CN102663218A - 氟喹诺酮类抗菌药基于理化性质的药时曲线预测模型 - Google Patents

Abstract

本发明的目的是构建能够通过氟喹诺酮类化合物的理化性质达到快速预测此类药物人体I期药时曲线(AUC)，且预测能力较好的模型。主要采用逐步多元线性回归结合曲线拟合的方法进行构建。在最终得到的AUC模型中，显著的自变量包括了此类化合物的分子摩尔体积MV以及母核上7位取代基的碱性解离度pKa₂及其二次方(pka₂)²。本发明所建立的模型的预测能力达到80％以上，预测效果良好。通过对氟喹诺酮类新药AUC的早期预测，能够减少不具有药代动力学特性的药物进入临床试验而造成的时间和金钱的浪费，从而加速此类药物的研发。

Description

氟喹诺酮类抗菌药基于理化性质的药时曲线预测模型

技术领域

本发明涉及人体药代动力学参数的预测方法，更具体地说，是构建通过喹诺酮类抗菌药理化性质达到快速预测人体内药时曲线(AUC)的模型。 

背景技术

对氟喹诺酮类化合物进行结构修饰以获得活性更强、抗菌谱更广、毒性更小的新氟喹诺酮类一直是抗菌药物研究领域的重要课题之一，但受到该类药物高昂的开发费用和较长的开发周期所限制；并且很多在体外具有良好抗菌活性的氟喹诺酮类先导物，均因药动学参数不佳或者不良反应太大而被淘汰。AUC是表征此类药物在体内吸收程度的一个重要的指标，是进行人体I期临床试验所必须测定的一个药动学参数。获得良好的AUC对于此类药物的研发具有重要的意义。对于该指标的测定，背景技术主要是通过临床试验获得。对于这种传统的研究方法，一旦发现药物的AUC达不到类药性的要求，则很有可能导致该化合物前期的合成、动物试验以及在人体上的试验所付出的时间及金钱的浪费。研究证明，药物的分子结构与其体内的吸收、分布、排泄和代谢等药动学过程密切相关。因此，在新药设计和开发的早期对此类药物AUC的预测可望有效加速此类药物的研发。现有文献关于氟喹诺酮类抗菌药的AUC的预测方法见周鲁，夏昆华，喹诺酮类化合物的定量构动关系，华西药学杂志，2006，2(5)：433～435，以及Cheng D，Xu WR，Liu CX.Relationship of quantitative structure and pharcokinetics in fluroquinolone antibacterials，World Journal of Gastroenterology，2007，13(7)：2496～2503。周鲁等采用神经网络法对AUC的预测结果能较好地与试验数据相吻合，虽然其计算结果能够为喹诺酮类化合物新药的设计提供一定的理论依据，给出了喹诺酮类化合物具备较好AUC时应具备的理化性质参数的范围，包括疏水性参数logP在-3.5～0.5之间、分子体积在500～600之间、水合能在100～115kal·mol-1左右、偶极矩在5～10D之间、7-位取代基净电荷Q_R7在0.1～0.4e以及分子最高占据轨道能量E_HOMO但在-8.2～～-0.97eV之间，但其计算复杂且不能解释影响构动关系的因素，即难以指导新药的分子结构的改造；Cheng D等采用遗传算法筛选变量、偏最小二乘法(PLS)建立的AUC多元线性回归模型能够从理论上位指导氟喹诺酮类新药的设计，即氟喹诺酮类母核7位上的取代基的体积越小，极化率越大以及表面积越大利于此类新药的研发。进一步，该模型能够从分子结构上指导该类化合物的设计与改造。模型预测值与实验值的相关性为0.736。但由于仅仅考虑了氟喹诺酮类化合物1位与7位取代基的性质对AUC的影响，在实际的案例预测中发现模型预测值与实验值的残差相关性相对较大，其中tusofuloxacin的AUC预测残差接近实验值的4倍。并且遗传算法及PLS等需要大量数学计算和相关程序，因此可能不便于实际中的应用推广。 

发明内容

为了解决现有技术中存在的问题，本发明提供一种氟喹诺酮类抗菌药基于理化性质的药时曲线预测模型，解决现有技术中氟喹诺酮类抗菌药药时曲线预测不准确，预测方法繁琐的问题。 

