📄 medicine

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

Deze studie heeft een op dissolutie gebaseerd, door PBPK ondersteund in vitro–in silico correlatiekader ontwikkeld en gevalideerd dat er succesvol in slaagde de voedseleffecten en de systemische blootstelling van het slecht wateroplosbare geneesmiddel lurasidonhydrochloride te voorspellen door biorelevante dissolutiedata te integreren met fysiologisch gebaseerde farmacokinetische modellering.

Oorspronkelijke auteurs: Minal Narkhede, Sonal Mhaske, Jitendra Nehete

Gepubliceerd 2026-08-12

📖 7 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Minal Narkhede, Sonal Mhaske, Jitendra Nehete

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een boodschap probeert over te brengen in een drukke kamer. Als de boodschap op een glad, wateroplosbaar stuk papier staat geschreven, kan het oplossen voordat het de andere kant bereikt. Maar als het papier dik en wasachtig is, lost het misschien helemaal niet op, waardoor de boodschap ongelezen blijft. Dit lijkt een beetje op hoe veel medicijnen in ons lichaam werken. Sommige medicijnen zijn zoals dat wasachtige papier: ze mengen niet goed met de waterige vloeistoffen in onze maag en darmen. Omdat ze niet gemakkelijk oplossen, kunnen ze niet worden opgenomen in de bloedbaan om hun werk te doen. Wetenschappers noemen dit een "dissolutie-gelimiteerd" probleem.

Stel je nu voor dat de regels van de drukke kamer veranderen, afhankelijk van of je net een grote maaltijd hebt gehad of nog honger hebt. Als je net gegeten hebt, produceert je maag meer speciale "detergentia" (galzouten genoemd) die kunnen helpen om dat wasachtige papier af te breken. Dit is het "voedseleffect". Voor sommige medicijnen zorgt eten ervoor dat ze veel beter werken; voor andere kan het juist zorgen dat ze minder goed werken. Het voorspellen van hoe een specifiek medicijn zich precies zal gedragen onder deze verschillende omstandigheden is lastig. Wetenschappers gebruiken twee belangrijke instrumenten om dit puzzelstukje op te lossen: ze testen hoe snel een medicijn oplost in een kopje vloeistof dat de maag nabootst (in vitro), en ze gebruiken krachtige computermodellen om te simuleren hoe het medicijn door een menselijk lichaam beweegt (in silico of PBPK-modellering). De grote vraag is: kunnen we deze twee instrumenten combineren om precies te voorspellen hoe een medicijn in een echt persoon zal werken, vooral wanneer voedsel betrokken is?

Dit artikel duikt in die vraag aan de hand van een specifiek medicijn genaamd lurasidonhydrochloride, dat wordt gebruikt voor de behandeling van aandoeningen zoals schizofrenie. Lurasidon is een klassiek voorbeeld van een medicijn dat moeite heeft om in water op te lossen en een enorm "voedseleffect" heeft — wat betekent dat de prestaties drastisch veranderen, afhankelijk van of je het op een nuchtere maag of met een maaltijd inneemt. De onderzoekers wilden zien of ze een "digitale tweeling" van het menselijk lichaam konden bouwen die nauwkeurig kan voorspellen hoe dit medicijn zich gedraagt, waarbij zij de echte gegevens uit hun laboratoriumexperimenten als startpunt gebruikten.

Het Laboratoriumexperiment: Het "Maagwater" Testen

Eerst gingen het team het laboratorium in om te zien hoe lurasidon zich gedraagt in verschillende soorten "nepmaagjes". Ze gebruikten niet alleen gewoon water; ze creëerden vier verschillende vloeibare omgevingen om de menselijke condities na te bootsen:

Nuchtere maag: Lege maag, zuur.
Gevulde maag: Volle maag, minder zuur, met eigenschappen die lijken op voedsel.
Nuchtere darm: Lege darm, neutrale pH.
Gevulde darm: Volle darm, rijk aan galzouten (de natuurlijke detergentia van het lichaam).

Ze lieten een tablet van 40 mg lurasidon in elk van deze vier vloeistoffen vallen en observeerden hoeveel van het medicijn gedurende twee uur oploste. De resultaten waren duidelijk en spectaculair. Het medicijn loste het meest op in de gevulde maagvloeistof (85,1%), gevolgd door de gevulde darmvloeistof (78,8%). In contrast hiermee loste het veel minder op in de lege maag (61,8%) en het minst in de lege darm (57,7%).

Dit bevestigde wat artsen al wisten: voedsel helpt dit medicijn op te lossen. Maar de onderzoekers wilden weten exact hoe veel beter het zou zijn in een echt menselijk lichaam, niet alleen in een bekerglas.

