Prediction of Biopharmaceutical Drug Disposition Classification System (BDDCS) by Structural Parameters
Notice bibliographique
Résumé
Modeling of physicochemical and pharmacokinetic properties is important for the prediction and mechanism characterization in drug discovery and development. Biopharmaceutics Drug Disposition Classification System (BDDCS) is a four-class system based on solubility and metabolism. This system is employed to delineate the role of transporters in pharmacokinetics and their interaction with metabolizing enzymes. It further anticipates drug disposition and potential drug-drug interactions in the liver and intestine. According to BDDCS, drugs are classified into four groups in terms of the extent of metabolism and solubility (high and low). In this study, structural parameters of drugs were used to develop classification-based models for the prediction of BDDCS class. Reported BDDCS data of drugs were collected from the literature, and structural descriptors (Abraham solvation parameters and octanol-water partition coefficient (log P)) were calculated by ACD/Labs software. Data were divided into training and test sets. Classification-based models were then used to predict the class of each drug in BDDCS system using structural parameters and the validity of the established models was evaluated by an external test set. The results of this study showed that log P and Abraham solvation parameters are able to predict the class of solubility and metabolism in BDDCS system with good accuracy. Based on the developed methods for prediction solubility and metabolism class, BDDCS could be predicted in the correct with an acceptable accuracy. Structural properties of drugs, i.e. logP and Abraham solvation parameters (polarizability, hydrogen bonding acidity and basicity), are capable of estimating the class of solubility and metabolism with an acceptable accuracy.
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 | 0,003 | 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 | 0,002 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».