DOI: https://doi.org/10.3389/fphar.2024.1330855
PMID: https://pubmed.ncbi.nlm.nih.gov/38434709
تاريخ النشر: 2024-02-16
المؤلف: Keheng Wu وآخرون
الموضوع الرئيسي: علم الوراثة الدوائية واستقلاب الأدوية
نظرة عامة
تقدم البحث نموذجًا قائمًا على الآلية لعلم الأدوية الحركية/الدوائية (PK/PD) يدمج الذكاء الاصطناعي (AI) مع نمذجة علم الأدوية الحركية المعتمدة على الفيزيولوجيا (PBPK) لتعزيز عمليات اكتشاف الأدوية. يتناول هذا النموذج التحديات المتعلقة بتوقع النتائج السريرية من الخصائص الحركية للأدوية خلال المراحل المبكرة من تطوير الأدوية، حيث لا يمكن الملاحظة المباشرة للنتائج السريرية البشرية. من خلال استخدام التعلم الآلي للتنبؤ بمعلمات PK واستخدام نموذج PD القائم على الآلية لاشتقاق نتائج PD من نتائج PK، يسمح منصة AI-PBPK بمحاذاة ملفات PK للأدوية مع التأثيرات العلاجية المرغوبة.
في الدراسة، تم التحقق من صحة منصة AI-PBPK/PD من خلال دراسات حالة تتضمن خمسة مركبات مثبطة للأحماض التنافسية للبوتاسيوم (P-CAB)، تم معايرتها ضد الأدوية المعروفة فونوبرازان وريفابرازان. تشير النتائج إلى أن KFP_H008 أظهر التأثيرات العلاجية الأكثر ملاءمة، والتي تتميز بمدة ممتدة من pH > 4 وبداية سريعة نسبيًا عند جرعات تزيد عن 10 ملغ. وهذا يشير إلى أن منصة AI-PBPK/PD هي أداة محاكاة واعدة للتنبؤ بالفعالية العلاجية في مراحل اكتشاف الأدوية المبكرة.
مقدمة
تستعرض مقدمة ورقة البحث العملية المعقدة والطويلة لاكتشاف الأدوية وتطويرها، والتي تبدأ بتحديد والتحقق من صحة هدف بيولوجي. بعد ذلك، يتم استخدام تقنيات مثل الفحص الافتراضي والفحص عالي الإنتاجية (HTS) لتحديد “النجاحات” من مكتبات المركبات الواسعة، والتي يتم تنقيحها بعد ذلك إلى مركبات “رائدة”. يقدم المؤلفون منصة AI-PBPK، التي تعمل على تحسين عملية الفحص من خلال التنبؤ بخصائص الامتصاص والتوزيع والتمثيل الغذائي والإخراج (ADME)، بالإضافة إلى نتائج علم الأدوية الحركية (PK) وعلم الأدوية الديناميكية (PD). يهدف هذا التكامل إلى تسريع تحديد مرشحي الأدوية عالية الجودة، مما يقلل من الجدول الزمني العام من اكتشاف الهدف إلى اختيار المرشح.
تشدد الورقة على أهمية نمذجة علم الأدوية الحركية المعتمدة على الفيزيولوجيا (PBPK) في تطوير الأدوية، حيث تدمج الخصائص الفيزيولوجية المعروفة وخصائص ADME في أطر رياضية للتنبؤ بسلوك الأدوية في البشر. يقوم محاكي B2O، وهو منصة قائمة على الويب، بدمج نماذج PBPK لتقييم تعرض الأدوية والتفاعلات المحتملة، باستخدام تقنيات حسابية متنوعة لاشتقاق المعلمات الفيزيائية الكيميائية الرئيسية. تستخدم الدراسة طرق التعلم الآلي، وخاصة الشبكات العصبية الرسومية (GNNs) ونموذج الغابة العشوائية، للتنبؤ بنتائج PK وPD. يوضح المؤلفون فائدة المنصة من خلال أمثلة تتعلق بأدوية مثبطات الأحماض التنافسية للبوتاسيوم (P-CAB)، مما يوضح كيف يمكن للنموذج أن يقوم بمعايرة والتحقق من التنبؤات بناءً على الهياكل الجزيئية وبيانات القوة، بهدف تعزيز الفعالية ومعدلات النجاح لمرشحي الأدوية في التجارب السريرية.
