目的:建立伏立康唑(voriconazole)与奥美拉唑(omeprazole)间药物相互作用(drug-drug interactions,DDIs)模型,探讨两者合用的药动学过程,为临床合理用药提供理论参考。方法:通过文献检索和收集伏立康唑与奥美拉唑的理化性质参数、体外...目的:建立伏立康唑(voriconazole)与奥美拉唑(omeprazole)间药物相互作用(drug-drug interactions,DDIs)模型,探讨两者合用的药动学过程,为临床合理用药提供理论参考。方法:通过文献检索和收集伏立康唑与奥美拉唑的理化性质参数、体外酶促动力学参数等数据,建立生理药动学(physiologically based pharmacokinetic,PBPK)模型,模型验证后再建立两者的DDIs模型,预测两者合用时药动学过程的变化。结果:当两者合用时,奥美拉唑会使体内伏立康唑的最大血药浓度(C_(max))、血药浓度-时间曲线下总面积(AUC_(0-inf))和截止至终末观察点时的血浆药物浓度-时间曲线下面积(AUC_(0-t))增加,增加的比率分别为16.5%,38.7%和37.5%。结论:当伏立康唑与奥美拉唑合用时,奥美拉唑会增加体内伏立康唑的血药浓度,但增加的伏立康唑血药浓度仍在其治疗窗之内。因此,临床上2种药物合用时,无需调整伏立康唑的给药剂量。展开更多
中药含有的内源性有毒成分和外源性有害残留物已经成为威胁人体健康安全的危险因素,其严重制约了中药产业的可持续发展。风险评估是控制中药质量、保障用药安全的有效科学手段。通过具体剖析中药毒害物风险评估研究现状及问题,以解决关...中药含有的内源性有毒成分和外源性有害残留物已经成为威胁人体健康安全的危险因素,其严重制约了中药产业的可持续发展。风险评估是控制中药质量、保障用药安全的有效科学手段。通过具体剖析中药毒害物风险评估研究现状及问题,以解决关键性问题为切入点,总结国内外风险评估相关文献,提出了生理药代动力学(physiologically based pharmacokinetic,PBPK)模型的实用性,重点阐述其在风险评估研究中用于组织内剂量预测、跨物种种间剂量外推、不同暴露途径及剂量药动学预测以及不同生命阶段或疾病人群药动学预测的功能优势和局限性,探讨PBPK模型在中药毒害物风险评估研究中的潜在利用价值,以期为中药安全性评价和限量标准制定提供技术参考及新策略。展开更多
目的通过构建瑞舒伐他汀空腹状态下的生理药动学(physiologically based pharmacokinetic model,PBPK)模型,预测其餐后状态下的吸收,并探究其可能的食物效应机制,为服用他汀类药物的高脂血症患者提出合理的饮食建议,提高BCSⅢ类他汀类...目的通过构建瑞舒伐他汀空腹状态下的生理药动学(physiologically based pharmacokinetic model,PBPK)模型,预测其餐后状态下的吸收,并探究其可能的食物效应机制,为服用他汀类药物的高脂血症患者提出合理的饮食建议,提高BCSⅢ类他汀类药物的药物吸收。方法根据文献和已有研究获得瑞舒伐他汀建模的理化参数、生物药剂学参数以及药动学参数,利用Gastro Plus^(TM)软件建立瑞舒伐他汀餐后给药的PBPK预测模型,并结合实测的血药浓度数据验证模型,判断是否可以准确预测出瑞舒伐他汀餐后的药物吸收结果,并进行参数敏感性分析。结果通过构建瑞舒伐他汀PBPK模型预测其餐后吸收,计算得到模型预测数据与实测数据的平均折叠误差和绝对平均折叠误差<2,结合模型验证的拟合相关系数表明拟合效果较好,同时参数敏感性分析提示高热量饮食、药物的油水分配系数(Log D)和渗透性对瑞舒伐他汀的吸收影响较大。结论所建立的模型能够较好地预测瑞舒伐他汀餐后状态下的吸收,基于参数敏感性分析结果,为服用BCSⅢ类他汀类药物的高脂血症患者提出合理的饮食建议,包括适当增加饮食中蛋白质的比重、减少脂肪和水溶性膳食纤维的占比等,可提高BCSⅢ类他汀类药物的肠道吸收。展开更多
生理药代动力学(physiologically based pharmacokinetic,PBPK)模型已经被广泛用于预测药物的吸收、分布、代谢和排泄等特性,而基于机器学习(machine learning,ML)和人工智能(artificial intelligenceAI)可以和PBPK模型进行深度融合,从...生理药代动力学(physiologically based pharmacokinetic,PBPK)模型已经被广泛用于预测药物的吸收、分布、代谢和排泄等特性,而基于机器学习(machine learning,ML)和人工智能(artificial intelligenceAI)可以和PBPK模型进行深度融合,从而加快PBPK的预测速度和提高其预测质量,进一步加快药物研发进展。本文介绍了机器学习和人工智能在药代动力学中的应用,对基于机器学习和人工智能的生理药代动力学模型研究进展进行综述,并分析了机器学习和人工智能应用的局限性以及其应用前景和展望。展开更多
