Hidrostatiskais augstspiediens - potenciāla metode hidrogelā bāzētu zāļu piegādes sistēmu sterilizācijai.

Abstract

Izstrādājot hidrogēla bāzes biomateriālus un zāļu piegādes sistēmas, ir svarīgi izmantot progresīvas sterilizācijas metodes. Hidrostatiskā augstspiediena sterilizācija ir laba alternatīva tradicionālajām sterilizācijas metodēm, kā piemēram, termiskā vai tvaika apstrāde, gamma starojums un apstrāde ar ķīmiskām vielām. Augstspiediena sterilizācijas parametru optimizācijai ir nepieciešama visaptveroša pieeja, ņemot vērā spiediena, laika un ciklu parametrus. Pētījuma mērķis ir novērtēt augstspiediena sterilizācijas parametrus un to mijiedarbību, izmantojot mašīnmācīšanās algoritmus, ar mērķi uzlabot procesa efektivitāti un produktivitāti, samazinot resursu izmantošanu. Apvienojot mašīnmācīšanās algoritmus ar sekojošiem eksperimentiem, šajā pētījumā tika noteikti optimāli sterilizācijas parametri, kurus varēs izmantot turpmākiem pētījumiem uz hidrogēlā bāzētām zāļu piegādes sistēmām. Pielietotā pieeja ne tikai optimizēja eksperimentālo procesu, bet arī nodrošināja sterilizācijas parametru identificēšanu, kas palielina procesa efektivitāti, vienlaikus samazinot resursu patēriņu. Ar mašīnmācīšanās algoritmu un eksperimentu plānošanas pieeju tika noteikts, ka, izmantojot 200 MPa lielu spiedienu ar 3-4 cikliem un 10 minūšu spiediena turēšanu, var panākt pilnīgu baktēriju deaktivāciju. Tas pierāda pētījumā izmantotās stratēģijas potenciālu vairāku parametru procesu optimizēšanā, sniedzot uzticamus un efektīvus rezultātus.

In the development of hydrogel-based biomaterials and drug delivery systems, using advanced sterilization techniques is crucial. High Hydrostatic Pressure (HHP) stands as a potent alternative to traditional sterilization methods, including high-temperature thermal processing, steam-based methods, gamma irradiation, and chemical agents. The optimization of HHP parameters requires a comprehensive approach, considering pressure, time, and the number of pressure cycles. This study aims to evaluate HHP sterilization parameters (pressure, time, cycle oscillation, volume) and their interaction by integrating Machine Learning methods, with the goal of enhancing process efficiency and reducing resource utilization. By combining machine learning with experimental methods, this study identified optimal sterilization parameters (pressure, time, cycle oscillation) for future research in hydrogel-based drug delivery systems. The applied approach not only streamlined the experimental process but also ensured the identification of HHP settings that maximize effectiveness while minimizing resource consumption. In conclusion, our experiment and Machine Learning approach have demonstrated that a pressure of 200 MPa, 3-4 cycles and 10 minutes of pressure holding can achieve successful microbiological deactivation. Consequently, this indicates that our proposed strategy holds the potential to optimize multi-parameter processes, delivering reliable and efficient results.