XiaoMi-AI文件搜索系统
World File Search Systempharm
Khadija Ahmed Matrook博士
T-01（PG）主持人标题：主持人姓名：伯大尼蒙哥马利系：药房大学：贝尔法斯特皇后大学贝尔法斯特联系电子邮件：bmontgomery05@qub.ac.ac.uk合着者和分支机构：Lisa E. J. J. Douglas，Qub; S. Lorraine Martin，Qub。会议主题：药学教育中的AI摘要标题：高度选择性的FURIN抑制对基质金属蛋白酶在囊性纤维化中的影响。摘要文本简介：囊性纤维化（CF）是一种慢性气道疾病，其特征是感染和中性粒细胞炎症的慢性循环，导致与异常基质金属蛋白酶（MMP）表达相关的肺组织损伤。MMP还调节细胞因子活性，该活性在炎症和免疫反应中起关键作用。普遍表达的普洛蛋白转化酶，FURIN可以裂解并激活各种疾病的底物，以包括几个MMP [1]。这项研究的目的是研究新型，高度选择性的脂蛋白抑制剂BOS-857是否会调节下游MMP活性。
DCTD的生物制药开发和生产...
经常将产品用于核对毒理学和输注稳定性研究▪临床前安全研究：范围发现，毒理学，生物分布▪CGMP制造：QC/QA释放-COA，COA，CMC，IND IND提交▪实时稳定性：实时稳定性：将检测释放分析的子集，将检测DECTECTECTECT DECTECTICT和DIVARDATION和
在制药的核心核心统一全球药物供应...
在动态行业的跳动心中，我们建立了更多的联系，并且在批判性地使它们计算。从扩大我们的“进入”活动和会议到发展在线社区并提供支持数据的营销解决方案，我们通过突破机会，可持续性和增长的界限来激活更多潜力。
药物基因组引导的功效和安全性...
抑郁症是造成残疾和自杀的最大贡献者之一，全球每年约有80万自杀（1）。在十年中，抑郁症的患病率增加了25％以上（2005-2015）（2，3）。这种增加与每年耗资数十亿美元的社会经济负担有关（4）。此外，COVID-19大流行进一步增加了病例，估计全球流行率为28％（2）。药物治疗是中度至重度抑郁症的第一线治疗方法（5）。但是，患者的显着比例未能对药物做出反应（6）。多达60％的抑郁症患者对他们的初始治疗没有反应，并且通常从第一种处方药转换为其他替代药物（6，7）。随后的治疗方法，患者具有临床阳性反应的可能性大大降低（6）。在某些个体/人群中，相同的抗抑郁药可能有效，但不具体，或者可能导致其他人的不良药物反应（ADR）（8）。因此，新策略专注于个性化抗抑郁药的处方。这是在临床实践中广泛努力的一部分，以使用精确药物技术（包括精确给药）改善患者的结果（9，10）。使用个体的基因型来帮助药物选择，称为药物基因组学，是一种有前途的方法，具有改善抑郁症治疗的潜力（9-13）。在非癌症药物中，精神病药物具有最高比例的药物，并具有FDA批准的PGX信息（17）。该领域最初被称为药物遗传学，因为它涉及单个基因或相对较少的基因的组合，但是它演变成药物基因组学（PGX），以适应整个基因组中许多基因的基因，从而影响基因相互作用（13）。有许多可用的商业PGX测试面板，包括Genesight，NeuroidGenetix，CNSDOSE，Neuropharmagen和Genecept（12）。一些面板除了提供PGX测试外，还提供与精神病药物有关的临床解释和决策支持工具（14、15）。医生可以主动为患者要求PGX测试，以指导新的药物处方，或者如果治疗失败。此外，还有监管机构（美国食品和药物管理局，FDA）和研究联盟（临床药物遗传学实施联盟，CPIC）提供了针对处方的建议和准则（12、14-16）。FDA标记了38种具有PGX预防措施的精神病药物，这些药物主要由两种主要的肝酶CYP2D6和CYP2C19代谢，分别由高度多型CYP2D6和CYP2C19基因编码（18）。然而，精神病学中PGX测试的临床使用仍然很低（19），由于许多原因，包括CYP酶反应，对药物治疗方案的依从性不佳，负面生活方式的影响（例如，烟草吸烟）以及有限的先例知识（20）。许多临床试验，荟萃分析和系统评价检查了PGX引导的药物选择以治疗抑郁症的效率和安全性。例如，Han等人。（24），报道了PGX指导治疗导致了A大多数研究发现，PGX引导的抗抑郁药处方优于治疗方法（处方不考虑PGX测试结果（21 - 24）。
PolypharmDB 是一种基于深度学习的资源，可快速识别 COVID-19 的再利用候选药物
