การประยุกต์ใช้ Non-Destructive Raman Spectroscopy และ Process Analytical Technology (PAT) สำหรับการสร้างโพรไฟล์สารปนเปื้อนระดับร่องรอยแบบ Real-Time ใน Botanical Active Pharmaceutical Ingredients
Abstract
Background
Botanical active pharmaceutical ingredients (APIs) และ botanical drug substances จำเป็นต้องมีกลยุทธ์ด้านคุณภาพที่สามารถควบคุมความแปรปรวนและจัดการความเสี่ยงจากการปนเปื้อน โดยใช้แนวทาง “totality of the evidence” ซึ่งรวมถึงการควบคุมวัตถุดิบสมุนไพรและการทดสอบทางเคมี เช่น วิธีทางสเปกโทรสโกปี และ/หรือ โครมาโทกราฟี [1] แนวทางปฏิบัติของหน่วยงานกำกับดูแลระบุไว้อย่างชัดเจนว่าคาดหวังให้มีการทดสอบยาฆ่าแมลงตกค้าง (residual pesticides) และสารพิษที่เกิดขึ้นเองตามธรรมชาติ (เช่น aflatoxins) ตลอดจนการควบคุมที่จัดการกับสิ่งแปลกปลอมและสารปลอมปน ซึ่งเป็นแรงจูงใจให้เกิดแนวทางการคัดกรองที่รวดเร็วซึ่งสามารถนำไปใช้ได้ตลอดห่วงโซ่อุปทานและวงจรการผลิต [1]
Objective
การศึกษาเชิงแนวคิดเพื่อพิสูจน์ความเป็นไปได้ (proof-of-concept) และการสังเคราะห์ข้อมูลนี้ ประเมินว่า Non-Destructive Raman Spectroscopy (รวมถึงตัวแปรที่เพิ่มประสิทธิภาพด้วย SERS) สามารถบูรณาการเข้ากับโครงสร้าง Process Analytical Technology (PAT) สำหรับการสร้างโพรไฟล์สารปนเปื้อนระดับร่องรอยแบบ Real-Time หรือ Near-Real-Time ใน Botanical APIs ได้อย่างไร โดยเน้นที่ความเป็นไปได้ ประสิทธิภาพการวิเคราะห์ และข้อจำกัดในการใช้งานที่สนับสนุนโดยหลักฐานที่ตีพิมพ์ [2, 3]
Methods
เราได้สังเคราะห์หลักฐานที่แสดงให้เห็นถึง:
- ความไวต่อโครงสร้างทางเคมีของ Raman และความต้องการในการเตรียมตัวอย่างที่น้อยที่สุด [2, 4]
- การเพิ่มประสิทธิภาพด้วย SERS และการสาธิตการตรวจวัดยาฆ่าแมลงระดับร่องรอยที่เป็นตัวแทน (รวมถึงระดับ ppm ถึง sub-ppb) [5–8]
- กลยุทธ์ Chemometric สำหรับการพิสูจน์เอกลักษณ์สารปลอมปนและการทำนายเชิงปริมาณ [9–11]
- ตัวอย่างการตรวจสอบกระบวนการที่สอดคล้องกับ PAT และอุปสรรคที่ทราบกันดีในการนำไปใช้ในระดับอุตสาหกรรม [3]
Results
จากการรวบรวมการศึกษาต่างๆ พบว่า Raman และ chemometrics สามารถจำแนกน้ำมันหอมระเหยที่มีการปลอมปนได้ในขณะที่การตรวจสอบด้วยสายตาไม่เพียงพอ โดยใช้ PCA ในการแยกแยะสเปกตรัมระหว่างตัวอย่างบริสุทธิ์และตัวอย่างที่ปลอมปน [9] การสร้างแบบจำลอง Raman เชิงปริมาณ (PLSR) สามารถบรรลุความแม่นยำในการทำนายระดับสูงในภารกิจการทำนายความเข้มข้น ซึ่งสนับสนุนความเป็นไปได้ของการหาปริมาณตามการสอบเทียบ (calibration-based quantitation) ในสูตรตำรับที่ซับซ้อน [10]
สำหรับสารปนเปื้อนระดับร่องรอย การศึกษา SERS รายงานว่าสามารถตรวจพบได้ต่ำถึง 1 ppm บนผิวผลไม้สำหรับยาฆ่าแมลงบางชนิด และในงานวิจัยอื่นพบว่า LOD อยู่ในช่วง 0.001–10 ppm สำหรับยาฆ่าแมลง 21 ชนิด โดยใช้อนุภาคทองคำระดับนาโนชนิดคอลลอยด์ [6, 7] การใช้ Handheld SERS ร่วมกับการสกัดด้วย QuEChERS acetate สามารถตรวจพบยาฆ่าแมลงหลายชนิดที่ระดับต่ำกว่า MRL ของ EU ที่ 10 ppb ในข้าวบาสมาติสำหรับสารวิเคราะห์ที่เลือก โดยการสกัดเสร็จสิ้นในเวลาน้อยกว่า 15 min ซึ่งแสดงให้เห็นถึงเวิร์กโฟลว์ "screen-first" ที่นำไปใช้ได้จริง [8]
สำหรับการใช้งานใน PAT การวัดที่รวดเร็ว ไม่ทำลายตัวอย่าง (non-destructive) และไม่รุกล้ำ (noninvasive) ของ Raman รวมถึงความสามารถในการติดตั้งตั้งแต่ห้องปฏิบัติการไปจนถึงสายการผลิต ช่วยสนับสนุนการตรวจสอบแบบ inline/online อย่างไรก็ตาม หลักฐานยังเน้นย้ำว่าการวิจัย PAT ส่วนใหญ่ยังคงอยู่ในระดับห้องปฏิบัติการ และแบบจำลองกระบวนการของ Raman อาจมี LOD ที่ค่อนข้างสูง ซึ่งอาจพลาดเป้าหมายที่มีความเข้มข้นต่ำในการตรวจสอบกระบวนการสกัด [2, 3]
Conclusions
หลักฐานสนับสนุนแนวคิด PAT ที่ใช้ Raman/SERS สำหรับการจัดการความเสี่ยงของสารปนเปื้อนใน Botanical API ที่เป็นไปได้: ใช้ Portable Raman สำหรับการตรวจสอบเอกลักษณ์วัตถุดิบขาเข้าและการคัดกรองสารปลอมปน; ใช้โมดูล SERS สำหรับการคัดกรองยาฆ่าแมลงเป้าหมาย; และบูรณาการแบบจำลองพหุตัวแปร (multivariate models) ที่ใช้ Raman เข้ากับลูปควบคุม PAT ในจุดที่สภาวะของกระบวนการเอื้ออำนวยต่อการถ่ายโอนการสอบเทียบที่เสถียรและความสามารถในการตรวจวัดที่เพียงพอ [3, 12]
