Prediction variability in physiologically based pharmacokinetic modeling of tissue disposition under deep uncertainty

Dit onderzoek analyseert hoe onzekerheid in parameters en modelaannames de voorspellingsvariabiliteit van fysiologisch gebaseerde farmacokinetische (PBPK) modellen voor weefselblootstelling beïnvloedt, waarbij wordt vastgesteld dat deze variabiliteit sterk afhankelijk is van molecuuleigenschappen en dat er aanzienlijke modelonenigheid bestaat voor lipofiele, geprotoneerde moleculen.

De kern

Titel: Het Voorspellen van Medicijnen in een Onzekere Wereld: Een Reis door het Menselijk Lichaam

Stel je voor dat je een nieuwe medicijnontwikkelaar bent. Je hebt een nieuwe chemische verbinding uitgevonden die misschien een wondermiddel kan zijn tegen een ziekte. Maar voordat je het aan mensen kunt geven, moet je weten: Hoe reist dit medicijn door het lichaam? Hoeveel komt er aan op de juiste plek? En hoe lang blijft het daar?

Vroeger moest je dit allemaal testen op ratten en mensen, wat duur, duur en ethisch lastig is. Vandaag de dag gebruiken wetenschappers computersimulaties, genaamd PBPK-modellen. Dit zijn als het ware digitale "tweelingen" van het menselijk lichaam. Ze proberen te voorspellen wat er gebeurt, puur op basis van de vorm en eigenschappen van het molecuul.

Maar hier zit de kous: De computers zijn niet perfect.

Het Probleem: De "Diepe Onzekerheid"

In dit artikel kijken de auteurs naar wat er gebeurt als je die digitale modellen gebruikt voor medicijnen die nog niet bestaan (virtuele medicijnen). Voor deze nieuwe medicijnen moeten we de eigenschappen (zoals hoe vetoplosbaar ze zijn of hoe snel ze afbreken) voorspellen met andere computerprogramma's (AI).

Deze voorspellingen zijn vaak niet 100% juist. Ze hebben een beetje "ruis" of onzekerheid.

• De Analogie: Stel je voor dat je een reisroute plakt met een GPS. Maar de GPS heeft een beetje een slechte signaalontvangst en geeft soms verkeerde afstanden aan. Als je nu een heleboel verschillende routes berekent met die onzekere GPS, hoe groot is dan de kans dat je op de verkeerde plek aankomt?

De auteurs wilden weten: Als we met deze onzekere data werken, hoe groot is de kans dat de voorspelling over het medicijn compleet uit de hand loopt?

De Experimenten: Vier Verschillende Kaarten

De onderzoekers namen vier verschillende "digitale landkaarten" (PBPK-modellen) en testten ze op twee manieren:

1. De Test met Bekende Medicijnen: Eerst keken ze of de kaarten goed werkten voor medicijnen die we al kennen. Ze vergelijkingen de voorspellingen met de echte resultaten.

   • Resultaat: Alle vier de modellen waren redelijk goed, maar niet perfect. Net zoals vier verschillende navigatiesystemen soms net iets andere routes kiezen, maar allemaal naar dezelfde stad leiden.

2. De Test met Onzekere Data (De "Gok"): Vervolgens maakten ze 10.000 fictieve medicijnen. Voor deze medicijnen gaven ze de modellen een beetje "ruis" (onzekerheid), alsof ze de eigenschappen van de medicijnen niet precies wisten, maar moesten gokken op basis van AI.

   • Resultaat: Hier werd het interessant. Voor de meeste medicijnen bleven de voorspellingen redelijk stabiel. Maar voor een specifieke groep medicijnen (die vetoplosbaar zijn en geladen deeltjes hebben, zoals zure of basische stoffen) gingen de modellen volledig uit elkaar.

De Ontdekking: De "Vette, Geladen" Medicijnen

De onderzoekers ontdekten een verrassend patroon. Er is een groepje medicijnen – laten we ze de "Vette, Geladen Reisigers" noemen – waar de modellen het oneens over zijn.

• Model A zegt: "Dit medicijn gaat direct naar de lever en wordt snel afgebroken."
• Model B zegt: "Nee, dit medicijn plakt vast in het vetweefsel en blijft daar jarenlang hangen."

Waarom? Omdat de modellen verschillende regels gebruiken om te berekenen hoe medicijnen zich aan vet en eiwitten hechten. Bij de "Vette, Geladen Reisigers" maken deze kleine verschillen in de regels een enorm verschil in het eindresultaat. Het is alsof je twee verschillende regelsboeken hebt voor hoe een auto over een helling rijdt; bij een kleine helling maakt het niet uit, maar bij een steile helling (de "Vette, Geladen" groep) rijdt de ene auto omhoog en de andere naar beneden.

Waarom is dit belangrijk?

