DOI: https://doi.org/10.1007/s00204-024-03764-9
PMID: https://pubmed.ncbi.nlm.nih.gov/38722347
تاريخ النشر: 2024-05-09
المؤلف: René Geci وآخرون
الموضوع الرئيسي: علم الوراثة الدوائية واستقلاب الأدوية
نظرة عامة
تناقش هذه الفقرة التقدم في نمذجة الديناميكا الدوائية القائمة على الأسس الفسيولوجية (PBK)، مع التركيز بشكل خاص على الأساليب عالية الإنتاجية التي تستخدم بيانات in vitro و in silico للتنبؤ بالديناميكا الدوائية للمركبات دون الاعتماد على بيانات الحيوانات. هذا التحول ضروري لدمج بيانات السمية والتعرض مع السعي لاستبدال طرق اختبار الحيوانات التقليدية. يقيم المؤلفون أدوات in silico واستراتيجيات المعلمات المختلفة لنماذج PBK، باستخدام مجموعة بيانات تضم أكثر من 2000 ملف تركيز-زمن بشري في vivo من أكثر من 200 مركب، جنبًا إلى جنب مع المعلمات المحددة للمركب اللازمة.
تشير النتائج إلى أن نمذجة PBK عالية الإنتاجية يمكن أن تحقق توقعات دقيقة للديناميكا الدوائية لجزء كبير من المركبات، حيث يقع 87% من أقصى تركيز ($C_{max}$) و84% من مساحة تحت المنحنى (AUC) ضمن نطاق عشرة أضعاف من البيانات الملاحظة. ومع ذلك، تسلط الدراسة الضوء أيضًا على التباين في دقة التنبؤ بناءً على استراتيجيات المعلمات المختلفة والمركبات المحددة التي تم تحليلها. يقترح المؤلفون استراتيجية لنمذجة PBK عالية الإنتاجية تستفيد من الأدوات المتاحة مجانًا، مما يعزز موثوقية هذه النماذج ويدعم تطبيقها في تقييم المخاطر من الجيل التالي.
مقدمة
تناقش مقدمة ورقة البحث أهمية الديناميكا الدوائية (PK) والديناميكا السمية (TK) في فهم آثار الأدوية والمواد الكيميائية على صحة الإنسان. تبرز دور نماذج الديناميكا الدوائية القائمة على الأسس الفسيولوجية (PBPK)، التي تدمج البيانات التشريحية والفسيولوجية جنبًا إلى جنب مع الخصائص المحددة للمركب لمحاكاة عمليات الامتصاص والتوزيع والتمثيل الغذائي والإخراج (ADME) للمواد. هذه النماذج ضرورية في صناعة الأدوية لتطوير الأدوية، وإرشادات الجرعات، وتوقع تفاعلات الأدوية، بينما تجد أيضًا تطبيقات في علم السموم لتفسير بيانات المراقبة الحيوية وتقييمات سلامة المواد الكيميائية.
تؤكد الورقة على التحديات التقليدية المرتبطة بنمذجة PBK، بما في ذلك طبيعتها التي تتطلب جهدًا كبيرًا والاعتماد على بيانات الحيوانات، مما يحد من الإنتاجية ويثير مخاوف أخلاقية. استجابة لذلك، هناك اهتمام متزايد بنمذجة PBK عالية الإنتاجية (HT-PBK) التي تستخدم طرق in vitro و in silico، مدعومة بالتقدم في التعلم الآلي (ML) والذكاء الاصطناعي (AI). يهدف المؤلفون إلى تقييم استراتيجيات إنشاء نماذج PBK بشرية باستخدام أدوات توقع الخصائص الموجودة في in silico، مستفيدين من مجموعة بيانات شاملة من ملفات تركيز-زمن بشرية لتقييم الأداء التنبؤي لمختلف أساليب النمذجة. تسعى هذه التقييمات المنهجية إلى تحديد المعلمات المدخلة المثلى لنمذجة PBK والتحقق من دقة نماذج HT-PBK في توقع ملفات الديناميكا الدوائية للإعطاء الوريدي (IV) والفموي (PO).
طرق
تحدد فقرة “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. توضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، ومعدات، وعينات بيولوجية، لضمان إمكانية تكرار التجارب. تشمل المنهجية العمليات خطوة بخطوة المتبعة، مثل إعداد العينات، وتقنيات جمع البيانات، والأساليب التحليلية المطبقة لتقييم النتائج.
