📄 medicine

Development of a Dissolution-Informed PBPK-Assisted In Vitro–In Silico Correlation Framework for Predicting Food Effects of Lurasidone Hydrochloride

Este estudio desarrolló y validó un marco de correlación in vitro–in silico asistido por PBPK e informado por la disolución que predice con éxito los efectos de los alimentos y la exposición sistémica del fármaco lurasidona clorhidrato, de baja solubilidad en agua, mediante la integración de datos de disolución biorelevantes con el modelado farmacocinético basado en la fisiología.

Autores originales: Minal Narkhede, Sonal Mhaske, Jitendra Nehete

Publicado 2026-08-12

📖 8 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Minal Narkhede, Sonal Mhaske, Jitendra Nehete

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando transmitir un mensaje a través de una habitación llena de gente. Si el mensaje está escrito en un papel resbaladizo y soluble en agua, podría disolverse antes de llegar al otro lado. Pero si el papel es grueso y ceroso, podría no disolverse en absoluto, dejando el mensaje sin leer. Esto se parece un poco a cómo funcionan muchos medicamentos dentro de nuestros cuerpos. Algunos fármacos son como ese papel ceroso: no se mezclan bien con los fluidos acuosos de nuestro estómago o intestinos. Debido a que no pueden disolverse fácilmente, no pueden absorberse en el torrente sanguíneo para hacer su trabajo. Los científicos llaman a esto un problema de "limitación por disolución".

Ahora, imagina que las reglas de la habitación llena de gente cambian dependiendo de si acabas de comer una gran comida o si todavía tienes hambre. Si acabas de comer, tu estómago produce más "detergentes" especiales (llamados sales biliares) que pueden ayudar a descomponer ese papel ceroso. Este es el "efecto de los alimentos". Para algunos medicamentos, comer una comida hace que funcionen mucho mejor; para otros, puede hacer que funcionen peor. Predecir exactamente cómo se comportará un fármaco específico en estas diferentes condiciones es complicado. Los científicos utilizan dos herramientas principales para resolver este rompecabezas: prueban qué tan rápido se disuelve un fármaco en una taza de líquido que imita el estómago (esto es in vitro) y utilizan potentes modelos informáticos para simular cómo se mueve el fármaco a través del cuerpo humano (esto es in silico o modelado PBPK). La gran pregunta es: ¿podemos combinar estas dos herramientas para predecir exactamente cómo actuará un fármaco en una persona real, especialmente cuando hay alimentos de por medio?

Este artículo profundiza en esa pregunta utilizando un fármaco específico llamado clorhidrato de lurasidona, que se utiliza para tratar afecciones como la esquizofrenia. La lurasidona es un ejemplo clásico de un fármaco que tiene dificultades para disolverse en agua y tiene un enorme "efecto de los alimentos", lo que significa que su rendimiento cambia drásticamente dependiendo de si se toma con el estómago vacío o con una comida. Los investigadores querían ver si podían construir un "gemelo digital" del cuerpo humano que pudiera predecir con precisión cómo se comporta este fármaco, utilizando datos del mundo real de sus experimentos de laboratorio como punto de partida.

El experimento de laboratorio: Probando las aguas del "estómago"

Primero, el equipo fue al laboratorio para ver cómo se comporta la lurasidona en diferentes tipos de "estómagos falsos". No usaron simplemente agua pura; crearon cuatro entornos líquidos diferentes para imitar el cuerpo humano bajo distintas condiciones:

Estómago en ayunas: Estómago vacío, ácido.
Estómago lleno: Estómago lleno, menos ácido, con propiedades similares a la comida.
Intestino en ayunas: Intestino vacío, pH neutro.
Intestino lleno: Intestino lleno, rico en sales biliares (los detergentes naturales del cuerpo).

Introdujeron una tableta de 40 mg de lurasidona en cada uno de estos cuatro líquidos y observaron cuánto se disolvía el fármaco durante dos horas. Los resultados fueron claros y dramáticos. El fármaco se disolvió más en el fluido del estómago lleno (85.1%), seguido de cerca por el fluido del intestino lleno (78.8%). En contraste, se disolvió mucho menos en el estómago vacío (61.8%) y lo menos en el intestino vacío (57.7%).

Esto confirmó lo que los médicos ya sabían: la comida ayuda a que este fármaco se disuelva. Pero los investigadores querían saber exactamente qué tan bien funcionaría en un cuerpo humano real, no solo en un vaso de precipitados.