ข้อจำกัดหลักคือความไว (sensitivity) สำหรับเป้าหมายระดับ Ultra-trace ในเมทริกซ์พฤกษศาสตร์ที่ซับซ้อน (heterogeneous), สัญญาณรบกวนจากการเรืองแสง (fluorescence) และสัญญาณ Raman ที่อ่อน, รวมถึงข้อกำหนดด้านการทดสอบความถูกต้อง (validation) และการถ่ายโอนแบบจำลอง (model-transfer) ที่จำเป็นสำหรับการยอมรับจากหน่วยงานกำกับดูแลในการลดหรือข้ามขั้นตอนการทดสอบ (reduced or skip testing) [3, 4, 13]
Keywords
- Raman spectroscopy
- SERS
- Process analytical technology
- Botanical API
- Pesticide residues
- Adulterant detection
- Chemometrics
- Real-time monitoring
Introduction
Botanical drug substances และ botanical APIs ถูกควบคุมภายใต้พาราดามด้านคุณภาพที่เน้นความสม่ำเสมอในการรักษา ซึ่งสนับสนุนโดยแนวทาง “totality of the evidence” รวมถึงการควบคุมวัตถุดิบสมุนไพรและการทดสอบควบคุมคุณภาพทางเคมีที่อาจใช้วิธีทางสเปกโทรสโกปี และ/หรือ โครมาโทกราฟี [1] ภายใต้พาราดามนี้ ความเสี่ยงจากการปนเปื้อนและการปลอมปนถูกระบุอย่างชัดเจนว่าเป็นประเด็นด้านคุณภาพที่ต้องมีกลยุทธ์การทดสอบ รวมถึงการทดสอบยาฆ่าแมลงตกค้าง (รวมถึงยาฆ่าแมลงต้นกำเนิดและเมแทบอไลต์ที่เป็นพิษหลัก) และสารพิษที่เกิดขึ้นเองตามธรรมชาติ เช่น aflatoxins ตลอดจนการควบคุมที่จัดการกับสิ่งแปลกปลอมและสารปลอมปน [1]
ในขณะเดียวกัน แนวทางปฏิบัติของยุโรปสำหรับข้อกำหนดของสารสมุนไพรและการเตรียมสมุนไพร ได้นิยามข้อกำหนด (specifications) ว่าเป็นรายการทดสอบ ขั้นตอน และเกณฑ์การยอมรับที่ใช้เพื่อรับรองคุณภาพ ณ เวลาที่ปล่อยผลิตภัณฑ์ (release) และระหว่างอายุการเก็บรักษา และระบุกลุ่มของสารปนเปื้อนที่ควรจัดการตามความเหมาะสม ได้แก่ โลหะหนัก/สิ่งเจือปนจากธาตุ (elemental impurities), สารตกค้างจากยาฆ่าแมลงและสารรมควัน, สารพิษจากเชื้อรา (aflatoxins, ochratoxin A) และการปนเปื้อนทางจุลชีววิทยา [13, 14] แนวทางปฏิบัติของ EMA ยังระบุว่าการทดสอบสารตกค้างปนเปื้อนเป็นระยะหรือการข้ามการทดสอบ (periodic/skip testing) อาจเป็นที่ยอมรับได้เมื่อมีการให้เหตุผลสนับสนุนผ่านการประเมินความเสี่ยงและข้อมูลรุ่นการผลิต ซึ่งสร้างแรงจูงใจที่ชัดเจนจากหน่วยงานกำกับดูแลสำหรับเครื่องมือการคัดกรองที่รวดเร็วขึ้นและความเข้าใจในกระบวนการ ซึ่งสามารถสนับสนุนกลยุทธ์การควบคุมตามความเสี่ยงโดยไม่กระทบต่อความปลอดภัย [13]
Raman spectroscopy เป็นหนึ่งในตัวเลือกสำหรับกลยุทธ์ดังกล่าว เนื่องจาก Raman scattering ให้สเปกตรัม “fingerprint” ที่มีความเฉพาะเจาะจงทางเคมี และวิธี Raman มักถูกจัดเป็นวิธีที่รวดเร็ว ไม่ทำลายตัวอย่าง (non-destructive) และไม่รุกล้ำ (noninvasive) โดยมีการเตรียมตัวอย่างที่เรียบง่าย ซึ่งเป็นคุณสมบัติในการดำเนินงานที่สอดคล้องกับการตัดสินใจแบบ Real-Time ในระหว่างการผลิตและการควบคุมห่วงโซ่อุปทาน [2, 4]
บทวิจารณ์เกี่ยวกับการประยุกต์ใช้ Raman ในทางเภสัชกรรม อธิบายถึงขอบเขตการใช้งานที่ครอบคลุมตั้งแต่ในห้องปฏิบัติการไปจนถึงจุดรับสินค้าและสายการผลิต ซึ่งหมายความว่า Raman สามารถพิจารณาได้ไม่เพียงแต่เป็นเครื่องมือระบุเอกลักษณ์แบบ off-line เท่านั้น แต่ยังเป็นเซ็นเซอร์วิเคราะห์ในกระบวนการ (in-process analytical sensor) ในบริบทของ PAT อีกด้วย [2] PAT ถูกกำหนดอย่างชัดเจนว่าเป็นการใช้ชุดเครื่องมือและวิธีการเพื่อให้เกิดการวิเคราะห์แบบ Real-Time และการควบคุมแบบป้อนกลับ (feedback control) ในระหว่างการผลิตในระดับอุตสาหกรรม เพื่อให้แน่ใจว่ากระบวนการผลิตสามารถควบคุมได้และคุณภาพของผลิตภัณฑ์อยู่ในระดับที่เหมาะสมที่สุด โดยเทคนิค Vibrational spectroscopy ถูกอธิบายว่าเป็นเทคนิคที่ช่วยให้สามารถตรวจวัดคุณลักษณะคุณภาพภายในของสมุนไพรในระหว่างการแปรรูปได้อย่างรวดเร็ว แบบออนไลน์ และ Real-Time [3]