目的:建立替格瑞洛(ticagrelor)与竞争性抑制剂酮康唑(ketoconazole)及时间依赖性抑制剂地拉韦啶(delavirdine)联合应用的药物相互作用(DDIs)的动态模型和PKPD模型。采用该DDIs模型和PKPD模型预测两种不同类型的抑制剂对替格瑞洛药动学...目的:建立替格瑞洛(ticagrelor)与竞争性抑制剂酮康唑(ketoconazole)及时间依赖性抑制剂地拉韦啶(delavirdine)联合应用的药物相互作用(DDIs)的动态模型和PKPD模型。采用该DDIs模型和PKPD模型预测两种不同类型的抑制剂对替格瑞洛药动学特征和药效学的影响,为指导临床合理用药提供理论依据。方法:通过文献检索以及ADMET Predictor预测,收集获取替格瑞洛、酮康唑和地拉韦啶的理化性质参数、生物药剂学参数、药物代谢酶促反应参数、人体生理参数等;同时收集替格瑞洛与代谢物AR-C124910XX的血药浓度(PK)及药效学(PD)数据,建立并验证三者的生理药动学(physiologically based pharmacokinetic,PBPK)模型与血药浓度(PK)-药效学(PD)结合模型。结合酮康唑与地拉韦啶的酶抑制参数与酶降解速率常数,分别建立其与替格瑞洛的DDIs动态模型,预测2种抑制剂引起替格瑞洛及其活性代谢物的药动学变化的过程;再根据PKPD结合模型,预测两种抑制剂对替格瑞洛的药效影响。结果:替格瑞洛与酮康唑的DDIs动态模型显示,合用后替格瑞洛在体内的Cmax,AUC0-inf和AUC0-t值均增加,分别增加至单独服用的2.07倍、3.70倍及3.76倍;替格瑞洛与地拉韦啶的DDIs动态模型显示,合用后替格瑞洛在体内的Cmax,AUC0-inf和AUC0-t值均增加,分别增加至单独服用的1.66倍,2.66倍和2.68倍。替格瑞洛的PKPD结合模型显示,酮康唑会使替格瑞洛在体内的I48h(%),AUEC0-t及AUEC0-inf和t1/2值均有大幅度增加,分别增加至单独服用的1.80倍、1.27倍、1.67倍和3.11倍;地拉韦啶会使替格瑞洛在体内的I48h(%),AUEC0-t及AUEC0-inf和t1/2值均有较大程度增加,分别增加至单独服用的1.83倍、1.27倍、1.91倍和3.23倍。结论:从药物相互作用结果分析,抑制剂酮康唑、地拉韦啶会使替格瑞洛的血药浓度大幅度增加。对于替格瑞洛而言,2种抑制剂分别与其联合使用时,替格瑞洛的剂量�展开更多
生理药动学(physiologically based pharmacokinetics,PBPK)建模综合了药物理化性质、处方因素和生理因素,是研究药物动力学行为的重要工具,能模拟和预测药物的体内命运,分析众多参数对药物生物利用度和生物等效性的影响。在药品的开发...生理药动学(physiologically based pharmacokinetics,PBPK)建模综合了药物理化性质、处方因素和生理因素,是研究药物动力学行为的重要工具,能模拟和预测药物的体内命运,分析众多参数对药物生物利用度和生物等效性的影响。在药品的开发、工艺变更和质量控制方面有广泛应用,可减少研发费用、缩短研发周期。本研究简要介绍了PBPK模型的研究进展及建模思路,并从处方筛选、食物效应、药物性质、生物等效豁免等方面讨论了PBPK模型在生物等效性研究中的应用,为仿制药开发提供思路。展开更多
文摘目的:建立伏立康唑(voriconazole)与奥美拉唑(omeprazole)间药物相互作用(drug-drug interactions,DDIs)模型,探讨两者合用的药动学过程,为临床合理用药提供理论参考。方法:通过文献检索和收集伏立康唑与奥美拉唑的理化性质参数、体外酶促动力学参数等数据,建立生理药动学(physiologically based pharmacokinetic,PBPK)模型,模型验证后再建立两者的DDIs模型,预测两者合用时药动学过程的变化。结果:当两者合用时,奥美拉唑会使体内伏立康唑的最大血药浓度(C_(max))、血药浓度-时间曲线下总面积(AUC_(0-inf))和截止至终末观察点时的血浆药物浓度-时间曲线下面积(AUC_(0-t))增加,增加的比率分别为16.5%,38.7%和37.5%。结论:当伏立康唑与奥美拉唑合用时,奥美拉唑会增加体内伏立康唑的血药浓度,但增加的伏立康唑血药浓度仍在其治疗窗之内。因此,临床上2种药物合用时,无需调整伏立康唑的给药剂量。