本发明的技术方案是： 

一种氟喹诺酮类抗菌药基于理化性质的药时曲线预测模型，所述预测模型采用逐步多元线性回归结合曲线拟合的方法构建，包括如下步骤： 

(1)散点矩阵图分析；通过SPSS软件中的Scatter plot构建因变量AUC与8个自变量分子摩尔质量MW，分子摩尔体积MV，极性表面积FPSA，水溶性logS，脂水分配系数logP，pH7.0下的脂水分布系数logD7.0，3位羧基的酸性解离度pKa₁以及7位取代基的碱性解离度pKa₂的散点矩阵图； 

(2)FPSA与AUC的曲线拟合，通过SPSS的Curve Estimation对AUC与FPSA进行11常用模型曲线拟合； 

(3)pKa₂与AUC的曲线拟合，通过SPSS的Curve Estimation对AUC与pKa₂进行11常用模型曲线拟合； 

(4)自变量相关性分析，通过SPSS的Bivariate Correlation对8个自变量进行Pearson相关性分析； 

(5)AUC模型的构建。 

所述步骤(5)AUC模型的构建包括如下步骤： 

a)逐步回归筛选自变量；在确定pKa₂与AUC存在显著的二次方函数关系基础上，采用强迫进入法把在确定pKa₂与AUC存在显著的二次方函数关系基础上，采用强迫进入法把pKa₂及(pKa₂)²纳入方程；采用逐步回归法Stepwise筛选其余的7个自变量，包括MW，MV，FPSA，logS，logP，logD_7.0以及pKa₁； 

b)模型整体评价指标及自相关性分析； 

c)回归系数检验； 

d)模型外变量； 

e)残差统计量； 

f)模型假设验证； 

g)模型的预测检验；应用所建模型对20种氟喹诺酮类化合物进行AUC预测，以MV，pKa₂及(pKa₂)²为输入变量，将所得AUC预测值与实验值做相关性散点图； 

h)模型验证；采用逐一剔除法验证模型预测能力，方法是每次用19种药物构成的样本建立AUC模型，然后用建立的模型预测余下的1种药物的AUC值。 

本发明具有以下优点：本发明所建立的模型能够通过体外的理化性质MV及pKa₂达到快速预测氟喹诺酮类抗菌药健康人体I期AUC，预测能力达到80％以上，预测效果良好。 

从新药研发角度来看，对于AUC的快速预测能够加促新药管理环节中临床批件的审批。通过预测能够尽早淘汰不具有类药性的新药，避免进入临床研究后再进行淘汰时所造成的费用以及时间上的浪费以及给受试者带来的安全性风险。 

从药物经济的角度来看，通过预测氟喹诺酮类新药开发的潜力，在是否值得投保上，能够提供医药保险公司决策的参考。 

从医药研发企业的角度来看，企业的药政管理部门通过对氟喹诺酮类新药AUC的预测，能够更好地发掘具有开发价值的新药，从而降低企业新药研发的风险，实现企业的利润最大化。 

附图说明

图1是AUC与8个理化性质自变量之间的散点矩阵图； 

图2是AUC与pKa²的二次函数拟合曲线； 

图3是模型正态分布图； 

图4是模型P-P图； 

图5是因变量残差图； 

图6是pKa²偏残差图； 

图7是(pKa₂)²偏残差图； 

图8是MV偏残差图； 

图9是AUC预测检验图。 

具体实施方式

下面结合附图对本发明的具体实施方式做详细说明。 

1.散点矩阵图分析。通过SPSS软件中的Scatter plot构建因变量AUC与8个自变量分子摩尔质量MW，分子摩尔体积MV，极性表面积FPSA，水溶性logS，脂水分配系数logP，pH7.0下的脂水分布系数logD7.0，3位羧基的酸性解离度pKa₁以及7位取代基的碱性解离度pKa₂的散点矩阵图(见附图1)，从散点矩阵图中初步看出AUC与pKa₂散点图最上方存在一个异常值。经分析后为AUC值最大的芦氟沙星。进一步考察发现FPSA及排除芦氟沙星后的pKa₂与AUC均存在较明显的曲线模型。 

