《Clinical and Translational Science》:Translational Prediction of Hemodialysis Clearance Integrating Molecular Structure and Dialysis Conditions
血液透析(hemodialysis)对药物清除的定量预测对于肾功能衰竭患者的合理剂量设计至关重要。研究人员旨在开发一种基于机器学习的定量结构–药代动力学关系(quantitative structure–pharmacokinetic relationship, QSPKR)模型,利用分子描述符和透析条件预测血液透析清除率(hemodialysis clearance, CLHD)。CLHD数据汇编自已发表的临床研究,形成一个数据集,包括46种化合物、457次测量、7种透析膜类型以及透析参数,包括血液流率(blood flow rate, QB)和透析液流率(dialysate flow rate, QD)。递归特征消除(recursive feature elimination, RFE)揭示了6个关键预测因子,用于构建并比较5种模型:套索回归(lasso regression)、随机森林(random forest)、支持向量机(support vector machine)、平均神经网络(averaged neural network)和极端梯度提升(extreme gradient boosting, XGBoost)模型。特征贡献通过Shapley加性解释(Shapley additive explanations, SHAP)分析进行解释。在这些模型中,XGBoost表现出最高的预测性能(均方根误差=51.71 mL/min;R2=0.614)。SHAP分析显示,亲脂性(lipophilicity)是最具影响力的预测因子。QB和QD对CLHD的影响呈非线性和可饱和性,与已建立的透析清除理论一致。利用基于QSPKR的机器学习方法,可从分子结构和透析参数预测CLHD,为估算药物清除率提供实用框架,并在经验数据有限时辅助药物可透析性(dialyzability)的初步评价。
研究背景:血液透析(hemodialysis)是一种肾脏替代治疗,用于从血液中清除毒素和代谢废物,常用于急性肾衰竭、慢性肾脏病和药物诱导中毒。透析通过影响吸收、分布、代谢和排泄改变药代动力学,患者常需多种药物,必须避免蓄积和不良事件。定量预测血液透析清除率(hemodialysis clearance, CL
HD)对肾功能衰竭患者合理剂量设计重要,但药物开发早期透析特异性药代数据稀缺。传统剂量调整常依据蛋白结合率、分布容积等经验参数,但患者因素、透析参数(如血液流率(blood flow rate, Q
B)、透析液流率(dialysate flow rate, Q
D)、膜类型和表面积)与药物性质交互复杂,预测不精确。即使同一透析膜,不同药物清除程度差异大。药物与透析膜及血液成分亲和性影响清除,但定量研究少。定量结构–药代动力学关系(quantitative structure–pharmacokinetic relationship, QSPKR)分析已被用于预测血浆清除率、分布容积和蛋白结合率,但用于血液透析清除率的仅有多元回归或机器学习模型,尚未见CL
HD报道。因此研究人员开发基于机器学习的QSPKR模型,整合分子描述符和透析参数预测CL
HD,以支持药代建模和药物可透析性初步评估。
研究人员开展研究及结论意义:研究人员从已发表临床研究汇编CL
HD数据,形成46种化合物、457次测量、7种透析膜类型及Q
B、Q
D等参数的数据集。递归特征消除(recursive feature elimination, RFE)选出6个关键预测因子,构建并比较套索回归(lasso regression, LASSO)、随机森林(random forest, RF)、支持向量机(support vector machine, SVM)、平均神经网络(averaged neural network, avNNet)和极端梯度提升(extreme gradient boosting, XGBoost)5种模型,并用Shapley加性解释(Shapley additive explanations, SHAP)解释特征贡献。XGBoost预测性能最高(均方根误差(root mean square error, RMSE)=51.71 mL/min;决定系数(coefficient of determination, R
2)=0.614)。SHAP显示亲脂性最具影响力,Q
B和Q
D对CL
HD影响非线性且可饱和,符合透析清除理论。研究表明CL