文摘中药含有的内源性有毒成分和外源性有害残留物已经成为威胁人体健康安全的危险因素,其严重制约了中药产业的可持续发展。风险评估是控制中药质量、保障用药安全的有效科学手段。通过具体剖析中药毒害物风险评估研究现状及问题,以解决关键性问题为切入点,总结国内外风险评估相关文献,提出了生理药代动力学(physiologically based pharmacokinetic,PBPK)模型的实用性,重点阐述其在风险评估研究中用于组织内剂量预测、跨物种种间剂量外推、不同暴露途径及剂量药动学预测以及不同生命阶段或疾病人群药动学预测的功能优势和局限性,探讨PBPK模型在中药毒害物风险评估研究中的潜在利用价值,以期为中药安全性评价和限量标准制定提供技术参考及新策略。
文摘生理药代动力学(physiologically based pharmacokinetic,PBPK)模型已经被广泛用于预测药物的吸收、分布、代谢和排泄等特性,而基于机器学习(machine learning,ML)和人工智能(artificial intelligenceAI)可以和PBPK模型进行深度融合,从而加快PBPK的预测速度和提高其预测质量,进一步加快药物研发进展。本文介绍了机器学习和人工智能在药代动力学中的应用,对基于机器学习和人工智能的生理药代动力学模型研究进展进行综述,并分析了机器学习和人工智能应用的局限性以及其应用前景和展望。
文摘目的:建立替格瑞洛(ticagrelor)与竞争性抑制剂酮康唑(ketoconazole)及时间依赖性抑制剂地拉韦啶(delavirdine)联合应用的药物相互作用(DDIs)的动态模型和PKPD模型。采用该DDIs模型和PKPD模型预测两种不同类型的抑制剂对替格瑞洛药动学特征和药效学的影响,为指导临床合理用药提供理论依据。方法:通过文献检索以及ADMET Predictor预测,收集获取替格瑞洛、酮康唑和地拉韦啶的理化性质参数、生物药剂学参数、药物代谢酶促反应参数、人体生理参数等;同时收集替格瑞洛与代谢物AR-C124910XX的血药浓度(PK)及药效学(PD)数据,建立并验证三者的生理药动学(physiologically based pharmacokinetic,PBPK)模型与血药浓度(PK)-药效学(PD)结合模型。结合酮康唑与地拉韦啶的酶抑制参数与酶降解速率常数,分别建立其与替格瑞洛的DDIs动态模型,预测2种抑制剂引起替格瑞洛及其活性代谢物的药动学变化的过程;再根据PKPD结合模型,预测两种抑制剂对替格瑞洛的药效影响。结果:替格瑞洛与酮康唑的DDIs动态模型显示,合用后替格瑞洛在体内的Cmax,AUC0-inf和AUC0-t值均增加,分别增加至单独服用的2.07倍、3.70倍及3.76倍;替格瑞洛与地拉韦啶的DDIs动态模型显示,合用后替格瑞洛在体内的Cmax,AUC0-inf和AUC0-t值均增加,分别增加至单独服用的1.66倍,2.66倍和2.68倍。替格瑞洛的PKPD结合模型显示,酮康唑会使替格瑞洛在体内的I48h(%),AUEC0-t及AUEC0-inf和t1/2值均有大幅度增加,分别增加至单独服用的1.80倍、1.27倍、1.67倍和3.11倍;地拉韦啶会使替格瑞洛在体内的I48h(%),AUEC0-t及AUEC0-inf和t1/2值均有较大程度增加,分别增加至单独服用的1.83倍、1.27倍、1.91倍和3.23倍。结论:从药物相互作用结果分析,抑制剂酮康唑、地拉韦啶会使替格瑞洛的血药浓度大幅度增加。对于替格瑞洛而言,2种抑制剂分别与其联合使用时,替格瑞洛的剂量�
文摘生理药动学(physiologically based pharmacokinetics,PBPK)建模综合了药物理化性质、处方因素和生理因素,是研究药物动力学行为的重要工具,能模拟和预测药物的体内命运,分析众多参数对药物生物利用度和生物等效性的影响。在药品的开发、工艺变更和质量控制方面有广泛应用,可减少研发费用、缩短研发周期。本研究简要介绍了PBPK模型的研究进展及建模思路,并从处方筛选、食物效应、药物性质、生物等效豁免等方面讨论了PBPK模型在生物等效性研究中的应用,为仿制药开发提供思路。
