Artificial neural network calibration models for simultaneous spectrophotometric determination of atenolol and losartan potassium in tablets

• Autorzy: Satyanarayana D. , Kannan K. , Manavalan R.

Warianty tytułu

PL

Modele kalibracyjne w sztucznej sieci neuronowej do jednoczesnego spektrofotometrycznego oznaczania atenololu i losartanu potasu w tabletkach

• Języki publikacji: EN

Abstrakty

EN

Simultaneous determination of all drug components in multicomponent pharmaceutical dosage form has been performed applying UV spectra photometry and calibration models based on artificial neural networks. The proposed approach is a simple alternative to using separate models for each component. A novel approach for calibration using computed spectral dataset derived from three spectra of each component has been described. Spectra of Atenolol and Losartan potassium were recorded in the wavelength range 2! 5-275 nm, interval 1 nm, at several concentrations of both analytcs within their linear calibration range and were subsequently used to compute the composition of the calibration mixture. Neural networks trained by Levenberg-Marquardt algorithm were used for building and optimizing calibration models utilizing MATLAB® Neural Network Toolbox. Two types of neural network models were compared to the principal component regression model. Calibration model was thoroughly evaluated at several concentration levels using the spectra obtained for 76 synthetic binary mixtures prepared using orthogona-1 designs. The optimized model has shown sufficient robustness even if the calibration sets were constructed from different sets of pure spectra of the components. Althougłrthc spectra of the components overlapped significantly, the drugs were determined accurately and precisely using the model. No interference from tablet excipients was observed.

PL

Opracowano metodę równoczesnego oznaczania wszystkich komponentów w wieloskładnikowym preparacie farmaceutycznym wykorzystując spektrometrie UV i model kalibra-cyjny oparty na sztucznych sieciach neuronowych. Proponowana metodą jest prosta alternatywą względem stosowania odrębnego modelu dla każdego związku- Metoda ta przedstawia nowy sposób kalibrowania, w którym wykorzystuje się zestaw obliczonych danych Opracowano metodę równoczesnego oznaczania wszystkich komponentów w wieloskładnikowym preparacie farmaceutycznym wykorzystując spektrometrie UV i model kalibra-cyjny oparty na sztucznych sieciach neuronowych. Proponowana metodą jest prosta alternatywą względem stosowania odrębnego modelu dla każdego związku- Metoda ta przedstawia nowy sposób kalibrowania, w którym wykorzystuje się zestaw obliczonych danych spektralnych otrzymanych z trzech widm każdego składnika. Widma atenololu i losartanu rejestrowano w zakresie 215-217 nm, co l nm, przy różnych stężeniach obu analitów, w liniowym zakresie kalibracji i wykorzystano do obliczenia składu miesznin kalibracyjnych. Do zbudowania i optymalizowania modelu kalibracji zastosowano sieci neuronowe trenowane algorytmem Levenberga-Marquardt'a za pomocą programu MATLAB Neu-ronal Network Toolbox. Dwa rodzaje takich modeli porównano z modelem regresji skianika głównego. Opracowany model kalibracji został szczegółowo zbadany dla wielu poziomów stężeń. Badania prowadzono przy użyciu widni 76 dwuskładnikowych mieszanin przygotowanych według modelu ortogonalnego. Zoptymalizowany model okazał się przydatny nawet wówczas gdy mieszaniny kalibracyjne były pr/ygotowane z różnych zestawów spek-tralnie czystych składników. Chociaż widma poszczególnych składników nakładały się w znacznym stopniu opracowany model pozwalał na dokładne i precyzyjne oznaczenie stężeń badanych leków. Nie zaobserwowano wpiywu substancji pomocniczych na jakość oznaczeń.

Słowa kluczowe

EN

principal component; artificial neural network; UV spectrophotometry; atenolol; losartan potassium

PL

sieć neuronowa sztuczna; spektrometria UV; atenolol; losartan potasu

• Wydawca: Komitet Chemii Analitycznej PAN
• Czasopismo: Chemia Analityczna
• Rocznik: 2006
• Tom: Vol. 51, No. 5
• Strony: 771--784
• Opis fizyczny: Bibliogr. 28 poz.

