中药新药过程控制与放大模块技能

技能定位

本技能是中药新药生产全过程质量控制与工艺放大的核心工具模块，覆盖四个功能域：

工作模式：本技能以"脚本计算引擎 + 方法学参考 + 申报资料模板"三位一体工作。所有数值计算通过 scripts/ 下的确定性脚本完成（与Minitab/JMP/SIMCA交叉验证一致），方法学与法规依据查 references/，报告输出按申报资料规范组织。

法规与指导原则依据

详细条款、引用原文要点及申报资料映射见 references/regulatory-basis.md。

使用流程（总路由）

1. 识别需求：从用户描述中判定所属模块（SPC / MSPC / 放大 / 量值传递），可多模块并行。
2. 收集数据：确认数据格式（时间序列CSV / 批次Excel / NIR光谱CSV-ASCII），检查批次信息完整性（批号、工序、日期、操作者），按ALCOA+要求核对。
3. 执行计算：调用对应脚本（见各模块"脚本调用"节），脚本生成：
   - 完整计算结果（控制限、能力指数、T²/SPE、转移率等）
   - 计算日志（calc_log_<任务>.json，含数据指纹、参数、公式、版本，满足ALCOA+）
   - 图表（控制图PNG/HTML、批次轨迹图、贡献图、NIR模型图、量值传递流程图）
4. 解读与报告：结合 references/ 方法学对结果解读，按"输出要求"节组织报告。
5. 申报对接：标注数据来源与批次信息，按申报资料章节结构输出。

模块一：统计过程控制（SPC）

1.1 控制图选择指南

控制限计算规则（与Minitab一致）：
- X̄-R图：CL=X̄̄，UCL=X̄̄+A₂R̄，LCL=X̄̄−A₂R̄；R图：CL=R̄，UCL=D₄R̄，LCL=D₃R̄
- X̄-s图：用A₃、B₃、B₄常数
- I-MR图：X图 CL=X̄，UCL=X̄+E₂·MR̄（或3σ）；MR图 UCL=D₄·MR̄（n=2时D₄=3.267，LCL=0）
- EWMA：CL=μ₀，UCL/LCL=μ₀±L·σ·√(λ/(2−λ)·(1−(1−λ)^(2t)))，稳态限取 t→∞ 即 √(λ/(2−λ))
- Tabular CUSUM：C⁺=max(0, x−(μ₀+k)+C⁺₋₁)，C⁻=max(0, (μ₀−k)−x+C⁻₋₁)，超限h判失控

1.2 判异规则（Nelson Rules / Western Electric Rules）

> 中药生产常用R1+R2+R3组合；判异后需区分"可归属原因"与"随机波动"，不得仅凭控制图下结论。

1.3 过程能力分析

• 规格限已知时计算 Cp、Cpk；无规格限时仅计算 Pp、Ppk（用样本σ估算）
• Cp=(USL−LSL)/(6σ)；Cpk=min((USL−μ)/(3σ), (μ−LSL)/(3σ))
• 长期/短期σ选择：组内σ（R̄/d₂ 或 s̄/c₄）用于Cp系列；总体σ用于Pp系列
• PPM = (1−Φ((USL−μ)/σ)+Φ((LSL−μ)/σ))×10⁶（正态假设）
• 能力等级评价：Cpk≥1.67为A级（优，可适当放宽检验）；1.33≤Cpk<1.67为B级（良，状态稳定）；1.0≤Cpk<1.33为C级（一般，需加强监控）；Cpk<1.0为D级（不足，须改进工艺）
• 中药品种建议目标 Cpk≥1.33；对贵细药材或关键质量属性（如指标成分含量）应设定更严目标并论证

1.4 批次一致性评价

• 多批次CQA统计汇总：均值、SD、RSD%、范围、95%CI
• 方差分析（单因素ANOVA）：检验批次间差异显著性，前提：正态性（Shapiro-Wilk）+ 方差齐性（Levene/Bartlett）
• 等价性检验（TOST）：对"批间差异是否落在等价区间±Δ内"做假设检验，Δ通常取参比批均值的±10%（或按品种合理设定），报告90%CI与结论
• 参考：中药口服制剂应保障产品质量批间稳定、批内均一

1.5 脚本调用

python3 scripts/spc_charts.py --input 数据.csv --col 指标 --type xbar-r --subgroup 批号 --outdir ./out
python3 scripts/capability.py --input 数据.csv --col 指标 --usl 0.55 --lsl 0.35 --outdir ./out
python3 scripts/batch_consistency.py --input 批次数据.csv --col 指标 --batch 批号 --eq_delta 10 --outdir ./out