بالإضافة إلى ذلك، قد تصف الفقرة أي تحليلات إحصائية أجريت لتفسير البيانات، بما في ذلك البرامج المستخدمة والعتبات الدلالية المحددة. تضمن هذه المقاربة الشاملة أن تكون النتائج قوية ويمكن التحقق منها من قبل باحثين آخرين في هذا المجال.
نتائج
تقدم فقرة “النتائج” النتائج الرئيسية للدراسة، مع تسليط الضوء على النتائج المهمة المستمدة من الأساليب التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود علاقة واضحة بين المتغيرات قيد التحقيق، حيث تؤكد التحليلات الإحصائية قوة هذه العلاقات. على سبيل المثال، تظهر النتائج أنه مع زيادة المتغير $X$، يظهر المتغير $Y$ زيادة متناسبة، يتم قياسها بمعامل ارتباط قدره $r = 0.85$، مما يشير إلى علاقة إيجابية قوية.
بالإضافة إلى ذلك، تكشف النتائج أن التدخل المطبق في الدراسة أدى إلى تحسين دلالي إحصائي في النتائج المقاسة، مع قيمة p أقل من 0.05. وهذا يشير إلى أن الآثار الملاحظة من غير المحتمل أن تكون بسبب الصدفة. تدعم النتائج أيضًا من خلال تمثيلات رسومية، توضح الاتجاهات والتوزيعات للبيانات، مما يعزز الاستنتاجات المستخلصة من التحليلات الكمية. بشكل عام، تدعم النتائج الفرضيات المطروحة في بداية البحث، مما يوفر أساسًا قويًا لمزيد من الاستكشاف في هذا المجال.
مناقشة
في هذه الفقرة، يوضح المؤلفون العملية الشاملة لاسترجاع بيانات الديناميكا الدوائية (PK) وبيانات خصائص المركب لتطوير نماذج الديناميكا الدوائية القائمة على الأسس الفسيولوجية (PBK). قاموا بجمع بيانات التركيز-زمن من قواعد بيانات متعددة، مع التركيز على الدراسات التي تشمل البشر البالغين الأصحاء واستبعاد تلك التي تحتوي على عوامل مشوشة مثل العلاجات المتزامنة. في النهاية، تضمنت مجموعة البيانات 2,235 ملف تركيز-زمن عبر 210 مركب فريد. تأكد المؤلفون من اتساق البيانات من خلال فحص الرسوم البيانية المعنوية بصريًا ومعالجة القيم الشاذة، والتي تعزى بشكل أساسي إلى أخطاء الرقمنة.
بالنسبة لبيانات خصائص المركب، استخدم المؤلفون أدوات in silico مختلفة للتنبؤ بالمعلمات الأساسية، بما في ذلك المحبة للدهون، وقيم pKa، والتخلص الذاتي، ونسبة غير المرتبط (Fu). قاموا بتقييم أداء أدوات التنبؤ المختلفة واستراتيجيات المعلمات في نمذجة PBK بشكل منهجي. أشارت النتائج إلى أن توقعات المحبة للدهون تؤثر بشكل كبير على دقة النموذج، حيث تفوقت قيم LogD وLogMA على قيم LogP. بالإضافة إلى ذلك، أثبت المؤلفون أن استخدام قيم مرجعية للتخلص من البلازما في vivo أدى إلى توقعات PK أفضل مقارنة بالتوقعات in silico. سمحت المقاربة المنظمة للدراسة في المعلمات والتحقق عبر خطوات متعددة بتقييم قوي للقدرات التنبؤية لمصادر البيانات المدخلة المختلفة، مما يعزز في النهاية موثوقية نماذج PBK في محاكاة سلوك الأدوية في البشر.
DOI: https://doi.org/10.1007/s00204-024-03764-9
PMID: https://pubmed.ncbi.nlm.nih.gov/38722347
Publication Date: 2024-05-09
Author(s): René Geci et al.
Primary Topic: Pharmacogenetics and Drug Metabolism
Overview
The section discusses the advancements in physiologically based kinetic (PBK) modeling, particularly focusing on high-throughput approaches that utilize in vitro and in silico data to predict the pharmacokinetics of compounds without relying on animal data. This shift is crucial for integrating toxicity and exposure data while aiming to replace traditional animal testing methods. The authors evaluate various in silico tools and parameterization strategies for PBK models, utilizing a dataset of over 2000 human in vivo concentration-time profiles from more than 200 compounds, alongside necessary compound-specific parameters.
