Formed and preformed metabolites: facts and comparisons
Notice bibliographique
Résumé
The administration of metabolites arising from new drug entities is often employed in drug discovery to investigate their associated toxicity. It is expected that administration of metabolites can predict the exposure of metabolites originating from the administration of precursor drug. Whether exact and meaningful information can be obtained from this has been a topic of debate. This communication summarizes observations and theoretical relationships based on physiological modelling for the liver, kidney and intestine, three major eliminating organs/tissues. Theoretical solutions based on physiological modelling of organs were solved, and the results suggest that deviations are expected. Here, examples of metabolite kinetics observed mostly in perfused organs that did not match predictions are provided. For the liver, discrepancies in fate between formed and preformed metabolites may be explained by the heterogeneity of enzymes, the presence of membrane barriers and whether transporters are involved. For the kidney, differences have been attributed to glomerular filtration of the preformed but not the formed metabolite. For the intestine, the complexity of segregated flows to the enterocyte and serosal layers and differences in metabolism due to the route of administration are addressed. Administration of the metabolite may or may not directly reflect the toxicity associated with drug use. However, kinetic data on the preformed metabolite will be extremely useful to develop a sound model for modelling and simulations; in-vitro evidence on metabolite handling at the target organ is also paramount. Subsequent modelling and simulation of metabolite data arising from a combined model based on both drug and preformed metabolite data are needed to improve predictions on the behaviours of formed metabolites.
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) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 ».