الطرق
تستعرض قسم “الطرق” الأساليب التجريبية والتحليلية المستخدمة في الدراسة. استخدم الباحثون مجموعة من التقنيات الكمية والنوعية لجمع البيانات، مما يضمن فهمًا شاملاً للظواهر قيد التحقيق. تضمنت المنهجيات المحددة تجارب محكومة، وتحليلات إحصائية، وتقنيات نمذجة، تم تصميمها لاختبار الفرضيات التي تم صياغتها في بداية البحث.
شمل جمع البيانات أخذ عينات منهجية وتطبيق أدوات موحدة لضمان الموثوقية والصلاحية. تم إجراء التحليل باستخدام برامج إحصائية متقدمة، مما يسمح بفحص صارم للعلاقات بين المتغيرات. كما يوضح القسم معايير اختيار المشاركين والاعتبارات الأخلاقية التي تم الالتزام بها طوال الدراسة، مما يبرز الالتزام بالحفاظ على النزاهة والشفافية في عملية البحث.
النتائج
يقدم قسم “النتائج” نتائج الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من المنهجيات التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، حيث تكشف التحليلات الإحصائية عن قيم p أقل من العتبة التقليدية 0.05، مما يشير إلى وجود دليل قوي ضد الفرضية الصفرية.
بالإضافة إلى ذلك، تظهر النتائج أن تطبيق النموذج المقترح يؤدي إلى تحسينات في دقة التنبؤ، كما يتضح من مقاييس مثل متوسط الخطأ التربيعي (MSE) وقيم R-squared. تؤكد هذه النتائج فعالية النموذج في التقاط الأنماط الأساسية للبيانات، مما يساهم في تقديم رؤى قيمة في مجال الدراسة. يستحق استكشاف المزيد من تداعيات هذه النتائج في الأقسام اللاحقة.
المناقشة
تتناول قسم المناقشة في ورقة البحث تطوير وتطبيق نموذج علم الأدوية الحركية/الديناميكية المعتمد على الجسم بالكامل (PBPK/PD) للتنبؤ بملفات علم الأدوية الحركية (PK) لفونوبرازان ومثبطات الأحماض التنافسية الأخرى للبوتاسيوم (P-CABs). يتضمن النموذج 14 حجرة نسيجية وحجرتين دمويتين، حيث يحدث التخلص من الدواء بشكل أساسي في الكبد. يسمح دمج نموذج PBPK مع نموذج PD بتقييم العلاقة بين تركيزات البلازما لفونوبرازان ومستويات pH داخل المعدة، وهو أمر حاسم لتقييم التأثيرات المضادة للإفراز للدواء. تؤكد الدراسة على أهمية التنبؤ بدقة بنتائج علم الأدوية الديناميكية، مثل الحفاظ على pH المعدة فوق 4، لتبسيط عملية تطوير الأدوية.
بالإضافة إلى ذلك، تستخدم البحث تقنيات متقدمة في التعلم الآلي، بما في ذلك الشبكات العصبية لنقل الرسائل (MPNN) ونماذج الغابة العشوائية، للتنبؤ بمختلف معلمات ADME (الامتصاص، التوزيع، التمثيل الغذائي، والإخراج). تشير النتائج إلى أن نموذج MPNN يوضح بفعالية العلاقة بين الهياكل الجزيئية وخصائصها، بينما يظهر نموذج الغابة العشوائية تنبؤات موثوقة لمعايير مثل الوضوح الظاهر وحجم التوزيع. تؤكد الدراسة على إمكانية دمج الذكاء الاصطناعي مع نماذج PBPK لتعزيز دقة التنبؤ في تطوير الأدوية، على الرغم من أنها تعترف أيضًا بالتحديات التي تطرحها الحاجة إلى مجموعات بيانات كبيرة وقيود قواعد البيانات التدريبية الحالية. بشكل عام، تبرز البحث أهمية النمذجة التنبؤية في تحسين الفعالية العلاجية لمثبطات الأحماض التنافسية للبوتاسيوم (P-CABs) وتحسين عملية فحص الأدوية.
DOI: https://doi.org/10.3389/fphar.2024.1330855
PMID: https://pubmed.ncbi.nlm.nih.gov/38434709
Publication Date: 2024-02-16
Author(s): Keheng Wu et al.
Primary Topic: Pharmacogenetics and Drug Metabolism
Overview
The research presents a mechanism-based pharmacokinetic/pharmacodynamic (PK/PD) model that integrates artificial intelligence (AI) with physiologically based pharmacokinetic (PBPK) modeling to enhance drug discovery processes. This model addresses the challenges of predicting clinical outcomes from pharmacokinetic properties during the early stages of drug development, where direct observation of human clinical outcomes is not feasible. By employing machine learning to forecast PK parameters and utilizing a mechanism-based PD model to derive PD outcomes from PK results, the AI-PBPK platform allows for the alignment of drug PK profiles with desired therapeutic effects.
