CN115436499A - 试样分析装置、试样分析方法、医药分析装置及医药分析方法 - Google Patents

试样分析装置、试样分析方法、医药分析装置及医药分析方法 Download PDF

Info

Publication number
CN115436499A
CN115436499A CN202210577940.1A CN202210577940A CN115436499A CN 115436499 A CN115436499 A CN 115436499A CN 202210577940 A CN202210577940 A CN 202210577940A CN 115436499 A CN115436499 A CN 115436499A
Authority
CN
China
Prior art keywords
sample
reaction
test substance
quantitative information
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210577940.1A
Other languages
English (en)
Inventor
中井裕介
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shimadzu Corp
Original Assignee
Shimadzu Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shimadzu Corp filed Critical Shimadzu Corp
Publication of CN115436499A publication Critical patent/CN115436499A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/10—Analysis or design of chemical reactions, syntheses or processes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/86—Signal analysis
    • G01N30/8624—Detection of slopes or peaks; baseline correction
    • G01N30/8631—Peaks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/50—Molecular design, e.g. of drugs
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Pure & Applied Mathematics (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Computational Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Optimization (AREA)
  • Algebra (AREA)
  • Immunology (AREA)
  • Mathematical Analysis (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Medicinal Chemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Automatic Analysis And Handling Materials Therefor (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明提供一种试样分析装置，其具备：获取部，获取存在于试样中的被检物质的定量信息；推断部，从存储装置中读取通过多个反应模型而广义化的广义化反应模型，利用贝叶斯推断来推断所述广义化反应模型的参数的后验分布；计算部，基于由推断部推断的参数的后验分布来计算任意时间下的被检物质的定量信息的可信区间或分位点，或者计算被检物质的定量信息达到规定阈值为止的时间的可信区间或分位点。