อย่างไรก็ตาม การสร้างโพรไฟล์สารปนเปื้อนระดับร่องรอยในสมุนไพรเป็นสิ่งที่ท้าทายในเชิงวิเคราะห์ และเอกสารระบุถึงความท้าทายหลักในการนำไปใช้จริง: การวิจัย PAT ส่วนใหญ่ทำขึ้นในอุปกรณ์ระดับห้องปฏิบัติการที่ควบคุมสภาวะการทดลองได้ง่าย และแบบจำลองกระบวนการที่ใช้ Raman อาจมี LOD ที่ค่อนข้างสูงซึ่งไม่สามารถตรวจพบเป้าหมายที่มีความเข้มข้นต่ำในภารกิจตรวจสอบการสกัดจำลอง [3] ข้อจำกัดเหล่านี้กระตุ้นให้เกิดคำถามเชิงการออกแบบสำหรับ Botanical APIs: จะสามารถนำ Raman (และ SERS-enhanced Raman) ไปใช้ภายในโครงสร้าง PAT ได้อย่างไรเพื่อให้มีการคัดกรองที่รวดเร็ว ไม่ทำลายตัวอย่าง และสามารถทำนายผลเชิงปริมาณที่ทนทานต่อความแปรปรวนของเมทริกซ์และกระบวนการ (หากเป็นไปได้) ในขณะที่ยังคงสอดคล้องกับความคาดหวังของหน่วยงานกำกับดูแลตามความเสี่ยงสำหรับการควบคุมสารปนเปื้อนและการทดสอบความถูกต้องของวิธี? [2, 3, 13]
ดังนั้น คำถามวิจัยที่ระบุ ณ ที่นี้คือ: หลักฐานประสิทธิภาพของ Raman และ SERS ที่ตีพิมพ์สามารถสนับสนุนสถาปัตยกรรม PAT ที่ใช้งานได้จริงสำหรับการสร้างโพรไฟล์สารปนเปื้อนระดับร่องรอยแบบ Near-Real-Time ใน Botanical APIs เพื่อเสริมหรือคัดแยกก่อนการวิเคราะห์ยืนยันแบบดั้งเดิมได้หรือไม่? [3, 6, 8] สมมติฐานในการทำงานคือการทำ Fingerprinting แบบไม่ทำลายตัวอย่างโดยใช้ Raman จะมีประสิทธิภาพสูงสุดในรูปแบบระบบ PAT แบบลำดับขั้น: (i) Raman + chemometrics สำหรับการพิสูจน์เอกลักษณ์/การคัดกรองการปลอมปนอย่างรวดเร็ว; (ii) โมดูล SERS เฉพาะเจาะจงสำหรับการตรวจวัดยาฆ่าแมลงระดับร่องรอยในเมทริกซ์ที่เกี่ยวข้อง; และ (iii) การตรวจสอบ process Raman สำหรับคุณลักษณะคุณภาพภายในที่ความไวเพียงพอ โดยการข้ามการทดสอบตามความเสี่ยง (risk-based skip-testing) จะได้รับความเห็นชอบจากข้อมูลและประวัติรุ่นการผลิตมากกว่าเพียงการติดตั้งเซ็นเซอร์เพียงอย่างเดียว [3, 6, 9, 13]
Quantitative Prediction and Calibration-Based Inference
สำหรับการทำนายเชิงปริมาณและการสรุปอ้างอิงจากการสอบเทียบ การศึกษา Raman ของสูตรตำรับ methyl eugenol ที่มีการปลอมปนด้วย xylene รายงานว่า PCA มีประโยชน์ในการจำแนกชุดข้อมูลสเปกตรัม Raman ที่ความเข้มข้นต่างกัน นอกจากนี้ แบบจำลอง PLSR ยังสามารถทำนายความเข้มข้นของตัวอย่างที่ไม่ทราบค่าได้อย่างน่าเชื่อถือ ซึ่งแสดงให้เห็นว่าการผสมผสานระหว่าง Raman spectroscopy และ PLSR สามารถบรรลุประสิทธิภาพในการทำนายสูง สิ่งนี้เน้นย้ำถึงประโยชน์ที่อาจเกิดขึ้นในการพัฒนาแบบจำลองเชิงปริมาณสำหรับสารปลอมปนที่มีความเสี่ยงใน Botanical APIs เมื่อมีวัสดุอ้างอิงพร้อมใช้งาน [10]
Identity Confirmation in Finished Products
วิธี Raman ที่ใช้พื้นฐาน Barcode ได้พิสูจน์แล้วว่ามีประสิทธิภาพในการยืนยันเอกลักษณ์ของ APIs ในผลิตภัณฑ์สำเร็จรูป เทคนิคนี้ทำงานโดยการเปรียบเทียบเปอร์เซ็นต์ความซ้อนทับที่ไม่เป็นศูนย์ (nonzero overlap) ระหว่าง Barcode ของ API ที่คาดหวังและผลิตภัณฑ์ยาสำเร็จรูป โดยที่สเปกตรัมจะถูกแปลงเพื่อเน้นพีคของ Raman [11] ด้วยการใช้แนวทางนี้ ผลิตภัณฑ์ยาสำเร็จรูปที่ได้รับการอนุมัติ 18 รายการและยาปลอมจำลอง 9 รายการถูกระบุได้อย่างถูกต้อง 100% สิ่งนี้สนับสนุนความเป็นไปได้ในการใช้ตรรกะ “fingerprint overlap” ตามหลักการ Raman สำหรับการยืนยันเอกลักษณ์ที่มีประสิทธิภาพในผลิตภัณฑ์ที่ตั้งตำรับแล้ว โดยต้องมีการแปลงข้อมูลและกฎการตัดสินใจที่เหมาะสม [11]
Raman Analysis for Botanical 'Look-Alike' Risks
แนวทางการใช้ลายพิมพ์สเปกตรัมของ Raman ได้ถูกนำมาใช้เพื่อแยกแยะตัวอย่างแท้จากตัวอย่างที่ปลอมปนในบริบทของพฤกษศาสตร์ ตัวอย่างเช่น การวิเคราะห์ตัวอย่าง Phansomba/Phellinus เผยให้เห็นการแยกแยะที่ชัดเจนระหว่างตัวอย่างแท้และตัวอย่างปลอมปน มีการระบุแถบ Raman หลัก (487, 528, 786, 892, 915 และ 1436 cm) ซึ่งเป็นลักษณะเฉพาะของ Phellinus (โดยเฉพาะ Ph. merrillii) ซึ่งบ่งชี้ถึงศักยภาพในการสร้างฐานข้อมูลช่วงลายพิมพ์สเปกตรัมสำหรับเวิร์กโฟลว์การตรวจสอบในยาสมุนไพรชนิดอื่น [21]
อย่างไรก็ตาม ยังคงมีข้อจำกัด ในการคัดกรองอาหารเสริมสมุนไพร 50 ชนิดที่มีการอ้างสรรพคุณเสริมสมรรถภาพทางเพศ Raman spectroscopy สามารถตรวจพบตัวอย่างที่ปลอมปนได้ 9 ตัวอย่าง (4 ตัวอย่างพบ sildenafil และ 5 ตัวอย่างพบ tadalafil) ทว่าไม่สามารถให้ผลลัพธ์ที่สรุปได้เกี่ยวกับการปลอมปน tadalafil ใน 2 ตัวอย่าง ซึ่งบ่งชี้ถึงความจำเป็นของวิธียืนยันผลหรือกลยุทธ์การตีความสเปกตรัมที่ดียิ่งขึ้นสำหรับบางกรณี [22]
4.2 Pesticide Residues by SERS
