目的：对地平类药物的药物基质N-亚硝胺杂质（nitrosamine drug substance-related impurities,NDSRI）进行研究。方法：以14种地平类原料药为原料，通过2种不同的亚硝化反应验证是否能够生成对应的原料药NDSRI，使用中控设备LC-MS进行...
详细信息
目的：对地平类药物的药物基质N-亚硝胺杂质（nitrosamine drug substance-related impurities,NDSRI）进行研究。方法：以14种地平类原料药为原料，通过2种不同的亚硝化反应验证是否能够生成对应的原料药NDSRI，使用中控设备LC-MS进行反应追踪。结果：LC-MS对反应进行监控，全部地平类原料药均未生成NDSRI，在方法一条件下几乎所有地平类原料未发生降解，在方法二中大部分原料转化为对应的芳构化氧化杂质。方法二中的部分原料药如阿折地平、巴尼地平、尼卡地平、西尼地平发生了不同程度的降解，经过对这些降解杂质分离和结构确证，确定为其他NDSRI（非NDSRI）。结论：本文研究的14种地平类原料药在亚硝化环境中均无法产生NDSRI杂质，个别品种发生降解后再经过亚硝化反应产生非NDSRI，因此在进行相关研究时应重视非NDSRI杂质的研究。
现实场景下拍摄的视频由于存在各种未知失真类型、缺少参考视频，对此类视频的质量评价是一个十分具有挑战性的任务。近年来，研究人员将人类视觉系统的先验知识融合在质量评价任务中。在此基础上，提出一种考虑背景失真的无参考视频质量评价方法。该方法在考虑视频内容的同时，显著增强了对视频背景中信息丢失问题的敏感度，在特征提取阶段充分考虑背景特征的提取；随后，通过引入结合门控机制的通道挖掘技术，高效整合高低维特征，使特征通道更加精准地聚焦于背景失真细节；最终，利用时序建模模块构建特征的时间维度模型，并通过线性回归方法生成视频质量的客观量化评分。使用SROCC（spearman rank order correlation coefficient）、PLCC（pearson linear correlation coefficient）和RMSE（root mean squared error）等评价指标在公开数据集KoNViD-1k、LIVE-Qualcomm和CVD2014开展实验，结果表明该方法不仅与人类主观感知具有高度相关性，且预测误差较小，有效提升了视频质量评估的准确性和可靠性，能够更贴近地模拟人类对视频质量的直观评价。
暂无评论