Description

试样分析装置、试样分析方法、医药分析装置及医药分析方法
技术领域
本发明涉及对试样所包含的被检物质进行分析的试样分析装置及方法、以及对制剂等所包含的有效成分等进行分析的医药分析装置及分析方法。
背景技术
为了评价医药的历时变化而进行稳定性试验。通过该试验，计算出医药的有效成分处于基准值的范围内或者计算出能够保证杂质为基准值以下的期间(有效期间)。通常通过液相色谱法对于在恒温恒湿槽等中保存了一定期间的医药进行有效成分或杂质的鉴定以及定量，基于该结果计算出有效期间。
为了实施稳定性试验，需要长期保管医药。为了缩短该期间而进行以下方法：利用反应模型函数来进行有效期间的预测的方法(时间轴方向的外插)，或者利用阿伦尼乌斯公式根据高温(高湿)的条件下的分解量预测低温(低湿)条件下的有效期间的方法(温度轴方向的外插)。作为时间轴方向的外插，例如公开于《含有新有效成分的医药品的稳定性试验数据的评价》日本制药工业协会、医药出版中心发行、2005年3月，作为温度轴方向的外插，例如公开于“ASAPprime(医药品稳定性迅速评价软件)网页”、Free Think公司、[2021年5月24日检索]、<URL：https：//www.ms-scientific.com/products/lifescience/asapprime>。
发明内容
作为医药的稳定性试验的结果，不仅要求拟合良好的预测，而且还要求恰当的分布或可信区间的设定。以往，在利用模型函数的方法中，采取考虑模型误差来设定较广的可信区间，或者获取具有充分长度的期间的数据这样的方案。但是，为了采取了这样的方案而产生有效期间变得过短的问题或需要长时间来获取必要的数据的问题。
本发明的目的在于提供一种能够提示恰当的可信区间的试样分析装置及方法以及医药分析装置及方法。
根据本发明的一方案的试样分析装置具备：获取部，获取存在于试样中的被检物质的定量信息；推断部，从存储装置读取通过多个反应模型而广义化的广义化反应模型，利用贝叶斯推断来推断所述广义化反应模型的参数的后验分布；计算部，基于由推断部推断的参数的后验分布来计算任意时间下的被检物质的定量信息的可信区间或分位点，或者计算被检物质的定量信息达到规定阈值为止的时间的可信区间或分位点。
本发明的另一方案的试样分析装置具备：获取部，获取存在于试样中的被检物质的定量信息；推断部，读取存储于存储装置中的反应模型，利用贝叶斯推断，通过将阿伦尼乌斯公式或修正阿伦尼乌斯公式与反应模型组合来推断参数的后验分布；计算部，基于由推断部推断的参数的后验分布来计算任意时间下的被检物质的定量信息的可信区间或分位点，或者计算被检物质的定量信息达到规定阈值为止的时间的可信区间或分位点。
本发明还涉及试样分析方法、医药分析装置及医药分析方法。
附图说明
图1是本实施方式的试样分析装置的构成图。
图2是本实施方式的试样分析装置的功能框图。
图3是示出时间轴方向的外插的图。
图4是示出反应模型的例子的图。
图5是示出温度轴方向的外插的图，
图6是示出第1实施方式的分析方法的流程图。
图7是示出模拟数据的图。
图8示出使用模拟数据通过贝叶斯推断而推断的峰面积比的后验分布的图。
图9是示出第1实施方式的变形例1的分析方法的流程图。
图10是示出第2实施方式的分析方法的流程图。
图11是示出第2实施方式的变形例的分析方法的流程图。
具体实施方式
接下来，参照附图对本发明的实施方式的试样分析装置及方法以及医药分析装置及方法进行说明。
(1)试样分析装置的构成
图1是实施方式的试样分析装置1的构成图。本实施方式的试样分析装置1获取在液相色谱仪、气相色谱仪或质量分析装置等中得到的试样的测量数据MD。测量数据MD具有存在于试样中的被检物质的定量信息。具体而言，测量数据MD具有与存在于试样中的被检物质的峰面积比相关的数据。在本实施方式中，特别以使用医药(制剂或原药)作为试样的情况为例进行说明。具体而言，在本实施方式中，测量数据MD是与杂质的峰面积相对于医药所包含的有效成分的峰面积的比相关的数据。测量数据MD具有与针对多个时间的峰面积比有关的数据。
本实施方式的试样分析装置1由个人计算机构成。试样分析装置1如图1所示具备：CPU(Central Processing Unit：中央处理器)11、RAM(Random Access Memory：随机存储器)12、ROM(Read Only Memory：只读存储器)13、操作部14、显示器15、存储装置16、通信接口(I/F)17、设备接口(I/F)18。
CPU11进行试样分析装置1的整体控制。RAM12在CPU11执行程序时用作工作区。在ROM13中存储有各种数据、程序等。操作部14接收用户的输入操作。操作部14包含键盘及鼠标等。显示器15显示分析结果等信息。存储装置16是硬盘等存储介质。在存储装置16中存储有程序P1及测量数据MD。
程序P1利用贝叶斯推断来推断通过多个反应模型而广义化的广义化反应模型的参数的可取值(后验分布)。此外，程序P1利用贝叶斯推断通过将阿伦尼乌斯公式或修正阿伦尼乌斯公式与反应模型组合来推断参数的可取值(后验分布)。此外，程序P1基于推断出的参数的后验分布，计算任意时间下的被检物质的定量信息的可信区间或分位点。此外，程序P1基于推断出的参数的后验分布，计算被检物质的定量信息达到规定的阈值为止的时间的可信区间或分位点。
通信接口17是与其它计算机之间进行基于有线或无线的通信的接口。设备接口18是访问CD、DVD、半导体存储器等存储介质19的接口。
(2)试样分析装置的功能构成
