Enhancement of Skin Permeability Prediction through PBPK Modeling, Bayesian Inference, and Experiment Design
Notice bibliographique
Résumé
Physiologically based pharmacokinetic (PBPK) models of skin absorption are a powerful resource for estimating drug delivery and chemical risk of dermatological products. This paper presents a PBPK workflow for the quantification of the mechanistic determinants of skin permeability and the use of these quantities in the prediction of skin absorption in novel contexts. A state-of-the-art mechanistic model of dermal absorption was programmed into an open-source modeling framework. A sensitivity analysis was performed to identify the uncertain compound-specific, individual-specific, and site-specific model parameters that impact permeability. A Bayesian Markov Chain Monte Carlo algorithm was employed to derive distributions of these parameters given in vitro experimental permeability measurements. Extrapolations to novel contexts were generated by simulating the model following its update with samples drawn from the learned distributions as well as parameters that represent the intended scenario. This algorithm was applied multiple times, each using a unique set of permeability measurements sourced under experimental contexts that differ in terms of the compound, vehicle pH, skin sample anatomical site, and the number of compounds under which each subject's skin samples were tested. Among the data sets used in this study, the highest accuracy and precision in the extrapolated permeability was achieved in those that include measurements conducted under multiple vehicle pH levels and in which individual subjects' skin samples are tested under multiple compounds. This work thus identifies factors for consideration in the design of experiments for the purpose of training dermal models to robustly estimate drug delivery and chemical risk.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 ».