Rapid Identification of Polysorbates 20 and 80 Directly Through Amber Bottles
Aplikace | 2021 | Agilent TechnologiesInstrumentace
Polysorbaty 20 a 80 patří mezi klíčové neaktivní složky v biotechnologických a farmaceutických formulacích, především v přípravcích obsahujících monoklonální protilátky. Jejich náchylnost k degradaci hydrolysou či oxidací klade vysoké nároky na vhodné balení a skladovací podmínky. Rychlá a spolehlivá identifikace těchto surovin bez porušení obalu je nezbytná pro zajištění kvality a bezpečnosti finálních produktů.
Úkolem aplikace bylo ověřit schopnost přístroje Agilent Vaya Raman s technologií SORS rozlišit a identifikovat polysorbaty 20 a 80 přímo přes tmavé jantarové lahve. Studie porovnala výkonnost SORS Raman spektrometru s běžným konvenčním Raman přístrojem pracujícím na vlnové délce 785 nm. Cílem bylo vyvinout metody a ověřit jejich selektivitu pomocí tzv. challenge matice.
Metody pro PS 20 a PS 80 byly vytvořeny pomocí vestavěného průvodce vývojem metody přístroje Vaya za standardních podmínek s nastavením pro jantarové sklo. Pro každou metodu bylo provedeno deset opakovaných měření specificity s oběma typy polysorbatů. Pro komparaci byly vzorky analyzovány rovněž konvenčním Raman spektrometrem s laserem 785 nm za stejných laboratorních podmínek.
Spektra získaná metodou SORS jasně odlišila charakteristické pásy PS 20 a PS 80, zejména oleátové pásmo okolo 1650 cm⁻¹. Konvenční Raman metoda vykazovala silnou fluorescenci a slabé Ramanovské špičky, což znemožnilo spolehlivou identifikaci. Challenge matice ukázala, že u SORS metody je míra správného rozpoznání (> 0,95) a míra falešných pozitiv (< 0,1) na požadované úrovni, kdežto u konvenční Raman metody chybí selektivita.
Technologie SORS lze rozšířit na identifikaci dalších nízce Raman aktivních materiálů v různých typech světlofiltračních či neprůhledných obalů. Očekává se integrace do digitálních systémů řízení kvality, automatizace provozů a rozšíření využití v chemickém, potravinářském i petrochemickém průmyslu.
Agilent Vaya Raman s technologií SORS nabízí rychlý a vysoce selektivní způsob identifikace polysorbatů 20 a 80 přímo přes jantarové sklo, čímž zjednodušuje a zrychluje proces kontroly surovin ve farmacii a biotechnologii.
1. ICH Q7: Harmonised Tripartite Guideline Good Manufacturing Practice Guide For Active Pharmaceutical Ingredients. Page 16. 2021.
RAMAN Spektrometrie
ZaměřeníFarmaceutická analýza
VýrobceAgilent Technologies
Souhrn
Význam tématu
Polysorbaty 20 a 80 patří mezi klíčové neaktivní složky v biotechnologických a farmaceutických formulacích, především v přípravcích obsahujících monoklonální protilátky. Jejich náchylnost k degradaci hydrolysou či oxidací klade vysoké nároky na vhodné balení a skladovací podmínky. Rychlá a spolehlivá identifikace těchto surovin bez porušení obalu je nezbytná pro zajištění kvality a bezpečnosti finálních produktů.
Cíle a přehled studie
Úkolem aplikace bylo ověřit schopnost přístroje Agilent Vaya Raman s technologií SORS rozlišit a identifikovat polysorbaty 20 a 80 přímo přes tmavé jantarové lahve. Studie porovnala výkonnost SORS Raman spektrometru s běžným konvenčním Raman přístrojem pracujícím na vlnové délce 785 nm. Cílem bylo vyvinout metody a ověřit jejich selektivitu pomocí tzv. challenge matice.
Použitá metodika
Metody pro PS 20 a PS 80 byly vytvořeny pomocí vestavěného průvodce vývojem metody přístroje Vaya za standardních podmínek s nastavením pro jantarové sklo. Pro každou metodu bylo provedeno deset opakovaných měření specificity s oběma typy polysorbatů. Pro komparaci byly vzorky analyzovány rovněž konvenčním Raman spektrometrem s laserem 785 nm za stejných laboratorních podmínek.
