Einführung und Hintergrund

Fulvestrant oder Faslodex ist ein Medikament zur Heilung von Hormon-Rezeptor-positiven (HR+) metastasiertem Brustkrebs bei postmenopausalen Frauen mit Krankheitsprogression. Es gehört zur Gruppe der selektiven Östrogenrezeptor-Downregulatoren (Selective Estrogen Receptor Downregulators, SERD) und wird oft als geeigneter Ersatz für Tamoxifen angesehen. Es funktioniert, indem es an den Östrogenrezeptor bindet und ihn destabilisiert, was den Abbau durch den normalen Proteinabbaumechanismus der Zelle fördert. Für die Gehalts- und Reinheitsbestimmung von Fulvestrant in reiner und pharmazeutischer Dosierungsform gab es bisher keine HPLC (High Performance Liquid Chromatography)- oder LSV (Linear Sweep Voltammetry)-Methoden. In diesem Beitrag möchten wir auf solche Methoden hinweisen, die von Atila et al. entwickelt wurden, mit Fokus auf ihre Vorteile und die angewandte Methodenvalidierung.

Einleitung und Hintergrund

Jede Medikamentenentwicklung beginnt mit der Identifizierung eines Moleküls, das das Potenzial hat, Krankheiten zu bekämpfen, zu kontrollieren, zu verhindern oder zu heilen. Während der Identifizierung solcher Verbindungen sind verschiedene analytische Verfahren von Bedeutung. So ist es obligatorisch, dass das Molekül frei von unerwünschten Verunreinigungen ist, es die richtige Konzentration aufweist und seine Identität sowie Wirksamkeit verifiziert werden kann. Aus diesen Gründen kommt eine Vielzahl analytischer Methoden zum Einsatz.

Im ersten Teil dieses Blogartikels haben wir die RSS kennengelernt und begonnen, uns dem Einfluss der Einzelwerte zu nähern. Daran schließt dieser Teil an.

Hat Values und Cooks Distance – was beeinflusst die lineare Regression tatsächlich?

Der Einfluss eines einzelnen Datenpunktes lässt sich erst damit bestimmen, wenn man untersucht, ob das Entfernen des Datenpunktes die Regressionsgerade stark verschieben würde. Es ist durchaus möglich, dass Datenpunkte mit großem Anteil der RSS die Regressionsgerade kaum verschieben würden, wenn sie entfernt würden. Dies ist abhängig davon, in welcher Entfernung sich der Datenpunkt zu dem Rest aller anderen Datenpunkte befindet. Folgende Grafik zeigt den jeweiligen Einfluss der Datenpunkte auf die Regressionsgerade, würde man diese entfernen:

Jeder kennt diese Situation aus der eigenen, alltäglichen Arbeit: Es sind manchmal die kleinen Dinge, die einen großen Einfluss auf das Ergebnis unserer Arbeit haben können. Manchmal gewinnen unscheinbare Faktoren auf einmal an Bedeutung, wenn ihnen die entsprechende Aufmerksamkeit geschenkt wird – oder geschenkt werden muss. Einer dieser unscheinbaren Faktoren kann gerade bei der analytischen Methodenvalidierung eine große Rolle spielen.