图2是示出试样分析装置1的功能构成的框图。在图2中，控制部20是通过由CPU11将RAM12用作工作区的同时执行程序P1来实现的功能部。控制部20具备获取部21、推断部22、计算部23及输出部24。即，获取部21、推断部22、计算部23及输出部24是通过程序P1的执行来实现的功能部。换言之，各功能部21～24也可以说是CPU11所具备的功能部。
获取部21输入测量数据MD。获取部21例如经由通信接口17从其它计算机或分析装置等输入测量数据MD。或者，获取部21经由设备接口18输入保存在存储介质19中的测量数据MD。
推断部22利用贝叶斯推断使用测量数据MD来推断广义化反应模型的参数的后验分布。广义化反应模型是通过多个反应模型广义化而得的模型。推断部22还利用贝叶斯推断通过将阿伦尼乌斯公式或修正阿伦尼乌斯公式与反应模型组合来推断参数的后验分布。
计算部23基于由推断部22推断出的参数的后验分布，计算任意时间下的被检物质的定量信息的可信区间或分位点。计算部23还基于由推断部22推断出的参数的后验分布，计算被检物质的定量信息达到规定的阈值为止的时间的可信区间或分位点。
输出部24将被检物质的定量信息的可信区间或分位点显示于显示器15。输出部24还将被检物质的定量信息达到规定阈值为止的时间的可信区间或分位点显示于显示器15。
以程序P1保存在存储装置16中的情况为例进行说明。作为其它实施方式，程序P1也可以保存在存储介质19中而被提供。CPU11也可以经由设备接口18访问存储介质19，将保存在存储介质19中的程序P1保存至存储装置16或ROM13中。或者，CPU11也可以经由设备接口18访问存储介质19，执行保存在存储介质19中的程序P1。
(3)基于测量数据的预测
(3-1)时间轴方向的外插
在说明本实施方式的试样分析装置1的分析方法之前，对在实施本实施方式的分析方法的基础上作为基本的基于测量数据MD的时间轴方向的外插进行说明。图3是示出时间轴方向的外插的图。在图3中，横轴是天数(时间)，纵轴是杂质的峰面积相对于主成分的峰面积的比。在医药的情况下，纵轴是杂质的峰面积相对于有效成分的峰面积的比。
在图3中，绘制出的点是测量数据MD。测量数据MD是在多个天数中获取的峰面积比的数据。在图3的例子中，测量数据MD是从第1天直到400天附近所获取的数据。通过对该获取的测量数据MD执行回归，从而拟合图示的模型M1。通过对模型M1进行拟合，根据直到400天左右为止的测量数据MD，推断600天、800天等将来的天数下的峰面积比。通过像这样地对模型M1进行拟合，从而进行峰面积比的时间轴方向的外插。同样地，通过对模型M1进行拟合，也可进行峰面积比的时间轴方向的内插。
图4是示出反应模型的例子的图。在图4中，各反应模型以微分形式(differentialform)及积分形式(integral form)这2种形式来表现。在图中，α是转化率(conversion rate)，是示出反应的推进程度的0～1的值。k是反应速度常数。通过使测量数据MD适用于任意反应模型，并通过回归推断k等参数，可进行向时间轴方向的外插(及内插)。另外，在使用微分形式进行回归的情况下，虽然需要变形为dα/dt＝kf(α)来求解微分方程式，但是具有与积分形式相比更容易使模型式广义化的特征。
(3-2)温度方向的外插
接着，对在实施本实施方式的分析方法的基础上作为基本的基于测量数据MD的温度轴方向的外插进行说明。图5是示出温度轴方向的外插的图。在图5中，横轴是天数(时间)，纵轴是杂质的峰面积相对于主成分的峰面积的比。在医药的情况下，纵轴是杂质的峰面积相对于有效成分的峰面积的比。
在图5中，与图3同样地，绘制出的点是测量数据MD，是在多个天数中获取的峰面积比的数据。在图5中，黑圆的点是在高温条件下(严酷条件下)获取的测量数据MD，黑三角的点是在低温条件下(通常保管条件下)获取的测量数据MD。在图5的例子中，高温及低温的任一条件下的测量数据MD均为从第1天直到60天附近为止所获取的数据。并且，通过利用如下所示的阿伦尼乌斯公式，能够根据在高温条件下获取的测量数据MD预测低温条件下的数据。由此，可推断在低温条件下(通常保管条件下)的100天、200天、1年、2年等将来天数下的峰面积比。由此进行峰面积比的温度轴方向的外插。
相对于某单一反应的反应速度常数k在温度或湿度恒定的情况下不发生变化，但在温度或湿度发生变化的情况下，能够视作遵循以数学式1表示的阿伦尼乌斯公式或以数学式2表示的修正阿伦尼乌斯公式。
[数学式1]
Figure BDA0003661144810000061
[数学式2]
Figure BDA0003661144810000062
在数学式1、数学式2中，R是气体常数，T是绝对温度，H是相对湿度。此外，A是指频率因子，E是活化能(activation energy)，B是针对湿度的参数。虽然参数(A、E、B)在各反应中是固有的参数，但在非晶体的情况或非常高温、高湿的情况下等物性会发生变化的条件下不一定成立。并且，如果将试样成为某分解量为止的时间设为t，则k×t恒定。因此，通过根据在多个温度或湿度中获取的测量数据MD求出针对未知的反应的参数(A、E、B)，则如图5所示，可以将严酷条件下的测量结果运用于通常的保管条件下的预测。在此，对温度轴方向的外插进行了说明，但湿度轴方向的外插也以同样的方法进行。
(4)第1实施方式
接着，参照图6的流程图对第1实施方式的分析方法进行说明。第1实施方式的分析方法是在(3-1)中说明的利用了反应模型的时间轴方向的外插。图6的流程图是由图1所示的CPU11执行的处理。即，是由CPU11通过利用RAM12等硬件资源并使程序P1动作而由图2所示的各功能部21～24来执行的处理。