Twórcy

autor

Satyanarayana D.

autor

Kannan K.

autor

Manavalan R.

• Department of Pharmacy, Annamalai University, Annamalainagar, Tamil Nadu-608002, India,

Bibliografia

• 1.Goicoechea H.C. and Olivieri A.C., Talanta, 47,103 (1998).
• 2.Kargosha K, Sarrafi A.H., J. Pharm. Biomed. Anal., 26, 273 (2001).
• 3.Dine E. and Kanbur M., J. Pharm. Biomed. Anal., 28,779 (2002).
• 4.Ustundag O. and Dine E., Pharmazie, 58, 623 (2003).
• 5.Salem M.Y., El-Zanfaly E.S., El-Tarras M.F. and El-Bardicy M.G., Anal. Bioanal. Chem., 375, 211 (2003).
• 6.Rumelhart D.E., Hinton G.E. and Williams R.J., in: Distributed Parallel Processing: Explorations in the Microstructures of Cognition, Vol. 1., [Rumelhart D.E. and MacClelland J.L., Eds], MIT Press, Cambridge, MA, USA, 1986, p. 318.
• 7.Fausett L., Fundamentals of Neural Networks: Architectures, Algorithms and Applications, Printice-Hall, New Jersy 1994, p. 1.
• 8.Schalkoff R.J., Artificial Neural Networks, McGraw-Hill, New York 1997, p. 1.
• 9.Sathyanarayana D., Kannan K. and Manavalan R., Indian J. Pharm. Educ., 38, 123 (2004).
• 10.Sathyanarayana D., Kannan K. and Manavalan R., Indian J. Pharm. Educ., 39, 5 (2005).
• 11.Zupan J., Acta. Chim. Slov., 41, 327 (1994).
• 12.Zupan J., Novic M. and Ruisanchez I., Chemom. Intell. Lab. Syst., 38, 1 (1997).
• 13.Bourquin J., Schmidli H., Van Hoogevest R and Leuenberger H., Pharm. Dev. Technol2, 95 (1997).
• 14.Despagne F. and Massart D.L., Analyst (RSC), 123, 157R (1998).
• 15.Takayama K., Fujikawa M. and Nagai T., Pharm. Res., 16,1 (1999).
• 16.Zupan J. and Gasteiger J., Neural Networks in Chemistry and Drug Design, Wiley-VCH, New York 1999, p. 156.
• 17.Agatonovic-Kustrin S. and Beresford R., J. Pharm. Biomed. Anal., 22, 717 (2002).
• 18.Sathyanarayana D., Kannan K. and Manavalan R., Indian J. Pharm. Educ., 39, 62 (2005).
• 19.Cukrowska E., Cukrowski I. and Havel J., S. Afr. J. Chem., 53, 213 (2000).
• 20.Absalan G. and Soleimani M., Anal. Sci., 20, 879 (2004).
• 21.Sathyanarayana D., Kannan K. and Manavalan R., Indian J. Pharm. Sci., 66, 745 (2004).
• 22.Satyanarayana D., Kannan K. and Manavalan R., Acta Chim. Slov., 52, 138 (2005).
• 23.Yin C., Shen Y., Liu S., Yin Q., Guo W. and Pan Z., Comput. Chem., 25, 239 (2001).
• 24.Ni Y., Liu C. and Kokot S., Anal. Chim. Acta, 419, 185 (2000).
• 25.Hagan M.T. and Menhaj M.B., IEEE Trans. Neur. Networks, 5, 989 (1994).
• 26.Nguyen D. and Widrow B., in: Proceedings of the International Joint Conference on Neural Networks, San Diego, CA, 3, 21 (1990).
• 27.Brereton R.G., Analyst (RSC), 125, 2125 (2000).
• 28.Gemperline P.J., Long J.R. and Gregoriou V.G., Anal. Chem., 63, 2313 (1991).