基于迁移学习的多模态预测用于阿法替尼共无定形系统的高效筛选

《International Journal of Pharmaceutics》:Transfer learning-based multimodal prediction for efficient screening of afatinib co-amorphous systems

【字体: 大 中 小 】 时间:2026年10月12日 来源:International Journal of Pharmaceutics 6.0

编辑推荐:

   •多模态迁移学习改善了基于有限数据的共无定形预测。•图、DFT和SMILES表示提供了互补的预测信息。•模型引导筛选获得了四种阿法替尼共无定形体系。•共无定形体系表现出更高的溶解性和pH依赖性表观溶解度。引言活性药物成分(APIs)是负责药理作用和疗效的核心成分,其物理化学性

  
  • •
    多模态迁移学习改善了基于有限数据的共无定形预测。
  • •
    图、DFT和SMILES表示提供了互补的预测信息。
  • •
    模型引导筛选获得了四种阿法替尼共无定形体系。
  • •
    共无定形体系表现出更高的溶解性和pH依赖性表观溶解度。

引言

活性药物成分(APIs)是负责药理作用和疗效的核心成分,其物理化学性质和药代动力学性质各不相同(Johnsen等,2024)。然而,90%的活性药物成分存在水溶性差和生物利用度低的问题(Bhakay等,2018)。为解决这一问题,共无定形(CA)体系将活性药物成分与共形成物结合,形成多组分体系,有效调控活性药物成分的物理化学性质、生物化学性质和制剂性质,因此在生物医学领域引起了广泛关注(Wang等,2024;Kanp等,2024;Ghatole等,2026)。
共无定形体系是由活性药物成分与共形成物无定形化形成的均质无定形基质。与结晶态药物相比,合理设计的共无定形体系可能在活性药物成分与共形成物之间表现出有利的分子间相互作用,从而有助于提高玻璃化转变温度(Tgs)、降低分子运动性、抑制再结晶并改善物理稳定性(Pandi等,2020;O'Sullivan等,2023;Rutuja等,2024)。同时,共无定形体系减少了晶格施加的约束,通常具有比相应结晶态更高的自由能,这可能增强活性药物成分的表观溶解度和溶解性能(Sabzini等,2023;Song等,2024)。共无定形体系的构建和性能优化强烈依赖于活性药物成分与共形成物之间的相容性(Srinivas等,2025)。因此,选择合适的共形成物对于促进共无定形形成和优化活性药物成分的相关药学性质至关重要(Balaga等,2026)。因此,共形成物的高效筛选和合理选择是共无定形体系开发中的重要步骤。对于共形成物筛选,Meng-Lund等人开发了一种偏最小二乘模型来预测甲苯咪唑-氨基酸共无定形组合,但该模型局限于氨基酸类共形成物(Meng-Lund等,2018)。Deng等人利用Hansen溶解度参数通过预测分子相容性筛选了六个共无定形体系(Deng等,2022)。Fink等人和使用SMILES序列表示。通过整合这两种表示来学习药物性质是一个有前景的研究方向(Shen等,2024;Zheng等,2024)。密度泛函理论(DFT)也用于分析药物与共形成物之间的分子间相互作用以及各种与电子结构相关的性质(Sá等,2022;Pardhi等,2025)
本研究开发了一种多模态共无定形预测框架,将迁移学习与分子图、SMILES表示和DFT衍生描述符相结合。迁移学习策略通过重用从更大的共晶体源域中学习的结构表示来缓解共无定形数据集规模小所带来的限制,而多模态设计则将互补的结构、序列级和电子信息纳入共无定形预测。阿法替尼(AF)是一种口服小分子激酶抑制剂,已获批用于转移性非小细胞肺癌(Xie等,2023;Liu等,2024)。AF表现出pH依赖性水溶性,其游离碱形式在接近中性条件下溶解度有限,但在酸性条件下溶解度增加(Elbatanony等,2021;Veerman等,2022)。在本研究中,选择AF游离碱作为模型活性药物成分,并通过球磨法制备了基于AF的共无定形体系。在模型指导下,对AF进行了共形成物筛选,成功制备了四种新型基于AF的共无定形体系。系统表征表明,与共结晶态AF相比,所得共无定形体系的物理化学性质表现出制剂依赖性的改善。本研究旨在解决共无定形预测研究中样本量有限和数据分布不平衡的关键挑战,为溶解度差的药物的高效开发和制剂设计提供了新的视角和可行的策略。

章节摘要

数据集构建与域相似性分析

开发了一个基于共晶体数据集的二分类模型,用于预测共无定形形成。相应地,共晶体数据集作为源域,包含6830个正样本和1054个负样本(Jiang等,2021)。源域数据集包含正负样本,使图骨干网络能够在预训练期间从两类中学习表示。采用我们先前研究中报道的共无定形数据集作为目标

材料

AF游离碱(99%)购自中国麦克林生化科技有限公司。糖精(SAC,98%)、原儿茶酸(PCA,98%)、没食子酸(GA,98%)和没食子酸甲酯(MG,98%)购自中国阿拉丁科技有限公司。图2展示了AF和四种共形成物的分子结构。

样品制备

所有AF共无定形样品均通过球磨法制备,使用立式行星式球磨机(XQM,长沙天创粉末科技有限公司,中国)。使用直径为5 mm和10 mm的氧化锆研磨球

源域-目标域化学空间关系分析

对源域和目标域分子空间的分析表明,共晶体(CC)域与共无定形(CA)域之间存在大量但不完全的重叠。在规范SMILES去重后,CA数据集中204个唯一分子中有108个也存在于CC源域中,对应精确分子重叠率为52.94%,其余96个分子为CA数据集特有。如图3所示,仅CA分子和共享分子均广泛分布在CC域占据的化学空间内

结论

本研究建立了一种整合迁移学习和多模态表示的共无定形预测框架,为应对共无定形预测中样本有限和分子表示方面的挑战提供了实用的方法。结果表明,从共晶体域迁移的分子图表示为共无定形预测提供了有用的结构先验,而两阶段训练策略在有限数据条件下实现了目标域适应。互补信息

CRediT作者贡献声明

李云霞:撰写–初稿、可视化、验证、软件、调查、数据整理、概念构思。刘诗远:撰写–初稿、验证、资源获取、资金获取、形式化分析、概念构思。许迪:可视化、验证、软件、调查、数据整理。丁宇星:可视化、资源获取、形式化分析、数据整理。江延斌:撰写–审阅与编辑、监督、项目管理、方法论、资金获取,

未引用参考文献

Kavanagh, 2024, Zheng和Tomiura, 2024, Chithrananda等, 2020, Lu和Chen, 2022。

利益冲突声明

作者声明他们没有已知的可能影响本文所报告工作的竞争性经济利益或个人关系。

致谢

本研究获得了国家自然科学基金(编号:22478129)、广东省基础与应用基础研究基金(编号:2025A04J3812)和广东石油化工学院科研基金(2025rcyj1034)的资助,对此深表感谢。
李云霞|刘诗远|许迪|丁宇星|江延斌
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号