Setting the equation of regression to determine the technological factors influence on the content of flavonoids in the extract

Ольга В’ячеславівна Кутова; Ріта Василівна Сагайдак-Нікітюк; Інна Вячеславівна Ковалевська; Наталія Володимирівна Демченко

doi:10.15587/2519-4852.2022.253547

Автор(и)

Ольга В’ячеславівна Кутова Національний фармацевтичний університет, Україна https://orcid.org/0000-0002-3761-2831
Ріта Василівна Сагайдак-Нікітюк Національний фармацевтичний університет, Україна http://orcid.org/0000-0002-9337-7741
Інна Вячеславівна Ковалевська Національний фармацевтичний університет, Україна https://orcid.org/0000-0001-5610-8334
Наталія Володимирівна Демченко Національний фармацевтичний університет, Україна https://orcid.org/0000-0001-5915-0087

DOI:

https://doi.org/10.15587/2519-4852.2022.253547

Ключові слова:

експериментальна обробка даних, множинна регресія кількісні фактори, ідентифікація, середньогеометрична функція

Анотація

Метою статті є встановлення рівняння регресії, яке визначає вплив технологічних факторів на вміст флавоноїдів у екстракті для подальшого використання при оптимізації технології отримання екстракту на основі каштана кінського. Завдання досліджень – ідентифікація математичної моделі для опису впливу технологічних параметрів екстракції на цільові показники якості досліджуваної лікарської форми, зокрема, на кількісний вміст флавоноїдів.

Матеріали і методи. Пропонований підхід засновано на математичній обробці експериментальних результатів, отриманих за планом 2³ з використанням засобів комп’ютерної програми Mathcad 14 і MS Excel. Для встановлення математичного опису проводили аналіз індивідуального впливу технологічних факторів на цільовий показник і визначали можливість формування середньогеометричної функції з використанням відповідних рівнянь лінійної регресії.

Результати. Вирішувалася спільне завдання ідентифікації, коли необхідно було розкрити як механізм впливу технологічних факторів на значення цільового показника, так і надати кількісну оцінку невідомих параметрів рівняння регресії. За результатами експериментальних спостережень встановлена адекватна математична модель у вигляді лінійного рівняння множинної регресії з взаємодією чинників.

Висновки. Отриманий математичний опис дозволяє аналізувати вплив технологічних чинників на кількісний вміст комплексу флавоноїдів в екстракті каштана кінського в діапазоні досліджуваного факторного простору, а також проводити оптимізацію технологічних параметрів екстракції