在步骤S11中，获取部21获取存在于试样中的被检物质的定量信息。具体而言，获取部21获取与杂质的峰面积相对于医药所包含的有效成分的峰面积的比相关的数据。接着，在步骤S12中，推断部22利用贝叶斯推断来推断通过多个反应模型而广义化的广义化反应模型的参数的后验分布。广义化反应模型被存储在存储装置16中。
对广义化反应模型进行说明。在难以从测量数据MD缩小出特定的1个反应模型时，将多个反应模型广义化。数学式3及数学式4是广义化反应模型的例子。
[数学式3]
Figure BDA0003661144810000071
[数学式4]
Figure BDA0003661144810000072
数学式3是通过将多个反应模型相加而构建广义化反应模型的例子。该广义化反应模型是将图4所示的反应模型中的P2模型与D1模型相加而得的模型。数学式4是通过包含多个反应模型而构建的广义化反应模型的例子。该广义化反应模型是包含图4所示的反应模型中的F1模型与F2模型的模型。这样的多个广义化反应模型被存储在存储装置16中。
推断部22应用由数学式3及数学式4等示出的广义化反应模型，使用获取部21获取的测量数据MD进行贝叶斯推断，获取参数的后验分布。
使用模拟数据SD代替测量数据MD来说明本实施方式的分析方法的实施例。图7是示出模拟数据SD的图。模拟数据SD是0～300天左右的峰面积比的数据。该模拟数据SD是基于反应函数TD(真函数)而生成的数据。
图8示出在对图7所示的模拟数据SD应用广义化模型的基础上利用贝叶斯推断来推断的反应模型的后验分布。在图8中，斜线所示的区域示出反应模型的后验分布的95％可信区间。此外，图8的点划线是反应模型的后验分布的中央值。此外，图8的实线是图7所示的模拟数据SD的反应函数TD(真函数)。
为了得到图8所示的概率分布，对广义化反应模型赋予适当的先验分布，使用模拟数据SD进行贝叶斯推断。经过规定步骤的预烧期后，在统计量计算中执行规定步骤的马尔可夫链蒙特卡洛法(MCMC法)，由此进行贝叶斯推断。
返回到图6的流程图。接着，在步骤S13中，计算部23基于由推断部22推断的反应模型的后验分布，计算任意时间下的被检物质的定量信息的可信区间或分位点。即，计算部23计算任意时间下的峰面积比的值的可信区间或分位点。例如，计算部23针对杂质相对于医药所包含的有效成分的峰面积比，计算1年后、2年后、3年后等的可信区间或分位点。计算出的可信区间或分位点也可以通过输出部24显示在显示器15上。
即使在将多个反应模型组合而进行预测的情况下，在对所获取的数据计算误差变小的参数值时也得不到本实施方式的分析方法那样的效果。在根据可表现的模型得到拟合良好的模型函数方面，计算误差变小那样的参数值的方法是优异的，但在还考虑遵循其它模型的可能性的基础上想要计算可信区间的情况下，称不上是恰当的方法。
例如考虑作为将线性模型y＝ax与二次函数模型y＝bx^2相加而得的模型而构建反应模型y＝ax+bx^2的情况。该模型可表现两个模型与它们的相加模型。即使是所获取的数据为“实际遵循线性模型但由于测量误差而成为2次函数”的情况，但若使用该模型进行拟合以使误差变小，则成为2次函数而不考虑是线性模型的可能性。
对于该模型，在本实施方式中，应用基于贝叶斯理论的方案来推断参数。在贝叶斯推断中，并非得到误差变小的参数值，而是在设定了恰当的误差分布或先验分布的基础上获取参数的“分布”。因此，即使是在上述的“实际遵循线性模型但由于测量误差而成为2次函数”的情况下，也能够得到考虑了由于误差而看上去为线性模型这一情况的参数的分布。另外，在通过由数学式3示出的基于相加的广义化的例子中，也能够考虑反应并行发生的情况。即，即使在2个相同种类的反应并行发生的情况下，也可构建模型。另一方面，在由数学式4示出的基于包含进行的广义化的例子中，与基于相加的方法相比，存在能够减少参数数量这样的优点。
(5)第1实施方式的变形例1
在上述第1实施方式中，计算部23基于在推断部22中推断出的参数的后验分布，计算任意时间下的被检物质的定量信息的可信区间或分位点。在第1实施方式的变形例1中，计算出被检物质的定量信息达到规定阈值为止的时间的可信区间等。
图9是变形例1的流程图。步骤S21、S22与图6中说明的步骤S11、S12相同。在步骤S21中，获取部21获取与杂质的峰面积相对于医药所包含的有效成分的峰面积的比相关的数据。在步骤S22中，推断部22利用贝叶斯推断来推断通过多个反应模型广义化的广义化反应模型的参数的后验分布。
在步骤S23中，计算部23基于在推断部22中推断出的参数的后验分布，计算被检物质的定量信息达到规定阈值为止的时间的可信区间或分位点。例如，计算部23计算杂质的峰值面积比成为规定的阈值为止的天数(时间)的可信区间或分位点。由此，在确定了医药的杂质的峰面积比的容许值的情况下，可提示医药的有效保存期间的可信区间或分位点。
(6)第1实施方式的变形例2
在根据第1实施方式的使用了贝叶斯推断的分析方法中，通过进行对加速度的反应的判定，可进行更高效的推断。在测量数据MD的二次近似为正的情况下，反应模型函数具有向下凸的特征。这表示试样的反应在加速度推进。于是，对测量数据MD进行二次近似，根据是否能够舍弃二次项系数为正来切换处理。
(6-1：能够舍弃二次项系数为正的情况)
从反应模型的候选中排除示出加速度的反应的反应模型来进行贝叶斯推断。具体而言，在基于相加的广义化的情况下，从候选中排除加速度的反应模型。此外，在基于包含的广义化的情况下，对参数的范围施加限制，或者删除一部分的参数。由此，在能够从测量数据MD中舍弃加速度反应的可能性的情况下，通过对广义化反应模型施加限制，能够进行更高精度的贝叶斯推断。
