Solubility Prediction of Pharmaceutical and Chemical Compounds in Pure and Mixed Solvents Using Predictive Models
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle