一个基于机器学习的药理动力学预测器 (EGFR-PROPK) 用于针对EGFR的PROTACs
Ran Zhang1, Fenglei Li1,2, Yao Liu3
1Shanghai Institute for Advanced Immunochemical Studies, ShanghaiTech University, Shanghai, China.
蛋白质溶解向金马 (PROTACs) 显示出治疗前景,但优化它们的药理动力学 (PK) 是一个挑战. 这项研究开发了一种特定于PROTAC的模型,EGFR-PROPK,提高了对半衰期和清除等关键PK属性的预测准确度.
科学领域:
- 药物发现 药物发现 药物发现
- 药理学 药理学是指药理学的学科.
- 生物技术是生物技术.
背景情况:
- 蛋白质溶解向金马 (PROTACs) 为向蛋白质降解提供了一种新的策略,以解决以前无法治疗的向.
- 优化药理动力学 (PK) 特性,包括ADMET,仍然是PROTAC开发的一个重大障碍.
- 传统的机器学习模型通常与PROTACs与小分子相比具有独特特征而扎.
研究的目的:
- 开发和验证PROTAC特定的药理动力学性质预测模型.
- 评估传统机器学习模型与PROTAC定制模型的预测性能.
- 为了更好地了解针对EGFR向的PROTACs的PK参数 (CL,T1/2,Vss).
主要方法:
- 结合了传统的机器学习与多个分子指纹.
- 开发了EGFR-PROPK模型用于PROTAC药理动力学性质预测.
- 对100个向EGFR的PROTAC分子进行了in-vivo实验,以评估CL,T1/2和Vss.
主要成果:
- 在小分子上训练的传统模型在应用于PROTACs时表现不佳.
- 基于PROTAC特定数据的培训模型显著提高了预测准确性.
- 在预测值和观察值之间,T1/2的相关系数为0.78,CL为0.75,Vss为0.52.
结论:
- 对于PROTAC的药理动力学评估,需要采用与小分子药物开发不同的量身定制方法.
- EGFR-PROPK模型证明了PROTAC特定数据在改善PK预测方面的有效性.
- 这些发现对于推进基于PROTAC的治疗方法的合理设计和开发至关重要.
更多相关视频
13:34A Combined 3D Tissue Engineered In Vitro/In Silico Lung Tumor Model for Predicting Drug Effectiveness in Specific Mutational Backgrounds
Published on: April 6, 2016
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
相关概念视频
Pharmacogenomics: Identification of New Drug Targets
Impact of Pharmacokinetic–Pharmacodynamic Models: Regulatory Decisions
Pharmacogenetics of Drug Targets: β₂-Adrenergic Receptors, Apo E, Thymidylate Synthase
Pharmacokinetic–Pharmacodynamic Relationship: Problems
Pharmacogenetic Phenotypes: Alterations in Pharmacokinetics, Drug Targets and Biologic Milieu
Pharmacogenetics of Drug Metabolism: Overview
