【doc】人工神经网络在半水盐酸帕罗西汀溶解度预测中的应用
人工神经网络在半水盐酸帕罗西汀溶解度
预测中的应用
第57卷第4期
2006年4月
化工
JournalofChemicalIndustry
学
and
报
Engineering(China)
Vo1.57NO.4
April2006
人工神经网络在半水盐酸帕罗西汀
溶解度预测中的应用
任国宾,王静康,
(国家工业结晶技术研究推广中心,
尹秋响,徐昭
天津大学化工学院,天津300072)
摘要:溶解度的测定与预测对于多晶型体的晶体生长和结晶过程中
的多晶型控制至关重要.利用激光监视装置,
首次测得了半水盐酸帕罗西汀在不同溶剂体系中的溶解度,共计308
组数据;采用多参数人工神经网络模型,
随机选取308组数据中的184组数据进行人工神经网络的训练,考察
了不同隐含层节点数对神经网络训练效果
的影响,得到了优化后的人工神经网络模型,利用剩余的124组数据
对优化后的模型进行检测,平均预测误差
小于0.7.预测结果表明,优化后的人工神经网络模型可以胜任半水盐
酸帕罗西汀溶解度预测的任务.
关键词:激光检测技术;人工神经网络;半水盐酸帕罗西汀;溶解度
中图分类号:O625.5文献标识码:A文章编
号:0438—1157(2006)04—0853—08
Artificialneuralnetworkapproachtopredictsolubilityofparoxetine
hydr0chl0ridehemihydrateinvarioussolvents
RENGuobin.WANGJingkang.YINQiuxiang.xuZhao
(StateR&DCenterofIndustrialCrystallization.SchoolofChemicalEngineering
andTechnology,TianjinUniversity,Tianjin300072,China)
Abstract:Modelingandpredictionofsolubilityisakeytodeveloppolymorphcrystalgrowthand
crystallizationprocess.Inthispaper,byusingalasermonitoringobservationtechnique.solubilitiesof
paroxetinehydrochloridehemihydrateinvarioussolventsweredeterminedb
ythesyntheticmethodanda
multiparameterartificialneuralnetwork(ANN)approachwasusedtopredictthesolubilityofsolutein
differentsolvents.TheANNpredictedthelogarithmicsolubilityofparoxetinehydrochloridehemihydrate
withaverageerrorof0.7.Theresultsshowedthatartificialneuralnetworkcouldbeusefulwhenno
dataiSavailable.
Keywords:lasermonitoringobservationtechnique;artificialneuralnetwork;paroxetinehydrochloride
hemihydrate;solubility
引言
盐酸帕罗西汀(paroxetinehydrochloride),
全称为盐酸(3S,4R)一3一(3,4一二氧亚甲基苯氧甲
2005—08—08收到初稿,2005—10—12收到修改稿.
联系人:王静康.第一作者:任国宾(1974),男,博士
基)一4一(4一氟苯)哌啶.[(3S,4R)-3一(3,4一
methylenedioxyphenoxymethy1)一4一(4’-fluoro—
pheny1)piperidine],化学式为cl9H2lC1FNO.,
结构式如图1所示.
Receiveddate:2005——08——08.
Correspondingauthor:Prof.WANGJingkang.E—mail:
srcict@tiu.edu.ca
?854?化工第57卷
F
I
H
Fig.1Structureofparoxetinehydrochloride
盐酸帕罗西汀是一种选择性5一羟色胺(5-HT)
再摄取阻滞药(SSRIs),于1991年在美国《药
物》杂志报道可用于治疗抑郁症,为抗抑郁新药.