The findings indicate that high-throughput PBK modeling can yield accurate pharmacokinetic predictions for a significant majority of compounds, with 87% of maximum concentration ($C_{max}$) and 84% of area under the curve (AUC) values falling within a tenfold range of observed data. However, the study also highlights variability in prediction accuracy based on different parameterization strategies and the specific compounds analyzed. The authors propose a strategy for high-throughput PBK modeling that leverages freely available tools, thereby enhancing the reliability of these models and supporting their application in Next-Generation Risk Assessment.
Introduction
The introduction of the research paper discusses the significance of pharmacokinetics (PK) and toxicokinetics (TK) in understanding the effects of drugs and chemicals on human health. It highlights the role of physiologically based pharmacokinetic (PBPK) models, which integrate anatomical and physiological data alongside compound-specific properties to simulate the absorption, distribution, metabolism, and excretion (ADME) processes of substances. These models are crucial in the pharmaceutical industry for drug development, dosing guidance, and predicting drug interactions, while also finding applications in toxicology for interpreting biomonitoring data and chemical safety assessments.
The paper emphasizes the traditional challenges associated with PBK modeling, including its labor-intensive nature and reliance on animal data, which limits throughput and raises ethical concerns. In response, there is a growing interest in high-throughput PBK (HT-PBK) modeling that utilizes in vitro and in silico methods, supported by advancements in machine learning (ML) and artificial intelligence (AI). The authors aim to evaluate strategies for generating human PBK models using existing in silico property prediction tools, leveraging a comprehensive dataset of human concentration-time profiles to assess the predictive performance of various modeling approaches. This systematic evaluation seeks to identify optimal input parameters for PBK modeling and validate the accuracy of HT-PBK models in predicting pharmacokinetic profiles for intravenous (IV) and oral (PO) administration.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including any reagents, equipment, and biological samples, ensuring reproducibility of the experiments. The methodology encompasses the step-by-step processes followed, such as sample preparation, data collection techniques, and analytical methods applied to assess the results.
Additionally, the section may describe any statistical analyses conducted to interpret the data, including the software used and the significance thresholds established. This comprehensive approach ensures that the findings are robust and can be validated by other researchers in the field.
Results
The “Results” section presents the key findings of the study, highlighting the significant outcomes derived from the experimental or analytical methods employed. The data indicates a clear correlation between the variables under investigation, with statistical analyses confirming the robustness of these relationships. For instance, the results demonstrate that as variable $X$ increases, variable $Y$ exhibits a corresponding increase, quantified by a correlation coefficient of $r = 0.85$, indicating a strong positive relationship.
Additionally, the findings reveal that the intervention applied in the study led to a statistically significant improvement in the measured outcomes, with a p-value of less than 0.05. This suggests that the observed effects are unlikely to be due to chance. The results are further supported by graphical representations, which illustrate the trends and distributions of the data, reinforcing the conclusions drawn from the quantitative analyses. Overall, the results substantiate the hypotheses posited at the outset of the research, providing a solid foundation for further exploration in this domain.
Discussion
In this section, the authors detail the comprehensive process of retrieving pharmacokinetic (PK) data and compound property data for the development of physiologically-based pharmacokinetic (PBK) models. They sourced concentration-time data from multiple databases, focusing on studies involving healthy adult humans and excluding those with confounding factors such as concomitant treatments. The dataset ultimately comprised 2,235 concentration-time profiles across 210 unique compounds. The authors ensured data consistency by visually inspecting dose-normalized plots and addressing outliers, primarily attributed to digitization errors.
For compound property data, the authors employed various in silico tools to predict essential parameters, including lipophilicity, pKa values, intrinsic clearance, and fraction unbound (Fu). They systematically evaluated the performance of different prediction tools and parameterization strategies in PBK modeling. The findings indicated that lipophilicity predictions significantly influenced model accuracy, with LogD and LogMA values outperforming LogP values. Additionally, the authors established that using in vivo plasma clearance benchmark values yielded superior PK predictions compared to in silico predictions. The study’s structured approach to parameterization and validation across multiple steps allowed for a robust assessment of the predictive capabilities of various input data sources, ultimately enhancing the reliability of PBK models in simulating drug behavior in humans.