当地识别分析,参数子集选择和验证,用于最小大脑PBPK模型
Kamala Dadashova1, Ralph C Smith1, Mansoor A Haider2
1Department of Mathematics, North Carolina State University, Box 8205, Raleigh, NC, 27695, USA.
Bulletin of mathematical biology
|January 3, 2024
概括
基于生理学的药理动力学 (PBPK) 建模有助于了解药物向大脑的输送. 一个新的算法识别了大脑PBPK模型中的关键参数,提高了抗体治疗的准确性.
科学领域:
- 药理动力学和药物输送方法
- 计算机生物学和建模
- 神经科学和神经药理学 神经科学和神经药理学
背景情况:
- 基于生理学的药理动力学 (PBPK) 模型对于评估中枢神经系统 (CNS) 中药物输送至关重要.
- 模型的复杂性需要评估参数的识别性,以确保可靠的预测.
- 针对大脑的抗体治疗需要精确的暴露和度数据.
研究的目的:
- 在大脑PBPK模型中引入一种用于选择可识别参数子集的新算法.
- 通过验证技术提高参数识别的稳定性.
- 提高中枢神经系统向疗法的剂量和度预测的准确性.
主要方法:
- 使用基于本地灵敏度的参数子集选择算法.
- 在最小PBPK (mPBPK) 模型框架内应用该算法,用于脑抗体治疗.
- 集成的响应分布和能源统计数据用于算法验证.
主要成果:
- 在mPBPK模型中成功识别了关键,可识别的参数子集.
- 证明了算法在等离子体,大脑间歇液体和脑脊液中的准确性.
- 验证了参数选择技术的系统性和可靠性.
结论:
- 准确识别参数子集对于PBPK模型减少和不确定性量化至关重要.
- 开发的方法为分析复杂的大脑PBPK模型提供了一种可靠的方法.
- 这有助于更精确的药物开发和中枢神经系统作用治疗药物的剂量策略.