HD可由分子结构和透析参数经QSPKR机器学习预测,为经验数据有限时估计药物清除和初步评价可透析性提供框架。
主要关键技术方法:CL
HD数据来自PubMed和Google Scholar检索的已发表临床研究,样本为接受血液透析患者,纳入报告个体CL
HD、Q
B、Q
D、膜类型和化合物名称的研究。分子结构取自PubChem,用ADMET Predictor 10.4基于二维结构计算描述符,保留123个变量。CL
HD经自然对数转换,按化合物划分80%训练集和20%测试集。训练集用RFE以随机森林为外部估计器筛选特征,候选子集大小5–15、20、25、30、35、40、50,以交叉验证RMSE最低选择6个特征。用6个特征和7种膜类型构建比较LASSO、RF、SVM、avNNet和XGBoost,超参数用RMSE网格搜索和留一化合物交叉验证优化。用测试集评估RMSE、平均绝对误差(mean absolute error, MAE)和R
2,Duan smearing回变换,SHAP解释。
研究结果:
3.1 使用RFE选择特征:CL
HD数据集包含46种化合物、457次测量和7种透析膜。RFE降低维度并保留预测信息,选出MlogP(森口模型辛醇–水分配系数)、N_Halogen(总卤素原子数)、EEM_MaxF(最大sigma Fukui指数)、Q
B、Q
D和T_Radb(基于分子大小和形状的中等椭球半径)。表明透析条件、分子大小、亲脂性和电子因素决定目标性质。
3.2 模型性能比较分析:用6个特征评估5种模型。测试集中XGBoost准确度最高,RMSE=51.71,R
2=0.614,其次为avNNet。诊断图和残差直方图用于检查预测行为。
3.3 可解释性与特征重要性:SHAP分析显示MlogP最主导,其次T_Radb和N_Halogen。Q
B在150–400 mL/min正贡献增加,超过后增速下降;Q
D增至500 mL/min前线性增加,之后平台。说明Q
B和Q
D与CL
HD呈非线性和可饱和关系。
讨论总结:CL
HD因药物与透析膜及生物成分亲和性而变化。氨基糖苷类如庆大霉素和妥布霉素等亲水性低蛋白结合药可被大量清除,CL
HD常超全身清除;阿米卡星透析时半衰期显著降低,需调整剂量;米卡芬净不受透析影响;美罗培南和万古霉素在延长每日透析中显著清除,不能直接套用间歇血透方案,可能需治疗药物监测(therapeutic drug monitoring, TDM);连续肾脏替代治疗还受膜特征和残余肾功能影响。基于蛋白结合率等药代参数预测已有报道;本研究基于分子结构的方法无需新化合物特异透析实验即可初步估计。将预测CL
HD与已有药代模型结合,可能促进透析期间药物浓度预测,支持药物开发中CL
HD估计和可透析性初步评价,但不替代临床药代研究。按化合物拆分和独立测试减少信息泄漏,评估跨化学结构泛化。XGBoost最佳,非线性模型优于线性LASSO,说明存在复杂非线性交互。SHAP依赖图解释Q
B、Q
D非线性,树集成能捕捉阈值和交互,XGBoost优于avNNet且集成减少过拟合。诊断图显示训练集一致,留一化合物交叉验证(leave-one-compound-out cross-validation, LOCO-CV)分散较大;残差-预测图无明显非线性或异方差,但高预测CL
HD处轻度高估,残差直方图近似零中心但有负移和大残差。透析清除常用Michaels方程表示,是Q
B、Q
D和总传质面积系数(overall mass transfer area coefficient, KoA)的函数。研究人员先前用Michaels方程和混合效应模型预测CL
HD,KoA表达为脑–血分配系数的十进制对数(logBB)的函数;本模型中MlogP影响最大,因亲脂性促进血脑屏障穿透,logP(含MlogP)与logBB正相关,与既往报告一致。将结构基CL
HD预测整合到群体药代模型,可能前瞻模拟透析期间药物暴露,也可为过量或毒性时评估透析有效性提供支持信息,但需验证。局限性:不能预测个体差异;未纳入个体生理参数如血液成分;未整合化合物性质和膜特征动态变化;CL
HD测定方法不统一;CL
HD分布不平衡,高值观测少;超参数基于自然对数RMSE选择,未直接最小化mL/min误差;高CL
HD范围预测需谨慎;测试集CL
HD高于训练集、N_Halogen均值较低、部分膜类型代表性有限,可能导致低估。若直接用于剂量,低估CL
HD可能导致低估透析相关药物清除,因此不能作为个体剂量选择唯一依据。未来应整合更全面临床数据提高准确性和适用性。
研究结论翻译:在本研究中,研究人员构建了基于QSPKR分析的机器学习模型预测CL
HD。在多个模型中,XGBoost在独立测试数据集表现最佳。未来研究应整合更全面临床数据,提高模型准确性和适用性。该方法为血液透析患者药物可透析性初步评估提供定量框架。但用于指导个体剂量调整前仍需进一步验证。