De boodschap van dit artikel is tweeledig:

1. Wees voorzichtig met AI: Als we AI gebruiken om nieuwe medicijnen te ontwerpen, moeten we beseffen dat de voorspellingen over hoe het medicijn in het lichaam werkt, soms heel onzeker kunnen zijn. Vooral voor die "Vette, Geladen" groep.
2. Geen één model is perfect: Er is geen enkele "super-model" dat voor alles werkt. Soms helpt het om een model te "kalibreren" (afstellen op bekende data), maar dat kan het model ook te stijf maken, waardoor het nieuwe, vreemde medicijnen niet meer goed kan voorspellen.

De Conclusie in Eén Zin

Het bouwen van een voorspellend model voor medicijnen is als het bouwen van een brug in een mistige vallei; je kunt de brug wel bouwen, maar als de wind (de onzekerheid in de data) te hard waait, weten we niet of de brug voor iedereen veilig is, vooral niet voor de zware vrachtwagens (die specifieke, moeilijke medicijnen).

De onderzoekers zeggen: "We moeten weten waar onze modellen zwak zijn, zodat we niet blindelings vertrouwen op een voorspelling die misschien volledig verkeerd is."

Technische samenvatting

Titel: Voorspellingsvariabiliteit in fysiologisch gebaseerde farmacokinetische (PBPK) modellering van weefseldispositie onder diepe onzekerheid

Auteurs: Mustafa Farahat, D.T. Flaherty, Zachary R. Fox, en Belinda S. Akpa.

---

1. Probleemstelling

Fysiologisch gebaseerde farmacokinetische (PBPK) modellen worden steeds vaker gebruikt in virtuele screening-workflows voor de ontwikkeling van nieuwe geneesmiddelen. Deze mechanistische modellen projecteren farmacokinetische (PK) uitkomsten op basis van moleculaire eigenschappen, waarbij data-gedreven modellen (zoals QSAR) dienen als tussenlaag om chemische structuren om te zetten in PBPK-invoervariabelen.

Het centrale probleem dat dit artikel adresseert, is de "diepe epistemische onzekerheid" die ontstaat wanneer PBPK-modellen worden toegepast op virtuele verbindingen zonder experimentele validatie. Deze onzekerheid heeft twee bronnen:

1. Structurele onzekerheid: PBPK-modellen zijn abstracties van de echte fysiologie; verschillende modellen maken verschillende aannames over weefselverdeling (bijv. interacties met lipiden en eiwitten).
2. Parametrische onzekerheid: Voor virtuele verbindingen moeten invoerparameters (zoals logD, pKa, fractionele ongebondenheid $f_u$) worden voorspeld door QSAR-modellen, wat leidt tot aanzienlijke voorspellingsfouten.

De vraag is hoe deze onzekerheid zich voortplant door PBPK-modellen en of de resulterende voorspellingen betrouwbaar genoeg zijn voor besluitvorming in vroege ontwikkelstadia.

2. Methodologie

De auteurs hebben een robuuste analyse uitgevoerd om de impact van onzekerheid op de voorspellingsvariabiliteit te kwantificeren.

• Modellen: Vier verschillende PBPK-modellen werden vergeleken:
  1. Een aangepast model van de auteurs (gebaseerd op het Rodgers & Rowland (R&R)-Lukacova-framework).
  2. Het R&R-Lukacova-model van Mathew et al.
  3. Het Schmitt-gebaseerde model van Pearce et al. (gecalibreerd).
  4. Het Schmitt-gebaseerde model van Pearce et al. (niet-gecalibreerd).
• Validatie: De modellen werden eerst gevalideerd tegen 1.854 experimentele datapunten (rat weefsel-partitiecoëfficiënten $K_p$ en menselijk steady-state distributievolume $V_{ss}$) om de voorspellingsnauwkeurigheid vast te stellen.
• Monte Carlo Simulaties: Om de impact van onzekerheid te testen, werd een synthetische dataset van $10^4$ virtuele moleculen gegenereerd. De invoerparameters werden verstoord volgens verdelingen die de gemiddelde absolute fout (MAE) van bestaande QSAR-modellen nabootsen. Er werden $10^3$ Monte Carlo-realizaties per molecuul uitgevoerd.
• Analyse van Uitkomsten: De studie analyseerde de variabiliteit in PK-statistieken: $V_{ss}$, maximale ongebonden concentratie ($C_{max,u}$), het gebied onder de curve ($AUC_{u0-\infty}$) en de duur dat de concentratie boven een drempel bleef ($T_{0.1\mu M}$).
• Clustering en Sensitiviteitsanalyse:
  • Wasserstein-afstand: Gebruikt om de verschillen in voorspellingsverdelingen tussen modellen te kwantificeren.
  • K-means clustering: Toegepast om moleculen te groeperen op basis van hun mate van overeenstemming tussen de modellen.
  • Sobol' Global Sensitivity Analysis: Gebruikt om bij te dragen aan de variatie in uitkomsten door specifieke invoerparameters (inclusief correlaties tussen parameters).