2.FPSA与AUC的曲线拟合。通过SPSS的Curve Estimation对AUC与FPSA进行11常用模型曲线拟合，发现最大的判定系数R²只有0.341，说明FPSA与AUC的相关性并不高，将不被强行纳入(Enter)模型。 

3.pKa₂与AUC的曲线拟合。通过SPSS的Curve Estimation对AUC与pKa₂进行11常用模 型曲线拟合，发现二次曲线模型(Quadratic)的R²最大，达到了0.758(P＜0.001)；其F统计量也是11个模型中最大的，达到26.627(P＜0.001)，说明单个自变量pKa₂能够解释AUC变差的75％以上，拟合效果良好。 

4.自变量相关性分析。通过SPSS的Bivariate Correlation对8个自变量进行Pearson相关性分析，结果发现8个自变量中MW与MV，MW与losS，MW与logP，MV与logP，logS与logP等存在明显共线性，故本发明引入逐步回归法(Stepwise)对自变量进行筛选。 

5.AUC模型的构建。 

a)逐步回归筛选自变量。在确定pKa₂与AUC存在显著的二次方函数关系基础上，采用强迫进入法(Enter)把在确定pKa₂与AUC存在显著的二次方函数关系基础上，采用强迫进入法把pKa₂及(pKa₂)²纳入方程；采用逐步回归法Stepwise筛选其余的7个自变量，包括MW，MV，FPSA，logS，logP，logD_7.0以及pKa₁。变量纳入标准为P＜0.05，剔除标准为P＞0.10。从表1引入/剔除变量表中可以看出，pKa₂及(pKa₂)²被直接引入，而逐步回归中最终被引入的变量只有MV。故模型2中有3个变量pKa₂，(pKa₂)²及MV。 

b)模型整体评价指标及自相关性分析。从表2模型摘要中可以看出，模型2的复相关系数R为0.952，判定系数R²为0.906，估计值的标准误差SE为1.966，自相关检验值DW为1.740。多重决定系数R²是多元回归方程对样本数据拟合得好坏的度量。这里R²＝0.906，说明AUC的差异中，有大约91％可由分子摩尔体积MV和解离度pKa₂解释。对于自相关性的分析，根据Durbin-Wastson表(从6个观测值开始的检验表参见Savin，N.E./White，K.J.，1977，pp.1989-1996.)，对20个样本和三个回归自变量(95％水平)，由双侧检验得出临界值：du⁺＝0.89，do⁺＝1.55，得无自相关的值域为(1.55，2.45)。本研究所得d值为1.74，说明模型不存在自相关。从表3方差分析表(ANOVA)可以看出，模型2的F统计量的观察值为51.261，概率P值小于0.001，在显著性水平为0.05的情形下，模型2整体具有显著性。 

c)回归系数检验。从表4多元线性回归的系数列表得出模型2的数学表达式为：AUC＝360.138+0.132MV-84.032pKa₂+4.541(pKa₂)²，方程中的常数项β₀为360.138，偏回归系数β₁为0.132，β₂为0.84.032，β₃为4.541。经t检验，β₁、β₂、β₃的概率P值小于0.001，按给定的显著性水平0.10的情形下，均有显著性意义。 

d)模型外变量。从表5回归外各模型变量的有关统计量中看出，模型2外的各自变量偏回归系数经重检验，概率P值均大于0.10，故不能引入方程。 

e)残差统计量。从表6回归模型的残差统计量中看出，标准化残差(Std.Residual)的绝对值最大为1.513，没有超过设定值2，故不存在离群值(异常值)。 

f)模型假设验证。从图3及图4可以看出，模型服从正态分布，所有残差点都分布在对角线的直线附近，说明残差的正态假设成立。从图5看出，因变量残差图不存在明显的模式，表明所建立的模型满足同方差性假设。从图6，7，8的自变量残差图看出，方程入选的3个自变量MV，pKa₂及(pKa₂)²与AUC均存在线性关系。 

g)模型的预测检验。应用所建模型对20种氟喹诺酮类化合物进行AUC预测，以MV，pKa₂及(pKa₂)²为输入变量，将所得AUC预测值与实验值做相关性散点图。从图9中可以看出，预测值与实验值接近，所有散点均分布在对角线附近，预测效果良好。Pearson相关性分析结果表明，预测值与实验值的相关系数R达到0.952，说明模型能够将数据拟合良好。 