(6-2：不能舍弃二次项系数为正但在温度·湿度条件下分解为基准值的情况)
在包含加速度的反应模型的状态下进行贝叶斯推断。这是由于有效成分已经分解至基准值，因而后验分布的可信区间进一步大幅扩大的可能性较低。
(6-3：不能舍弃二次项系数为正但未分解至基准值的情况)
在包含加速度的反应模型而执行了贝叶斯推断的情况下，存在后验分布的可信区间大幅扩大的可能性。该情况下，难以提示实用的可信区间或分位点。因此，继续获取测量数据MD直到有效成分的分解达到基准值为止。在继续获取测量数据MD的同时，再次进行(6-1)～(6-3)的判定。
如此，根据变形例2，通过舍弃反应加速度进行的情况，能够提高基于贝叶斯推断的推断结果的精度。在原样利用加速度的反应模型而在时间轴方向上进行外插的情况下，存在微小的误差随着时间经过而变大、可信区间大幅扩大的问题，但是根据变形例2可避免这样的问题。
(7)第1实施方式的变形例3
变形例3是在构建广义化反应模型时以概率方式选择多个反应模型的方法。
(7-1：将2个以上的反应模型相加，获取各反应模型被选择的概率)
如上所述，通过相加或者包含来构建广义化反应模型。此时，通过重新附加参数或者改变分布的设定，能够求出实际的反应遵循该反应模型的概率。例如，在微分形式的P2模型与D1模型为候选的情况下，如数学式5所示，追加新获取{0，1}2值的离散参数p。
[数学式5]
Figure BDA0003661144810000101
p∈{0，1}
通过对以数学式5示出的广义化反应模型进行贝叶斯推断，由此可得到p的分布。其中，p是离散参数，取值为0或1。若将“取值为p＝0的概率”设为D1模型被选择的概率、将“取值为p＝1的概率”设为P2模型被选择的概率，则可得到测量数据MD遵循特定的模型的概率。在基于3个以上的反应模型的广义化的情况下也同样。进而，还能够构建以数学式6示出的广义化反应模型。
[数学式6]
Figure BDA0003661144810000102
(p1，p2)∈{(0，1)，(1，0)，(1，1)}
在数学式6中，能得到“取值为p1＝0，p2＝1的概率”、“取值为p1＝1，p2＝0的概率”、“取值为p1＝1，p2＝1的概率”，因此也可以将并行的模式加入候选中。此外，也可以考虑将spike and slab分布(将取值为0的离散概率与连续分布组合而得的分布)赋予k的方法来代替加入离散参数p。
(7-2：将广义化模型的次数参数离散化，获取各个模型被选择的概率)
例如，在微分形式的P2模型与D1模型为候选的情况下，考虑如数学式7所示地使用了参数(c，m，n)的如下广义化模型。
[数学式7]
f(α)＝cαm(1-α)n…(7)
此时，P2模型f(α)＝2α^(1/2)能够表示为(c，m，n)＝(2，0.5，0)，D1模型f(α)＝1/(2α)能够表示为(c，m，n)＝(0.5，-1，0)。因此，与(7-1)同样地，构建如式8所示那样的广义化反应模型，使参数(c，m，n)的可取值离散，进行贝叶斯推断，由此能够得到遵循特定的反应模型的概率。
[数学式8]
Figure BDA0003661144810000111
(c，m，n)∈{(2，0.5，0)，(0.5，-1，0)}
(7-3：准备2个以上的先验分布，获取先验分布集合的可取概率)
例如，在微分形式的P2模型与D1模型为候选的情况下，与(7-1)同样，考虑使用了参数(c，m，n)的式9所示那样的广义化模型。
[数学式9]
f(α)＝cαm(1-α)n…(9)
此时，能够通过准备多个参数(c，m，n)的先验分布的集合来代替使参数(c，m，n)的可取值离散，从而进行类似的处理。作为极端的例子，可例举(c，m，n)仅分布于(2，0.5，0)一点的先验分布X1(适当地设定其它参数)。准备除了设为(c，m，n)仅分布于(0.5，-1，0)一点之外与先验分布X1同样的先验分布X2，若假设选择2个先验分布之一进行推断，则可获取2个先验分布集合的可取概率，因此可得到与(7-2)同样的效果。
此外，在设定先验分布的情况下，由于不仅能指定一点，还能够作为分布来指定，因此可指定具有宽度的模型函数“组”，可对参数(c，m，n)以外的参数按组设定恰当的先验分布。此外，对于(7-1)那样的相加的广义化式，也同样可通过先验分布来应对。
(8)第2实施方式
接着，参照图10的流程图对第2实施方式的分析方法进行说明。第2实施方式的分析方法是利用了在(3-2)中说明的阿伦尼乌斯公式或修正阿伦尼乌斯公式的温度轴方向的外插。图10的流程图是由图1所示的CPU11执行的处理。
在步骤S31中，获取部21获取存在于试样中的被检物质的定量信息。具体而言，获取部21获取与杂质的峰面积相对于医药所包含的有效成分的峰面积的比相关的数据。在此，在步骤S31中获取的测量数据MD是在高温条件下(严酷条件下)获取的数据。接下来，在步骤S32中，推断部22将阿伦尼乌斯公式(数学式1)或修正阿伦尼乌斯公式(数学式2)应用于反应模型式(数学式8)，利用贝叶斯推断来推断与温度轴或湿度轴相关的参数(A、E、B等)与决定反应模型的参数(m、n等)的后验分布。由此，能够对测量数据MD进行温度轴方向的外插与时间轴方向的外插，计算出低温条件下(通常保管条件下)的任意时间下的峰面积比的可信区间或分位点。如此，推断部22利用贝叶斯推断通过将阿伦尼乌斯公式或修正阿伦尼乌斯公式与反应模型组合来推断参数的后验分布。阿伦尼乌斯公式、修正阿伦尼乌斯公式及多个反应模型被存储在存储装置16中。
