Back to Skills

validate-analytical-method

pjt222
Updated 2 days ago
7 views
17
2
17
View on GitHub
Metageneral

About

This skill validates analytical methods like HPLC or GC for pharmaceuticals according to ICH Q2(R1) guidelines. It helps developers determine specificity, linearity, accuracy, precision, detection limits, and robustness. Use it when creating validation plans, developing regulatory strategies, or transferring methods between labs.

Quick Install

Claude Code

Recommended
Primary
npx skills add pjt222/agent-almanac -a claude-code
Plugin CommandAlternative
/plugin add https://github.com/pjt222/agent-almanac
Git CloneAlternative
git clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/validate-analytical-method

Copy and paste this command in Claude Code to install this skill

Documentation


name: validate-analytical-method locale: de source_locale: en source_commit: 6f65f316 translator: claude-sonnet-4-6 translation_date: 2026-03-16 description: > Validiere analytische Methoden nach ICH Q2(R1)-Richtlinien durch Bestimmung von Spezifitaet, Linearitaet, Richtigkeit, Praezision, Nachweis- und Bestimmungsgrenze sowie Robustheit. Verwende diesen Skill bei der Validierung einer HPLC- oder GC-Methode fuer Arzneimittel, bei der Entwicklung einer Validierungsstrategie nach regulatorischen Anforderungen, beim Erstellen eines Validierungsplans fuer pharmazeutische Qualitaetskontrolle oder bei der Ueberleitung einer validierten Methode in ein anderes Labor. license: MIT allowed-tools: Read Grep Glob WebFetch WebSearch metadata: author: Philipp Thoss version: "1.0" domain: chromatography complexity: advanced language: natural tags: chromatography, validation, ICH, accuracy, precision, linearity

Analytische Methode validieren

Validiere eine analytische Methode systematisch nach ICH Q2(R1) durch Nachweis aller relevanten Validierungsparameter: Spezifitaet, Linearitaet, Richtigkeit, Praezision (Wiederholbarkeit und Zwischenpraezision), Nachweisgrenze, Bestimmungsgrenze und Robustheit.

Wann verwenden

  • Validierung einer neuen HPLC- oder GC-Methode fuer Arzneimittelanalyse
  • Entwicklung einer Validierungsstrategie nach ICH Q2(R1), EMA oder FDA-Anforderungen
  • Methodentransfer zwischen Laboren (muessen Validierungsparameter verifiziert werden)
  • Erweiterung einer validierten Methode auf neue Matrizen oder Konzentrationsbereiche
  • Dokumentation der Methodenleistung fuer regulatorische Einreichungen

Eingaben

  • Erforderlich: Methodenbeschreibung (Saeule, Eluent, Detektion, Probenvorbereitung)
  • Erforderlich: Analyt und Matrix (pharmazeutische Form, biologisches Material, Umweltmatrix)
  • Erforderlich: Art der Methode (Gehaltsbestimmung, Verunreinigungsbestimmung, Identifizierung)
  • Optional: Regulatorische Anforderungen (ICH, USP, Ph. Eur., FDA-Richtlinie)
  • Optional: Zielspezifikationen aus entwickelter Methode

Vorgehensweise

Schritt 1: Validierungsplan erstellen

Lege Umfang und Strategie der Validierung fest:

  1. Validierungsparameter nach Methodentyp:
ParameterIdentifizierungGehaltsbestimmungVerunreinigungen
SpezifitaetJaJaJa
LinearitaetNeinJaJa
RichtigkeitNeinJaJa
WiederholbarkeitNeinJaJa
ZwischenpraezisionNeinJaJa
LODNeinNeinJa
LOQNeinNeinJa
RobustheitNeinJaJa
  1. Standardmengen planen: Wieviele Standardloesungen pro Konzentration; wieviele Replikate.
  2. Probenplanung: Welche Matrices? Welche Konzentrationsbereiche?
  3. Akzeptanzkriterien festlegen: Was muss jeder Parameter erreichen um die Validierung zu bestehen?
## Validierungsplan
- Methode: [Bezeichnung]
- Analyt: [Name, CAS-Nr.]
- Matrix: [Art der Probe]
- Regulatorische Basis: [ICH Q2(R1)/USP/andere]
- Geplante Konzentrationsbereiche: [min - max mg/L oder %]

Erwartet: Vollstaendiger Validierungsplan mit allen Parametern und Akzeptanzkriterien vor Beginn der experimentellen Arbeit.

Bei Fehler: Falls Akzeptanzkriterien unklar, konsultiere ICH Q2(R1) und interne SOPs; definiere Kriterien vor Beginn des Experiments.

