A simplified approach to predict CYP3A-mediated drug–drug interactions at early drug discovery: validation with clinical data
Notice bibliographique
Résumé
1. The present study evaluates which factors should be incorporated into a simplified approach to reasonably predict CYP3A-mediated drug-drug interaction (DDI) at an early drug discovery stage. 2. CYP3A IC50 values were obtained using human liver microsomes (HLM) and hepatocytes. Plasma and microsomal protein binding and in vitro hepatocyte partition coefficient (Kp) were also determined for 10 drugs. Therapeutic human maximum plasma concentrations (Cmax) were retrieved from the literature. DDI predictions were performed using an equation incorporating the fraction of the substrate metabolized by CYP3A with the total or free plasma Cmax, with or without correction for hepatocyte Kp. 3. Based on the Ki data from HLM, the use of total Cmax provided a prediction of DDI within 2-fold of the observed clinical values for 9 out of 10 drugs. 4. In comparison, free drug corrections for both Cmax and Ki values from HLM led to an underprediction of DDI (>3-fold error for five drugs). 5. Data from hepatocytes showed, in general, lower prediction accuracy than data from HLM. 6. CYP3A-mediated DDIs can be predicted with a high level of accuracy based on Ki estimates from HLM data and the total therapeutic plasma Cmax of the inhibitors. This approach should be widely applicable to the assessment of clinically significant DDIs risk in early drug discovery programs.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».