A curated benchmark database for high-throughput mechanistic pharmacokinetic prediction
本文介绍了一个经过整理的、机器可读的数据库，其中包含跨多种物种和给药途径的 180 个血浆浓度-时间曲线，旨在解决缺乏公开基准的问题，从而实现对高通量机制性药代动力学预测方法进行透明、可重复的评估与改进。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在药物研发的早期阶段，科学家们面临着一场艰难的平衡博弈。他们必须设计出既能有效对抗疾病，又能确保这些分子能够在人体内穿行以到达目标的分子。这一过程被称为药代动力学。它涉及药物如何被吸收、如何在组织中移动、身体如何分解药物，以及药物最终如何被排出体外。几十年来，由于测量这些过程需要昂贵的实验室测试和复杂的动物研究，这一环节往往被留到开发后期才进行。因此，研究人员最初根据药物对抗疾病的效果来设计药物，却在后期发现身体无法吸收它，或者它被排除得太快。为了加速研发进程，科学家们转向使用计算机模型，这些模型可以在一滴液体进行实际测试之前，预测这些旅程。然而，为了让这些数字预测值得信赖，它们需要通过现实世界的数据来进行验证。直到现在，一直缺乏高质量、有组织的数据库来让不同的计算机程序进行公平比较，这使得人们很难知道哪些工具是真正可靠的。
Simulations Plus, Inc. 的一个研究小组解决了这一空白，他们组建了一个全新的、经过精心策划的数据库，旨在测试这些预测工具。他们收集了涉及 76 种不同药物化合物的 180 个特定场景的信息，这些化合物在五种不同的物种中进行了测试：人类、猴子、狗、大鼠和小白鼠。对于每个场景，他们收集了药物随时间变化的完整故事，记录了在每一个测量时刻血液中的药物浓度，而不仅仅是一个单一的汇总数字。这种方法捕捉了药物旅程的整个形状，揭示了关于药物吸收速度或在体内停留时间等细节。该团队标准化了化合物的化学结构和计量单位，确保每个数据点都是一致且可供计算机分析的。他们还包含了药物给药方式的信息，例如静脉注射、口服片剂或液体溶液，并注明了每种情况下的具体剂量。
利用这个新数据库，研究人员测试了一个旨在预测药物旅程的高速计算机系统。他们为所有 180 个案例运行了模拟，将药物的化学结构以及研究详情（如物种和剂量）输入该系统。随后，系统生成了一条预测曲线，展示药物浓度随时间变化的预期情况。研究人员将这些预测曲线直接与现实研究中记录的实际曲线进行对比。他们发现，该计算机模型的表现相当不错，约有三分之一的预测结果落在实际测量值的两倍因子范围内。在药物研发领域，处于两倍因子以内通常被认为是一个很强的结果，但该模型的表现甚至更好；在更广泛的范围内看，几乎所有的预测都落在观测值的十倍因子之内。这种准确度水平表明，该计算机模型能够捕捉不同动物和给药方式下药物的总体行为。
研究还揭示了该计算机模型面临困难的地方。对于通过肝脏或肾脏消除的药物，预测最为准确，因为这些是模型所涵盖的主要途径。然而，对于某些类型的药物，由于其在肝脏中的吸收方式较为特殊，目前的软件无法完全模拟，导致模型的准确性有所下降。这是一个至关重要的发现，因为它告诉开发人员应该在哪里集中精力进行改进。此外，研究人员还测试了该模型是否可以使用来自其他来源的数据，而不仅仅是他们内部的预测。他们发现，该模型可以成功运行使用来自不同计算机程序的输入数据，这表明该数据库具有足够的灵活性来测试各种工具。这种灵活性至关重要，因为它允许不同的研究小组使用相同的基准来比较各自的方法，从而促进了共同标准的建立。
该数据库还包括了多种打破传统药物设计规则的复杂分子，例如大型环肽和大环化合物。这些是较新型的药物，更难预测，研究人员发现他们更新后的模型比旧版本能更好地处理这些复杂结构。通过包含这些具有挑战性的案例，该数据库确保了正在接受测试的工具不仅能应对过去的药物，也能应对未来医学的挑战。研究人员承认该数据库并不完美：它仅限于单次给药，并且尚未涵盖所有可能的给药方式，例如输液或皮下注射。他们还指出，他们必须合并来自不同研究的数据，这引入了一些自然的变异。然而，他们已将该数据库公开，并计划持续更新，邀请其他科学家报告错误或添加新数据。
这项工作代表了药物研发评估方式的一种转变。这种方法不再仅仅根据一个单一的数字在排行榜上对计算机程序进行排名，而是鼓励更深入地观察模型为何成功或失败。通过对比药物旅程的整个曲线，科学家可以观察模型是在吸收、分布还是消除阶段出现了问题，从而为修复软件提供清晰的路线图。该数据库作为一个共享资源，使科学界能够超越孤立的实验，走向一个更加透明、可重复的标准。随着该领域向使用人工智能设计药物迈进，拥有一个可靠的测试这些预测的方法是必不可少的。这一经过策划的现实世界数据集合提供了基础，有助于确保指导下一代药物的数字工具尽可能准确且值得信赖。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。