近年来,大量临床研究发现,它还可用于治疗惊恐
发作,广泛性焦虑症,社交焦虑症,强迫症,失眠
症,经前期综合征,早泄等其他疾病,具有疗效
好,不良反应少等特点_1.j.盐酸帕罗西汀通常以
半水化合物的形式存在.半水盐酸帕罗西汀为白色
或近白色结晶性粉末,其分子量为374.8,理论含
水量2.4(质量),熔点128,132?.据文献报
道_4无水盐酸帕罗西汀存在4种多晶型,即A,B,
C,D,其中A晶型因其熔点低(约123?),生物
利用度高而备受青睐.目前流行的无水盐酸帕罗西
汀(A晶型)的制备是通过将半水盐酸帕罗西汀
在适当的溶剂中冷却结晶而得到的,为了实现对此
以溶液为媒介的多晶型转换的结晶过程的控制,准
确完整的溶解度数据是必须的;当前与盐酸帕罗西
汀相关的文献几乎全是有关疗效,分子结构表征及
分析测试的,而盐酸帕罗西汀溶液热力学的研究却
鲜有报道.在以往的几篇文章_5刮中,作者采用激
光监视装置对多种溶剂体系中半水盐酸帕罗西汀的
溶解度进行了测定,即便如此,半水盐酸帕罗西汀
的溶解度数据依然远远不能满足结晶过程中多晶型
控制的需要.为此,本文一方面补充了较宽温度范
围内半水盐酸帕罗西汀在多种单组元乃至双组元溶
剂体中的溶解度;同时试图用三层多参数人工神经
网络模型对数据进行了模拟与预测,建立合理的人
工神经网络模型,有助于今后结晶热力学数据的
筛选.
1实验部分
1.1实验原料
半水盐酸帕罗西汀,由浙江华海药业股份有限
公司提供,含量?99.5(质量);本实验用溶剂
均为分析纯,由天津化学试剂六厂提供;水,为去
离子二次蒸馏水.
1.2溶解度的测定
测定固体在液体中溶解度的常用方法是合成法
和平衡法.合成法适用于固液两相能以较快速
度达到平衡的体系,测定效率高,且对所测物系不
需要建立专门的分析平衡组成的方法.合成法又分
为恒温溶解法和变温溶解法两种.平衡法对溶解达
平衡的速度快与慢的体系均可适用,长时间恒温使
固液两相达到平衡后,通过可靠的分析方法,原则
上可测定任何固液体系的溶解度,但是测定效率不
高.本实验所涉及体系采用恒温溶解法测定其溶解
度.在固体在液体中溶解度的测定中,关键就在于
溶解终点的判断.具有良好的方向性,单一的波长
和极好的穿透能力的激光非常适用于固液平衡终点
的判定.为了提高测量精度本实验采用激光监视技
术ll”代替人眼观察确定固液平衡终点.
Fig.2Schematicsetupforsolubilitydetermination
1——lasergenerator;2dissolvekettle;3thermometer;
4injector;5inletforsolid;6一digitaldisplay;
7photoelectricswitch;8一superthermostaticbath;
9magneticstirrer;lO--stirrerbar
恒温溶解法测定溶解度实验装置如图2所示.
溶解装置核心部分是一个带夹套的玻璃制的溶解
釜,夹套中通由超级恒温水浴提供的循环水以控制
整个溶解过程的温度.放于溶解釜内的耐腐蚀磁力
搅拌转子连续搅拌以促进溶解并使固液两相快速达
到平衡.由晶体管激光发生器,光电转换器和光强
数码显示仪组成的激光监视系统被用来代替人眼观
察固体的溶解状况并判断测定终点.体系温度由插
人物料中的精密温度计测量.实验开始时,将溶剂
和过量的溶质分别准确称重(?0.1mg)后加人
溶解釜(200m1).开启磁力搅拌使固液两相混合,
第4期任国宾等:人工神经网络在半水盐酸帕罗西汀溶解度预测中
的应用.855.
并开启激光监视系统以了解固体溶解状况.由晶体
管激光器产生的激光束从一侧进入溶解釜,从另一
侧透射后由光电转换器接收,并转换成电信号后由
光强数码显示仪显示光强数值.开始由于溶质固体
过量,悬浮于液体中的大量固体颗粒使入射激光的
大部分甚至全部被反射和遮蔽,光强显示仪上的读
数很低.开启恒温水浴(控温精度?0.05K)加
热后,固体逐渐溶解进入液相,透射光强开始增
加,等温度恒定后通过注射器逐滴滴加溶剂,直至
光强达到最大值,记录此时消耗的溶剂及溶质的
量,得出溶解度(…);记录此时物系的准确温
度(1,),作为该物系点的平衡温度,测量温度计
的精度为0.05K.