In the study, the AI-PBPK/PD platform was validated through case studies involving five potassium-competitive acid blocker (P-CAB) compounds, calibrated against known drugs vonoprazan and revaprazan. The findings indicate that KFP_H008 exhibited the most favorable therapeutic effects, characterized by an extended duration of pH > 4 and a relatively rapid onset at doses above 10 mg. This suggests that the AI-PBPK/PD platform is a promising simulation tool for predicting therapeutic efficacy in early drug discovery.
Introduction
The introduction of the research paper outlines the complex and lengthy process of drug discovery and development, which begins with identifying and validating a biological target. Following this, techniques such as virtual screening and high-throughput screening (HTS) are employed to identify ‘hits’ from extensive compound libraries, which are subsequently refined into ‘lead’ compounds. The authors introduce the AI-PBPK platform, which optimizes the screening process by predicting absorption, distribution, metabolism, and excretion (ADME) properties, as well as pharmacokinetic (PK) and pharmacodynamic (PD) outcomes. This integration aims to expedite the identification of high-quality drug candidates, thereby reducing the overall timeline from target discovery to candidate selection.
The paper emphasizes the significance of physiologically-based pharmacokinetic (PBPK) modeling in drug development, incorporating established physiological characteristics and ADME properties into mathematical frameworks to forecast drug behavior in humans. The B2O simulator, a web-based platform, integrates PBPK models to assess drug exposure and potential interactions, utilizing various computational techniques to derive key physicochemical parameters. The study employs machine learning methods, particularly Graph Neural Networks (GNNs) and a random forest model, to predict PK and PD outcomes. The authors illustrate the platform’s utility through examples involving potassium-competitive acid blocker (P-CAB) drugs, demonstrating how the model can calibrate and validate predictions based on molecular structures and potency data, ultimately aiming to enhance the efficacy and success rates of drug candidates in clinical trials.
Methods
The “Methods” section outlines the experimental and analytical approaches employed in the study. The researchers utilized a combination of quantitative and qualitative techniques to gather data, ensuring a comprehensive understanding of the phenomena under investigation. Specific methodologies included controlled experiments, statistical analyses, and modeling techniques, which were designed to test the hypotheses formulated at the outset of the research.
Data collection involved systematic sampling and the application of standardized instruments to ensure reliability and validity. The analysis was conducted using advanced statistical software, allowing for the rigorous examination of relationships between variables. The section also details the criteria for participant selection and the ethical considerations adhered to throughout the study, emphasizing the commitment to maintaining integrity and transparency in the research process.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the experimental or analytical methodologies employed. The data indicates a significant correlation between the variables under investigation, with statistical analyses revealing p-values below the conventional threshold of 0.05, suggesting strong evidence against the null hypothesis.
Additionally, the results demonstrate that the application of the proposed model yields improvements in predictive accuracy, as evidenced by metrics such as mean squared error (MSE) and R-squared values. These findings underscore the effectiveness of the model in capturing the underlying patterns of the data, thereby contributing valuable insights to the field of study. Further exploration of the implications of these results is warranted in subsequent sections.
Discussion
The discussion section of the research paper elaborates on the development and application of a whole-body Physiologically Based Pharmacokinetic/Pharmacodynamic (PBPK/PD) model for predicting the pharmacokinetic (PK) profiles of vonoprazan and other potassium-competitive acid blockers (P-CABs). The model incorporates 14 tissue compartments and two blood compartments, with drug elimination occurring primarily in the liver. The integration of the PBPK model with a PD model allows for the assessment of the relationship between plasma concentrations of vonoprazan and intra-gastric pH levels, which is critical for evaluating the drug’s antisecretory effects. The study emphasizes the importance of accurately predicting pharmacodynamic outcomes, such as maintaining gastric pH above 4, to streamline the drug development process.
Additionally, the research utilizes advanced machine learning techniques, including Message Passing Neural Networks (MPNN) and random forest models, to predict various ADME (Absorption, Distribution, Metabolism, and Excretion) parameters. The findings indicate that the MPNN model effectively clarifies the relationship between molecular structures and their properties, while the random forest model demonstrates reliable predictions for parameters like apparent clearance and volume of distribution. The study underscores the potential of integrating AI with PBPK models to enhance predictive accuracy in drug development, although it also acknowledges the challenges posed by the need for large datasets and the limitations of current training databases. Overall, the research highlights the significance of predictive modeling in optimizing the therapeutic efficacy of P-CABs and improving the drug screening process.