NIR i machine learning bezpośrednio na linii. Nowe podejście do kontroli granulacji suchej

Kontrola procesu granulacji suchej może zyskać nowe narzędzia dzięki połączeniu spektroskopii bliskiej podczerwieni NIR z modelami machine learning. W badaniu opublikowanym w sierpniu 2026 r. w „International Journal of Pharmaceutics” naukowcy przedstawili system umożliwiający monitorowanie właściwości granulatu bezpośrednio podczas procesu, bez konieczności opierania oceny wyłącznie na próbkach analizowanych poza linią produkcyjną.

Dla producentów stałych postaci leków jest to szczególnie interesujący kierunek. Granulacja sucha, zwłaszcza prowadzona z wykorzystaniem kompaktora walcowego, pozostaje istotnym etapem produkcji formulacji wrażliwych na wilgoć lub temperaturę. Materiał proszkowy jest zagęszczany pomiędzy walcami, a następnie rozdrabniany do granulatu o określonych właściwościach. Parametry powstającego materiału wpływają później m.in. na jego płynność, zachowanie podczas tabletkowania, jednorodność napełniania matrycy czy właściwości gotowej tabletki.

Jednym z kluczowych parametrów jest rozkład wielkości granulek. Tradycyjnie może być on oceniany m.in. za pomocą analizy sitowej, dyfrakcji laserowej lub metod obrazowych. Problem polega na tym, że wynik opisuje pobraną próbkę, a nie cały strumień materiału przechodzącego przez urządzenie. Tymczasem sam proces może zmieniać się dynamicznie, a odchylenie może pojawić się pomiędzy kolejnymi punktami pobierania próbek.

NIR jako narzędzie PAT

W omawianym badaniu zastosowano spektroskopię NIR in-line. Technika ta pozwala prowadzić szybkie i niedestrukcyjne pomiary bezpośrednio podczas procesu. Zebrane widma mogą zawierać informacje nie tylko o składzie chemicznym materiału, ale również o jego właściwościach fizycznych, strukturze czy wielkości cząstek.

Sama spektroskopia NIR nie jest technologią nową dla przemysłu farmaceutycznego. Od lat jest rozwijana jako jedno z narzędzi Process Analytical Technology. Istotne jest jednak coraz bardziej zaawansowane wykorzystanie danych spektralnych. Zamiast ograniczać się do klasycznych modeli liniowych, badacze porównali kilka podejść opartych na machine learning, których zadaniem było przewidywanie parametrów granulatu na podstawie sygnału rejestrowanego bezpośrednio w procesie.

Porównano klasyczny model Partial Least Squares z trzema modelami nieliniowymi: Artificial Neural Networks, Least-Squares Support Vector Machines oraz Bayesian Neural Networks wykorzystującym metodę Monte Carlo Dropout. Najlepsze wyniki uzyskano właśnie dla modelu bayesowskiej sieci neuronowej. W przypadku przewidywania rozkładu wielkości granulatu współczynnik determinacji R² dla pomiarów in-line osiągnął 0,993. Wysoką dokładność uzyskano również dla takich parametrów jak porowatość czy gęstość materiału.

Wyniki pokazują, że dane NIR mogą być wykorzystywane nie tylko do jakościowej oceny procesu, ale również do bieżącego przewidywania konkretnych właściwości materiału.

Od kontroli próbki do kontroli procesu

Najważniejsza różnica pomiędzy klasycznym podejściem a pomiarem in-line dotyczy czasu i dostępności danych. W tradycyjnym modelu próbka jest pobierana, przekazywana do analizy i dopiero po pewnym czasie dostępny jest wynik. W rozwiązaniu opartym na PAT spektrometr generuje dane w trakcie przepływu materiału, a model może niemal natychmiast przeliczać je na parametry istotne dla jakości procesu.

Dla zakładu produkcyjnego oznacza to możliwość wcześniejszego wykrywania dryftu procesu i szybszej reakcji na zmianę parametrów. Dane mogą również wspierać analizę zależności pomiędzy ustawieniami kompaktora, właściwościami materiału wejściowego i charakterystyką powstającego granulatu.

W dalszej perspektywie takie podejście może być elementem bardziej zaawansowanego sterowania procesem. Jeżeli wiarygodny pomiar in-line zostanie połączony z automatyką urządzenia, możliwe staje się wykorzystanie danych do korekty wybranych parametrów procesu. Taka koncepcja dobrze wpisuje się w filozofię Quality by Design, zgodnie z którą jakość powinna być budowana w proces, a nie oceniana wyłącznie po jego zakończeniu.

Nie oznacza to jednak prostego zastąpienia klasycznych metod laboratoryjnych. Metody referencyjne pozostają niezbędne m.in. do budowy modeli, ich walidacji i późniejszego monitorowania.

Co oznacza to dla zakładów farmaceutycznych?

Wyniki badania są technologicznie obiecujące, ale wysoka wartość R² sama w sobie nie wystarcza do wdrożenia rozwiązania w środowisku GMP. Producent musiałby zapewnić odpowiednią reprezentatywność pomiarów, stabilność systemu optycznego, kontrolę jakości danych oraz właściwe zarządzanie cyklem życia modelu.

Znaczenie ma również odporność modelu na zmiany surowców, różnice pomiędzy seriami materiałów, zmianę dostawcy, urządzenia czy warunków procesu. W przypadku machine learning dodatkowym zagadnieniem staje się wersjonowanie modeli oraz określenie, kiedy ich aktualizacja pozostaje elementem rutynowego utrzymania, a kiedy stanowi zmianę wymagającą ponownej walidacji.

Dlatego znaczenie publikacji nie sprowadza się do stwierdzenia, że „AI może kontrolować granulację”. Bardziej trafne jest wskazanie, że połączenie odpowiednio zaprojektowanego pomiaru NIR z zaawansowanymi modelami predykcyjnymi może zwiększać ilość informacji dostępnych o procesie w czasie rzeczywistym.

Dla producentów stałych postaci leków jest to kolejny krok w stronę procesu, w którym decyzje technologiczne w coraz większym stopniu wynikają z danych zbieranych bezpośrednio podczas produkcji, a nie wyłącznie z wyników analiz wykonywanych po jej zakończeniu.