XiaoMi-AI文件搜索系统
World File Search SystemTMDD
介导药物处置 (TMDD)
摘要靶介导药物处置 (TMDD) 模型用于模拟非线性药代动力学 (PK)，因为一种药物与其药理靶标以高亲和力结合，影响药代动力学特性。TMDD 近似模型的出现是因为在有限的数据下难以实现完整的 TMDD 模型来解决复杂模型的过度参数化问题。传统的群体 TMDD 模型开发既耗时又主观，需要建模者的经验。本论文提出了一种 TMDD 模型开发和排序策略，可以实现自动 TMDD 模型开发。当前的工作旨在建立一种可以自动化扩展到 Pharmpy/Pharmr 包的 TMDD 模型开发策略，以使自动模型开发 (AMD) 工具能够对非线性 PK 进行更复杂的描述。使用已发布的五种化合物 TMDD 模型的模拟数据来开发和测试 TMDD 模型开发策略。首先，根据文献和自动模型开发程序的实际考虑选择合适的估计方法，以提高建模效率。其次，提出了一种在模型开发过程中设置新参数初始估计值的算法，并在两个具有潜在代表性的 TMDD 近似模型上进行了测试，以便于估计收敛。测试了似然比检验 (LRT) 和贝叶斯信息准则 (BIC) 作为模型选择标准。最后，提出了完整的 TMDD 模型开发策略，并用五个模拟数据进行了测试。在结构模型搜索后，选择准稳态模型 (QSS) 而不是米氏近似模型 (MMAPP) 作为代表性 TMDD 近似模型，并发现足以识别正确的结构模型。其他 TMDD 模型从 QSS 模型更新了初始估计值，其中目标降解速率常数 (KDEG) 和基线目标浓度 (R0) 的初始估计值的不同梯度也提供了合理的目标函数值 (OFV)。鉴于 BIC 的排序标准和模型开发策略，每个数据的最佳模型至少与模拟模型一样复杂。此外，4/5 的数据对那些非目标相关参数给出了准确的估计，并且 OFV 并不比以“真实”参数作为初始估计的模型差很多。总之，所提出的 TMDD 模型开发策略简化了 TMDD 模型的开发和选择，并且有可能在 AMD 中实施以实现自动 TMDD 模型开发。
靶点介导药物处置 (TMDD)
药理靶点介导的药物分布 (TMDD) 是非线性药代动力学的一个特殊来源，它在大分子化合物中的出现已得到广泛认可，因为据报道，许多蛋白质药物由于与药理靶点的特定结合而具有 TMDD。虽然 TMDD 也可能发生在小分子化合物中，但它在很大程度上被忽视了。在这篇小型综述中，我们总结了最近在一系列小分子可溶性环氧化物水解酶 (sEH) 抑制剂中发现的 TMDD 的出现。我们的旅程始于在一项试点临床研究中偶然发现 1-(1-丙酰基哌啶-4-基)-3-[4-(三氟甲氧基)苯基]脲 (TPPU) 的靶点介导动力学，TPPU 是一种有效的 sEH 抑制剂。为了证实我们在人体中观察到的结果，我们在动物身上进行了一系列机制实验，包括使用 sEH 基因敲除小鼠进行的药代动力学实验以及与另一种强效 sEH 抑制剂共同给药的体内置换实验。我们的机制研究证实，TPPU 的 TMDD 是由其药理学靶点 sEH 引起的。我们进一步将评估范围扩大到各种其他 sEH 抑制剂，发现 TMDD 是这类小分子 sEH 抑制剂的一类效应。除了总结 sEH 抑制剂中 TMDD 的发生情况外，在这篇小型评论中，我们还强调了认识小分子化合物的 TMDD 及其在临床开发中的影响以及利用药物计量学模型促进对 TMDD 的定量理解的重要性。