素纳米粒(ORI-Nps),考察其体外抗肿瘤作用.方法采用界面沉淀法制备ORFNps,并对其形态、粒径、ξ电位、包封率、载药量、体外释药特征和抗肿瘤作用进行研究.结果制备的ORI-Nps为类球形,粒径分布均匀,平均粒径为101.5 nm;ξ电位为-29.8 mV;载药量和包封率分别为6.84%和92.25%;体外释药缓慢;对Eta-109细胞具有较强的毒性作用.结论制备的ORI-Nps包封率和载药量高,粒径均匀,体外释药具有缓释特点,体外抗肿瘤作用强.     

影响蛋白质药物在聚乳酸-羟基乙酸微球制备过程中稳定性与增加累积释放的方法

目的介绍增加乳酸-羟基乙酸聚合物(PLGA)蛋白微球中药物稳定性与蛋白累积释放量的方法。方法根据国内外文献,较全面地总结了PLGA微球中稳定蛋白,解决不完全释放的策略。结果与结论虽然PLGA微球制备与药物释放过程中存在不利于蛋白稳定的因素,但通过选用不同添加剂、优化体外释放介质及装置、改进制备工艺、开发复合材料及复合微球等方法可以有效保存其活性,增加累积释放量。     

白头翁素贴片的制备与体外经皮渗透试验

目的制备白头翁素贴片，为白头翁素经皮制剂的开发提供依据。方法采用Eudragit E100为骨架材料，流涎工艺制备骨架型贴片。以HPMC醇性凝胶为储库递质，EVA为控释膜，热封法制备储库型贴片。采用TK 6A型透皮扩散仪，用人皮进行体外渗透实验；采用高效液相色谱法测定各时间点接受室中药物浓度，求算经皮渗透的相关参数。结果白头翁素骨架型贴剂经皮给药的稳态透皮速率［(1.72±0.02) mg·(cm2) 1·h 1］是其饱和水溶液的1.47倍，是储库型贴剂的2.30倍。结论白头翁素骨架型贴剂制备简单，具有较高的经皮渗透速率，有望开发成一种新型的经皮给药制剂。     

人工神经网络预测氟比洛芬HPMC缓释片的药物释放

以难溶性药物氟比洛芬为模型药物，制备17个处方并进行释放度检查。HPMC用量和转速作为自变量，取其中14个处方为训练处方，其余3个处方为验证处方，将上述自变量作为人工神经网络的输入，药物在各个取样时间点的释放为输出，采用剔除一点交叉验证法建立人工神经网络模型。通过线性回归和相似因子法比较人工神经网络和基于二元二项式的响应面法的预测能力。结果表明，用人工神经网络得到的预测值与实测值更接近。     

应用人工神经网络预测药物的生物药剂学分类

目的建立药物生物药剂学分类的预测模型。方法采集60个样本建立药物特征溶解度神经网络模型,采集214个样本建立药物渗透性遗传神经网络模型,并在此2个模型基础上,构建生物药剂学分类系统预测模型。结果生物药剂学分类系统预测模型中,溶解度预测准确度为93.8%,渗透性预测准确性为81.2%,生物药剂学分类预测准确性为75.0%。结论本模型可以较好地预测药物的生物药剂学分类,预测效能较高。     

药物离子淌度，分子量和离子导入的关系

应用离子淌度-孔模型研究了药物物化性质与离子导入的关系。以盐酸丁卡因、盐酸普鲁卡因、盐酸达克罗宁、盐酸利多卡因和盐酸布比卡因等5种局麻药为模型药物,分别测定它们的离子淌度(u),并采用双室扩散池法,测定它们通过离体大鼠腹部皮肤时的离子导入增渗倍数(ER)。并以logER对分子量(MW)和loguj线性回归得logER=1.961-5.85×10     

用理论参数预测药物的经皮渗透性

目的　用理论参数预测药物的经皮渗透性。方法　用半经验分子轨道AM1法计算得到药物分子的结构参数 ,用逐步多元回归分析法或BP神经网络法建立药物的经皮渗透性与这些结构参数的相关性。结果　 2 2个模型药物离体透过人皮肤的渗透系数 (kp)和 17个模型药物在一定时间内在体透过人皮肤的透过比 (R ,透过量 /未透过量 )的计算值和实测值均相符。结论　可用理论参数较好地预测药物的经皮渗透性     

用极性表面积和分子体积预测药物对血脑屏障的穿透性

目的:用极性表面积和分子体积预测药物对血脑屏障的穿透性。方法:用Monte Carlo法从半经验自洽场分子轨道AM1法得到最低能构型计算极性表面积和分子体积,用逐步多元回归法导出药物分子分别在脑组织和血液中的稳态浓度之比(logBB)和分子结构参数之间的回归方程式。结果:对于56个化合物组成的训练样本,logBB与氧原子和氮原子(不包括氮分子和硝基中的氮原子)的表面积之和(S_(O,N),A~2)以及分子体积(V,A~3)具有较好的相关性,回归方程式为:logBB=-1.331×10~(-5)V~2 9.228×10~(-3)V-0.02439S_(O,N)-0.4318(n=56,r=0.9043)。对于10个化合物组成的预测样本,预测值与实验值相当符合。结论:本模型简单有效,在药物设计中可以用来预测候选药物的logBB值。