Human Intestinal Absorption Revisited: The 1998 Descriptors Survive, and the Method Extends to Permeability
Questo articolo rivisita un modello del 1998 per l'assorbimento intestinale umano dimostrando che le sue prestazioni originali dipendevano da una fortunata suddivisione dei dati, e stabilisce successivamente modelli predittivi più robusti e basati sul consenso per l'assorbimento intestinale e vari saggi di permeabilità utilizzando set di descrittori selezionati tramite algoritmi genetici e foreste casuali attraverso 250 estrazioni stratificate.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo
Quando una persona inghiotte una pillola, il medicinale deve attraversare una barriera complessa: la parete dell'intestino. Se non riesce ad attraversare questa parete, il farmaco non raggiunge mai il flusso sanguigno per svolgere la sua funzione. Gli scienziati cercano da tempo di prevedere se un nuovo composto chimico compirà questo viaggio con successo, utilizzando modelli informatici che analizzano la forma e le proprietà elettriche della molecola. Per decenni, un set specifico di sei misurazioni matematiche derivate dalla struttura di una molecola è stato lo strumento standard per formulare queste ipotesi. Queste misurazioni, che catturano aspetti come la carica della molecola e la sua superficie, sono state stabilite in uno studio celebre del 1998. Quello studio suggeriva che questi sei numeri fossero sufficienti per prevedere l'assorbimento con un'alta precisione, una tesi che ha influenzato lo sviluppo dei farmaci sin da allora. Tuttavia, l'affidabilità di tali previsioni dipende fortemente da come i dati vengono suddivisi e testati, e i risultati originali si basavano su una singola, specifica divisione dei dati che potrebbe essere stata insolitamente fortunata.
Un team di ricercatori ha recentemente rivisitato questo classico problema per vedere se quelle sei misurazioni originali reggano ancora il confronto quando testate in modo più rigoroso. Hanno preso gli 86 composti originali dello studio del 1998 e, invece di testarli una sola volta, hanno eseguito l'esperimento 250 volte, rimescolando ogni volta i dati in gruppi diversi per vedere come si comportasse il modello in media. Hanno scoperto che la storia di successo originale era effettivamente un colpo di fortuna. Quando le stesse sei misurazioni sono state testate attraverso tutti questi rimescolamenti, l'errore medio è stato quasi il doppio di quanto riportato nel documento originale. Il modello funzionava bene sui dati che aveva già visto, ma faticava a prevedere i composti non visti con la stessa affidabilità di quanto si pensasse in precedenza. Ciò ha rivelato che il risultato originale non era una regola robusta, ma piuttosto l'esito specifico di una particolare disposizione dei dati.
Non scoraggiati, i ricercatori si sono chiesti se queste sei misurazioni potessero essere ancora utili se applicate a una collezione molto più ampia di composti. Hanno preso lo stesso numero di sei parametri e lo hanno applicato a un insieme di dati di 780 diverse molecole simili a farmaci. I risultati sono stati migliori rispetto al piccolo set, ma il tasso di errore rimaneva superiore a quanto desiderato. Il team ha quindi deciso di lasciare che un computer cercasse una combinazione migliore di misurazioni. Utilizzando un metodo che imita la selezione naturale, il computer ha testato migliaia di diverse combinazioni di descrittori molecolari, cercando il set che producesse le previsioni più accurate attraverso i 250 diversi rimescolamenti dei dati. Questo processo ha identificato un nuovo set fisso di venticinque misurazioni che superava costantemente le sei originali. Questo nuovo modello, costruito su una base più robusta, ha ridotto significativamente l'errore di previsione, portando l'errore medio a un livello molto più utile per la progettazione di farmaci nel mondo reale.
I ricercatori non si sono fermati solo all'assorbimento umano. Hanno applicato questo stesso processo di test rigoroso e selezione a tre altri problemi difficili nella somministrazione di farmaci: come le piccole molecole e i peptidi si muovono attraverso strati cellulari artificiali e come passano attraverso membrane sintetiche. Per ciascuna di queste quattro distinte sfide, hanno costruito un modello dedicato utilizzando un set specifico di descrittori scelti dal computer. I risultati hanno mostrato che, sebbene le vecchie sei misurazioni non fossero sufficienti, un set più ampio di proprietà, selezionato con cura, poteva prevedere questi comportamenti con molta più fiducia. I nuovi modelli per le piccole molecole e i peptidi hanno raggiunto un'elevata precisione, prevedendo correttamente il movimento dei composti attraverso le barriere cellulari nella stragrande maggioranza dei casi. Questi risultati suggeriscono che i principi alla base del vecchio modello fossero corretti, ma che gli strumenti specifici dovessero essere aggiornati ed espansi per gestire la complessità della moderna scoperta di farmaci.
Tutti e quattro questi nuovi modelli sono ora disponibili per l'uso pubblico, permettendo agli scienziati di testare nuove strutture chimiche contro questi standard raffinati. Il lavoro dimostra che, sebbene la chimica fondamentale dell'assorbimento non sia cambiata, il modo in cui la misuriamo e la prevediamo deve evolversi. Allontanandosi da una singola, fortunata divisione dei dati e abbracciando un metodo che testa le previsioni attraverso centinaia di scenari differenti, i ricercatori hanno fornito una mappa più onesta e affidabile per navigare il viaggio di un farmaco dalla pillola al flusso sanguigno. Le sei misurazioni originali non erano sbagliate, ma erano incomplete; i nuovi set di venticinque misurazioni offrono un quadro più chiaro e completo di come i farmaci interagiscano con il corpo umano.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.