La simulación por computadora: Construyendo un cuerpo digital

A continuación, el equipo tomó esos números del mundo real de los vasos de precipitados y los introdujo en un sofisticado programa informático llamado PK-Sim. Piensa en este programa como un videojuego donde construyes un humano virtual. Los científicos programaron este humano virtual con todos los detalles correctos: qué tan grande es el estómago, qué tan rápido se vacía, cuánta sangre fluye hacia el hígado y cómo el hígado descompone los fármacos.

No se limitaron a adivinar cómo se movería el fármaco; utilizaron los datos reales de disolución de sus experimentos de laboratorio para decirle a la computadora exactamente qué tan rápido se estaba liberando el fármaco en cada uno de los cuatro escenarios de "estómago". La computadora luego ejecutó la simulación para predecir cómo se verían los niveles del fármaco en la sangre a lo largo del tiempo.

La gran revelación: La computadora acertó

Los resultados de la simulación fueron impresionantes. La computadora predijo que tomar el fármaco con alimentos (el estado "lleno") conduciría a una cantidad mucho mayor de fármaco en la sangre en comparación con tomarlo con el estómago vacío.

En la simulación del estómago lleno, el nivel máximo de fármaco (Cmax) se predijo en 64.26 µmol/L.
En la simulación del estómago en ayunas, el máximo fue de solo 46.68 µmol/L.

Esto significa que la computadora predijo un aumento del 37.7% en el nivel máximo de fármaco simplemente añadiendo comida a la mezcla. El área bajo la curva (AUC), que representa la cantidad total de fármaco absorbido a lo largo del tiempo, también aumentó casi un 60% en el estado lleno.

Pero, ¿cómo sabemos que la computadora no se lo estaba inventando? Los investigadores compararon sus predicciones computacionales con datos reales de estudios clínicos humanos reales que se habían publicado en otros artículos. La coincidencia fue asombrosa.

La predicción de la computadora para el nivel máximo tuvo un error de menos del 4% en comparación con los datos humanos reales.
El "Error de Factor" (una forma de medir qué tan cerca está la predicción de la realidad) fue de 1.04, lo cual es casi perfecto (una puntuación de 1.0 sería una coincidencia perfecta).
La correlación entre cuánto se disolvió el fármaco en el vaso de precipitados y cuánto predijo la computadora que habría en la sangre fue extremadamente fuerte, con una puntuación de 0.9545.

Esto demostró que el "gemelo digital" era preciso. La computadora logró traducir el simple experimento de laboratorio (el fármaco disolviéndose en una taza) en una predicación compleja de lo que sucede dentro de un cuerpo humano.

¿Qué impulsa el sistema?

Los investigadores también jugaron al "qué pasaría si" utilizando su modelo computacional. Cambiaron una variable a la vez para ver qué parte del cuerpo era más importante para la cantidad de fármco que llegaba a la sangre. Encontraron dos impulsores principales:

Solubilidad: Qué tan bien se disuelve el fármaco. Este fue el factor positivo más importante. Si el fármaco se disuelve mejor, más llega a la sangre.
Limpieza del hígado: El hígado utiliza una enzima llamada CYP3A4 para descomponer el fármaco. Este fue el factor negativo más importante. Si el hígado trabaja más duro, menos fármaco permanece en la sangre.

Curiosamente, cosas como la velocidad con la que el estómago se vacía o el tiempo que el fármaco permanece en el intestino importaban, pero no eran tan críticas como la capacidad de disolución del fármaco o la capacidad del hígado para limpiarlo.

Poblaciones especiales: ¿Qué pasa con los hígados enfermos?

Finalmente, el equipo se planteó una pregunta crucial: ¿Qué ocurre si el "humano digital" tiene un hígado que no funciona perfectamente? Simularon un escenario para personas con insuficiencia hepática (daño hepático).

En estos pacientes virtuales, los niveles de fármaco aumentaron. El nivel máximo (Cmax) subió de 64.2 a 77.0 µmol/L.
La exposición total (AUC) aumentó de 5138.05 a 5395.20 µmol·min/L.

Esto sugiere que las personas con problemas hepáticos podrían absorber incluso más fármaco, lo cual es información importante que los médicos deben conocer al recetar el medicamento.