迫切需要发现治疗 COVID-19（由 SARS-CoV-2 病毒引起的流行病）的方法。考虑到发现、开发和临床测试的时间表，从库筛选开始的标准小分子药物发现工作流程是不切实际的。为了加快患者测试的时间，我们在此探索了在临床环境中经过一定程度测试的小分子药物（包括已批准的药物）作为 COVID-19 的可能治疗干预措施的治疗潜力。我们这个过程的动机是一个称为多药理学的概念，即可能具有治疗潜力的脱靶相互作用。在这项工作中，我们使用了深度学习药物设计平台 Ligand Design 来查询获得联邦批准或正在进行临床试验的内部小分子药物集合的多药理学概况，目的是识别预计会调节与 COVID-19 治疗相关的靶标的分子。我们努力的成果是 PolypharmDB，这是一种药物资源，以及它们在人类蛋白质组中预测的蛋白质靶标结合。挖掘 PolypharmDB 产生了预测与 COVID-19 的人类和病毒药物靶标相互作用的分子，包括与病毒进入和增殖相关的宿主蛋白以及与病毒生命周期相关的关键病毒蛋白。此外，我们收集了针对两个特定宿主靶标 TMPRSS2 和组织蛋白酶 B 的优先批准药物集合，最近显示它们的联合抑制可以阻止 SARS-CoV-2 病毒进入宿主细胞。总体而言，我们证明了我们的方法有助于快速响应，确定了 30 种优先候选药物，用于测试它们可能用作抗 COVID 药物。使用 PolypharmDB 资源，可以在一个工作日内为新发现的靶标确定重新利用的候选药物。我们正在免费向合作伙伴提供我们确定的分子的完整列表，以便合作伙伴能够对它们的功效进行体外和/或临床测试。关键词：SARS-CoV-2 病毒、COVID-19、冠状病毒、TMPRSS2、组织蛋白酶 B、宿主-靶标、多药理学、脱靶相互作用 缩写：SARS-CoV-2：严重急性呼吸综合征相关冠状病毒 COVID-19：冠状病毒病-2019 3CLpro：木瓜蛋白酶样蛋白酶 PLpro：主要蛋白酶 RdRp：非结构蛋白 ACE2：血管紧张素转换酶 2 TMPRSS2：跨膜蛋白酶丝氨酸 2
物质制成的医疗器械中非药理作用机制的概念在实践中的作用：药理学能为推动科学做些什么
摘要 医疗器械代表了一类广泛的产品，旨在用于预防、诊断、监测、治疗或缓解疾病或损伤。近年来，医疗器械的发展已导致越来越多的产品含有“物质”，由于其存在形式和使用部位与药品相似，通常被称为“边缘”产品。欧盟 (EU) 的监管文件在许多监管领域都考虑了基于物质的产品；在治疗学中，他们根据产品的主要作用机制将“医疗器械”与“药品”区分开来。这种区别通常不是直观的，而是基于对“药理、免疫和代谢作用机制”等基本术语的正确解释，这些术语具有重要的监管意义。本文讨论了正确解释这些术语的问题，并希望引起药理学家的兴趣，设计适当的实验范例，以严格、科学地解释由物质制成的医疗器械的正确作用机制。
定量系统药理学 (QSP) 模型框架
背景和背景：抗体-药物偶联物 (ADC) 是一类很有前途的靶向癌症疗法，它结合了单克隆抗体的特异性和化疗药物的细胞毒性。ADC 在将药物直接输送到癌细胞的同时，还显示出了巨大的潜力，可以最大限度地减少脱靶效应。然而，在临床环境中预测 ADC 的疗效和毒性仍然是一项重大挑战。经验模型通常无法准确捕捉与这些生物治疗相关的复杂药代动力学和药效学 (PKPD)。
对强迫症的心理治疗和药理治疗的结构神经影像学标记的系统综述
识别与治疗反应和治疗性变化的假定机制相关的个体差异因素可能会改善对强迫症（OCD）的治疗。我们对心理疗法的结构神经影像学标记（即形态计量学，结构连通性）和OCD的药物治疗反应的系统综述26符合条件的出版物（平均研究总计n = 54±41.6 [范围：11-175] [范围：11-175]； OCD组n = 29±19±19±19），以及成人的脑海中，以及成人的脑海中，成人的脑海中，成人的脑海中，适用于Adection n = 29±19）。作为与治疗相关的大脑结构变化。研究结果在整个研究中不一致。前扣带回皮层内（3/5区域，2/8全脑研究）和眶额皮层（5/10区域，2/7全脑研究）中的显着关联是最常见的，但后期性和方向性并不总是一致的。治疗反应的结构性神经影像学标记当前不具有临床实用性。给出越来越多的证据表明，复杂行为与大脑结构之间的关联的特征是小但有意义的效果，可能需要更大的样本。多元方法（例如机器学习）也可以改善神经影像数据的临床预测效用。
机器学习筛查工具，用于预测废水中药物化合物的提取产率
药物化合物已成为废水中越来越重要的污染物来源，因为它是传统的处理方法无效地去除它们的方法，因此它们通常被放入环境中。可以使用液体液体提取成功去除药物，并且可以使用宇宙RS预测相互作用并识别最有前途的溶剂。但是，COSMO热模型无法解释关键过程参数，从而降低了这些计算模型的准确性。因此，需要替代计算方法来准确预测可以纳入处理和相互作用变量的药物的提取产率。这项工作使用机器学习来预测使用八种溶剂的11种药物的提取产率。探索了六个回归模型和两个分类模型。使用ANN回归器（测试MAE：4.510，测试R 2：0.884）和RF分类器（测试精度：0.938，测试召回：0.974）获得了最佳性能。RF回归分析和分类还显示了关键的提取产率特征：溶剂与喂养比，N - 辛烷 - 水分系数，氢键，氢键和范德华对多余的焓的贡献，以及pH距离至最近的PKA。机器学习显示为筛选和选择最有希望的溶剂和过程条件的绝佳工具，以从废水中去除药物。