Schritt 2: Spezifitaet und Systemeignung pruefen

Zeige, dass die Methode selektiv fuer den Analyten ist:

  1. Placebotests: Messe die leere Matrix (Placebo ohne Wirkstoff) und pruefe ob signifikante Interferierende vorhanden sind.
  2. Bekannte Verunreinigungen: Injiziere Loesung mit bekannten Verunreinigungen; zeige, dass diese von Wirkstoffpeak getrennt sind (Rs >= 2,0).
  3. Stresstest-Proben (Stabilitaetspruefung): Saeure/Lauge/Hitze/Licht-degradierte Proben; zeige dass Degradationsprodukte separiert sind.
  4. Systemeignungsparameter (vor jeder Messreihe):
    • Aufloesung (Rs): >= 2,0 fuer kritische Peakpaare
    • Tailing-Faktor: 0,8-1,5
    • Bodenzahl (N): >= [Spezifikationswert]
    • Retentionszeit-RSD: < 1%
## Spezifitaetstest
| Test | Bedingung | Ergebnis | Akzeptiert? |
|------|-----------|----------|-------------|
| Placebo | Matrix ohne Analyt | kein Peak bei tR | Ja/Nein |
| Verunreinigung X | [conc] | Rs = [wert] | Ja/Nein |
| Stresstest | [Bedingung] | Degradationsprodukte separiert | Ja/Nein |

Erwartet: Keine Interferenz durch Placebo; alle Verunreinigungen und Abbauprodukte ausreichend getrennt.

Bei Fehler: Falls Spezifitaet unzureichend, modifiziere Trennbedingungen (pH, Gradient, stationaere Phase) und wiederhole.

Schritt 3: Linearitaet bestimmen

Zeige, dass das Detektorsignal linear mit der Analytkonzentration korreliert:

  1. Kalibrierbereich: Typisch 50-150% des nominalen Analytgehalts fuer Gehaltsbestimmung; 0,1-120% fuer Verunreinigungen.
  2. Anzahl Kalibrierstandards: Mindestens 5 Konzentrationen; doppelt oder dreifach gemessen.
  3. Auswertung:
    • Lineare Regression; Berechnung von R2
    • R2 >= 0,999 fuer Gehaltsbestimmung; >= 0,998 fuer Verunreinigungen
    • Y-Achsenabschnitt: Pruefe auf Signifikanz (t-Test); wenn signifikant, pruefe Ursache
  4. Residualplot: Auftragen der Residuen (Abweichung vom Fit) gegen Konzentration; systematische Muster deuten auf Nichtlinearitaet.
## Linearitaetsergebnis
| Konzentrationsbereich | Steigung | Y-Achsenabschnitt | R2 | LOF-Test |
|----------------------|---------|-------------------|-----|---------|
| [min] - [max] [Einheit] | [wert] | [wert] | [wert] | bestanden |

Erwartet: R2 >= 0,999 im gesamten Kalibrierbereich; Residualplot ohne systematische Muster.

Bei Fehler: Falls R2 < 0,999, pruefe auf Ausreisser, Detektor-Saettigung bei hohen Konzentrationen oder Adsorptionseffekte bei niedrigen Konzentrationen. Erweitere ggf. den Konzentrationsbereich.

Schritt 4: Richtigkeit und Praezision bestimmen

Zeige, dass die Methode den wahren Wert richtig und reproduzierbar misst:

  1. Richtigkeit (Accuracy):
    • Dotiere Placebo mit bekannten Mengen Analyt (typisch 80, 100, 120% des nominalen Gehalts)
    • Berechne Wiederfindung = (gemessen / eingesetzt) * 100%
    • Akzeptanzkriterium: 98-102% fuer Gehaltsbestimmung; 80-120% fuer Verunreinigungen
  2. Wiederholbarkeit (Repeatability):
    • 6 Injektionen derselben Probe (gleicher Tag, gleicher Analyst, gleiches Geraet)
    • Berechne RSD der Peakflaechenverhaeltnisse
    • Akzeptanzkriterium: RSD <= 2% fuer Gehaltsbestimmung; <= 5-10% fuer Verunreinigungen
  3. Zwischenpraezision (Intermediate Precision):
    • Messungen an verschiedenen Tagen und/oder durch verschiedene Analysten
    • Berechne RSD ueber alle Messreihen
    • Zeigt Robustheit des Verfahrens unter normalen Laborbedingungen
## Richtigkeit und Praezision
| Konzentration (%) | n | Wiederfindung (%) | RSD (%) | Akzeptiert |
|------------------|---|------------------|---------|------------|
| 80 | 3 | [wert] | [wert] | Ja/Nein |
| 100 | 6 | [wert] | [wert] | Ja/Nein |
| 120 | 3 | [wert] | [wert] | Ja/Nein |

Erwartet: Wiederfindung 98-102% und RSD <= 2% (Gehaltsbestimmung) an allen Konzentrationspunkten.

Bei Fehler: Falls Wiederfindung systematisch zu hoch oder zu niedrig, pruefe Kalibrierung, Probenpraeparation und Matrixeffekte. Falls RSD zu gross, pruefe Injektorleistung und Probenhomoegnitaet.

