Prediction of herb-drug interactions involving consumption of furanocoumarin-mixtures and cytochrome P450 1A2-mediated caffeine metabolism inhibition in humans
Notice bibliographique
Résumé
Herb-drug interactions (HDI) has become important due to the increasing popularity of natural health product consumption worldwide. HDI is difficult to predict as botanical drugs usually contain complex phytochemical-mixtures, which interact with drug metabolism. Currently, there is no specific pharmacological tool to predict HDI since almost all in vitro-in vivo-extrapolation (IVIVE) Drug-Drug Interaction (DDI) models deal with one inhibitor-drug and one victim-drug. The objectives were to modify-two IVIVE models for the prediction of in vivo interaction between caffeine and furanocoumarin-containing herbs, and to confirm model predictions by comparing the DDI predictive results with actual human data. The models were modified to predict in vivo herb-caffeine interaction using the same set of inhibition constants but different integrated dose/concentration of furanocoumarin mixtures in the liver. Different hepatic inlet inhibitor concentration ([I]H) surrogates were used for each furanocoumarin. In the first (hybrid) model, the [I]H was predicted using the concentration-addition model for chemical-mixtures. In the second model, the [I]H was calculated by adding individual furanocoumarins together. Once [I]H values were determined, the models predicted an area-under-curve-ratio (AUCR) value of each interaction. The results indicate that both models were able to predict the experimental AUCR of herbal products reasonably well. The DDI model approaches described in this study may be applicable to health supplements and functional foods also.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».