In silico molecular targets, docking, dynamics simulation and physiologically based pharmacokinetics modeling of oritavancin
Notice bibliographique
Résumé
Oritavancin is a semi-synthetic lipoglycopeptide antibiotic primarily used to treat serious infections caused by Gram-positive bacteria. The aim of this study was to elucidate possible molecular targets of oritavancin in human and microbes in relevance to its mechanism of action and model its pharmacokinetics for optimal dose selection in clinical practice. Computational methods were used in this study which include target prediction, molecular docking, molecular dynamics simulation, pharmacokinetics prediction, and physiological-based pharmacokinetics (PBPK) modeling. Oritavancin was moderately soluble in water and did not permeate the blood-brain barrier. Seven molecular targets were identified in humans. Molecular docking results showed highest binding affinity of oritavancin with PI3-kinase p110-gamma subunit (−10.34 kcal/mol), followed by Acyl-CoA desaturase (−10.07 kcal/mol) and Cytochrome P450 2C19 (−8.384 kcal/mol). Oritavancin PBPK modelling in adult human showed that infusion has lower peak concentrations (Cmax) compared to bolus administration, with 1200 mg dose yielded Cmax of 16.559 mg/L, 800 mg dose yielded Cmax of 11.258 mg/L, and 200 mg over 3 days dose yielded Cmax of 7.526 mg/L. Notably, infusion gave extended half-life (t1/2) for all doses and slightly higher clearance rates compared to bolus, particularly for the 1200 mg and 800 mg doses. The results corroborated existing clinical pharmacokinetic data, and confirmed the model’s accuracy and predictive capability. This comprehensive computational study has provided invaluable insights into the pharmacological profile of Oritavancin, aiding its further development and optimization for clinical use.
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 ».