• spc_charts.py 支持 --type xbar-r | xbar-s | imr | ewma | cusum，自动输出控制限、判异结果、失控点清单与控制图PNG
• 控制图常数表（A₂/A₃/D₃/D₄/d₂/c₄/E₂）内置，与ASTM/Minitab常数表一致
• 详细公式、常数表、判异规则实现细节与Minitab对照说明见 references/spc-methods.md

模块二：多变量统计过程控制（MSPC）

2.1 批次演化模型（BEM）

• 将历史正常批次按时间变量展开成矩阵 X(I×J×K)，I批、J变量、K时间点，逐时间点建立PCA模型（或MPCA）
• 每个时间点计算 Hotelling T²（得分向量马氏距离，监控均值漂移）与 SPE/Q统计量（残差平方和，监控相关结构破坏）
• 输出：批次演化轨迹图（T²/SPE随时间的控制限走廊）、实时批次偏离度
• 控制限：T²用 F 分布近似（或χ²近似），SPE用 Jackson-Mudholkar 近似

2.2 批次水平模型（BLM）

• 对整批次多变量数据（变量=各时间点的观测或汇总统计量）建立PCA模型
• 新批次计算整体 T² 与 SPE，超限即判异常
• 贡献图（Contribution Plot）：计算各变量对T²/SPE超限的贡献量，排序识别异常源变量
• 输出：批次得分散点图（正常批次置信椭圆）、贡献图、异常变量清单

2.3 NIR近红外在线检测建模

• 预处理：Savitzky-Golay平滑（窗口+多项式阶数）、一阶/二阶导数、多元散射校正（MSC）、标准正态变量变换（SNV）、均值中心化
• 定量模型（PLSR）：NIPALS算法实现，交叉验证选主成分数（RMSECV最小化），评价指标 R²、RMSEC、RMSEP、RPD
• 定性模型（PCA/SIMCA）：类别PCA建模，新样本以 T²/SPE 是否落入类别置信域判归属；报告两类错误率（灵敏度/特异度）
• 模型更新与维护：支持增量更新（添加新批次重训）、模型漂移监测（预测残差控制图）
• 模型评价标准：RPD>3可接受（>5优）；RMSEP与参比方法精密度相当；SIMCA模型误判率<5%

2.4 脚本调用

python3 scripts/mspc.py --mode bem --data 批次演化.csv --batches 批号 --time 时间点 --outdir ./out
python3 scripts/mspc.py --mode blm --data 批次数据.csv --batches 批号 --outdir ./out
python3 scripts/nir_model.py --mode plsr --spectra nir.csv --y 含量.csv --preprocess sg1 --outdir ./out
python3 scripts/nir_model.py --mode simca --spectra nir.csv --labels 类别.csv --preprocess snv --outdir ./out

• mspc.py：BEM（逐时间点PCA）与BLM（批次水平PCA）共用核心，T²/SPE控制限、贡献图自动生成
• nir_model.py：内置S-G平滑、一阶/二阶导数（S-G导数法）、MSC、SNV四种预处理；PLSR（NIPALS）与PCA/SIMCA；输出模型系数、预测值与评价指标
• 与SIMCA/Unscrambler交叉验证要点：PCA载荷符号可能相反（±翻转）属正常，比较R²/RMSEP与得分图形态；详见 references/mspc-methods.md

模块三：工艺放大计算

3.1 方法体系

3.2 关键准则数与放大规则

• 搅拌功率：P=Np·ρ·n³·d⁵；恒P/V放大：n₂=n₁·(d₁/d₂)^(2/3)；恒叶端速度放大：n₂=n₁·(d₁/d₂)
• 雷诺数：Re=ρ·n·d²/μ，Re>10⁴为湍流区
• 混合时间：θ_m∝(1/n)·(d/D)⁻²·(Re/Re_c)⁻ᵅ，放大后混合时间显著增加——中药提取罐放大需重点评估混合均匀性
• 传热：总传热系数U与换热面积A的匹配（单位体积换热面积随规模增大而减小），评估升温/降温能力
• 放大因子（Scale-up Factor）：SF=V₂/V₁（体积比）、SF_P=P₂/P₁（功率比）、SF_d=d₂/d₁（尺寸比），输出各关键参数对应值
• 几何相似：H/D、d/D、H_i/D、挡板比例在放大中保持（几何相似是量纲分析放大的前提，不满足时须修正）

3.3 放大效应评估

• 对比不同规模下CQA差异（含量、转移率、粒度、均一性等）
• 统计检验：t检验（两规模）/单因素ANOVA（多规模）+ 效应量（Cohen's d）
• 风险评估：按放大后CQA偏离程度×对质量影响程度打分，输出风险矩阵与缓解措施
• 放大批次必须覆盖工艺参数范围的极值（ref 28）

3.4 脚本调用

python3 scripts/scaleup.py --scale 小试:10L,中试:100L,生产:1000L --params "n_rpm=300,d_mm=100" --rule pv-const --outdir ./out
python3 scripts/scaleup.py --eval --data 多规模数据.csv --col 含量 --scale 规模列 --outdir ./out