2结果与讨论
2.1数据源
可靠的数据源对于人工神经网络模型的建立至
关重要.目前,仅有少数几篇关于半水盐酸帕罗西
汀溶解度的文献报道.本文借助激光监视装置测定
了16种单组元及一种双组元溶剂体系中半水盐酸
帕罗西汀的溶解度,见表1与表2,其中,:指的
是双组元混合溶剂体系中水的摩尔百分率,.
指的是半水盐酸帕罗西汀的溶解度.由表1与表2
可知,随温度和(1一z:)的增高,增大.
Table1Solubilityofparoxetinehydrochloridehemihydrateinvarioussolven
ts[]
丁/KX2一.丁I/K2一.
N.N—dimethylformamide313.1O4.31×10—3
295.5O1.24×1O一3316.154.44×10..3
298.551.37×1O一0319.O54.51×10—3
302.O51.52×1O,3322.054.64×10,3
306.151.7O×10,3325.254.78×1O,3
310.152.O2×1O,3328.OO4.91×10,3
314.O52.33×1O,3331.3O4.94×103
317.852.55×1O,0334.3O5.O9×10,3
322.252.85×10—337.105.21×10-’
326.153.15×10—3340.205.35×10
3343.2O5.48×1O 33O.153.47×10—
334.2O3.78×1O,32butanol
3286.9O3.78×10 338.354.O9×10—
342.154.41×10,3291.4O3.85×104
346.2O4.72×10—3295.754.O5×10’
350455.O5×10,3299.154,31×10
355.155.37×103303.2O4.56×1O,4
tetrahvdr0furan307.355.O4×1O一
294.758.8O×10,8311.3O5.6O×1O,4
297.151.16×1O,315.156.13×1O一4
300.OO1.58×1O,319.4O6.93×1O一4
303.152.22×1O一323.OO7.65×10,4
306.7O3.14×1O,327.2O8.72×10—4
31O.O54.13×1O一331.159.95×10—4
31Z.655.29×1O一335.551.14X10—3
316.156.6O×1O一339.451.29×10—3
319.458.07X10一343.651.48X10—3
323.O59.77×1O一347.401.67X10—3
326.951.19×10—6351.3O1.88×1O一3
330.551.38X10—卜butanol
334.151.6O×10—295.251.27×1O一3
ethanol299.151.35×10—3
300.153.26×1O一0303,4O144×10—3
303.2O3.62×1O一3307.251.5O×10—3
3 306.103.92×10—3311.OO1.58×10—
31O.OO4.16×1O一3315.15l_68X10—3
?
856?化工第57卷
Table1(continued)
1,/Kzz—p1,/K工z,p
319.151.81×1O一326.OO1.08×10—4
323.001.90×10—3329.801.29×10—4
327.201.96×10—332.151.51×104
331.152.16×10—335.201.76×104
335.252.23×1O338.202.04×104
339.252.36×1O3341.152.33×104
343.152.45×10344.202.64×104
347.402.54×1031一propanol
351.152.60×103299.152.71×104
355.1O2.66×1O303.453.13×10
358.902.70×10307.253.37×10—4
363.152.76×1O一311.253.70×10—4
methylisobutylketone315.153.96×1O
4 302.255.OO×106319.154.21×10—
309.2O7.32×106323.154.42×104
314.859.82×106327.254.67×104
320.151.19×105331.155.O3×10—4
326.101.62×105335.155.23×10—4
335.152.60×105339.255.58×104
340.753.55×105343.155.82×10—4
348.154.75×105347.356.29×104
acetonitrile351.156.67×10—4
298.153.57×105355.1O7.35×10—4
302.753.84×105methanol
307.204.05×10—5287.506.91×10—4
311.654.23×105290.608.
11×104
315.154.54×105293.6O9.58×1O
319.504.84×105296.551.09×10—3
324.105.2O×105300.801.28×10—0
327.355.54×105303.701.38×103
333.106.OO×105306.401.47×103
337.406.47×105310.351.69×103
342.156.96×105313.251.80×103
345.357.29×105316.051.90×10—3
methylethylketone318.101.
