开发一个mPBPK机器学习框架,用于对生物治疗药物的早期目标药理学评估

科学领域:

• 生物技术是生物技术.
• 药理学 药理学是指药理学的学科.
• 计算生物学 计算生物学

背景情况:

• 早期抗体药物开发依赖于物理化学性质评估,但有限的向药理知识限制了优化.
• 早期抗体优化中的关键决策受到抗体和标相互作用的不完全理解的阻碍.

研究的目的:

• 开发基于机器学习的框架,用于评估目标药理学和推断最佳抗体物理化学性质.
• 通过在各种条件下分析目标占用 (TO) 来建立抗体候选药物的设计规则.

主要方法:

• 使用最小生理学基础的药理动力学 (mPBPK) 模型,将抗体的物理化学性质 (例如,MW,电荷) 与药理动力学 (PK) 特性相结合.
• 对具有多种性质的抗体和标候选物进行了高通量虚拟查,以评估药物标相互作用.
• 基于目标占用率 (TO) 百分比的目标药理学评估使用机器学习 (ML).

主要成果:

• 确定了影响位占用 (TO) 的关键因素,包括抗体剂量,剂量方案,位形式 (溶性/膜结合),抗体电荷和作用部位.
• 根据基于ML的TO评估,针对抗体药物特性制定了新的设计规则.
• 物理化学性质和标特征对药物标相互作用有效性的显著影响.

结论:

• 拟议的基于ML的目标药理学评估框架有助于理解抗体候选药物的生物特异性PK和ADME过程.
• 这种方法可以显著减少整体时间,并提高抗体药物开发的成功率.
• 通过整合计算建模和机器学习,提供一流的工具来优化抗体疗法.