De Computersimulatie: Een Digitaal Lichaam Bouwen

Vervolgens namen de onderzoekers die echte cijfers uit de bekers en voerden deze in een geavanceerd computerprogramma genaamd PK-Sim. Denk aan dit programma als een videogame waarin je een virtuele mens bouwt. De wetenschappers programmeerden deze virtuele mens met alle juiste details: hoe groot de maag is, hoe snel deze leeg wordt, hoeveel bloed naar de lever stroomt en hoe de lever medicijnen afbreekt.

Ze gokten niet simpelweg hoe het medicijn zou bewegen; ze gebruikten de werkelijke dissolutiegegevens uit hun laboratoriumexperimenten om de computer precies te vertellen hoe snel het medicijn vrijkwam in elk van de vier "maagscenario's". De computer draaide vervolgens de simulatie om te voorspellen hoe de medicijnspiegels in het bloed in de loop van de tijd zouden verlopen.

De Grote Onthulling: De Computer Had het Goed

De resultaten van de simulatie waren indrukwekkend. De computer voorspelde dat het innemen van het medicijn met voedsel (de "gevulde" staat) zou leiden tot een veel hogere hoeveelheid medicijn in het bloed vergeleken met het innemen op een nuchtere maag.

In de simulatie van de gevulde maag werd voorspeld dat de piekconcentratie (Cmax) van het medicijn 64,26 µmol/L zou zijn.
In de simulatie van de nuchtere maag was de piek slechts 46,68 µmol/L.

Dit betekent dat de computer voorspelde dat het toevoegen van voedsel aan de mix leidde tot een stijging van 37,7% in de piekconcentratie van het medicijn. De totale hoeveelheid geabsorbeerd medicijn over de tijd (AUC) steeg ook met bijna 60% in de gevulde staat.

Maar hoe weten we dat de computer niet zomaar iets heeft verzonnen? De onderzoekers vergeleken hun computervoorspellingen met echte gegevens uit klinische studies bij mensen die in andere artikalen waren gepubliceerd. De overeenkomst was verbazingwekkend.

De voorspelling van de computer voor de piekconcentratie week met minder dan 4% af van de echte menselijke gegevens.
De "Fold Error" (een manier om te meten hoe dicht de voorspelling bij de werkelijkheid ligt) was 1,04, wat bijna perfect is (een score van 1,0 zou een perfecte match zijn).
De correlatie tussen hoeveelheid medicijn die oploste in de beker en de hoeveelheid die de computer voorspelde in het bloed, was extreem sterk, met een score van 0,9545.

Dit bewees dat de "digitale tweeling" accuraat was. De computer slaagde erin om het eenvoudige laboratoriumexperiment (het oplossen van een medicijn in een beker) te vertalen naar een complexe voorspelling van wat er in een menselijk lichaam gebeurt.

Wat Stuurt het Systeem Aan?

De onderzoekers speelden ook een spel van "wat als" met behulp van hun computermodel. Ze veranderden één variabele tegelijk om te zien welk deel van het lichaam het belangrijkst was voor de hoeveelheid medicijn die in het bloed terechtkwam. Ze ontdekten twee belangrijke drijvers:

Oplosbaarheid: Hoe goed het medicijn oplost. Dit was de grootste positieve factor. Als het medicijn beter oplost, komt er meer in het bloed terecht.
Leverreiniging: De lever gebruikt een enzym genaamd CYP3A4 om het medicijn af te breken. Dit was de grootste negatieve factor. Als de lever harder werkt, blijft er minder medicijn in het bloed over.

Interessant genoeg waren zaken zoals de snelheid waarmee de maag leeg wordt of hoe lang het medicijn in de darm blijft zitten wel van belang, maar ze waren niet zo cruciaal als het vermogen van het medicijn om op te lossen of het vermogen van de lever om het op te ruimen.

Speciale Populaties: Wat als de Lever Niet Goed Werkt?

Ten slotte stelden de onderzoekers een cruciale vraag: wat gebeurt er als de "digitale mens" een lever heeft die niet perfect werkt? Ze simuleerden een scenario voor mensen met een hepatische beperking (leverfunctiestoornis).

Bij deze virtuele patiënten liepen de medicijnspiegels op. De piekconcentratie (Cmax) steeg van 64,2 naar 77,0 µmol/L.
De totale blootstelling (AUC) nam toe van 5138,05 naar 5395,20 µmol·min/L.

Dit suggereert dat mensen met leverproblemen mogelijk nog meer van het medicijn absorberen, wat belangrijke informatie is voor artsen bij het voorschrijven van de medicatie.