99×103
300.959.06×106321.OO2.1O×103
303,351.O8×105323.252.17×10—3
306.651.42×105327.702.35×103
310.651.88×105331.2O2.49×103
312.652.35×10—5335.302.
64×10—3
316.703.14×105toluene
323.755.87×105294.155.98×106
328.908.63×105298.106.62×10—6
331.351.11×10301.857.23×10—6
333.351.39×104305.1O7.79×10—6
336.651.8O×104308.558.55×106
339.052.13×104312.159.23×10—6
341.752.54×10316.651.04×105
343.OO2.94×10—4320.151.12×10—5
ethylacetate324.
951.29×10—5
293.654.41×106327.801.36×105
296.656.63×10—6332.101.55×105
300.051.01×10—5336.
401.7O×105
303.551.54×105340.151.83×10—5
5344.152.09×105 307.152.11×10—
310.853.03×10—5347.952.23×10—5
314.054.
15×105351.802.56×10—5
317.O05.44×105355.402.82×10—5
320.206.94×1O一5359.153.12×10—5
323.158.87×1O一5363.953.641n一
第4期任国宾等:人工神经网络在半水盐酸帕罗西汀溶解度预测中
的应用?857?
Table1(continued)
1|KX2,expT/K22..
chloroform306.552.32×10—3
286.8O1.85×10—531O.653.2O×103
292.152.16×1O314.354.17×103
296.6O2.49×1O5317.354.99×10—3
3O1.3O2.91×1O一321.3O6.32×103
306.153.45×105324.657.51×10—3
31O.2O4.OO×1O一5328.258.87×10—3
314.7O4.75×1O5331_651_O2×102
318.955.62×1O一5335.151_16×10—2
323.556.78×l05338.151.28×102
328.408.33×10—5341.151.38×102
2-propanol344.O51.48×10—2
295.258.33×104347.151.58×102
299.8O1_28×l03350.101.66×102
302.8O1.69×103353.1O1.73×102
Table2Experimentalsolubilities(x2一.)ofparoxetinehydrochloridehemihydrate(A)inbinaryEwater(C)+aceton
e(B)]
solventmixturesattemperaturerangefrom294.45Kto323.20K[]
zc
0z
2一.×10z22?×10z22
,exp×10
T=294.45K0.73l_890.951.81
03.410.801.790.971.70
0.311.830
.
86l_581.001.56
0.501.53O
.9O1_45T=318.15K
0.641.44
0.95】J2506
.120
.731.37
0.971.O50
.
314.010
.801.24
1.000.900
.861.090.503.74
T=308.5OK0
.900.980.643.36
0.950.8305.020
.733.10
0.970.7O0.313.2O0
.
802.82
1.000.600.502.81
0.862.44
T=299.00K0.
642.58
0.902.26
04.030
.732.34
0.312.140.952.11
0.802.08
0.50I.680.971.96
0.861.83
0.64I.6O1.001.86
0.9O1.71
0.731.52T=323.20K
0.95l_6O0
.8OI.4306
.57
0.971.450
.86I.280
.314.55
1_OO1.340
.901.150
.504.36
T一313.15K0
.950.910
.643.76
0.970.8OO5.65
0.733.49
0.313.59I
.000.700
.8O3.11
0.503.27T
=
303.45K
0.642.970.862.76
04.59
0.732.710.902.57
0.312.69
0.8O2.450.952.38
0.502.200
.862.200.972.24
0.642.060.902.001.002.10
?858?化工第57卷
2.2人工神经网络模型的建立
本文采用基于Matlab提供的神经网络平台多
层前传神经网络模型,以Sigmoid函数为传递函
数,利用反向误差传递算法(BP)进行计算.以
训练集的标准偏差SDEC(standarddeviationof
errorofcalibration)作为收敛判据,有如下定义
SDEC—r??(一)/()1/2(1)
口
其中,q为训练集中实验点数,是为输出层节点数,
Y是实验参数值,.是神经网络的训练输出值,
当SDEC小于10时或训练次数达到2000次时,
训练停止.网络在训练过程中采用单独修正方式,
即在一个训练周期中,每使用一个训练对就计算其
输出误差,若误差大于某一允许值,则按式(2)
进行权值修改调整
W(s+1)一W(s)+(s)J(s)+
口Ew(s)一W(5—1)](2)
式中,w,为权值,为学习效率,为误差反向
传递函数分量,J为上层第J个节点的输出量,下
标U表示样本排列序号,a为惯性因子,S为权系
数调整时序;学习效率太小将使训练迭代次数增
加,而太大又会引起网络的发散振荡,故采用自适
应调整方法,即在每一次权更新后检查目标函数
SDEC.若减少,则将叩乘以一个大于1的常数a;
若增大,则乘以一个小于1的常数b,这样既不增
加太多的计算量,又使学习效率得到合理的调整;
a惯性因子能使网络的每个权值沿着梯度平均下降
的方向变化,避免在搜索中出现剧烈的振荡现象,
使得网络的有效学习效率增大.此外,在单独修正
方式时,a还具有对输入模式进行平均的效果,在
网络的收敛轨迹中会留下一些有益的波动,a的取
值一般为0,1之间.