หลักฐานที่ตีพิมพ์เน้นย้ำว่า SERS เป็นเทคนิคที่รวดเร็วและไม่ทำลายตัวอย่าง (non-destructive) ซึ่งสามารถตรวจวัดยาฆ่าแมลงในระดับร่องรอย (ppm หรือ ppb) ให้สอดคล้องกับมาตรฐานการควบคุมสารปนเปื้อนในสมุนไพร [1, 6, 19] การศึกษาหนึ่งแสดงให้เห็นถึงความสามารถของ SERS ในการตรวจวัดยาฆ่าแมลงบนผิวผลไม้ที่ระดับต่ำถึง 1 ppm ซึ่งสอดคล้องกับขีดจำกัดสารพิษตกค้างตามกฎระเบียบสำหรับแอปเปิล [6]
การศึกษา SERS เชิงปริมาณแสดงให้เห็นถึงประสิทธิภาพการสอบเทียบที่แข็งแกร่ง ตัวอย่างเช่น การศึกษาหนึ่งรายงานค่าสัมประสิทธิ์การตัดสินใจ (R²) ที่ 0.99 สำหรับ omethoate และ 0.98 สำหรับ chlorpyrifos โดยมีขีดจำกัดการตรวจวัด (LODs) ที่ 1.63 mg·cm และ 2.64 mg·cm ตามลำดับ สิ่งนี้เน้นย้ำถึงความเป็นไปได้ของแบบจำลองการสอบเทียบที่ใช้ความเข้มของพีค SERS ที่เป็นลักษณะเฉพาะสำหรับการหาปริมาณสารตกค้าง [17] ในการศึกษานี้ พีค Raman เฉพาะของสารวิเคราะห์ (413 cm สำหรับ omethoate, 346 cm สำหรับ chlorpyrifos) ถูกนำมาใช้ในการทำแผนที่ความเข้มข้นผ่านแบบจำลองการสอบเทียบ [17]
การใช้ SERS กับอนุภาคทองคำระดับนาโนชนิดคอลลอยด์ช่วยเพิ่มประสิทธิภาพ Raman scattering จากยาฆ่าแมลง 21 ชนิด ขีดจำกัดการตรวจวัดอยู่ในช่วง 0.001 ถึง 10 ppm พร้อมทั้งสามารถระบุเอกลักษณ์ของ phosmet และ thiram ได้พร้อมกันบนผิวแอปเปิลโดยใช้ PCA และ SERS [7]
สำหรับเมทริกซ์ผักใบ กราฟมาตรฐาน (calibration curves) สำหรับยาฆ่าแมลงตกค้างประเภท phosmet, thiabendazole และ acetamiprid แสดงค่าสัมประสิทธิ์สหสัมพันธ์เชิงเส้นที่แข็งแกร่ง โดยมีค่าการคืนกลับ (recoveries) ระหว่าง 94.67% ถึง 112.89% การทดสอบความถูกต้องตามค่าการคืนกลับรายงานค่าส่วนเบี่ยงเบนมาตรฐานสัมพัทธ์ระหว่าง 3.87% ถึง 8.56% กระบวนการทดสอบทั้งหมด รวมถึงการเก็บตัวอย่าง การวิเคราะห์สเปกตรัม และการทำนายเชิงปริมาณ เสร็จสิ้นภายในเวลาไม่ถึง 5 min ซึ่งเป็นการปรับปรุงที่ชัดเจนเมื่อเทียบกับวิธีโครมาโทกราฟีแบบดั้งเดิม [16]
ในบริบทของเมทริกซ์พฤกษศาสตร์ SERS แสดงศักยภาพในการตรวจวัด deltamethrin ใน Corydalis พบพีคที่มีลักษณะเฉพาะหลักที่ 999 cm โดยการเพิ่มประสิทธิภาพในแบบจำลองช่วยให้ขีดจำกัดการตรวจวัดต่ำถึง 0.186 mg/L สำหรับการสังเกตโดยตรงที่พีค 999 cm การใช้แบบจำลอง PLS ยังบรรลุตัวชี้วัดประสิทธิภาพการทำนายที่ดี [23]
อุปกรณ์ Handheld SERS ที่จับคู่กับการสกัดด้วย QuEChERS acetate แสดงความสามารถในการตรวจวัดยาฆ่าแมลงตกค้างหลายชนิดในข้าวบาสมาติภายในเวลา 15 min ยาฆ่าแมลง เช่น CBM, THI และ TRI ถูกตรวจพบที่ระดับต่ำกว่า MRL ของ EU ที่ 10 ppb อย่างไรก็ตาม ขีดจำกัดการตรวจวัดสำหรับ ACE ยังคงถูกจำกัดอยู่ที่ 800 ppb ซึ่งเน้นย้ำถึงความแปรปรวนที่อาจเกิดขึ้นในความไวต่อสารวิเคราะห์ภายในเวิร์กโฟลว์การตรวจสอบสารตกค้างหลายชนิด [8]
แนวทาง Dynamic SERS ช่วยเพิ่มความไวในบริบทของหยดสารละลายบนพื้นผิว (sessile-drop) ทำให้สามารถตรวจวัด paraquat, thiabendazole, tricyclazole และ isocarbophos ได้ต่ำถึงระดับ ppm และ ppb แนวทางนี้ใช้ประโยชน์จากสถานะอนุภาคนาโนแบบ metastable ระหว่างการระเหยเพื่อรักษาความสามารถในการจำแนกสารสกัดจากผักที่ถูกเติมสารมาตรฐาน ความสัมพันธ์เชิงเส้นระหว่างความเข้มของพีคที่มีลักษณะเฉพาะและระดับความเข้มข้นช่วยยืนยันความถูกต้องของวิธีนี้ยิ่งขึ้น [18]
4.3 Mycotoxin and Microbial-Marker Profiling
มาตรฐานการกำกับดูแลกำหนดให้มีการทดสอบสารพิษจากเชื้อราและคุณภาพทางจุลชีววิทยาสำหรับสารสมุนไพร โดยเน้นที่ aflatoxins และ ochratoxin A เป็นพิเศษ [13, 24] ตัวอย่างเช่น USP monographs กำหนดขีดจำกัดสูงสุดไม่เกิน (NMT) 5 ppb สำหรับ aflatoxin B1 และ NMT 20 ppb สำหรับผลรวมของ aflatoxins B1, B2, G1 และ G2 [19] ขีดจำกัดเหล่านี้กำหนดความไวที่วิธีการคัดกรองและวิธียืนยันผลต้องทำให้สำเร็จ
เนื่องจากการเน้นหลักอยู่ที่การตรวจวัดยาฆ่าแมลงและการประยุกต์ใช้สำหรับการตรวจการปลอมปนด้วย Raman/SERS เทคโนโลยีนี้จึงอยู่ในตำแหน่งที่ดีที่สุดในการเป็นเครื่องมือคัดกรองเสริมภายในกลยุทธ์การควบคุมสารปนเปื้อนในวงกว้าง สิ่งนี้สอดคล้องกับแนวทางปฏิบัติของหน่วยงานกำกับดูแลที่เสนอว่าการควบคุมคุณภาพควรได้รับการสนับสนุนโดยการทดสอบทางเคมี เช่น spectroscopy หรือ chromatography ในขณะเดียวกันก็รวบรวมเทคโนโลยีที่เกิดขึ้นใหม่เข้าด้วยกัน [1, 13]
