Quantitative Property-Property Relationship for Screening-Level Prediction of Intrinsic Clearance of Volatile Organic Chemicals in Rats and Its Integration within PBPK Models to Predict Inhalation Pharmacokinetics in Humans
Notice bibliographique
Résumé
The objectives of this study were (i) to develop a screening-level Quantitative property-property relationship (QPPR) for intrinsic clearance (CL(int)) obtained from in vivo animal studies and (ii) to incorporate it with human physiology in a PBPK model for predicting the inhalation pharmacokinetics of VOCs. CL(int), calculated as the ratio of the in vivo V(max) (μmol/h/kg bw rat) to the K(m) (μM), was obtained for 26 VOCs from the literature. The QPPR model resulting from stepwise linear regression analysis passed the validation step (R(2) = 0.8; leave-one-out cross-validation Q(2) = 0.75) for CL(int) normalized to the phospholipid (PL) affinity of the VOCs. The QPPR facilitated the calculation of CL(int) (L PL/h/kg bw rat) from the input data on log P(ow), log blood: water PC and ionization potential. The predictions of the QPPR as lower and upper bounds of the 95% mean confidence intervals (LMCI and UMCI, resp.) were then integrated within a human PBPK model. The ratio of the maximum (using LMCI for CL(int)) to minimum (using UMCI for CL(int)) AUC predicted by the QPPR-PBPK model was 1.36 ± 0.4 and ranged from 1.06 (1,1-dichloroethylene) to 2.8 (isoprene). Overall, the integrated QPPR-PBPK modeling method developed in this study is a pragmatic way of characterizing the impact of the lack of knowledge of CL(int) in predicting human pharmacokinetics of VOCs, as well as the impact of prediction uncertainty of CL(int) on human pharmacokinetics of VOCs.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».