神经网络进行训练时,隐含层节点数与问题的
复杂性有关.随隐含层节点数的增多,神经网络可
以实现任意精度的输入一输出映射关系,但与此同
时,隐含层节点数的增多,将大大降低神经网络的
运行效率和预测能力[iz143.本文采用隐含层节点
数分别为0(即不含隐含层),2,4,6,8,10来
进行训练,通过比较训练周期,预测精度来评价选
择隐含层节点数.图3给出了神经网络拓扑结
构图.
选用了温度T,零阶价连接性指数.,一阶
%/cm.mol
‘
;
inputlayerhiddenlayeroutputlayer
Fig.3TopologyarchitectureofBP
neuralnetworkinthispaper
价连接性指数.:,二阶价连接性指数和摩尔体
积等5个自变量作为模型输入(物系输入值的
情况在表3列出),溶解度摩尔分数之自然对数值
作为输出.对于混合溶剂体系,采用如下的方法计
算混合溶剂的输人参数值
YY一?xiYi(3)m一(3)l
其中,指的是i组分溶剂在整个混合溶剂中的摩
尔分数;Y,Y分别表示i组分溶剂的输人参数
值和混合溶剂的输人参数值.
BP算法如下:权值初始值在一0.1,0.1之间
随机取值;学习效率的初始值取0.1,自适应调整
行参数n一1.0125,b一0.995;惯性因子a一0.9;
训练次数?2000次.
本实验共测得了308组溶解度数据,随机选取
不同溶剂体系中184组数据对神经网络进行训练,
考察不同隐含层节点数对神经网络模型训练效果的
影响,得到优化的神经网络模型,利用剩余的124
组数据对优化的神经网络模型进行检验.由表4分
析可知,随隐含层节点数的增加,训练拟合精度略
有增加,当隐含层达到4个节点时,拟合精度基本
维持不变;随隐含层节点数的增加,预测精度也受
到明显的影响,由表4可知,隐含层节点数为4的
神经网络模型预测误差最小,这主要是因为隐含层
节点数的增加,虽然会增加训练过程的拟合精度,
但同时也增加预测的误差和降低运转效率,这一点
从不同隐含层节点数模型每个运算周期所占用的时
问就可得到验证.综合考虑以上因素,采用三层神
经网络,隐含层节点数为4.则此时建立的神经网
络模型为5:4:1,即输入变量为5个,隐含层为
4个节点,输出为1个.
第4期任国宾等:人工神经网络在半水盐酸帕罗西汀溶解度预测中
的应用.859’
Table4Effectofnumberofhiddenneurons
onpredictionaccuracy
采用5:4:1神经网络模型预测PXHH溶解
度,利用剩余的124组数据进行检验,预测结果见
图4.由图4可知,利用5:4:1神经网络模型,
只要给出温度及溶剂体系的摩尔组成,就能预测出
PXHH的溶解度,不论是单组元还是双组元乃至
多组元溶剂体系,并且有较高的预测精度,平均预
测误差小于0.7.