4.4 Heavy Metal and Inorganic Contaminant Inference
EMA กำหนดให้มีการทดสอบโลหะหนักและสิ่งเจือปนจากธาตุอื่นๆ ในผลิตภัณฑ์ยาสมุนไพร เว้นแต่จะมีเหตุผลสนับสนุนเป็นอย่างอื่น ซึ่งกำหนดความคาดหวังของหน่วยงานกำกับดูแลสำหรับการสร้างโพรไฟล์สารปนเปื้อนระดับร่องรอยใน Botanical APIs [13, 24]
ในฐานข้อมูลหลักฐานของ Raman/SERS ปัจจุบัน สารปนเปื้อนเหล่านี้จะถูกจัดการทางอ้อมผ่านการควบคุมเอกลักษณ์ของวัตถุดิบที่ดีขึ้น การคัดกรองการปลอมปนที่เร็วขึ้น และการจัดลำดับความสำคัญของการทดสอบยืนยันผลสำหรับตัวอย่างที่มีความเสี่ยงสูง อย่างไรก็ตาม วิธี Raman ยังไม่ถูกจัดวางให้เป็นวิธีมาตรฐานเดี่ยว (standalone) สำหรับการหาปริมาณสิ่งเจือปนจากธาตุโดยไม่มีการทดสอบความถูกต้องเพิ่มเติมหรือเทคโนโลยีเสริม [1, 13, 21]
4.5 In-Line and On-Line Raman PAT for Botanical Processing
โครงสร้าง Process Analytical Technology (PAT) ใช้การวิเคราะห์แบบ Real-Time เพื่อเพิ่มประสิทธิภาพคุณภาพผลิตภัณฑ์และการควบคุมกระบวนการ Raman spectroscopy ถูกอธิบายว่ามีความเหมาะสมอย่างยิ่งสำหรับจุดประสงค์นี้ โดยมีการวิเคราะห์ที่รวดเร็ว ไม่รุกล้ำ และเข้ากันได้กับสภาวะการผลิตในกระบวนการ [3]
ตัวอย่างหนึ่งของ Raman-PAT คือการใช้แบบจำลอง RS-CARS-PLS สำหรับการตรวจสอบกระบวนการสกัดในการผลิตเม็ด Wenxin แม้ว่าแบบจำลองจะแสดงการตรวจสอบกระบวนการที่มีประสิทธิภาพ แต่ความไวสำหรับสารวิเคราะห์ที่มีความเข้มข้นต่ำ เช่น saccharides ยังคงมีจำกัด ซึ่งเน้นย้ำถึงความจำเป็นของ SERS หรือเทคนิคเสริมสำหรับการตรวจวัดสารปนเปื้อนระดับร่องรอย [3]
การนำไปใช้ในระดับอุตสาหกรรมมีความท้าทายเพิ่มเติม เนื่องจากการวิจัย PAT ส่วนใหญ่เกิดขึ้นในสภาพแวดล้อมที่ควบคุมในห้องปฏิบัติการ ความทนทาน (robustness) และการควบคุมความแปรปรวนจำเป็นต้องได้รับการแก้ไขเพื่อให้การขยายขนาดการผลิต (scale-up) และการนำไปใช้จริงประสบความสำเร็จ [3]
4.6 Comparative Analytical Performance
Raman spectroscopy แบบดั้งเดิมให้ลายพิมพ์นิ้วมือทางเคมีที่รวดเร็ว ไม่ทำลายตัวอย่าง โดยไม่ต้องเตรียมตัวอย่างล่วงหน้า ในทางตรงกันข้าม SERS ช่วยเพิ่มความไวในการตรวจวัดสารปนเปื้อนระดับร่องรอย โดยบรรลุขีดจำกัดการตรวจวัดตั้งแต่ 1 ppm ไปจนถึงต่ำสุดที่ 0.001 ppm สำหรับยาฆ่าแมลงบางชนิด ขึ้นอยู่กับวิธีและเมทริกซ์ [4, 5, 6, 7] ตัวอย่างเช่น SERS ร่วมกับการสอบเทียบแสดงให้เห็นถึงการตรวจวัดยาฆ่าแมลงในผักใบด้วยสัมประสิทธิ์สหสัมพันธ์สูงถึง 0.98291 และการดำเนินเวิร์กโฟลว์ทั้งหมดเสร็จสิ้นในเวลาเพียง 5 min [16]
สำหรับการประยุกต์ใช้ในการพิสูจน์เอกลักษณ์ PCA มีประโยชน์ในการจำแนกความแปรปรวนของสเปกตรัมที่ละเอียดอ่อนในน้ำมันหอมระเหย และเทคนิค Raman ที่ใช้พื้นฐาน Barcode แสดงความแม่นยำ 100% ในการระบุเอกลักษณ์ผลิตภัณฑ์สำเร็จรูปที่ปลอมและของแท้ [9–11]
4.7 Portable and Handheld Instrumentation for Raw-Material Screening
เครื่องมือ Portable Raman ถูกจัดวางให้เป็นเครื่องมือที่มีประสิทธิภาพด้านเวลา ไม่ทำลายตัวอย่าง และสามารถวิเคราะห์วัตถุดิบสมุนไพรได้อย่างรวดเร็วโดยไม่จำเป็นต้องเตรียมตัวอย่างที่ซับซ้อน นอกจากนี้ยังสามารถใช้ในการตรวจสอบการปฏิบัติตามมาตรฐานสุขภาพและความปลอดภัยในผลิตภัณฑ์สมุนไพร ซึ่งเป็นเครื่องมือที่มีค่าสำหรับการคัดกรองทั้งในโรงงานและหลังออกสู่ตลาด [12]
แนวทางปฏิบัติจาก FDA เน้นย้ำถึงวิธีการที่เกิดขึ้นใหม่ เช่น morphology-directed Raman spectroscopy (MDRS) ว่ามีประโยชน์สำหรับภารกิจต่างๆ เช่น การระบุลักษณะการกระจายตัวของขนาดอนุภาค (particle size distribution) เมื่อได้รับการสนับสนุนจากการทดสอบความถูกต้องที่เข้มงวด แม้ว่าจะไม่ใช่สำหรับ Botanical API โดยเฉพาะ แต่วิธีเหล่านี้แสดงให้เห็นถึงความสามารถของ Raman ในการเสริมเทคนิคการวิเคราะห์แบบดั้งเดิม [25, 26]
Discussion
หลักฐานที่สังเคราะห์ได้สนับสนุนว่า Raman และ SERS เป็นเครื่องมือที่มีคุณค่าสำหรับการคัดกรองที่รวดเร็วแบบไม่ทำลายตัวอย่าง และการตรวจสอบแบบ Real-Time ภายในสภาพแวดล้อม PAT เทคโนโลยีเหล่านี้สามารถบูรณาการเข้ากับเวิร์กโฟลว์การควบคุมสารปนเปื้อนและการรับรองคุณภาพสำหรับ Botanical APIs ได้อย่างมีประสิทธิภาพ [2, 3, 5]