La conclusión

Este estudio no se limitó a suponer; construyó un puente entre una prueba de laboratorio sencilla y un cuerpo humano complejo. Al combinar datos de disolución reales con un modelo computacional, los investigadores crearon una herramienta confiable que puede predecir cómo se comporta la lurasidona en diferentes personas y bajo diferentes condiciones.

El artículo sugiere que este enfoque —utilizar pruebas de disolución biorelevantes para alimentar los modelos PBPK— funciona muy bien para fármacos que tienen dificultades para disolverse. Demuestra que podemos predecir los efectos de los alimentos e incluso cómo se comporta el fármaco en personas con problemas hepáticos sin necesidad de realizar tantos ensayos clínicos costosos y lentos en humanos reales. Aunque el estudio se centró en un solo fármaco y un solo tipo de tableta, el método que utilizaron es una forma poderosa y nueva de entender cómo funcionan los medicamentos, lo que potencialmente puede hacer que el desarrollo de fármacos sea más rápido y seguro para todos.

Resumen Técnico: Marco de Trabajo IVISc Asistido por PBPK Informado por la Disolución para el Clorhidrato de Lurasidona

Planteamiento del Problema
El clorhidrato de lurasidona, un antipsicótico atípico de segunda generación clasificado como Clase II del Sistema de Clasificación Biofarmacéutica (BCS), exhibe una baja solubilidad acuosa y una alta permeabilidad intestinal. Su absorción oral está limitada por la disolución y se ve significamente influenciada por la fisiología gastrointestinal, lo que resulta en un pronunciado efecto de los alimentos (un aumento de aproximadamente 2 a 3 veces en la biodisponibilidad en condiciones de alimentación). Las pruebas de disolución convencionales en medios acuosos simples suelen fallar al predecir el rendimiento in vivo de tales compuestos poco solubles en agua. Aunque el modelado de Farmacocinética Basada en la Fisiología (PBPK) y las pruebas de disolución biorelevantes son herramientas establecidas, persiste una brecha en la integración de perfiles de disolución generados experimentalmente desde múltiples medios biorelevantes directamente en simulaciones PBPK mecanísticas para establecer una correlación robusta in vitro–in silico (IVISc) para predecir los efectos de los alimentos y la exposición sistémica.

Metodología
El estudio empleó un flujo de trabajo sistemático que integra pruebas de disolución biorelevantes con el modelado PBPK utilizando PK-Sim® (versión 12.2):

Estudios de Disolución Biorelevante: Se generaron perfiles de disolución de una tableta de clorhidrato de lurasidona de 40 mg en cuatro medios gástricos simulados: Fluido Gástrico Simulado en Estado de Ayuno (FaSSGF), Fluido Gástrico Simulado en Estado de Alimentación (FeSSGF), Fluido Intestinal Simulado en Estado de Ayuno (FaSSIF) y Fluido Intestinal Simulado en Estado de Alimentación (FeSSIF). Los experimentos se realizaron a 37 °C utilizando el Aparato USP II.
Análisis Cinético y Estadístico: Los datos de disolución se ajustaron a los modelos cinéticos de orden cero, de primer orden, de Higuchi y de Korsmeyer–Peppas. Se calcularon los factores de similitud ( $f_2$ ) para comparar los perfiles entre los estados de ayuno y de alimentación.
Desarrollo del Modelo PBPK: Se construyó un modelo PBPK de cuerpo entero mediante un enfoque bottom-up. Los parámetros fisicoquímicos específicos del fármaco (p. ej., pKa, logP, solubilidad intrínseca, fracción no unida) y los parámetros fisiológicos se obtuvieron de la literatura y de la base de datos de PK-Sim. El modelo incorporó el tránsito gastrointestinal específico por región, la solubilidad dependiente del pH y el metabolismo hepático mediado por CYP3A4.
Integración y Simulación: Los perfiles de disolución derivados experimentalmente de los cuatro medios se integraron como entradas dependientes del tiempo en el modelo PBPK. Las simulaciones se realizaron para poblaciones virtuales de adultos bajo condiciones de ayuno y de alimentación para predecir los perfiles de concentración plasmática–tiempo y los parámetros farmacocinéticos (PK) ( $C_{max}$ , $T_{max}$ , $AUC_{tend}$ ).
IVISc y Validación: Se estableció un marco de trabajo IVISc asistido por PBPK correlacionando la extensión de la disolución a los 120 minutos con la exposición sistémica prevista ( $AUC_{tend}$ ). El rendimiento del modelo se validó contra datos clínicos de PK externos utilizando el error de factor (FE), el error de factor absoluto promedio (AAFE), el análisis de bondad de ajuste y verificaciones predictivas visuales (VPC).
Análisis de Sensibilidad y de Poblaciones Especiales: El análisis de sensibilidad identificó los principales impulsores de la exposición sistémica. El modelo validado se aplicó posteriormente para simular la farmacocinética en una población con insuficiencia hepática (Child–Pugh B).