接着，计算部23在步骤S33中，基于由推断部22推断的参数的后验分布，计算任意时间下的被检物质的定量信息的可信区间或分位点。即，计算部23计算任意时间下的峰面积比的值的可信区间或分位点。例如，计算部23针对杂质相对于医药所包含的有效成分的峰面积比，计算1年后、2年后、3年后等的可信区间或分位点。计算出的可信区间或分位点也可以通过输出部24显示在显示器15上。
(9)第2实施方式的变形例
在第2实施方式中，计算部23基于在推断部22中推断的参数的后验分布，计算任意时间下的被检物质的定量信息的可信区间或分位点。在第2实施方式的变形例中，可计算被检物质的定量信息达到规定阈值为止的时间的可信区间等。
图11是变形例的流程图。步骤S41、S42与图10中说明的步骤S31、S32相同。在步骤S43中，计算部23基于在推断部22中推断出的参数的后验分布，计算被检物质的定量信息达到规定阈值为止的时间的可信区间或分位点。例如，计算部23计算杂质的峰值面积比成为规定的阈值为止的天数(时间)的可信区间或分位点。由此，在确定了医药的杂质的峰面积比的容许值的情况下，可提示医药的有效保存期间的可信区间或分位点。
(10)另一变形例
以上说明的各实施方式中，以试样分析装置1为医药分析装置的情况为例进行了说明。本实施方式的试样分析装置1除了医药以外还可以用于获取各种试样中的被检物质的定量信息。图4所示的反应模型的列表为一例。应用本实施方式的分析方法的反应模型没有特别限定。
(11)方案
本领域技术人员可以理解，上述多个示例性的实施方式是以下的方案的具体例。
(第1项)
一方案的试样分析装置具备：
获取部，获取存在于试样中的被检物质的定量信息；
推断部，从存储装置中读取通过多个反应模型而广义化的广义化反应模型，利用贝叶斯推断来推断所述广义化反应模型的参数的后验分布；
计算部，基于由所述推断部推断的所述参数的后验分布来计算任意时间下的所述被检物质的定量信息的可信区间或分位点，或者计算所述被检物质的定量信息达到规定阈值为止的时间的可信区间或分位点。
能够提高基于贝叶斯推断的推断结果的可信度。
(第2项)
在第1项所述的试样分析装置中，
所述推断部可以以概率选择所述多个反应模型。
能够提高基于贝叶斯推断的推断结果的可信度。
(第3项)
在第1项所述的试样分析装置中，
所述推断部可以通过将所述多个反应模型的组合设定为多个先验分布，利用贝叶斯推断来推断后验分布，基于推断出的后验分布来选择所述多个反应模型。
能够提高基于贝叶斯推断的推断结果的可信度。
(第4项)
在第1项～第3项的任一项所述的试样分析装置中，
所述广义化反应模型可以通过所述多个反应模型的相加而得。
即便对于复合反应，也可应用恰当的反应模型。
(第5项)
在第1项～第3项的任一项所述的试样分析装置中，
所述广义化反应模型可以是包含所述多个反应模型的1个模型。
即便对于复合反应，也可应用恰当的反应模型。
(第6项)
在第1项～第5项的任一项所述的试样分析装置中，
所述推断部也可以根据所述试样的反应是否包含加速的反应来切换应用的所述多个反应模型。
能够提高基于贝叶斯推断的推断结果的精度。
(第7项)
在第6项所述的试样分析装置中，
所述推断部可以在是否包含加速的反应的判定中使用二次近似。
能够提高基于贝叶斯推断的推断结果的精度。
(第8项)
另一方案的试样分析装置具备：
获取部，获取存在于试样中的被检物质的定量信息；
推断部，读取存储于存储装置中的反应模型，利用贝叶斯推断通过将阿伦尼乌斯公式或修正阿伦尼乌斯公式与所述反应模型组合来推断参数的后验分布；
计算部，基于由所述推断部推断的所述参数的后验分布来计算任意时间下的所述被检物质的定量信息的可信区间或分位点，或者计算所述被检物质的定量信息达到规定阈值为止的时间的可信区间或分位点。
能够缩短获取必要的数据所需的时间，并且能够提示恰当的可信区间。
(第9项)
另一方案的试样分析方法包括：
获取存在于试样中的被检物质的定量信息的工序；
从存储装置中读取通过多个反应模型而广义化的广义化反应模型，利用贝叶斯推断来推断所述广义化反应模型的参数的后验分布的工序；
基于推断出的所述参数的后验分布来计算任意时间下的所述被检物质的定量信息的可信区间或分位点，或者计算所述被检物质的定量信息达到规定阈值为止的时间的可信区间或分位点的工序。
能够提高基于贝叶斯推断的推断结果的可信度。
(第10项)
又一方案的试样分析方法包括：
获取存在于试样中的被检物质的定量信息的工序；
读取存储于存储装置中的反应模型，利用贝叶斯推断通过将阿伦尼乌斯公式或修正阿伦尼乌斯公式与所述反应模型组合来推断参数的后验分布的工序；
基于推断出的所述参数的后验分布来计算任意时间下的所述被检物质的定量信息的可信区间或分位点，或者计算所述被检物质的定量信息达到规定阈值为止的时间的可信区间或分位点的工序。
能够缩短获取必要的数据所需的时间，并且能够提示恰当的可信区间。
(第11项)
另一方案的医药分析装置为，
在第1项所述的试样分析装置中，所述试样包含制剂或原药，所述被检物质包含存在于所述制剂或所述原药中的有效成分或杂质。
能够提高基于贝叶斯推断的推断结果的可信度。
(第12项)
又一方案的医药分析装置为，
在第8项所述的试样分析装置中，所述试样包含制剂或原药，所述被检物质包含存在于所述制剂或所述原药中的有效成分或杂质。
能够提高基于贝叶斯推断的推断结果的可信度。
(第13项)
另一方案的医药分析方法为，
在第9项所述的试样分析方法中，所述试样包含制剂或原药，所述被检物质包含存在于所述制剂或所述原药中的有效成分或杂质。
能够提高基于贝叶斯推断的推断结果的可信度。
(第14项)
又一方案的医药分析方法为，
在第10项所述的试样分析方法中，所述试样包括制剂或原药，所述被检物质包括存在于所述制剂或所述原药中的有效成分或杂质。
能够提高基于贝叶斯推断的推断结果的可信度。

