Solubility Prediction of Pharmaceutical and Chemical Compounds in Pure and Mixed Solvents Using Predictive Models
Notice bibliographique
Résumé
Thermodynamic models offer a fast, reliable, and cost-effective method to select the best solvent or solvent mixtures for crystallization of solid components. To optimize the performance of the unit operations which produce active pharmaceutical ingredients (APIs), the physical properties of the solute and solvent must be known. Solubility prediction is very crucial in the fine and specialty chemical industries, as the total cost of production is high in most cases. In this study, the solubility of three chemical compounds, 3-pentadecylphenol, lovastatin, and valsartan, in different solvents and solvent mixtures were studied experimentally and theoretically. The thermodynamic models of the UNIFAC and the NRTL-SAC model were used for prediction. The results of the prediction from the two models and their average relative deviation for the three model compounds showed a better performance for the NRTL-SAC model compared to the UNIFAC. For the case of lovastatin and valsartan, the NRTL-SAC model gives the average relative deviation of 0.2401 and 0.3843, respectively. Because of the flexibility of the NRTL-SAC program code that is written for the phase behavior prediction, it can be used for further analysis and optimization of the performance of crystallization processes (i.e., solvent screening and yield of the process). This study shows that the NRTL-SAC model can be used effectively in pharmaceutical industry, especially for solvent screening purposes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».