پیش بینی کلاس محلولیت براساس پارامترهای ساختاری در طبقه بندی بیوفارماسیوتیکال داروها

Abstract

فارماکوکینتیک و خصوصیات فیزیکوشیمیایی نقش عمده ای در کشف و توسعه داروها دارند. سیستم های BCS Biopharmaceutics Classification System)) و BDDCS (Biopharmaceutics Drug Disposition Classification System)براساس محلولیت و نفوذپذیری/متابولیسم دارای 4 رده هستند. داروها به دو دسته دارای محلولیت بالا و یا پایین طبقه بندی می شوند. یک دارو زمانی با محلولیت بالا تلقی می شود که بیشترین دوز آن در 250 میلی لیترمحیط آبی و یا کمتر، در رنج pH 7/5-1 محلول باشد. بنابراین پارامترها در حالت یونی می توانند فاکتورهای برجسته ای در تخمین و پیش بینی کلاس محلولیت داروها باشند. اهداف: در این مطالعه تعداد 577 ترکیب برای ایجاد مدل های کامیپوتری به منظور پیش بینی کلاس محلولیت داروها در سیستم BCS/BDDCS براساس پارامترهای ساختاری و مفسرهای داروها به کار گرفته شد.روش کار:کلاس محلولیت، بیشترین دوز و وزن مولکولی داروها از مقالات قبلی جمع آوری شد و پارامترهای ساختمانی توسط نرم افزار ACD/LAB محاسبه گردید. سه متد مختلف برای منظور پیش بینی کلاس محلولیت به کار گرفته شد شامل رگرسیون لجستیک دوگانه، مدل درخت تصمیم گیری و یک مدل QSPR (براساس رابطه کمی ساختمان-فعالیت) که در مقالات قبلی برای پیش بینی کمی محلولیت آبی ارائه شده بود. ما از منحنی ROC به منظور معتبرسازی مدل های رگرسیون لجستیک ایجاد شده استفاده کردیم.نتایج:تقسیم بندی داروها براساس پارامتر بیشینه دوز (داروهای با بیشینه دوز بزرگتر مساوی 10 میلی گرم و داروهای با بیشینه دوز کمتر از 10 میلی گرم) و مدل های ایجاد شده برای داروهای با بیشینه دوز بزرگتر مساوی 10 میلی گرم در همه متدهای اشاره شده نتایج بهتری را نشان دادند. مدل رگرسیون لجستیک ساخته شده براساس logP، مدل رگرسیون لجستیک براساس logD، مدل درخت تصمیم و مدل QSPR پیشین به ترتیب دارای قابلیت پیش بینی 70.7%، 77.6%، 76.1% و 69.8% هستند.بحث:خصوصیات ساختاری داروها و پارامترهای آبراهام می توانند برای ایجاد مدل های کامیپوتری متعددی به منظور پیش بینی کلاس محلولیت داروها در سیستم BCS/BDDCS به کار روند.