ПРОГНОЗУВАННЯ БІОДОСТУПНОСТІ ЛІКАРСЬКИХ РЕЧОВИН ДЛЯ ПЕРОРАЛЬНОГО ЗАСТОСУВАННЯ НА ОСНОВІ ЇХ ХІМІЧНОЇ СТРУКТУРИ
DOI:
https://doi.org/10.32689/2663-0672-2024-4-16Ключові слова:
хемометрія, дизайн лікарських засобів, молекулярний дескриптор, множинна регресія, нейронна мережа, фармаціяАнотація
Прогноз біодоступності є важливим аспектом розробки лікарських засобів. Мета. Дослідити можливість прогнозування біодоступності лікарських речовин для перорального застосування на основі молекулярних дескрипторів за допомогою нейронної мережі прямого поширення сигналу. Матеріали та методи. Розрахунок молекулярних дескрипторів був проведений із застосуванням програмного пакету ChemOffice 2020. Побудова множинної регресії між молекулярними дескрипторами та біодоступністю, а також реалізація нейронної мережі прямого поширення сигналу були здійснені із застосуванням програмного пакету Matlab R2022b. Для кожної з 145 молекул лікарських речовин було розраховано 16 молекулярних дескрипторів. Зі 145 досліджених сполук 10 були випадковим чином відібрані для використання в якості тестової вибірки, 5 сполук ‒ в якості валідаційної вибірки, решта 130 сполук були використані для навчання нейронної мережі прямого поширення сигналу. Результати та обговорення. Встановлено, що для прогнозування біодоступності лікарських речовин для перорального застосування найбільш інформативними та доцільними є 7 молекулярних дескрипторів: молекулярна маса, кількість акцепторів водневого зв’язку, кількість донорів водневого зв’язку, логарифмічний коефіцієнт розподілу між октанолом і водою, індекс Балабана, молекулярний топологічний індекс, індекс Вінера (множинний коефіцієнт детермінації дорівнює 0,3701). Оптимальна кількість прихованих нейронів для ефективної реалізації нейронної мережі прямого поширення сигналу була знайдена експериментальним шляхом і складає 16. Навчена нейронна мережа з 16 прихованими нейронами була використана для прогнозування значень біодоступності молекул лікарських речовин тестової та валідаційної вибірок. Висновки. Нейронна мережа прямого поширення сигналу є ефективним інструментом для прогнозування біодоступності пероральних лікарських речовин на основі їх хімічної структури. Про це свідчать високі значення коефіцієнта детермінації між прогнозованими значеннями біодоступності та експериментальними значеннями біодоступності для тестової та валідаційної вибірок (0,7084 та 0,8432, відповідно). Отримані результати можуть бути корисними на етапі планування експерименту або розробки лікарських засобів.
Посилання
Пушкарьова Я. М., Калюженко А. В. Прогнозування ступеня небезпечності / ризику залишкових розчинників у лікарських засобах методами хемометрії. Фармацевтичний часопис. 2023. № 3. С. 16–25. DOI: 10.11603/2312-0967.2023.3.13985.
Феденько С., Волошенюк Т., Різак Г. Аналіз впливу інноваційних технологій на розвиток фармацевтичного ринку в Україні. Сучасна медицина, фармація та психологічне здоров’я. 2024. Випуск 2 (16). С. 106–110. DOI: 10.32689/2663-0672-2024-2-17.
Chagas C. M., Moss S., Alisaraie L. Drug metabolites and their effects on the development of adverse reactions: Revisiting Lipinski’s Rule of Five. International Journal of Pharmaceutics. 2018. Vol. 549, no. 1–2. P. 133–149. DOI: 10.1016/j.ijpharm.2018.07.046.
Guha S., Jana R. K., Sanyal M. K. Artificial Neural Network approaches for disaster management: A literature review (2010–2021). International Journal of Disaster Risk Reduction. 2022. Vol. 81. P. 103276. DOI: 10.1016/j.ijdrr.2022.103276.
Houssein E. H., Hosney M. E., Emam M. M., Oliva D., Younis E. M., Ali A. A., Mohamed W. M. Optimizing feedforward neural networks using a modified weighted mean of vectors: Case study chemical datasets. Swarm and Evolutionary Computation. 2024. Vol. 89. P. 101656. DOI: 10.1016/j.swevo.2024.101656.
Ma L., Yan Y., Dai S., Shao D., Yi S., Wang J., ... Yan, J. Research on prediction of human oral bioavailability of drugs based on improved deep forest. Journal of Molecular Graphics and Modelling. 2024. Vol. 133. P. 108851. DOI: 10.1016/j.jmgm.2024.108851.
Mumali F. Artificial neural network-based decision support systems in manufacturing processes: A systematic literature review. Computers & Industrial Engineering. 2022. Vol. 165. P. 107964. DOI: 10.1016/j.cie.2022.107964.
Mutihac L., Mutihac R. Mining in chemometrics. Analytica Chimica Acta. 2008. Vol. 612, no. 1. P. 1–18. DOI: 10.1016/j.aca.2008.02.025.
Pushkarova Y., Zaitseva G., Saker M. A. Prediction of Toxicity of Phenols Using Artificial Neural Networks. 12th International Conference on Advanced Computer Information Technologies (ACIT), Slovakia, 26–28 September 2022. 2022. DOI: 10.1109/acit54803.2022.9913174.
Turner J. V., Glass B. D., Agatonovic-Kustrin S. Prediction of drug bioavailability based on molecular structure. Analytica Chimica Acta. 2003. Vol. 485, no. 1. P. 89–102. DOI: 10.1016/s0003-2670(03)00406-9.
Yang Q., Fan L., Hao E., Hou X., Deng J., Xia Z., Du Z. Construction of An Oral Bioavailability Prediction Model Based on Machine Learning for Evaluating Molecular Modifications. Journal of Pharmaceutical Sciences. 2024. Vol. 113. P. 1155–1167. DOI: 10.1016/j.xphs.2024.02.026.
