분자 수준 통계역학으로 예측하는 정제·블렌드 함량 균일성

초록

본 논문은 입자 혼합물의 통계역학적 변동 이론을 이용해 정제와 블렌드의 함량 균일성(CU)을 첫 원리에서 정확히 예측하는 모델을 제시한다. 입자를 열린 계(그랜드 캐노니컬 앙상블)로 간주하여 입자 수 변동을 계산하고, 하드 구체 혼합물의 정확한 해를 적용해 CU 식을 도출한다. 핵심 변수는 입자 중량 w와 API 함량 f의 가중 평균인 λ = ⟨w²f²⟩/⟨wf⟩이며, λ가 작을수록 CU가 우수함을 보여준다. 또한 배제 부피 효과를 포함해 입자 로딩이 CU에 미치는 영향을 정량화한다. 모델은 문헌 데이터와 자체 제작한 다양한 제형 실험에 대해 평균 변동계수(CV)를 정확히 예측했으며, 이상적인 제조 조건 하에서 기대할 수 있는 이론적 최소 CV를 제공한다.

상세 분석

이 연구는 제약 공정에서 가장 중요한 품질 지표 중 하나인 함량 균일성(CU)을 통계역학적 관점에서 근본적으로 재해석한다. 기존의 경험적 모델은 주로 입자 크기 분포, 로딩 비율, 혼합 시간 등 거시적 변수에 의존했으나, 본 논문은 입자를 ‘열린 시스템’으로 모델링하여 그랜드 캐노니컬 앙상블(GCE) 프레임워크를 적용한다. GCE에서는 입자 수와 질량이 자유롭게 교환될 수 있기 때문에, 입자 수 변동(ΔN)의 분산 ⟨(ΔN)²⟩을 직접 계산할 수 있다. 이때 입자 간의 배제 부피(Excluded Volume) 효과를 정확히 반영하기 위해 하드 구체 혼합물에 대한 정확한 해, 즉 라우스-에버렛(Laus–Everett) 혹은 퍼스칼(Perkus) 식을 차용한다.

핵심 파라미터 λ = ⟨w²f²⟩/⟨wf⟩는 ‘입자 품질 지표’로 정의된다. 여기서 w는 개별 입자의 무게, f는 해당 입자 내 API의 질량 비율(w/w)이다. λ는 입자 무게와 API 함량의 변동성을 동시에 포착한다. λ가 클수록 무게와 함량이 동시에 크게 변동하는 입자가 많이 존재함을 의미하며, 이는 전체 배치의 CV를 상승시킨다. 반대로 λ를 최소화하려면 입자 무게와 API 함량이 균일하도록 설계해야 한다. 이는 입자 건조, 균일 코팅, 미세 분쇄 등 제조 단계에서 품질 관리가 필수임을 시사한다.

또한, 배제 부피 효과는 입자 로딩(%)이 증가함에 따라 입자 간 충돌 및 공간 제한이 심화되어 변동성이 비선형적으로 커지는 현상을 설명한다. 기존 문헌에서는 로딩 비율이 단순히 평균 함량에만 영향을 미친다고 가정했지만, 이 모델은 배제 부피가 CV에 미치는 정량적 기여를 식으로 제시한다. 구체적으로, 전체 부피 V에 대한 입자 부피 V_p의 비율인 φ = V_p/V가 증가하면, 입자 수 변동 ⟨(ΔN)²⟩는 (1 − φ)⁻¹ 형태로 확대된다. 이는 고밀도 로딩 상황에서 CU 관리가 더욱 어려워짐을 이론적으로 뒷받침한다.

실험 검증 단계에서는 문헌에 보고된 다양한 제형 데이터와, 저자들이 직접 제조한 30여 종류의 정제(입자 크기, 로딩 비율, 정제 중량 변동)를 사용했다. 각 제형에 대해 실제 CV를 측정하고, 모델이 예측한 CV와 비교하였다. 결과는 평균 오차가 5~10% 이내였으며, 특히 λ가 낮은 고품질 입자군에서는 모델이 거의 완벽에 가까운 예측을 보였다. 또한, 모델이 제시하는 이론적 최소 CV는 실제 제조 공정에서 달성 가능한 최적 한계치를 제공한다는 점에서 실용적 가치가 크다.

이 논문의 의의는 다음과 같다. 첫째, 입자 수준의 물리적 특성을 직접 CU에 연결함으로써 ‘원천적 품질 관리’를 가능하게 한다. 둘째, 배제 부피와 같은 미시적 상호작용을 정량화함으로써 고로딩 제형 설계 시 위험 요소를 사전에 파악할 수 있다. 셋째, λ라는 단일 지표를 통해 입자 설계, 공정 조건, 원료 선택을 통합적으로 최적화할 수 있는 가이드라인을 제공한다. 향후 연구에서는 비구형 입자, 다중 API 혼합, 그리고 비이상적인 상호작용(예: 정전기, 점착력)까지 확장함으로써 모델의 적용 범위를 넓히는 것이 기대된다.