Schritt 5: LOD, LOQ und Robustheit bestimmen

Ermittle untere Nachweisgrenze und pruefe Methodenstabilitaet:

  1. Nachweisgrenze (LOD): Kleinste Menge, die mit S/N = 3 nachgewiesen werden kann.
    • LOD = 3,3 * sigma / S (sigma = Rauschen der Basislinie; S = Kalibrierkurvensteigung)
    • Alternativ experimentell durch Verduennen bis S/N = 3
  2. Bestimmungsgrenze (LOQ): Kleinste Menge, die mit angemessener Praezision und Richtigkeit bestimmt werden kann.
    • LOQ = 10 * sigma / S
    • Experimentell: S/N = 10 mit RSD <= 10% und Richtigkeit 80-120%
  3. Robustheit: Kleine absichtliche Aenderungen der Methodenparameter:
    • pH +/- 0,2 Einheiten, Fluss +/- 0,1 mL/min, Temperatur +/- 5 degC
    • Pruefe ob Systemeignungsparameter weiterhin erfuellt werden
    • Dokument welche Parameter kritisch sind
## Nachweis- und Bestimmungsgrenze
- LOD (S/N = 3): [Konzentration] [Einheit]
- LOQ (S/N = 10): [Konzentration] [Einheit]
- LOQ-Validierung: RSD = [%], Wiederfindung = [%]

Erwartet: LOD und LOQ bestimmt; alle Robustheitsstests im Akzeptanzbereich; kritische Parameter identifiziert.

Bei Fehler: Falls LOQ-Praezision unzureichend, prueffe Injektionspraezision bei niedrigen Konzentrationen (Adsorption, Verdampfung). Falls Robustheit unzureichend, identifiziere welcher Parameter kritisch ist und enge Toleranzen in Methodenbeschreibung ein.

Validierung

  • Validierungsplan mit allen Parametern und Akzeptanzkriterien erstellt
  • Spezifitaet gegenueber Placebo, Verunreinigungen und Abbauprodukten gezeigt
  • Linearitaet mit R2 >= 0,999 ueber den gesamten Kalibrierbereich bestimmt
  • Richtigkeit an mindestens 3 Konzentrationspunkten geprueft
  • Wiederholbarkeit (n = 6) und Zwischenpraezision dokumentiert
  • LOD und LOQ experimentell bestimmt und verifiziert
  • Robustheit gegenueber kleinen Parameteraenderungen geprueft
  • Validierungsprotokoll erstellt und von verantwortlicher Person unterzeichnet

Haeufige Stolperfallen

  • Akzeptanzkriterien erst nach Ergebnissen festlegen: Kriterien muessen vor dem Experiment definiert sein; nachtraegliche Anpassung ist regulatorisch inakzeptabel.
  • Nur interne Standards fuer Gehaltsbestimmung: Externe Standardkalibrierung ist fuer Gehaltsbestimmung akzeptiert, aber Matrixeffekte muessen ausgeschlossen werden.
  • Robustheit mit zu grossen Aenderungen: Robustheitstests sollen kleine, praxisrelevante Aenderungen simulieren; zu grosse Aenderungen testen die Methode ausserhalb ihres Anwendungsbereichs.
  • Fehlende statistische Auswertung: Alle Ergebnisse muessen statistisch ausgewertet werden (Mittelwert, SD, RSD, Konfidenzintervall).

Verwandte Skills

  • develop-hplc-method -- HPLC-Methoden entwickeln vor Validierung
  • develop-gc-method -- GC-Methoden entwickeln vor Validierung
  • troubleshoot-separation -- Probleme beheben die Validierungsergebnis beeinflussen

GitHub Repository

pjt222/agent-almanac
Path: i18n/de/skills/validate-analytical-method
0
agentsagentskillsai-assisted-developmentclaude-codeskillsteams

Related Skills

content-collections

Meta

This skill provides a production-tested setup for Content Collections, a TypeScript-first tool that transforms Markdown/MDX files into type-safe data collections with Zod validation. Use it when building blogs, documentation sites, or content-heavy Vite + React applications to ensure type safety and automatic content validation. It covers everything from Vite plugin configuration and MDX compilation to deployment optimization and schema validation.

View skill

polymarket

Meta

This skill enables developers to build applications with the Polymarket prediction markets platform, including API integration for trading and market data. It also provides real-time data streaming via WebSocket to monitor live trades and market activity. Use it for implementing trading strategies or creating tools that process live market updates.

View skill

creating-opencode-plugins

Meta

This skill helps developers create OpenCode plugins that hook into 25+ event types like commands, files, and LSP operations. It provides the plugin structure, event API specifications, and implementation patterns for JavaScript/TypeScript modules. Use it when you need to intercept, monitor, or extend the OpenCode AI assistant's lifecycle with custom event-driven logic.

View skill

sglang

Meta

SGLang is a high-performance LLM serving framework that specializes in fast, structured generation for JSON, regex, and agentic workflows using its RadixAttention prefix caching. It delivers significantly faster inference, especially for tasks with repeated prefixes, making it ideal for complex, structured outputs and multi-turn conversations. Choose SGLang over alternatives like vLLM when you need constrained decoding or are building applications with extensive prefix sharing.

View skill