5.1 Strengths of Raman and PAT vs Classical Destructive Methods
Raman spectroscopy มีข้อได้เปรียบในเรื่องความเร็ว คุณสมบัติไม่ทำลายตัวอย่าง และความต้องการในการเตรียมตัวอย่างที่น้อยที่สุด SERS ช่วยขยายขีดความสามารถนี้ โดยทำให้สามารถตรวจวัดระดับร่องรอยผ่านกลไกการเพิ่มประสิทธิภาพ ซึ่งได้รับการพิสูจน์แล้วว่าสามารถตรวจพบยาฆ่าแมลงได้ต่ำถึงระดับ ppb ด้วยเวลาเวิร์กโฟลว์โดยรวมที่รวดเร็ว ทำให้เหมาะสำหรับการคัดกรองเบื้องต้นและการคัดแยกตัวอย่างเพื่อส่งทดสอบยืนยันผล [2, 4, 5, 16]
5.2 Limitations
ข้อจำกัดที่สำคัญ ได้แก่ ความท้าทายด้านความไวในวิธี Raman พื้นฐาน โดยเฉพาะสำหรับสารวิเคราะห์ที่มีความเข้มข้นต่ำหากไม่มีการเพิ่มประสิทธิภาพด้วย SERS การใช้ Raman-based PAT ในระดับอุตสาหกรรมยังต้องเอาชนะความท้าทายด้านความแปรปรวนและการขยายขนาดการผลิตที่มีประสิทธิภาพ นอกจากนี้ การพึ่งพาแบบจำลอง chemometric เช่น PCA และ PLS ก่อให้เกิดความซับซ้อนและความไม่แน่นอนที่อาจเกิดขึ้น ขึ้นอยู่กับความแปรปรวนของเมทริกซ์และการฝึกฝนแบบจำลอง [3, 9, 22, 23]
Regulatory Guidance and Raman-Based Screening Tools
แนวทางปฏิบัติของหน่วยงานกำกับดูแลสนับสนุนแนวทางด้านคุณภาพสำหรับสมุนไพรที่อิงตาม totality of evidence ซึ่งรวมถึงการควบคุมวัตถุดิบสมุนไพรและการทดสอบควบคุมคุณภาพทางเคมีโดยใช้วิธีทางสเปกโทรสโกปี และ/หรือ โครมาโทกราฟี สิ่งนี้ให้แนวทางเชิงแนวคิดสำหรับเครื่องมือคัดกรองที่ใช้ Raman เพื่อบูรณาการเข้ากับกลยุทธ์การควบคุมโดยรวม แทนที่จะถูกปฏิบัติเสมือนเป็นเครื่องมือทดแทนวิธีวิเคราะห์มาตรฐานแบบดั้งเดิมทั้งหมดเพียงอย่างเดียว [1]
แนวทางปฏิบัติของ FDA กำหนดให้มีการทดสอบยาฆ่าแมลงตกค้างและสารพิษที่เกิดขึ้นเองตามธรรมชาติ เช่น aflatoxins ตลอดจนสิ่งแปลกปลอมและสารปลอมปน ซึ่งสอดคล้องกับความสามารถของ Raman/SERS ในการคัดกรองยาฆ่าแมลงและการตรวจวัดสารปลอมปน ตอกย้ำความจำเป็นในการครอบคลุมกลุ่มสารปนเปื้อนในโปรแกรมควบคุมที่ครอบคลุม [1]
FDA ยังระบุว่าผู้สมัครควรประเมินเทคโนโลยีในปัจจุบันและเทคโนโลยีที่เกิดขึ้นใหม่ และพัฒนาวิธีการวิเคราะห์แบบ orthogonal เพื่อให้มีการระบุเอกลักษณ์และการหาปริมาณที่เพียงพอ สิ่งนี้สามารถตีความได้ว่าเป็นการสนับสนุนการใช้ Raman/SERS เป็นส่วนหนึ่งของชุดวิธีการแบบ orthogonal ที่จับคู่กับวิธียืนยันผล เช่น LC–MS หรือการวิเคราะห์อื่นๆ เพื่อการหาปริมาณที่แน่นอน โดยเฉพาะในจุดที่ประสิทธิภาพของ SERS ขึ้นอยู่กับการควบคุมการเตรียมตัวอย่างล่วงหน้าเพื่อความแม่นยำในการหาปริมาณเมื่อเทียบกับ LC–MS [1, 27] เพื่อสนับสนุนมุมมองนี้ การศึกษาเปรียบเทียบ SERS และ LC–MS สำหรับสารกำจัดวัชพืชที่ไม่คาดคิดในเมทริกซ์ที่ซับซ้อนรายงานว่า SERS แสดงความไวสูงและมีประสิทธิภาพการตรวจวัดที่สูงกว่าสำหรับการตรวจวัดเป้าหมายระดับ Ultra-trace ในขณะที่ LC–MS ให้ความแม่นยำในการหาปริมาณที่มากกว่าซึ่งอำนวยความสะดวกโดยการเตรียมตัวอย่างล่วงหน้าที่ควบคุมอย่างดี สิ่งนี้กระตุ้นให้เกิดสถาปัตยกรรมแบบลำดับขั้น: SERS สำหรับการตรวจวัดที่รวดเร็วและละเอียดอ่อน และ LC–MS สำหรับการหาปริมาณเพื่อยืนยันผล [27]
ในสหภาพยุโรป แนวทางปฏิบัติเกี่ยวกับข้อกำหนดของ EMA ได้กำหนดข้อกำหนดและระบุกลุ่มสารปนเปื้อนที่ควรจัดการ (รวมถึงโลหะหนัก, ยาฆ่าแมลงตกค้าง, สารพิษจากเชื้อรา, การปนเปื้อนทางจุลชีววิทยา) โดยอนุญาตให้มีการทดสอบเป็นระยะ/ข้ามการทดสอบ (periodic/skip testing) เมื่อมีการให้เหตุผลสนับสนุนโดยการประเมินความเสี่ยงและข้อมูลรุ่นการผลิต ซึ่งหมายความว่ากระแสข้อมูลจาก Raman/PAT สามารถส่งมอบหลักฐานสนับสนุนสำหรับกลยุทธ์การทดสอบตามความเสี่ยงได้ หากได้รับการทดสอบความถูกต้องและแสดงให้เห็นว่าสามารถตรวจพบความเบี่ยงเบนที่เกี่ยวข้องได้อย่างทันท่วงที [13, 14]
5.4 Risk-Based Deployment Strategy and Lifecycle Management
แนวทางปฏิบัติของ USP ระบุว่าขอบเขตของการทดสอบอาจถูกกำหนดโดยใช้แนวทางตามความเสี่ยงที่พิจารณาความเป็นไปได้ของการปนเปื้อน สิ่งนี้สนับสนุนกลยุทธ์ที่ความเข้มข้นของการคัดกรองด้วย Raman/SERS และการทดสอบยืนยันผลถูกจัดสรรตามปัจจัยเสี่ยง เช่น แหล่งที่มา, ภูมิศาสตร์, ประวัติรุ่นการผลิต และข้อมูลการคัดกรองก่อนหน้า [19] ในทำนองเดียวกัน EMA ระบุว่าการทดสอบเป็นระยะ/ข้ามการทดสอบอาจเป็นที่ยอมรับได้เมื่อมีการให้เหตุผลสนับสนุน และการให้เหตุผลควรพิจารณาถึงวัสดุพืช, สภาวะการเพาะปลูก/การผลิต, การปนเปื้อนจากฟาร์มข้างเคียง, แหล่งกำเนิดทางภูมิศาสตร์ และสนับสนุนโดยการประเมินความเสี่ยงและข้อมูลรุ่นการผลิต ซึ่งตอกย้ำความจำเป็นของระบบตรวจสอบที่รุ่มรวยด้วยข้อมูลมากกว่าการลดการทดสอบแบบเฉพาะหน้า [13]
