Correlation-based prediction of tissue-to-plasma partition coefficients using readily available input parameters
Notice bibliographique
Résumé
UNLABELLED: 1. RATIONALE: Tissue-to-plasma partition coefficients (Kp) that characterize the tissue distribution of a drug are important input parameters in physiologically based pharmacokinetic (PBPK) models. The aim of this study was to develop an empirically derived Kp prediction algorithm using input parameters that are available early in the investigation of a compound. 2. METHODS: The algorithm development dataset (n = 97 compounds) was divided according to acidic/basic properties. Using multiple stepwise regression, the experimentally derived Kp values were correlated with the rat volume of distribution at steady state (Vss) and one or more physicochemical parameters (e.g. lipophilicity, degree of ionization and protein binding) to account for inter-organ variability of tissue distribution. 3. RESULTS: Prediction equations for the value of Kp were developed for 11 tissues. Validation of this model using a test dataset (n = 20 compounds) demonstrated that 65% of the predicted Kp values were within a two-fold error deviation from the experimental values. The developed algorithms had greater prediction accuracy compared to an existing empirically derived and a mechanistic tissue-composition algorithm. 4. CONCLUSIONS: This innovative method uses readily available input parameters with reasonable prediction accuracy and will thus enhance both the usability and the confidence in the outputs of PBPK models.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».