Claims (14)

1.一种试样分析装置，其特征在于，具备：
获取部，获取存在于试样中的被检物质的定量信息；
推断部，从存储装置中读取通过多个反应模型而广义化的广义化反应模型，利用贝叶斯推断来推断所述广义化反应模型的参数的后验分布；
计算部，基于由所述推断部推断的所述参数的后验分布来计算任意时间下的所述被检物质的定量信息的可信区间或分位点，或者计算所述被检物质的定量信息达到规定阈值为止的时间的可信区间或分位点。
2.如权利要求1所述的试样分析装置，其特征在于，所述推断部以概率选择所述多个反应模型。
3.如权利要求1所述的试样分析装置，其特征在于，所述推断部通过将所述多个反应模型的组合设定为多个先验分布，利用贝叶斯推断来推断后验分布，基于推断出的后验分布来选择所述多个反应模型。
4.如权利要求1所述的试样分析装置，其特征在于，所述广义化反应模型通过所述多个反应模型的相加而得。
5.如权利要求1所述的试样分析装置，其特征在于，所述广义化反应模型是包含所述多个反应模型的1个模型。
6.如权利要求1所述的试样分析装置，其特征在于，所述推断部根据所述试样的反应是否包含加速的反应来切换应用的所述多个反应模型。
7.如权利要求6所述的试样分析装置，其特征在于，所述推断部在是否包含加速的反应的判定中使用二次近似。
8.一种试样分析装置，其特征在于，具备：
获取部，获取存在于试样中的被检物质的定量信息；
推断部，读取存储于存储装置中的反应模型，利用贝叶斯推断通过将阿伦尼乌斯公式或修正阿伦尼乌斯公式与所述反应模型组合来推断参数的后验分布；
计算部，基于由所述推断部推断的所述参数的后验分布来计算任意时间下的所述被检物质的定量信息的可信区间或分位点，或者计算所述被检物质的定量信息达到规定阈值为止的时间的可信区间或分位点。
9.一种试样分析方法，其特征在于，包括：
获取存在于试样中的被检物质的定量信息的工序；
从存储装置中读取通过多个反应模型而广义化的广义化反应模型，利用贝叶斯推断来推断所述广义化反应模型的参数的后验分布的工序；
基于推断出的所述参数的后验分布来计算任意时间下的所述被检物质的定量信息的可信区间或分位点，或者计算所述被检物质的定量信息达到规定阈值为止的时间的可信区间或分位点的工序。
10.一种试样分析方法，其特征在于，包括：
获取存在于试样中的被检物质的定量信息的工序；
读取存储于存储装置中的反应模型，利用贝叶斯推断，通过将阿伦尼乌斯公式或修正阿伦尼乌斯公式与所述反应模型组合来推断参数的后验分布的工序；
基于推断的所述参数的后验分布来计算任意时间下的所述被检物质的定量信息的可信区间或分位点，或者计算所述被检物质的定量信息达到规定阈值为止的时间的可信区间或分位点的工序。
11.一种医药分析装置，其特征在于，在权利要求1所述的试样分析装置中，所述试样包含制剂或原药，所述被检物质包含存在于所述制剂或所述原药中的有效成分或杂质。
12.一种医药分析装置，其特征在于，在权利要求8所述的试样分析装置中，所述试样包含制剂或原药，所述被检物质包含存在于所述制剂或所述原药中的有效成分或杂质。
13.一种医药分析方法，其特征在于，在权利要求9所述的试样分析方法中，所述试样包含制剂或原药，所述被检物质包含存在于所述制剂或所述原药中的有效成分或杂质。
14.一种医药分析方法，其特征在于，在权利要求10所述的试样分析方法中，所述试样包含制剂或原药，所述被检物质包含存在于所述制剂或所述原药中的有效成分或杂质。
CN202210577940.1A 2021-06-01 2022-05-25 试样分析装置、试样分析方法、医药分析装置及医药分析方法 Pending CN115436499A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021092141A JP2022184349A (ja) 2021-06-01 2021-06-01 試料分析装置、試料分析方法、医薬分析装置および医薬分析方法。
JP2021-092141 2021-06-01

