Determining recommended acceptable intake limits for N-nitrosamine impurities in pharmaceuticals: Development and application of the Carcinogenic Potency Categorization Approach (CPCA)
Notice bibliographique
Résumé
N-Nitrosamine impurities, including nitrosamine drug substance-related impurities (NDSRIs), have challenged pharmaceutical industry and regulators alike and affected the global drug supply over the past 5 years. Nitrosamines are a class of known carcinogens, but NDSRIs have posed additional challenges as many lack empirical data to establish acceptable intake (AI) limits. Read-across analysis from surrogates has been used to identify AI limits in some cases; however, this approach is limited by the availability of robustly-tested surrogates matching the structural features of NDSRIs, which usually contain a diverse array of functional groups. Furthermore, the absence of a surrogate has resulted in conservative AI limits in some cases, posing practical challenges for impurity control. Therefore, a new framework for determining recommended AI limits was urgently needed. Here, the Carcinogenic Potency Categorization Approach (CPCA) and its supporting scientific rationale are presented. The CPCA is a rapidly-applied structure-activity relationship-based method that assigns a nitrosamine to 1 of 5 categories, each with a corresponding AI limit, reflecting predicted carcinogenic potency. The CPCA considers the number and distribution of α-hydrogens at the N-nitroso center and other activating and deactivating structural features of a nitrosamine that affect the α-hydroxylation metabolic activation pathway of carcinogenesis. The CPCA has been adopted internationally by several drug regulatory authorities as a simplified approach and a starting point to determine recommended AI limits for nitrosamines without the need for compound-specific empirical data.
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 | 0,000 | 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 | 0,000 |
| 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 ».