结合机器学习与动力学模拟的集成预测模型,用于透皮渗透促进剂的选择

《Journal of Controlled Release》:An integrated prediction model using machine learning and dynamics simulation for the selection of transdermal penetration enhancers

【字体: 大 中 小 】 时间:2026年10月14日 来源:Journal of Controlled Release 12.4

编辑推荐:

   •构建了一个涵盖1022组数据、涉及69种药物和236种促渗剂的全面经皮通量数据库,用于模型构建。•开发了一种基于LightGBM的经皮通量预测和促渗剂优先级排序框架。•建立了一个公开可访问的在线工具,用于快速筛选促渗剂。•确定了与增强经皮递送相关的药物-促渗剂log P匹配

  
  • •
    构建了一个涵盖1022组数据、涉及69种药物和236种促渗剂的全面经皮通量数据库,用于模型构建。
  • •
    开发了一种基于LightGBM的经皮通量预测和促渗剂优先级排序框架。
  • •
    建立了一个公开可访问的在线工具,用于快速筛选促渗剂。
  • •
    确定了与增强经皮递送相关的药物-促渗剂log P匹配窗口。
  • •
    药物log P值为2–3与促渗剂log P值为4–6的组合显示出更优异的经皮递送效果。

引言

经皮给药系统(TDDS)是一种有前景的口服给药替代途径,可避免首过效应,旨在通过皮肤将药物递送至血液循环中[1]。促渗剂(PEs)可用于克服角质层(SC)屏障,通常以"砖墙式"模式通过可逆性破坏SC来增强药物渗透[2]。药物分子穿过SC后,还必须分配至活性表皮和真皮并进行扩散,然后被真皮微循环吸收并转运至全身循环[3]、[4]。因此,经皮递送效果不仅受SC渗透性控制,还受跨多个皮肤区室的扩散和分配过程的影响。
此外,TDDS中经皮递送效果随药物和促渗剂的不同组合而变化,这指的是药物与促渗剂的"匹配"关系。分子性质,尤其是表观油水分配系数的对数(log P)和溶解度(log S),是药物-促渗剂匹配的两个重要参数[5]、[6]、[7]。这些性质的影响通常依赖于药物,并且可能因不同的药物-促渗剂组合而显著变化。例如,促渗剂脂溶性的变化会导致不同药物产生不同的渗透结果,而药物溶解度与皮肤渗透之间的关系并不总是直接的[8]、[9]。虽然基于Franz扩散池的体外渗透试验(IVPT)仍是评估经皮渗透和筛选促渗剂的传统方法,但由于IVPT耗时且成本高昂,经皮预测模型的开发已成为一个突出问题。
在早期阶段,模型通常基于理想实验条件下的单一化合物开发。Potts和Guy建立了经典的定量构效关系(QSAR)模型,证明皮肤渗透性与log P呈正相关,与分子量(MW)呈负相关[10]。随后,Abraham等人开发的线性自由能关系(LFER)模型进一步将线性描述符扩展至分子极性[11]。然而,实际TDDS渗透由三个变量决定:药物、促渗剂和实验条件。一方面,过度受限的数据库导致预测性能存在较大偏差。当Brown等人在限于人体皮肤和单一溶剂的数据集上评估八个QSAR模型时,均方根误差(RMSE)范围为0.72至1.60,所有模型对可电离化合物的预测普遍较差(R2 < 0.5)[12]。虽然HuskinDB纳入了实验参数并在特定条件下提高了性能,但受限于稀疏的训练数据(n < 50)[13]。同时,CPE-DB——第一个开放获取的促渗剂数据库——包含649种促渗剂,但缺乏实验条件元数据[14]。
此外,简单的线性模型难以体现经皮给药系统中的非线性关系。在Ghafourian等人构建的QSAR模型中,引入了溶剂溶解度参数与药物亲核性的乘积作为交互变量,揭示了混合系统中的非线性关系[15]、[16]。通过模拟有限剂量条件下的瞬态扩散,Kasting等人开发的双组分(溶质/溶剂)机制性皮肤渗透模型揭示了药物-促渗剂的非线性效应[17]。此外,Waters和Quah报告称,当将多元线性回归(MLR)应用于整个HuskinDB数据集时,R2仅为0.23,表明简单线性关系无法解释复杂实验变量之间的相互作用[18]。非线性模型可将不同预测条件下的预测准确率提升至80.0–95.0%[19]、[20]、[21]、[22]。然而,近期的机器学习模型仍受限于数据库局限,主要预测单一化合物而非配方。例如,Ita和Prinze利用Abraham描述符构建随机森林(RF)(MAE = 0.37)和极端梯度提升(XGBoost)(RMSE = 0.48)模型,预测175种中性化合物的Kp值[19]。Abdallah等人也证明LightGBM在预测FDA批准药物的渗透性方面显著优于线性模型[22]。因此,构建一个涵盖"药物-促渗剂"的整合数据集对于推动非线性机器学习建模和扩展经皮预测的适用范围至关重要。
分子性质与渗透效果之间的关联机制也需要更深入探索。分子动力学(MD)模拟为经皮给药过程提供了原子级别的洞察。Lundborg团队基于MD开发了高精度脂质模型,证实分子大小和构象动力学直接影响经皮行为,log Kp的预测误差在±0.5个对数单位以内[23]。进一步研究阐明,氮酮(AZO)或油酸(OAD)等促渗剂通过插入脂质尾部、破坏有序排列并诱导界面相分离来增加渗透性[24]。此外,槲皮素-薄荷醇(MEN)-脂质体系的模拟揭示,薄荷醇干扰槲皮素羟基与神经酰胺之间的氢键网络,将跨膜自由能势垒从89.3 kJ/mol显著降低至31.7 kJ/mol[25]。这些MD结果可以桥接分子间相互作用与宏观渗透增强之间的鸿沟,作为机制解释来解锁机器学习模型的"黑箱"。
在本研究中,我们首先建立了一个涵盖药物和促渗剂的全面体外经皮通量数据库,并开发了一种机器学习模型来预测各种配方的经皮递送效果。使用小檗碱(BER)和阿魏酸(FA)溶液体系对预测模型进行了实验验证。此外,我们通过特征重要性分析、匹配分析和分子动力学模拟的跨层级方法阐明了药物-促渗剂相互作用背后的经皮机制。本研究突出了药物-促渗剂相互作用对经皮通量的影响,并为未来经皮配方的优化提供了有价值的建议。