ภายใต้บริบทตามความเสี่ยงนี้ PAT ที่ใช้ Raman สามารถถูกวางตำแหน่งเป็นผู้ผลิตลายพิมพ์นิ้วมือ (fingerprints) ที่รวดเร็ว ทำซ้ำได้ และแสดงผลการคัดกรองที่สนับสนุนการตรวจสอบแนวโน้มและการระบุรุ่นการผลิตที่ผิดปกติได้อย่างรวดเร็ว ในขณะที่การวิเคราะห์ยืนยันผลจะถูกสำรองไว้สำหรับรุ่นการผลิตที่ถูกระบุ (flagged) โดยการคัดกรอง หรือสำหรับการทวนสอบประสิทธิภาพของระบบคัดกรองและความเสถียรของการสอบเทียบเป็นระยะ [2, 13] วิธีระบุเอกลักษณ์ API ตาม Barcode และการตรวจวัดการปลอมปนในน้ำมันหอมระเหยด้วยเครื่องมือพกพา แสดงให้เห็นว่ากฎการตัดสินใจที่มีประสิทธิภาพ (barcode overlap, intense diagnostic bands) สามารถทำให้การตัดสินใจคัดกรองง่ายขึ้นในบางบริบท ในขณะที่การจำแนกตาม PCA บ่งชี้จุดที่จำเป็นต้องใช้แบบจำลองพหุตัวแปรเพื่อรักษาความไวต่อรูปแบบการปลอมปนที่ละเอียดอ่อน [9, 11, 20]
การจัดการวงจรชีวิต (lifecycle management) สำหรับวิธี Raman ยังถูกกล่าวถึงโดยข้อสังเกตของ FDA เกี่ยวกับการส่งมอบงาน MDRS: ข้อมูลการทดสอบความถูกต้องที่ขาดหายไปเกี่ยวกับความสามารถในการทำซ้ำ (reproducibility) และความแม่นยำ (accuracy) ถือเป็นข้อบกพร่อง โดยเน้นย้ำว่าวิธี PAT ที่ใช้ Raman ต้องได้รับการพัฒนาโดยมีการจัดทำเอกสารการทดสอบความถูกต้องและประสิทธิภาพเป็นผลลัพธ์หลักสำหรับการติดต่อกับหน่วยงานกำกับดูแล [25]
5.5 Outlook
หลักฐานบ่งชี้ทิศทางทางเทคนิคหลายประการเพื่อเพิ่มความเป็นไปได้ของ PAT ที่ใช้ Raman สำหรับสารปนเปื้อนระดับร่องรอย ประการแรก ความหลากหลายของเทคนิคที่เพิ่มขึ้น (Fourier transform Raman, resonance Raman, confocal Raman และ SERS) ถูกอธิบายว่าเป็นไปได้สำหรับการเพิ่มสัญญาณ Raman และการพัฒนาเครื่องมือและการเตรียมตัวอย่าง สนับสนุนกลยุทธ์การเลือกตัวแปรของเทคนิคตามความต้องการของเมทริกซ์และความไว แทนที่จะพึ่งพาการกำหนดค่า Raman เพียงรูปแบบเดียวในทุกกระบวนการของพฤกษศาสตร์ [4]
ประการที่สอง ความจำเพาะเจาะจง (selectivity) ของ SERS สามารถเพิ่มขึ้นได้โดยการเติมหมู่ฟังก์ชันบนโครงสร้างนาโนด้วยโมเลกุลตัวรับ เช่น aptamers ซึ่งบ่งชี้แนวทางไปสู่การวิเคราะห์สารปนเปื้อนระดับร่องรอยเป้าหมายที่ฝังอยู่ในโมดูล PAT ในจุดที่การรบกวน (interference) เป็นความเสี่ยงหลัก [5]
ประการที่สาม แนวทางการใช้ SERS ร่วมกับเทคนิคภาพ (imaging-based SERS) ถูกอธิบายว่าช่วยให้สามารถตรวจสอบและตรวจวัดตำแหน่งของการปนเปื้อนบนผิวเนื้อเยื่อพืชหรือภายในได้แบบ Real-Time ซึ่งบ่งชี้ว่าเวิร์กโฟลว์ Botanical API ในอนาคตสามารถรวมการทำแผนที่การปนเปื้อนที่ระบุตำแหน่งได้ (spatially resolved contamination mapping) สำหรับวัสดุที่มีความเสี่ยงสูงหรือสำหรับการตรวจสอบเส้นทางการปนเปื้อน [5] สุดท้าย ศักยภาพในการนำไปใช้จริงได้รับการสนับสนุนโดยข้อสรุปว่า SERS สามารถนำไปประยุกต์ใช้เพิ่มเติมในเครื่องมือตรวจวัดที่รวดเร็วและหน้างานเพื่อความปลอดภัยของอาหารและการตรวจสอบสิ่งแวดล้อม และโดยหลักฐานที่ว่าเครื่องมือ Portable Raman สามารถใช้ตรวจสอบการปฏิบัติตามมาตรฐานสุขภาพและความปลอดภัยของผลิตภัณฑ์สมุนไพรในตลาดผู้บริโภค ซึ่งตอกย้ำถึงความต่อเนื่องตั้งแต่การคัดกรองในสนามไปจนถึงระบบ PAT ในการผลิต [12, 27]
6. Conclusions
การศึกษาเชิงแนวคิดและการสังเคราะห์หลักฐานนี้ระบุว่า Raman spectroscopy สอดคล้องกับวัตถุประสงค์ของ PAT เป็นอย่างดี เนื่องจากมีความรวดเร็ว ไม่ทำลายตัวอย่าง (non-destructive) ไม่รุกล้ำ (noninvasive) และมีการเตรียมตัวอย่างที่ง่าย การประยุกต์ใช้ Raman ถูกอธิบายว่าครอบคลุมตั้งแต่ห้องปฏิบัติการไปจนถึงสายการผลิต สนับสนุนมุมมองวงจรชีวิตของการวัดผลด้วย Raman ตั้งแต่การคัดกรองวัตถุดิบขาเข้าจนถึงการตรวจสอบในกระบวนการผลิต [2]