Publications (1)

Publication Number Publication Date
CN115436499A true CN115436499A (zh) 2022-12-06

Family

ID=84193136

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210577940.1A Pending CN115436499A (zh) 2021-06-01 2022-05-25 试样分析装置、试样分析方法、医药分析装置及医药分析方法

Country Status (3)

Country Link
US (1) US20220383160A1 (zh)
JP (1) JP2022184349A (zh)
CN (1) CN115436499A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004083451A1 (en) * 2003-03-17 2004-09-30 Commonwealth Scientific And Industrial Research Organisation Analysis method
US20120271556A1 (en) * 2011-04-06 2012-10-25 Commissariat A L'energie Atomique Et Aux Ene Alt Method and device for estimating biological or chemical parameters in a sample, corresponding method for aiding diagnosis
US20130238252A1 (en) * 2011-09-05 2013-09-12 Commissariat A L'energie Atomique Et Aux Ene Alt Method and apparatus for estimating a molecular mass parameter in a sample
JP2016048251A (ja) * 2010-07-05 2016-04-07 ソニー株式会社 生体情報処理方法および装置、並びに記録媒体
KR20160143158A (ko) * 2015-06-04 2016-12-14 고려대학교 산학협력단 용량 반응곡선의 추정 및 기준용량 계산을 위한 장치 및 방법
US20180217125A1 (en) * 2014-03-26 2018-08-02 Metanomics Health Means and methods for the determination of the quality of blood samples based on a metabolite panel
JP2019192151A (ja) * 2018-04-27 2019-10-31 株式会社荏原製作所 解析パラメータの推定方法
JP2019215750A (ja) * 2018-06-13 2019-12-19 国立研究開発法人宇宙航空研究開発機構 解析装置、解析方法、およびプログラム
CN112560271A (zh) * 2020-12-21 2021-03-26 北京航空航天大学 一种非概率可信贝叶斯结构可靠度分析方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004083451A1 (en) * 2003-03-17 2004-09-30 Commonwealth Scientific And Industrial Research Organisation Analysis method
JP2016048251A (ja) * 2010-07-05 2016-04-07 ソニー株式会社 生体情報処理方法および装置、並びに記録媒体
US20120271556A1 (en) * 2011-04-06 2012-10-25 Commissariat A L'energie Atomique Et Aux Ene Alt Method and device for estimating biological or chemical parameters in a sample, corresponding method for aiding diagnosis
US20130238252A1 (en) * 2011-09-05 2013-09-12 Commissariat A L'energie Atomique Et Aux Ene Alt Method and apparatus for estimating a molecular mass parameter in a sample
US20180217125A1 (en) * 2014-03-26 2018-08-02 Metanomics Health Means and methods for the determination of the quality of blood samples based on a metabolite panel
KR20160143158A (ko) * 2015-06-04 2016-12-14 고려대학교 산학협력단 용량 반응곡선의 추정 및 기준용량 계산을 위한 장치 및 방법
JP2019192151A (ja) * 2018-04-27 2019-10-31 株式会社荏原製作所 解析パラメータの推定方法
JP2019215750A (ja) * 2018-06-13 2019-12-19 国立研究開発法人宇宙航空研究開発機構 解析装置、解析方法、およびプログラム
CN112560271A (zh) * 2020-12-21 2021-03-26 北京航空航天大学 一种非概率可信贝叶斯结构可靠度分析方法

Also Published As

Publication number Publication date
US20220383160A1 (en) 2022-12-01
JP2022184349A (ja) 2022-12-13

Similar Documents

Publication Publication Date Title
Chen et al. Conditional quantile analysis when covariates are functions, with application to growth data
Haukoos et al. Advanced statistics: bootstrapping confidence intervals for statistics with “difficult” distributions
Zhang et al. A study of two estimation approaches for parameters of Weibull distribution based on WPP
Gharagheizi et al. Prediction of enthalpy of fusion of pure compounds using an artificial neural network-group contribution method
US9541471B2 (en) Multivariate prediction of a batch manufacturing process
Schwaighofer et al. Accurate solubility prediction with error bars for electrolytes: A machine learning approach
Koutsoyiannis Hurst–Kolmogorov dynamics as a result of extremal entropy production
Pourbasheer et al. Quantitative structure–activity relationship (QSAR) study of interleukin-1 receptor associated kinase 4 (IRAK-4) inhibitor activity by the genetic algorithm and multiple linear regression (GA-MLR) method
Varmuza et al. Multivariate linear QSPR/QSAR models: Rigorous evaluation of variable selection for PLS
Holmes et al. The concept of precision extended to the atherogenic index of plasma
Lötgering-Lin et al. Bayesian model selection helps to choose objectively between thermodynamic models: a demonstration of selecting a viscosity model based on entropy scaling
Rattray et al. Propagating uncertainty in microarray data analysis
Erfanian et al. A new approach for monitoring healthcare performance using generalized additive profiles
Eghtesadi et al. Mean square error based method for parameter ranking and selection to obtain accurate predictions at specified operating conditions
Mabrouk et al. Wavelet decomposition and autoregressive model for time series prediction
Li et al. Joint models for a primary endpoint and multiple longitudinal covariate processes
Lee et al. Online updating method to correct for measurement error in big data streams
Kaneko Beware of r2 even for test datasets: Using the latest measured y‐values (r2LM) in time series data analysis
Fuenzalida et al. Improved estimation of PC-SAFT equation of state parameters using a multi-objective variable-weight cost function
CN115436499A (zh) 试样分析装置、试样分析方法、医药分析装置及医药分析方法
Gowri-Shankar et al. On the correlation between composition and site-specific evolutionary rate: implications for phylogenetic inference
Otero-de-la-Roza Equations of state in solids: Fitting theoretical data, possibly including noise and jumps
Gürler et al. Full and conditional likelihood approaches for hazard change-point estimation with truncated and censored data
JP5860795B2 (ja) 生存率推定装置、方法、及びプログラム
Hofmann et al. Empirical temperature-dependent intermolecular potentials determined by data mining from crystal data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination