计算与 AI 药物发现 Journal of Chemical Information and Modeling (ACS)

ML–PBPK流程中暴露量误差主要来自清除率预测

  • 用基于图的模型预测非结合分数、清除率和分布容积,输入固定的化合物特异性PBPK模型以模拟人体暴露量。
  • 在较小的化合物集中逐一用预测值替换实测输入,替换清除率使暴露量预测恶化最明显。
  • 图加描述符模型与仅用描述符的基线相当,Cmax仍被低估;作者指出对全新化学结构结果可能偏乐观,且仅为回顾性验证。
要点 基于摘要的观点

清除率主导误差并不意外,人体PK里一直如此。我更想看的是:以fold-error表示的误差分解,并和基于微粒体或肝细胞实测数据的简单IVIVE外推基线对比。如果ML清除率赢不了这个基线,整套流程只是徒增复杂度。何况化合物集很小,又没有按骨架划分的测试,我不会在新系列上直接信它。