Fig.4Predicted”USexperimentallogarithmic
solubilitiesofparoxetinehydrochloridehemihydrate
3结论
利用激光监视装置对半水盐酸帕罗西汀在不同
溶剂体系中的溶解度进行了测试,并采用三层人工
神经网络模型对以上单组元,双组元溶剂体系的溶
解度数据进行训练模拟预测,共测得了308组溶解
度数据,随机选取了其中184组不同溶剂体系中的
溶解度数据进行训练,考察了不同隐含层节点数对
神经网络模型训练效果的影响,得到优化的神经网
络模型,利用剩余124组数据来检验优化的神经网
络模型的预测性能,效果十分显着,平均预测误差
小于0.7,结果表明本文所建立的人工神经网络
模型是进行药物晶型控制过程中溶剂体系的筛选的
有效工具.
References
,,,一,一,一一,一一,,,一,一,一,一一一一一一一,一一,,一一一,一一一,,,,一一,一一,,,一一
?860?化工第57卷
[4]
[5]
[6]
[7]
[8]
[9]
WardN.JacewiczVW.Processformakingnovelformof
paroxetinehydrochloride:US,5856493.1999
RenGuobin,WangJingkang,YinQiuxiang,Zhang
Meijing.Solubilitiesofparoxetinehydrochloride
hemihydratebetween286Kand363K.Journalof
1674 ChemicalandEngineeringData,2004,49(6):1671—
RenGuobin,WangJingkang,LiGuizhi.Solubilityof
paroxetinehydrochloridehemihydratein(water+acetone).
JournalofChemicalThermodynamics,2005,37(8):
860—865
RobertsKL,RousseauRW,TejaAS.Solubilityof
long—chainn-alkanesinheptanebetween280and350K.J.
Chem.Eng.Data,1994,39:793795
Jiang,Q,GaoGH,YuYX,QinY.Solubilityof
sodiumdimethylisophthalate-5一sulfonateinwaterandin
water+methanolcontainingsodiumsulfate.J.Chem.
Eng.Data,2000,45:292—294
RenGuobin,WangJingkang,YinQiuxiang,Zhang
Meijing.SolubilityofDL—p—hydroxyphenylglycinesulfatein
binaryacetone+watersolventmixtures.Journalof
ChemicalandEngineeringData,2004,49(5):
1376一】378
[1O]
[11]
[12]
[13]
[14]
ZhanYuzhong(詹予忠),RenGuobin(任国宾),Guo
Shiling(郭士岭).Measurementofsolubilityand
metastablezonewidthofdl—p_hydroxyphenylglycinein
mixedsolventofwater-acetone-sulfuricacid.Journalof
ChemicalEngineeringofChineseUniversities(高等学校化
学工程),2004,18(2):237—240
ZhanYuzhong(詹予忠),RenGuobin(任国宾),Guo
Shiling(郭士岭).Studyonsolubilityandcrystallization
metastablezoneofdlp-hydroxyphenylglycineinwater—
acetoneacid.JournalofZhengzhouUniversity.
EngineeringScienceEdition(郑州大学:工学版),
2002,23(4):91-94
KissIZ,MandiG,BeckMT.Artificalneuralnetwork
approachtopredictthesolubilityofc60invarioussolvents.
J.Phys.Chem.A,2000,104:8081-8088
BruneauP.Searchforpredictivegenericmodelofaqueous
solubilityusingBayesianneuralnets.J.Chem.Inj.
1616 Comput.Sci.,2001,41:1605—
YanAixia,GasteigerJohann.Predictionofaqueous
solubilityoforganiccompoundsbasedon3Dstructure
representation.J.Chem.1nf.Comput.Sci.,2003,43:
429—434
本文档为【【doc】人工神经网络在半水盐酸帕罗西汀溶解度预测中的应用】,请使用软件OFFICE或WPS软件打开。作品中的文字与图均可以修改和编辑,
图片更改请在作品中右键图片并更换,文字修改请直接点击文字进行修改,也可以新增和删除文档中的内容。
该文档来自用户分享,如有侵权行为请发邮件ishare@vip.sina.com联系网站客服,我们会及时删除。
[版权声明] 本站所有资料为用户分享产生,若发现您的权利被侵害,请联系客服邮件isharekefu@iask.cn,我们尽快处理。
本作品所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用。
网站提供的党政主题相关内容(国旗、国徽、党徽..)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。