PAT ถูกกำหนดอย่างชัดเจนว่าช่วยให้สามารถวิเคราะห์แบบ Real-Time และการควบคุมแบบป้อนกลับเพื่อให้มั่นใจว่ากระบวนการผลิตสามารถควบคุมได้และมีคุณภาพสูงสุด Vibrational spectroscopy ถูกอธิบายว่าเป็นเทคนิคที่ช่วยให้สามารถตรวจวัดคุณภาพภายในของสมุนไพรได้อย่างรวดเร็ว แบบออนไลน์ และ Real-Time ในระหว่างการแปรรูป ซึ่งเป็นพื้นฐานเชิงแนวคิดสำหรับการติดตั้งเซ็นเซอร์ Raman ในการผลิตสมุนไพร [3]
สำหรับสารปนเปื้อนระดับร่องรอย SERS ให้ฐานหลักฐานที่แข็งแกร่งที่สุดในด้านความไว โดยประสิทธิภาพการเพิ่มสัญญาณอาจไปถึงขีดจำกัดการตรวจวัดระดับ Ultra-trace บนโลหะมีตระกูล และมีการศึกษาด้านยาฆ่าแมลงหลายกรณีที่แสดงขีดจำกัดการตรวจวัดในระดับ ppm ถึง ppb และแม้แต่ระดับ low-nanomolar พร้อมด้วยตัวชี้วัดเชิงปริมาณและเวิร์กโฟลว์ที่รวดเร็ว (เช่น เวลาทดสอบรวม 5 min; การสกัด <15 min) [5, 8, 16, 18] Chemometrics เป็นสิ่งจำเป็นสำหรับภารกิจการพิสูจน์เอกลักษณ์และการหาปริมาณจำนวนมาก เนื่องจากการตรวจสอบด้วยสายตาอาจไม่เพียงพอสำหรับการตรวจวัดการปลอมปน ในขณะที่ PCA และ PLSR ได้แสดงประสิทธิภาพในการจำแนกและการทำนายเชิงปริมาณ [9, 10]
ข้อจำกัดเบื้องต้นสำหรับการสร้างโพรไฟล์สารปนเปื้อนระดับร่องรอยแบบ Real-Time ใน Botanical APIs คือข้อจำกัดด้านความไวในแบบจำลองกระบวนการ PAT ของ Raman ที่ไม่ได้เพิ่มประสิทธิภาพ (ซึ่งแสดงให้เห็นโดย LOD ที่ค่อนข้างสูงในการตรวจสอบการสกัด) และความท้าทายด้านความทนทาน/การทดสอบความถูกต้องสำหรับการขยายผล PAT จากห้องปฏิบัติการสู่การผลิต พร้อมกับความไม่แน่นอนที่เกิดจากเมทริกซ์ในบางกรณีของการคัดกรองสารปลอมปน [3, 22] ดังนั้น คำแนะนำการดำเนินงานที่สมเหตุสมผลที่สุดซึ่งสนับสนุนโดยหลักฐานคือสถาปัตยกรรม PAT แบบลำดับขั้น:
- Portable Raman + chemometrics สำหรับการพิสูจน์เอกลักษณ์/การคัดกรองการปลอมปนอย่างรวดเร็ว
- การวิเคราะห์ SERS แบบเป้าหมายสำหรับยาฆ่าแมลงตกค้างที่มีความเสี่ยงสูง
- วิธียืนยันผลแบบ orthogonal ในจุดที่การหาปริมาณและการตัดสินใจตามกฎระเบียบต้องการความมั่นใจที่สูงขึ้น ซึ่งสอดคล้องกับความคาดหวังของหน่วยงานกำกับดูแลสำหรับวิธี orthogonal และการให้เหตุผลตามความเสี่ยงสำหรับการข้ามการทดสอบ [1, 5, 12, 13, 27]
Funding
ไม่มีแหล่งทุนภายนอก [1]
Conflicts of Interest
ผู้เขียนประกาศว่าไม่มีความขัดแย้งทางผลประโยชน์ [1]
Data Availability Statement
ข้อมูลทั้งหมดที่ใช้ในการศึกษาเชิงแนวคิดนี้ได้มาจากแหล่งข้อมูลที่ตีพิมพ์และเอกสารกำกับดูแลที่ได้รับการสังเคราะห์ไว้ในที่นี้ [1, 14]
Figure 1
Figure 1. เวิร์กโฟลว์ PAT เชิงแนวคิดสำหรับการจัดการความเสี่ยงสารปนเปื้อนใน Botanical API โดยบูรณาการ Non-Destructive Raman และ SERS: การคัดกรองวัตถุดิบสมุนไพรขาเข้าโดยใช้ Raman Fingerprinting ที่รวดเร็วและไม่ทำลายตัวอย่าง ณ จุดรับสินค้า; การตรวจสอบการพิสูจน์เอกลักษณ์/การปลอมปนด้วย Chemometric (เช่น การจำแนกตาม PCA; การยืนยันเอกลักษณ์ด้วย Barcode overlap) เพื่อความมั่นใจในเอกลักษณ์; โมดูล SERS เป้าหมายสำหรับการคัดกรองยาฆ่าแมลงระดับร่องรอยและการทำนายเชิงปริมาณที่รวดเร็ว (ความไวระดับ ppm ถึง ppb ด้วยเวลาการวัดสั้น); การตรวจสอบ Raman ในกระบวนการผลิต ณ หน่วยปฏิบัติการผลิตภายใต้ PAT ในฐานะการวิเคราะห์แบบ Real-Time และการควบคุมแบบป้อนกลับ; และการตัดสินใจทวนสอบเป็นระยะ/ข้ามการทดสอบตามความเสี่ยงซึ่งสนับสนุนโดยประวัติรุ่นการผลิตและการประเมินความเสี่ยงอย่างเป็นทางการซึ่งสอดคล้องกับแนวทางปฏิบัติของ EMA/USP [2, 3, 6, 9, 11, 13, 16, 19]
Table 2
| ประเภทของสารปนเปื้อน/การปลอมปน | รูปแบบการกำหนดค่า Raman/SERS | จุดบูรณาการ PAT |
|---|---|---|
| โลหะหนัก | Non-destructive Raman screening | การคัดกรองวัตถุดิบ |
| ยาฆ่าแมลงตกค้าง | โมดูล SERS แบบเป้าหมาย | การคัดกรองระดับร่องรอย |
| สารพิษจากเชื้อรา | การจำแนกด้วย Chemometric | การตรวจสอบการพิสูจน์เอกลักษณ์ |
Table 3
| หลักยึดตามข้อกำหนดหน่วยงานกำกับดูแล/ตำรายา | ความสอดคล้องกับ Raman-Based PAT |
|---|---|
| แนวทางปฏิบัติของ USP | การคัดกรองที่ผ่านการทดสอบความถูกต้อง, กลยุทธ์การทดสอบตามความเสี่ยง |
| ข้อกำหนดของ EMA | การปฏิบัติตามกลุ่มสารปนเปื้อน, การให้เหตุผลในการทดสอบเป็นระยะ |
| คำแนะนำของ FDA | สนับสนุนวิธี orthogonal, การจัดการวงจรชีวิต |