3. Belangrijkste Bijdragen

• Kwantificering van Onzekerheidspropagatie: De studie biedt een van de eerste diepgaande analyses van hoe onzekerheid in QSAR-voorspellingen zich voortplant naar dynamische, weefselspecifieke PK-uitkomsten in verschillende PBPK-frameworks.
• Identificatie van "Problematische" Chemische Ruimte: De auteurs identificeren een specifiek subgebied van de chemische ruimte (sterk geprotoneerde, lipofiele moleculen) waar modellen fundamenteel van mening verschillen, zelfs bij nominale voorspellingen.
• Rol van Modelstructuur vs. Parameteronzeekerheid: Het werk onderscheidt duidelijk tussen variabiliteit veroorzaakt door de wiskundige abstractie van het model zelf en variabiliteit veroorzaakt door onnauwkeurige invoerparameters.
• Impact van Calibratie: De studie toont aan dat empirische calibratie (zoals bij het Pearce-model) de voorspellingsnauwkeurigheid kan verbeteren, maar de flexibiliteit en het vermogen om variabiliteit te vangen binnen de chemische ruimte kan beperken.

4. Resultaten

• Validatie: Alle drie de onderzochte modelarchitecturen (R&R-Lukacova varianten en Schmitt) vertoonden een vergelijkbare algemene nauwkeurigheid bij het voorspellen van $K_p$ en $V_{ss}$ voor bekende geneesmiddelen met gemeten parameters.
• Voorspellingsvariabiliteit:
  • De variabiliteit in $V_{ss}$-voorspellingen onder onzekerheid varieerde sterk tussen de modellen (coëfficiënt van variatie van $10^{-6}$ tot 31).
  • Het niet-gecalibreerde Pearce-model vertoonde een mediane variantie die een orde van grootte hoger was dan de andere modellen.
• Modelonverdraaglijkheid (Discordance):
  • Clustering onthulde twee groepen moleculen. Een kleine groep (7,5% van de dataset, Cluster 1) vertoonde grote onenigheid tussen de modellen.
  • Kenmerken van Cluster 1: Deze moleculen zijn uitsluitend basen of zwitterionen, zeer lipofiel (hoge logD) en sterk geprotoneerd.
  • Het Mathew-model bleek de belangrijkste afwijking te vertonen ten opzichte van de andere modellen voor deze groep, voornamelijk door specifieke aannames over de interactie van ionisatie met lipiden en eiwitten.
• Sensitiviteitsanalyse:
  • Voor de "probleematische" moleculen (Cluster 1) was de variatie in $V_{ss}$ bij het Mathew-model bijna volledig het gevolg van interacties tussen parameters (vooral tussen logD en pKa), in plaats van onafhankelijke effecten. Dit betekent dat het verbeteren van de voorspelling van één parameter niet volstaat om de onzekerheid te verminderen.
  • Bij de andere modellen was de variatie meer afhankelijk van individuele parameters (zoals $f_u$ en logD).
  • Calibratie van het Pearce-model verlaagde de invloed van lipofiliciteit (logD) op de variabiliteit en verhoogde de gevoeligheid voor intrinsieke klaring ($CL_{int}$), wat suggereert dat calibratie de rol van levermetabolisme voor lipofiele moleculen kan "openen" die anders vastzitten in vetweefsel.

5. Betekenis en Conclusie

De studie concludeert dat het gebruik van ML-informeerde PBPK-workflows voor virtuele screening aanzienlijke risico's met zich meebrengt, vooral voor lipofiele, geprotoneerde moleculen.

• Structuur is cruciaal: De keuze van het wiskundige raamwerk (de abstractie van fysiologische processen) heeft een grotere impact op de voorspellingsvariabiliteit dan alleen het verbeteren van de nauwkeurigheid van de invoerparameters.
• Beperkingen van Calibratie: Hoewel calibratie de nauwkeurigheid voor bestaande geneesmiddelen verbetert, kan het de modelflexibiliteit beperken en leiden tot onbetrouwbare extrapolaties naar nieuwe chemische ruimtes.
• Aanbevelingen: Om voorspellingsvariabiliteit te beperken, moeten modellen vermijden om termen binair te maken op basis van molecuuleigenschappen (bijv. het volledig uitsluiten van eiwitbinding voor bepaalde ionisatietoestanden). Voor betrouwbare virtuele screening is het essentieel om de onzekerheid in QSAR-voorspellingen te minimaliseren, maar ook om te beseffen dat sommige modelstructuren inherent onstabiel zijn onder onzekerheid.

De bevindingen bieden een waarschuwing voor onderzoekers die PBPK-modellen gebruiken in vroege ontwerpfases: zonder experimentele validatie kunnen voorspellingen voor specifieke chemische subgroepen sterk variëren afhankelijk van het gekozen model, wat besluitvorming bemoeilijkt.