• 输出：放大因子表、各规模参数对应值、参数映射表（Markdown/Excel）、放大效应评估报告
• 支持准则：恒P/V、恒叶端速度、恒Re、恒混合时间、恒单位体积换热面积
• 详细公式推导、相似性准则适用范围、常见放大陷阱（混合时间放大、传热面积不足、气泡/固液悬浮变化）见 references/scaleup-methods.md

模块四：量值传递分析

4.1 转移率计算

• 转移率（%）=（后工序量/前工序量）×100%，量可以是含量总量（含量×重量）或重量
• 多成分同时计算：每成分独立计算转移率，输出矩阵（成分×工序）
• 多批次统计汇总：均值、SD、RSD%、范围（min~max）、95%CI
• 批间波动分析：RSD%>10%提示工艺不稳定，需结合SOP偏差与均一化策略分析

4.2 出膏率分析

• 出膏率（%）=（干膏量/药材投料量）×100%
• 多批次统计：均值、SD、RSD%、均值±3SD范围或百分位数法（P5~P95）
• "涨膏"预警：单批出膏率超出均值±3SD（或预设限度）时触发——出膏率异常升高通常提示提取过度/药材变异，影响制剂规格与含量；需按《中药均一化研究技术指导原则》评估

4.3 物料平衡核算

• 物料平衡率（%）=（产出总量/投入总量）×100%，要求一般95%~105%
• 投入：药材/饮片、溶剂、辅料等；产出：干膏/浸膏、回收溶剂、损耗等
• 自动标识不平衡工序（<95%或>105%），提示核查方向（挥发损失、取样量、计量误差、记录错误）
• 每工序单独核算，形成工序物料平衡表

4.4 量值传递规律分析

• 构建药材→饮片→中间体（浸膏/干膏）→制剂全链条传递链
• 每环节计算成分保留率、转移率，绘制量值传递流程图（工序节点+传递率标注）
• 分析传递效率差异成因：工艺环节损失（煎煮挥发、过滤截留、浓缩损失）、药材基源变异
• 评价标准（配方颗粒）：量值传递应具有相关性、合理性和可行性——含量传递趋势与理论一致、损失在工艺合理性范围内、各批次可重现
• 若关键成分转移率过低或波动大，提出工艺改进建议（如提取时间/温度、浓缩方式、醇沉浓度优化）

4.5 脚本调用

python3 scripts/mass_transfer.py --mode transfer --data 工序数据.csv --component 成分列 --outdir ./out
python3 scripts/mass_transfer.py --mode yield --data 批次数据.csv --extract 干膏量 --input 投料量 --outdir ./out
python3 scripts/mass_transfer.py --mode balance --data 物料数据.csv --outdir ./out
python3 scripts/mass_transfer.py --mode chain --data 全链条数据.csv --outdir ./out

• --mode chain 自动生成量值传递流程图（matplotlib PNG + HTML）
• 详见 references/mass-transfer-methods.md

数据输入规范

规范：
- CSV使用UTF-8，表头英文或中文均可（脚本支持 --col 指定列名，列名含空格/中文时加引号）
- Excel批号列建议格式"YYYYMMDD-批次号"，时间列ISO 8601
- 数据完整性（ALCOA+）：Attributable（可归属）、Legible（清晰）、Contemporaneous（同步）、Original（原始）、Accurate（准确）+ Complete/Consistent/Enduring/Available。脚本自动生成含数据指纹（SHA-256）、参数、公式、环境版本的计算日志，供审计追溯

输出要求

1. 控制图：包含样本量、控制限（UCL/CL/LCL）、判异规则编号与失控点清单
2. 工艺放大：提供完整计算过程、假设条件、放大规则选择依据
3. 量值传递：以表格+流程图呈现（脚本输出Markdown表格与PNG/HTML流程图）
4. 所有分析附数据来源与批次信息（批号清单、数据文件、时间范围）
5. 输出组织为申报资料可用格式：每个分析输出Markdown报告（含计算日志链接）+ 图表 + 结论

质量保证

• 与Minitab/JMP一致性：控制限、能力指数、判异结果采用标准公式与ASTM常数表，脚本内置自测用例（scripts/run_all.py --selftest）验证输出与教科书经典数据一致（如ASTM E2587示例）
• 与SIMCA/Unscrambler交叉验证：PCA载荷±符号翻转属正常，比较R²/RMSEP/得分图形态；脚本输出载荷/得分供外部软件导入比对
• 完整计算日志：每次运行生成 calc_log_*.json，记录输入数据指纹、参数、公式、中间量、软件版本
• 所有输出标注数据来源、批次信息、分析日期与版本号

与其他技能边界

参考文件索引