Біографії авторів

Ольга В’ячеславівна Кутова, Національний фармацевтичний університет

Кандидат технічних наук, доцент

Кафедра технології фармацевтичних препаратів

Ріта Василівна Сагайдак-Нікітюк, Національний фармацевтичний університет

Доктор фармацевтичних наук, професор

Кафедра менеджменту та публічного адміністрування

Інна Вячеславівна Ковалевська, Національний фармацевтичний університет

Доктор фармацевтичних наук, доцент

Кафедра заводської технології ліків

Наталія Володимирівна Демченко, Національний фармацевтичний університет

Кандидат економічних наук, доцент

Кафедра організації та економіки фармації

Посилання

Kenny, H. A., Hart, P. C., Kordylewicz, K., Lal, M., Shen, M., Kara, B. et.al. (2021). The Natural Product β-Escin Targets Cancer and Stromal Cells of the Tumor Microenvironment to Inhibit Ovarian Cancer Metastasis. Cancers, 13 (16), 3931. doi: http://doi.org/10.3390/cancers13163931
Orhurhu, V., Chu, R., Xie, K., Kamanyi, G. N., Salisu, B., Salisu-Orhurhu, M. et. al. (2021). Management of Lower Extremity Pain from Chronic Venous Insufficiency: A Comprehensive Review. Cardiology and Therapy, 10 (1), 111–140. doi: http://doi.org/10.1007/s40119-021-00213-x
Waltenberger, B., Mocan, A., Šmejkal, K., Heiss, E., Atanasov, A. (2016). Natural Products to Counteract the Epidemic of Cardiovascular and Metabolic Disorders. Molecules, 21 (6), 807. doi: https://doi.org/10.3390/molecules21060807
Smyth, R. M., Aflaifel, N., Bamigboye, A. A. (2015). Interventions for varicose veins and leg oedema in pregnancy. Cochrane Database of Systematic Reviews. doi: http://doi.org/10.1002/14651858.cd001066.pub3
Yamuna, M., Elakkiya, A. (2017). Mathematical Models in Drug Discovery, Development and Treatment of Various Diseases-A Case Study. Research Journal of Pharmacy and Technology, 10 (12), 4397–4401. doi: https://doi.org/10.5958/0974-360x.2017.00810.1
Fytopoulos, A., Ramachandran, R., Pardalos, P. M. (Eds.) (2022). Optimization of Pharmaceutical Processes. Springer International Publishing, VII, 435.
Rothlauf, F. (2011). Optimization Methods. Design of Modern Heuristics, 45–102. doi: http://doi.org/10.1007/978-3-540-72962-4_3
Stute, W., Thies, S., Zhu, L.-X. (1998). Model checks for regression: an innovation process approach. The Annals of Statistics, 26 (5), 1916–1934. doi: https://doi.org/10.1214/aos/1024691363
Hroshovyi, T. A., Martseniuk, V. P., Kucherenko, L. Y., Vronska, L. V., Hyrieieva, S. M. (2008). Matematychne planuvannia eksperymentu pry provedenyy naukovykh doslidzhen v farmatsii. Ternopil: Ukrmedknyha, 377.
Draguljic D., Dean A., Voss D. Design and Analysis of Experiments. 2-е ed. Springer International Publishing AG, 2017. 840 р. doi.org/10.1007/978-3-319-52250-0
Dean, A., Voss, D., Draguljić, D. (2017). Design and Analysis of Experiments. Springer Texts in Statistics, 840. doi: http://doi.org/10.1007/978-3-319-52250-0
Cherneva, K., Furrer, R., Tarigan, B. (2021). SampleSizeR: calculate sample sizes within completely randomized design. Available at: http://shiny.math.uzh.ch/git/reinhard.furrer/SampleSizeR/
Lawson, J. (2018). Design and Analysis of Experiments with R. CRC Press. Chapman and Hall/CRC, 620.
Lazic, S. E. (2016). Experimental Design for Laboratorist Biologists. 1-е ed. Cambridge University Press, 412.
Ferreira, A. P., Tobyn, M. (2014). Multivariate analysis in the pharmaceutical industry: enabling process understanding and improvement in the PAT and QbD era. Pharmaceutical Development and Technology, 20(5), 513–527. doi: https://doi.org/10.3109/10837450.2014.898656
Alexopoulos, E. C. (2010). Introduction to Multivariate Regression Analysis, 14 (Suppl 1), 23–28.
Zhuravskii, A. A., Zelenskii, A. I., Sinyaeva, A. V., Kutovaya, O. V. (2018). Novyi metod statisticheskoi obrabotki rezul'tatov nauchnyh issledovanii. Naukovo-praktychni zasady zaghaljno-inzhenernoji pidghotovky fakhivciv farmaciji: materialy I Mizhnar. nauk.-prakt. internet-konf. Kharkiv: NPhU, 96–101.
Ruban, Е. A, Kutsenko, S. A., Kovalevskaya, I. V., Kutova, O. V. (2014). Optimizatsiya parametrov ekstragirovaniya lekarstvennogo rastitel'nogo syr'ya dlya polucheniya slozhnoy nastoyki «Venoton». Vestnik farmatsii. Belorussiya, 2, 37–41.
Brent, M. (2009). Essential Mathcad for engineering, science, and math ISE. 2nd ed. Amsterdam: Elsevier; Burlington, MA: Academic Press, 501.
Carter Hill, R., Genevieve, B. (2018). Using Excel for Principles of Econometrics, 5th Ed.
Kutovaya, O., Kovalevska, I., Sahaidak-Nikitiuk, R. (2021). Determination of regression equations based on the generalized separate influence of factors in pharmaceutical research. Norwegian Journal of development of the International Science, 57 (1), 39–43.