Human Intestinal Absorption Revisited: The 1998 Descriptors Survive, and the Method Extends to Permeability
Cet article revisite un modèle de 1998 sur l'absorption intestinale humaine en démontrant que sa performance originale reposait sur une répartition de données fortuite, et établit par la suite des modèles prédictifs plus robustes et fondés sur le consensus pour l'absorption intestinale et divers essais de perméabilité, en utilisant des ensembles de descripteurs sélectionnés par algorithme génétique et des forêts aléatoires à travers 250 extractions stratifiées.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
Lorsqu'une personne avale un comprimé, le médicament doit franchir une barrière complexe : la paroi de l'intestin. S'il ne peut traverser cette paroi, le médicament n'atteint jamais la circulation sanguine pour accomplir sa tâche. Depuis longtemps, les scientifiques tentent de prédire si un nouveau composé chimique réussira ce voyage, en utilisant des modèles informatiques qui examinent la forme et les propriétés électriques de la molécule. Pendant des décennies, un ensemble spécifique de six mesures mathématiques dérivées de la structure d'une molécule a été l'outil standard pour formuler ces suppositions. Ces mesures, qui capturent des aspects tels que la charge de la molécule et sa surface, ont été établies dans une étude célèbre de 1998. Cette étude suggérait que ces six nombres suffisaient à prédire l'absorption avec une grande précision, une affirmation qui a influencé le développement de médicaments depuis lors. Cependant, la fiabilité de telles prédictions dépend fortement de la manière dont les données sont divisées et testées, et les résultats originaux reposaient sur une division unique et spécifique des données qui pourrait avoir été exceptionnellement chanceuse.
Une équipe de chercheurs a récemment revisité ce problème classique pour voir si ces six mesures originales tiennent toujours la route lorsqu'elles sont testées de manière plus rigoureuse. Ils ont repris les 86 composés originaux de l'étude de 1998 et, au lieu de les tester une seule fois, ont lancé l'expérience 250 fois, en mélangeant les données dans différents groupes à chaque fois pour voir comment le modèle se comportait en moyenne. Ils ont découvert que le succès initial était effectivement un coup de chance fortuit. Lorsque les mêmes six mesures ont été testées à travers ces nombreux mélanges, l'erreur moyenne était presque le double de ce que l'article original avait rapporté. Le modèle fonctionnait bien sur les données qu'il avait déjà vues, mais il peinait à prédire les composés inconnus aussi de manière fiable qu'on le pensait autrefois. Cela a révélé que le résultat original n'était pas une règle robuste, mais plutôt le résultat spécifique d'un agencement particulier des données.
Loin d'être décourés, les chercheurs ont cherché à savoir si ces six mesures pourraient toujours être utiles si elles étaient appliquées à une collection beaucoup plus large de composés. Ils ont pris ces mêmes six nombres et les ont appliqués à un ensemble de données de 780 molécules différentes de type médicament. Les résultats étaient meilleurs que sur le petit ensemble, mais le taux d'erreur restait plus élevé que souhaité. L'équipe a ensuite décidé de laisser un ordinateur chercher une meilleure combinaison de mesures. En utilisant une méthode qui imite la sélection naturelle, l'ordinateur a testé des milliers de combinaisons différentes de descripteurs moléculaires, cherchant l'ensemble qui produisait les prédictions les plus précises à travers les 250 mélanges de données différents. Ce processus a identifié un nouvel ensemble fixe de vingt-cinq mesures qui surpassent systématiquement les six originales. Ce nouveau modèle, construit sur une base plus robuste, a réduit l'erreur de prédiction de manière significative, faisant descendre l'erreur moyenne à un niveau beaucoup plus utile pour la conception de médicaments en conditions réelles.
Les chercheurs ne se sont pas arrêtés à l'absorption humaine. Ils ont appliqué ce même processus de test et de sélection rigoureux à trois autres problèmes difficiles de l'administration de médicaments : la façon dont les petites molécules et les peptides traversent des couches cellulaires artificielles, et la façon dont ils traversent des membranes synthétiques. Pour chacun de ces quatre défis distincts, ils ont construit un modèle dédié en utilisant un ensemble spécifique de descripteurs choisis par l'ordinateur. Les résultats ont montré que, si les six anciennes mesures n'étaient pas suffisantes, un ensemble plus large et soigneusement sélectionné de propriétés pouvait prédire ces comportements avec une bien plus grande confiance. Les nouveaux modèles pour les petites molécules et les peptides ont atteint une grande précision, prédisant correctement le mouvement des composés à travers les barrières cellulaires dans la vaste majorité des cas. Ces découvertes suggèrent que les principes sous-jacents à l'ancien modèle étaient corrects, mais que les outils spécifiques devaient être mis à jour et élargis pour faire face à la complexité de la découverte de médicaments moderne.
Tous les quatre de ces nouveaux modèles sont désormais disponibles au public, permettant aux scientifiques de tester de nouvelles structures chimiques par rapport à ces normes affinées. Ce travail démontre que, si la chimie fondamentale de l'absorption n'a pas changé, la façon dont nous la mesurons et la prédisons doit évoluer. En s'éloignant d'une division de données unique et chanceuse pour adopter une méthode qui teste les prédictions à travers des centaines de scénarios différents, les chercheurs ont fourni une carte plus honnête et plus fiable pour naviguer dans le voyage d'un médicament du comprimé jusqu'au flux sanguin. Les six mesures originales n'étaient pas fausses, elles étaient incomplètes ; les nouveaux ensembles de vingt-cinq mesures offrent une image plus claire et plus complète de la façon dont les médicaments interagissent avec le corps humain.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.