目的探讨生理药动学(physiologically-based pharmacokinetic,PBPK)模型在治疗性抗体中研究现状和应用前景。方法结合近几年国内外相关文献,了解治疗性抗体药动学(pharmacokinetics,PK)的特点及影响因素,并对目前用于治疗性抗体的PBPK...目的探讨生理药动学(physiologically-based pharmacokinetic,PBPK)模型在治疗性抗体中研究现状和应用前景。方法结合近几年国内外相关文献,了解治疗性抗体药动学(pharmacokinetics,PK)的特点及影响因素,并对目前用于治疗性抗体的PBPK模型进行总结。分析不同情况下PBPK模型的建立和参数优化,以及需要考虑的重要生理过程[如新生儿Fc受体(neonatal Fc receptor,FcRn)介导的再循环、靶点介导的药物处置(target-mediated drug disposition,TMDD)等]。结果治疗性抗体由于其特殊的结构和生物活性,与小分子药物相比,在体内吸收、分布、代谢和排泄等过程存在显著性差异,且在分子靶向治疗领域有明显的临床优势。而科学合理地使用PBPK模型,则有助于预测治疗性抗体在动物或者人体的PK变化,对开发其临床安全有效的治疗方案至关重要。结论PBPK模型在治疗性抗体中的应用前景较广,需结合实际情况选择合适的模型结构,并通过模型验证和参数优化,不断提高PBPK模型的预测性能。展开更多
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
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
基金The University of Sydney-Fudan University Partnership Collaboration Awards(PCA)2019 round国家自然科学基金国际(地区)合作与交流项目[NSFC-NRF(中韩)](82011540409)。
文摘目的探讨生理药动学(physiologically-based pharmacokinetic,PBPK)模型在治疗性抗体中研究现状和应用前景。方法结合近几年国内外相关文献,了解治疗性抗体药动学(pharmacokinetics,PK)的特点及影响因素,并对目前用于治疗性抗体的PBPK模型进行总结。分析不同情况下PBPK模型的建立和参数优化,以及需要考虑的重要生理过程[如新生儿Fc受体(neonatal Fc receptor,FcRn)介导的再循环、靶点介导的药物处置(target-mediated drug disposition,TMDD)等]。结果治疗性抗体由于其特殊的结构和生物活性,与小分子药物相比,在体内吸收、分布、代谢和排泄等过程存在显著性差异,且在分子靶向治疗领域有明显的临床优势。而科学合理地使用PBPK模型,则有助于预测治疗性抗体在动物或者人体的PK变化,对开发其临床安全有效的治疗方案至关重要。结论PBPK模型在治疗性抗体中的应用前景较广,需结合实际情况选择合适的模型结构,并通过模型验证和参数优化,不断提高PBPK模型的预测性能。
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。