De Conclusie

Deze studie heeft niet simpelweg geraden; het heeft een brug geslagen tussen een eenvoudige labtest en een complex menselijk lichaam. Door real-world dissolutiegegevens te combineren met een computermodel, hebben de onderzoekers een betrouwbaar hulpmiddel gecreëerd dat kan voorspellen hoe lurasidon reageert op verschillende mensen en onder verschillende omstandigheden.

Het artikel suggereert dat deze aanpak — het gebruik van biorelevante dissolutietests om PBPK-modellen te voeden — zeer goed werkt voor medicijnen die moeite hebben met oplossen. Het laat zien dat we voedseleffecten en zelfs het gedrag van het medicijn bij mensen met leverproblemen kunnen voorspellen zonder dat daarvoor evenveel dure en tijdrovende klinische studies op echte mensen voor nodig zijn. Hoewel de studie zich concentreerde op slechts één medicijn en één type tablet, is de methode die zij gebruikten een krachtig nieuw middel om te begrijpen hoe medicijnen werken, wat de ontwikkeling van medicijnen potentieel sneller en veiliger maakt voor iedereen.

Technische Samenvatting: Dissolutie-geïnformeerd PBPK-ondersteund IVISc-raamwerk voor Lurasidonhydrochloride

Probleemstelling
Lurasidonhydrochloride, een atypisch antipsychoticum van de tweede generatie geclassificeerd als BCS (Biopharmaceutics Classification System) klasse II, vertoont een lage wateroplosbaarheid en een hoge intestinale permeabiliteit. De orale absorptie is dissolutie-beperkt en wordt significant beïnvloed door de gastrointestinale fysiologie, wat resulteert in een uitgesproken positief voedseleffect (een ongeveer 2 tot 3 keer verhoging van de biologische beschikbaarheid onder gevoede condities). Conventionele dissolutietests in eenvoudige aquatische media schieten vaak tekort in het voorspellen van de in vivo prestaties van dergelijke slecht wateroplosbare verbindingen. Hoewel Fysiologisch Gebaseerde Farmacokinetische (PBPK) modellering en biorelevante dissolutietests gevestigde instrumenten zijn, bestaat er een kloof in het direct integreren van experimenteel gegenereerde dissolutieprofielen uit meerdere biorelevante media in mechanistische PBPK-simulaties om een robuuste in vitro–in silico correlatie (IVISc) te vestigen voor het voorspellen van voedseleffecten en systemische blootstelling.

Methodologie
De studie maakte gebruik van een systematische workflow die experimentele biorelevante dissolutietests integreerde met PBPK-modellering met behulp van PK-Sim® (versie 12.2):

Biorelevante Dissolutiestudies: Dissolutieprofielen van een 40 mg lurasidonhydrochloride tablet werden gegenereerd in vier gesimuleerde gastrointestinale media: Fasted State Simulated Gastric Fluid (FaSSGF), Fed State Simulated Gastric Fluid (FeSSGF), Fasted State Simulated Intestinal Fluid (FaSSIF) en Fed State Simulated Intestinal Fluid (FeSSIF). De experimenten werden uitgevoerd bij 37°C met behulp van USP Apparatuur II.
Kinetische en Statistische Analyse: Dissolutiedata werden aangepast aan Zero-order, First-order, Higuchi en Korsmeyer–Peppas kinetische modellen. Gelijkenisfactoren ( $f_2$ ) werden berekend om profielen tussen nuchtere (fasted) en gevoede (fed) toestanden te vergelijken.
PBPK-modelontwikkeling: Een whole-body PBPK-model werd geconstrueerd met behulp van een bottom-up benadering. Drugs-specifieke fysisch-chemische parameters (bijv. pKa, logP, intrinsieke oplosbaarheid, fractie ongebonden) en fysiologische parameters werden verkregen uit de literatuur en de PK-Sim database. Het model incorporeerde regio-specifieke gastrointestinale transit, pH-afhankelijke oplosbaarheid en CYP3A4-gemedieerde hepatische metabolisme.
Integratie en Simulatie: Experimenteel afgeleide dissolutieprofielen werden geïntegreerd als tijdsafhankelijke inputs in het PBPK-model. Simulaties werden uitgevoerd voor virtuele volwassen populaties onder nuchtere en gevoede condities om plasma-concentratie–tijdprofielen en farmacokinetische (PK) parameters ( $C_{max}$ , $T_{max}$ , $AUC_{tend}$ ) te voorspellen.
IVISc en Validatie: Een PBPK-ondersteund IVISc-raamwerk werd gevestigd door de mate van dissolutie bij 120 minuten te correleren met de voorspelde systemische blootstelling ( $AUC_{tend}$ ). De modelprestaties werden gevalideerd tegen externe klinische PK-data met behulp van de fold error (FE), average absolute fold error (AAFE), goodness-of-fit analyse en visual predictive checks (VPC).
Gevoeligheidsanalyse en Speciale Populatie Analyse: De gevoeligheidsanalyse identificeerde de belangrijkste drijfveren van de systemische blootstelling. Het gevalideerde model werd verder toegepast om de farmacokinetiek in een populatie met leverfunctiestoornissen (Child–Pugh B) te simuleren.

