STUDI PRAFORMULASI ASAM p-METOKSISINAMAT DAN UPAYA PENGEMBAGAN SEBAGAI SEDIAAN TOPIKAL ANTIINFLAMASI
Notice bibliographique
Résumé
Tahap awal dari penelitian ini adalah menentukan kelarutan APMS dalam dapar pH 4,2 ± 0,2 yaitu suasana pH yang umum digunakan pada sediaan topikal karena berada dalam rentang pH kulit (4 - 6,8). Dari pustaka diketahui kelarutan APMS adalah 0,55 mg/ml dalam air (Genome Alberta & Genome Canada, 2009) atau 1 : 1819 bagian air, termasuk katagori sangat sukar larut (Dep.Kes. RI, 1995). Untuk meningkatkan penetrasi APMS kedalam kulit maka diupayakan dalam bentuk terlarut dalam pembawanya. Oleh karena kelarutan APMS dalam air sangat kecil maka komponen pembawa perlu dikombinasi dengan fase minyak antara lain dalam sistem nanoemulsi. Sehingga setelah diketahui kelarutan APMS dalam dapar pH 4,2 ± 0,2 dilakukan penentuan koefisien partisinya antara dapar pH 4,2 ± 0,2 dan minyak. Minyak yang digunakan dalam sistem nanoemulsi adalah minyak kedelai, minyak kelapa murni (virgin coconut oil/VCO) dan minyak jagung. Selanjutnya ditentukan kelarutan APMS dalam sistem nanoemulsi terpilih dari diagram psudoternary yang dibuat. Pada tahun ke satu penelitian meliputi kelarutan APMS dalam dapar pH 4,2 ± 0,2 dan koefisien partisi APMS dalam dapar dan minyak. Sebelumnya dapar yang digunakan direncanakan dapar citrat akan tetapi dengan adanya informasi dari penelitian sebelumnya APMS kurang stabil dalam dapar citrat maka dapar diganti dengan dapat asetat. Penentuan kelarutan asam para metoksisinamat (APMS) dalam dapar asetat pH 4,2 ± 0,2 dilakukan selama 4 jam pada kecepatan 150 rpm kemudian jumlah APMS yg terlarut ditentukan dengan spektrofotometer. Koefisien partisi APMS dalam dapar pH 4,2 ± 0,2 dan masing-masing minyak kedelai/minyak jagung/VCO dilakukan pada konsentrasi APMS 50 ppm dan 60 ppm dalam 10 ml dapar serta 0,5 ; 1 dan 2 ml minyak yang telah dijenuhkan dengan dapar. Setelah di shaker selama 2 jam pada kecepatan 2200 rpm kadar APMS dalam dapar ditentukan kembali dengan spektrofotometer. Penentuan kandungan asam lemak pada masing-masing minyak digunakan alat GC-MS sedangkan skrining HLB butuh masing-masing minyak dilakukan dengan berbagai perbandingan surfaktan (Tween 80 dan Span 80) dan kosurfaktan etanol 96% sampai diperoleh emulsi yang jernih. Dari hasil penelitian ini didapatkan kelarutan APMS dalam dapar asetat pH 4,2 ± 0,2 adalah 70,04 ± 0,66 mg/L. Koefisien partisi apparent APMS dalam dapar pH 4,2 ± 0,2 dan masing-masing minyak kedelai, minyak jagung, dan VCO berturut-turut sebesar 2,39 ; 2,38 dan 2,41. Kandungan utama asam lemak minyak kedelai adalah 19,57 % asam palmitat, 45,2% asam linoleat, 25,36% asam elaidik, dan 7,07% asam stearat. Kandungan utama asam lemak minyak jagung adalah 26,86 % asam palmitat, 31,52% asam oleat, 31,30% asam elaidik dan 4,68% asam stearat. Kandungan utama asam lemak VCO adalah 32,41% asam laurat, 24,15 % asam miristat, 15,68% asam palmitat, 2,29% asam linoleat, 11,06% asam elaidik dan 5,22% asam stearat. Sedangkan HLB butuh ketiga minyak adalah 14 dan perbandingan surfaktan : kosurfaktan yang dapat membentuk emulsi yang jernih adalah 6 : 1.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 ».