使用毛细电染色学,实验物理化学参数和整体机器学习进行BBB透性的整合分析
Justyna Godyń1, Jakub Jończyk2, Anna Więckowska1
1Department of Physicochemical Drug Analysis, Faculty of Pharmacy, Jagiellonian University Medical College, 9 Medyczna Street, 30-688 Krakow, Poland.
International journal of molecular sciences
|January 10, 2026
概括
这项研究提出了一种新的体外法,使用毛细管电染色学来预测血脑屏障 (BBB) 透性,减少对药物开发的动物试验的依赖.
科学领域:
- 药理学 药理学是指药理学的学科.
- 分析化学 分析化学
- 生物物理学的生物物理.
背景情况:
- 准确预测血脑屏障 (BBB) 透率对于在早期开发中优化药物药理动力学至关重要.
- 传统的 in vivo 方法用于确定 BBB 透率 (log BB) 是资源密集型和耗时的.
- 需要高通量,体外方法来有效评估候选药物的BBB透性.
研究的目的:
- 开发和验证一种用于高通量预测血脑屏障 (BBB) 的新体外方法.
- 整合毛细管电染色学 (CEC) 和电位计定位的实验数据,以提高预测准确度.
- 建立一个机器学习模型,快速分类化合物BBB透性.
主要方法:
- 利用开放管状毛细血管电染色学 (CEC) 采用脂质体覆盖毛细血管来模仿生物膜.
- 结合了CEC保留因子 (k'),pKa和log D7.4来开发对log BB.的预测回归模型.
- 采用机器学习算法 (动态时间扭曲,k-NN,袋子SFA符号) 来基于CEC电表图进行分类.
主要成果:
- 一个回归模型 (log BB = -2.45 + 0.1k' + 0.3logD7.4 + 0.27pKa) 实现了0.64.2的R2.
- 初步的CEC分析显示,中性药物的log k'和log BB之间有希望的相关性.
- 机器学习对CEC电表图的分类给出了0.81准确度和0.81F1加权得分.
结论:
- 开发的基于体外CEC的方法为预测血脑屏障 (BBB) 透性提供了一个可行的,高通量替代方案.
- 物理化学参数和色谱数据的整合提高了日志BB预测的准确性.
- 对CEC数据的机器学习分析可以快速分类复合BBB透潜力.
