Evaluation of quantitative structure property relationship algorithms for predicting plasma protein binding in humans
Notice bibliographique
Résumé
The extent of plasma protein binding is an important compound-specific property that influences a compound's pharmacokinetic behavior and is a critical input parameter for predicting exposure in physiologically based pharmacokinetic (PBPK) modeling. When experimentally determined fraction unbound in plasma (fup) data are not available, quantitative structure-property relationship (QSPR) models can be used for prediction. Because available QSPR models were developed based on training sets containing pharmaceutical-like compounds, we compared their prediction accuracy for environmentally relevant and pharmaceutical compounds. Fup values were calculated using Ingle et al., Watanabe et al. and ADMET Predictor (Simulation Plus). The test set included 818 pharmaceutical and environmentally relevant compounds with fup values ranging from 0.01 to 1. Overall, the three QSPR models resulted in over-prediction of fup for highly binding compounds and under-prediction for low or moderately binding compounds. For highly binding compounds (0.01≤ fup ≤ 0.25), Watanabe et al. performed better with a lower mean absolute error (MAE) of 6.7% and a lower mean absolute relative prediction error (RPE) of 171.7 % than other methods. For low to moderately binding compounds, both Ingle et al. and ADMET Predictor performed better than Watanabe et al. with superior MAE and RPE values. The positive polar surface area, the number of basic functional groups and lipophilicity were the most important chemical descriptors for predicting fup. This study demonstrated that the prediction of fup was the most uncertain for highly binding compounds. This suggested that QSPR-predicted fup values should be used with caution in PBPK modeling.
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 | 0,002 | 0,003 |
| 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 | 0,000 |
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 ».