Resultos Clave

Comportamiento de la Disolución: La disolución se vio significativamente influenciada por las condiciones gastrointestinales ( $p < 0.001$ ). La mayor liberación de fármaco se observó en FeSSGF (85.1%), seguido de FeSSIF (78.8%), FaSSGF (61.8%) y FaSSIF (57.7%). El modelo de Korsmeyer–Peppas proporcionó el mejor ajuste para la mayoría de los medios, indicando un comportamiento de liberación no Fickiano (anómalo).
Predicciones PBPK: El modelo tradujo con éxito los ingresos de disolución en resultados de PK. Las simulaciones de FeSSGF produjeron la $C_{max}$ (64.26 µmol/L) y el $AUC_{tend}$ (5138.05 µmol·min/L) más altos. En comparación con los estados de ayuno, las simulaciones en estado de alimentación predijeron un aumento del 37.7% en la $C_{max}$ y un aumento del 59.9% en el $AUC_{tend}$ para las condiciones gástricas, y del 36.3% y 40.2%, respectivamente, para las condiciones intestinales.
Correlación IVISc: Se estableció una fuerte relación lineal entre el porcentaje de fármaco disuelto a los 120 minutos y el $AUC_{tend}$ previsto ( $R^2 = 0.9545$ ), confirmando que la extensión de la disolución impulsa directamente la exposición sistémica en el modelo.
Validación del Modelo: El modelo demostró una excelente precisión predictiva. El error de factor medio (MFE) y el error de factor absoluto promedio (AAFE) fueron ambos de 1.04. Los errores de predicción para $C_{max}$ y $AUC$ oscilaron entre el 3.67% y el 3.98%, dentro de los criterios aceptados de $\pm 20\%$ . El análisis de bondad de ajuste mostró una fuerte concordancia ( $R^2 = 0.97$ para $C_{max}$ , $0.98$ para $AUC$).
Análisis de Sensibilidad: La solubilidad y el aclaramiento mediado por CYP3A4 fueron identificados como los determinantes principales de la exposición sistémica, seguidos por la dosis oral y la permeabilidad efectiva.
Insuficiencia Hepática: Las simulaciones en sujetos con insuficiencia hepática predijeron un aumento en la $C_{max}$ (de 64.2 a 77.0 µmol/L) y en el $AUC_{tend}$ (de 5138.05 a 5395.20 µmol·min/L), reflejando un aclaramiento metabólico reducido.

Significancia y Reivindicaciones
El artículo sostiene que el marco de trabajo de disolución informado por PBPK traduce con éxito el comportamiento de disolución biorelevante en resultados farmacocinéticos con una alta precisión predictiva. El IVISc integrado asistido por PBPK demuestra una predicción robusta de los efectos de los alimentos y la exposición sistémica para el clorhidrato de lurasidona.

Los autores posicionan este trabajo como una aplicación práctica del Desarrollo de Fármacos Basado en Modelos (MIDD). Afirman que el marco de trabajo respalda:

Optimización de la Formulación: Al vincular perfiles de disolución específicos con la exposición prevista.
Predicción del Efecto de los Alimentos: Explicando mecánicamente el efecto positivo de los alimentos a través de la solubilización y la cinética de disolución.
Evaluación de Poblaciones Especiales: Demostrando la capacidad del modelo para predecir cambios en la PK en casos de insuficiencia hepática.
Utilidad Regulatoria: Alineándose con las guías de la FDA e ICH (incluyendo ICH M15) con respecto al uso de PBPK para aplicaciones biofarmacéuticas, bioequivalencia virtual y la reducción de la dependencia de estudios clínicos extensos para fármacos poco solubles en agua.

El estudio concluye que este enfoque proporciona una alternativa mecanística a las correlaciones empíricas in vitro–in vivo (IVIVC), ofreciendo una herramienta validada para evaluar el impacto de la fisiología gastrointestinal en la absorción de fármacos de la Clase II del BCS.