Belangrijkste Resultaten

Dissolutiegedrag: Dissolutie werd significant beïnvloed door gastrointestinale condities ( $p < 0,001$ ). De hoogste drugsvrijgave werd waargenomen in FeSSGF (85,1%), gevolgd door FeSSIF (78,8%), FaSSGF (61,8%) en FaSSIF (57,7%). Het Korsmeyer–Peppas model bood de beste fit voor de meeste media, wat wijst op een niet-Fickiaanse (anomale) release-eigenschap.
PBPK-voorspellingen: Het model vertaalde de dissolutie-inputs succesvol naar PK-uitkomsten. FeSSGF-simulaties leverden de hoogste voorspelde $C_{max}$ (64,26 µmol/L) en $AUC_{tend}$ (5138,05 µmol·min/L) op. Vergeleken met de nuchtere toestanden voorspelden fed-state simulaties een stijging van 37,7% in $C_{max}$ en 59,9% in $AUC_{tend}$ voor gastrische condities, en respectievelijk 36,3% en 40,2% voor intestinale condities.
IVISc Correlatie: Een sterke lineaire relatie werd vastgesteld tussen het percentage gedissolveerde drug bij 120 minuten en de voorspelde $AUC_{tend}$ ( $R^2 = 0,9545$ ), wat bevestigt dat de mate van dissolutie de systemische blootstelling in het model direct aanstuurt.
Modelvalidatie: Het model vertoonde een uitstekende voorspellende nauwkeurigheid. De mean fold error (MFE) en average absolute fold error (AAFE) waren beide 1,04. Voorspellingsfouten voor $C_{max}$ en $AUC$ varieerden van 3,67% tot 3,98%, ruim binnen de geaccepteerde $\pm 20\%$ criteria. De goodness-of-fit analyse toonde een sterke overeenkomst ( $R^2 = 0,97$ voor $C_{max}$ , $0,98$ voor $AUC$).
Gevoeligheidsanalyse: Oplosbaarheid en CYP3A4-gemedieerde klaring werden geïdentificeerd als de primaire determinanten van de systemische blootstelling, gevolgd door de orale dosis en effectieve permeabiliteit.
Leverimperfectie: Simulaties bij subjecten met leverimperfectie voorspelden een toename in $C_{max}$ (van 64,2 naar 77,0 µmol/L) en $AUC_{tend}$ (van 5138,05 naar 5395,20 µmol·min/L), wat wijst op een verminderde metabole klaring.

Betekenis en Claims
Het artikel claimt dat het ontwikkelde dissolutie-geïnformeerde PBPK-raamwerk de biorelevante dissolutiegedraging succesvol vertaalt naar farmacokinetische uitkomsten met een hoge voorspellende nauwkeurigheid. De geïntegreerde PBPK-ondersteunde IVISc demonstreert een robuuste voorspelling van voedseleffecten en systemische blootstelling voor lurasidonhydrochloride.

De auteurs positioneren dit werk als een praktische toepassing van Model-Informed Drug Development (MIDD). Zij stellen dat het raamwerk ondersteuning biedt voor:

Formuleringoptimalisatie: Door specifieke dissolutieprofielen te koppelen aan de voorspelde blootstelling.
Voedseleffect-voorspelling: Het mechanistisch verklaren van het positieve voedseleffect door solubilisatie en dissolitiekinetiek.
Beoordeling van speciale populaties: Het demonstreren van het vermogen van het model om PK-veranderingen bij leverimperfectie te voorspellen.
Regulatorisch nut: Afstemming op FDA- en ICH-richtlijnen (inclusief ICH M15) met betrekking tot het gebruik van PBPK voor biopharmaceutische toepassingen, virtuele bioequivalentie en het verminderen van de afhankelijkheid van uitgebreide klinische studies voor slecht wateroplosbare geneesmiddelen.

De studie concludeert dat deze aanpak een mechanistisch alternatief biedt voor empirische in vitro–in vivo correlaties (IVIVC), en een gevalideerd instrument biedt voor het evalueren van de impact van de gastrointestinale fysiologie op de absorptie van BCS klasse II-geneesmiddelen.