章节摘要

经皮数据库构建

数据收集自2022年前SCOPUS和PubMed数据库中已发表的文献,同时整合了其他现有数据集(图1)。数据收集的具体标准如下:
  • (1)
    文献和数据质量:所选研究须包含完整且相关的经皮数据。
  • (2)
    药物和促渗剂:仅纳入单一药物与单一促渗剂的IVPT实验数据。活性药物成分和

数据分布

经过彻底的文献综述和严格的数据清洗后,我们构建了一个由1022组数据组成的综合数据库用于模型开发。该数据集来源于80篇文献[33]、[34]、[35]、[36]、[37]、[38]、[39]、[40]、[41]、[42]、[43]、[44]、[45]、[46]、[47]、[48]、[49]、[50]、[51]、[52]、[53]、[54]、[55]、[56]、[57]、[58]、[59]、[60]、[61]、[62]、[63]、[64]、[65]、[66]、[67]、[68]、[69]、[70]、[71]、[72]、[73]、[74]、[75]、[76]、[77]、[78]、[79]、[80],

结论

本研究成功地将可解释机器学习与分子动力学模拟方法相结合,开发了经皮给药系统的综合预测模型。首先,建立了药物-促渗剂对的经皮数据库,并利用LightGBM算法构建了经皮递送效果预测模型,该模型在随机划分、未见促渗剂划分和未见药物-促渗剂组合划分下均表现出良好的预测性能。然而,当模型

CRediT作者贡献声明

唐益丹:撰写 – 审阅与编辑,撰写 – 初稿,可视化,验证,资源,项目管理,方法学,形式化分析,数据管理,概念化。苏建军:撰写 – 审阅与编辑,撰写 – 初稿,可视化,验证,软件,项目管理,方法学,形式化分析,概念化。吴政:可视化,资源,方法学,调查,概念化。郑莹:撰写 – 审阅与编辑,

致谢

本研究得到澳门科技研发基金(0076/2023/RIB3、005/2023/SKL & 0037/2025/RIB1)和粤港澳新药筛选联合实验室(EF2023-00054-FHS)的支持。
唐益丹|苏建军|吴政|郑莹|欧阳德方
相关新闻
生物通微信公众号
微信
新浪微博

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