h)模型验证。采用逐一剔除法(Leave-one-out)验证模型预测能力。方法是每次用19种药物构成的样本建立AUC模型，然后用建立的模型预测余下的1种药物的AUC值。用这种方法对所有数据逐一进行验证，可得到20个AUC预测值。模型预测的有效性用交叉判定系数Q²进行度量：Q²＝1-[(y_exp-y_pre)²/(y_exp-y_mean)²]，其中，y_exp为实验值，y_mean为实验值平均值，y_pre为逐一剔除法的预测值，Q²值越接近1，模型具有越精确的预测能力。结果Q²达到0.8196，说明由MV及pKa₂构建的AUC模型，预测有效性达到80％以上的，对在因变量数值范围内的药物进行较准确的预测。 

表1引入/剔除变量表 

Table 1Variables Entered/Removed^b

a.All requested variables entered. 

b.Dependent Variable：AUC 

表2模型摘要 

Table 2 Model Summary^c

a.Predictors：(Constant)，pKa22，pKa2 

b.Predictors：(Constant)，pKa22，pKa2，MV 

c.Dependent Variable：AUC 

表3方差分析表^c

Table 3ANOVA^c

a.Predictors：(Constant)，pKa22，pKa2 

b.Predictors：(Constant)，pKa22，pKa2，MV 

c.Dependent Variable：AUC 

表4回归系数 

Table 4 Coefficients^a

a.Dependent Variable：AUC 

表5模型外的变量^c

Table 5Excluded Variables^c

a.Predictors in the Model：(Constant)，pKa22，pKa2 

b.Predictors in the Model：(Constant)，pKa22，pKa2，MV 

c.Dependent Variable：AUC 

表6残差统计量 

Table 6 Residuals Statistics^a

a.Dependent Variable：AUC 

Claims (2)

1.一种氟喹诺酮类抗菌药基于理化性质的药时曲线预测模型，其特征在于，所述预测模型采用逐步多元线性回归结合曲线拟合的方法构建，包括如下步骤：

(1)散点矩阵图分析；通过SPSS软件中的Scatter plot构建因变量AUC与8个自变量分子摩尔质量MW，分子摩尔体积MV，极性表面积FPSA，水溶性logS，脂水分配系数logP，pH7.0下的脂水分布系数logD7.0，3位羧基的酸性解离度pKa₁以及7位取代基的碱性解离度pKa₂的散点矩阵图；

(2)FPSA与AUC的曲线拟合，通过SPSS的Curve Estimation对AUC与FPSA进行11常用模型曲线拟合；

(3)pKa₂与AUC的曲线拟合，通过SPSS的Curve Estimation对AUC与pKa₂进行11常用模型曲线拟合；

(4)自变量相关性分析，通过SPSS的Bivariate Correlation对8个自变量进行Pearson相关性分析；

(5)AUC模型的构建。

2.根据权利要求1所述氟喹诺酮类抗菌药基于理化性质的药时曲线预测模型，其特征在于，所述步骤(5)AUC模型的构建包括如下步骤：

a)逐步回归筛选自变量；在确定pKa₂与AUC存在显著的二次方函数关系基础上，采用强迫进入法把在确定pKa₂与AUC存在显著的二次方函数关系基础上，采用强迫进入法把pKa₂及(pKa₂)²纳入方程；采用逐步回归法Stepwise筛选其余的7个自变量，包括MW，MV，FPSA，logS，logP，logD_7.0以及pKa₁；

b)模型整体评价指标及自相关性分析；

c)回归系数检验；

d)模型外变量；

e)残差统计量；

f)模型假设验证；

g)模型的预测检验；应用所建模型对20种氟喹诺酮类化合物进行AUC预测，以MV，pKa₂及(pKa₂)²为输入变量，将所得AUC预测值与实验值做相关性散点图；

h)模型验证；采用逐一剔除法验证模型预测能力，方法是每次用19种药物构成的样本建立AUC模型，然后用建立的模型预测余下的1种药物的AUC值。

Images