Použitá instrumentace
- Agilent Vaya Raman spektrometr s technologií SORS (laser 830 nm, citlivý CCD detektor, vestavěný algoritmus pro odečtení signálu obalu)
- Konvenční Raman spektrometr s laserem 785 nm
Hlavní výsledky a diskuse
Spektra získaná metodou SORS jasně odlišila charakteristické pásy PS 20 a PS 80, zejména oleátové pásmo okolo 1650 cm⁻¹. Konvenční Raman metoda vykazovala silnou fluorescenci a slabé Ramanovské špičky, což znemožnilo spolehlivou identifikaci. Challenge matice ukázala, že u SORS metody je míra správného rozpoznání (> 0,95) a míra falešných pozitiv (< 0,1) na požadované úrovni, kdežto u konvenční Raman metody chybí selektivita.
Přínosy a praktické využití metody
- Neinvazivní testování bez otevírání lahví, zachování sterility a stability citlivých surovin
- Rychlé uvolnění šarží příjmu surovin v reálném čase
- Snížení nákladů na pracovní postupy, spotřební materiál a likvidaci odpadů
- Minimalizace expozice personálu a rizika kontaminace
Budoucí trendy a možnosti využití
Technologie SORS lze rozšířit na identifikaci dalších nízce Raman aktivních materiálů v různých typech světlofiltračních či neprůhledných obalů. Očekává se integrace do digitálních systémů řízení kvality, automatizace provozů a rozšíření využití v chemickém, potravinářském i petrochemickém průmyslu.
Závěr
Agilent Vaya Raman s technologií SORS nabízí rychlý a vysoce selektivní způsob identifikace polysorbatů 20 a 80 přímo přes jantarové sklo, čímž zjednodušuje a zrychluje proces kontroly surovin ve farmacii a biotechnologii.
Reference
1. ICH Q7: Harmonised Tripartite Guideline Good Manufacturing Practice Guide For Active Pharmaceutical Ingredients. Page 16. 2021.
Obsah byl automaticky vytvořen z originálního PDF dokumentu pomocí AI a může obsahovat nepřesnosti.
Podobná PDF
Cosmetic Raw Material Identification Testing Through Transparent and Opaque Containers
2024|Agilent Technologies|Aplikace
Application Note Cosmetics Cosmetic Raw Material Identification Testing Through Transparent and Opaque Containers For more efficient and convenient adherence to current and future GMP requirements Authors Frederic Prulliere and Christopher Welsby Agilent Technologies, Inc. Abstract With the adoption of stricter…
Klíčová slova
raw, rawamber, ambervaya, vayacontainer, containerhdpe, hdperaman, ramancontainers, containersoil, oilglass, glasscosmetics, cosmeticsopaque, opaquewhite, whitecosmetic, cosmeticreceipt, receiptmaterials
Differentiating Biopharmaceutical Raw Materials Using Spatially Offset Raman Spectroscopy
2021|Agilent Technologies|Aplikace
Application Note Biopharma/Pharma Differentiating Biopharmaceutical Raw Materials Using Spatially Offset Raman Spectroscopy Measuring raw materials without sampling—directly through their containers Authors Frédéric Prullière Christopher Welsby Agilent Technologies, Inc. Introduction Ensuring a continuous supply of compliant biopharma raw materials is an…
Klíčová slova
raman, ramanraw, rawmaterials, materialsvaya, vayacontainers, containersbiopharmaceutical, biopharmaceuticaltransparent, transparentsors, sorsdifferentiate, differentiatespectroscopy, spectroscopyoffset, offsetdpm, dpmthrough, throughmostly, mostlyspectrum
Verifying Raw Materials Using Spatially Offset Raman Spectroscopy
2020|Agilent Technologies|Aplikace
Technical Overview Pharma and Biopharma Verifying Raw Materials Using Spatially Offset Raman Spectroscopy Introduction Spatially offset Raman spectroscopy (SORS) is a powerful technology used for identifying materials inside unopened packaging. SORS enables Raman analysis of materials through thick or opaque…
Klíčová slova
sors, sorsraman, ramanraw, rawoffset, offsetcontainer, containermaterial, materialspectroscopy, spectroscopyspatially, spatiallypackaging, packaginglaser, lasercontainers, containersvaya, vayaagilent, agilentcontents, contentscollected
Rapid Identification of Raw Materials Inside Packaging
2021|Agilent Technologies|Aplikace
Application Note Pharmaceuticals Rapid Identification of Raw Materials Inside Packaging Using through-container spatially offset Raman spectroscopy Authors Introduction Frederic Prulliere Glycerin is a color-less odorless, viscous liquid with a sweet taste and is widely used in liquid pharmaceutical, cosmetic, and…
Klíčová slova
vaya, vayasors, sorsraman, ramanraw, rawidentification, identificationdiols, diolssugars, sugarscontainers, containersdextrose, dextrosecontainer, containercoating, coatingtransparent, transparentthrough, throughoffset, offsetspatially