CN118010946A - 一种仿生环境下的药物稳定性检测方法及系统 - Google Patents

一种仿生环境下的药物稳定性检测方法及系统 Download PDF

Info

Publication number
CN118010946A
CN118010946A CN202410412994.1A CN202410412994A CN118010946A CN 118010946 A CN118010946 A CN 118010946A CN 202410412994 A CN202410412994 A CN 202410412994A CN 118010946 A CN118010946 A CN 118010946A
Authority
CN
China
Prior art keywords
environment
bionic
bionic environment
organ
drug
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202410412994.1A
Other languages
English (en)
Other versions
CN118010946B (zh
Inventor
钟振东
贺庆华
罗丹
阳丹丹
何金利
童妍
林亚秋
何洁
曾月妍
魏圆
马媛
徐婧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Lilaisi Nuo Biotechnology Co ltd
Original Assignee
Sichuan Lilaisi Nuo Biotechnology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sichuan Lilaisi Nuo Biotechnology Co ltd filed Critical Sichuan Lilaisi Nuo Biotechnology Co ltd
Priority to CN202410412994.1A priority Critical patent/CN118010946B/zh
Publication of CN118010946A publication Critical patent/CN118010946A/zh
Application granted granted Critical
Publication of CN118010946B publication Critical patent/CN118010946B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Apparatus Associated With Microorganisms And Enzymes (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明公开了一种仿生环境下的药物稳定性检测方法及系统,涉及药物检测技术领域。本发明通过多维度仿生环境的建立,构建分子液仿生环境、细胞仿生环境和器官仿生环境,其中细胞仿生环境内部包括有分子液仿生环境中混合溶液X,器官仿生环境包括有分子液仿生环境中的混合溶液X和细胞仿生环境中的组织细胞,从而获得分子液仿生环境、细胞仿生环境和器官仿生环境之间的关联,基于分子液仿生环境、细胞仿生环境和器官仿生环境的成分变化信息,进而分别获得三个药物稳定性标准的评估结果,三个评估结果之间存在关联,因此可明确评估结果的问题所在,进而减少了评估结果失真的情况,也为后续药物稳定性的提高提供了帮助。

Description

一种仿生环境下的药物稳定性检测方法及系统
技术领域
本发明涉及药物检测技术领域,具体为一种仿生环境下的药物稳定性检测方法及系统。
背景技术
药物的稳定性直接关系到其在生物体内的药效表现,药物降解或变性可能会导致产生有害物质或毒性代谢产物,对生物体内造成不良影响,检查药物的稳定性可以帮助提前发现这些潜在风险,并采取相应的措施来确保药物的安全使用,仿生环境可以更好地模拟生物体内内部的生物环境,通过在仿生环境下模拟药物在生物体内的变化,可以更准确地评估药物在体内的表现,为药物稳定性的提高提供支持。
不同药物具有不同的特性,导致药物稳定性评估标准的制定存在差异,且该药物稳定性评估标准是针对仿生环境所制定的,一旦评估标准建立错误,将会对后续的稳定性评估结果造成影响,导致药物稳定性评估标准的建立需要耗费大量精力,由于在单一仿生环境下进行药物代谢的模拟无法全面评估药物在整个生物体内的稳定性,因此会建立多仿生环境,但建立多仿生环境时缺乏各仿生环境之间的关联,导致不同仿生环境下的稳定性评估结果之间也缺乏关联,进而容易导致评估结果失真,同时也为后续药物稳定性的提高造成影响,为此发明了一种仿生环境下的药物稳定性检测方法及系统。
发明内容
本发明的目的在于提供一种仿生环境下的药物稳定性检测方法及系统,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种仿生环境下的药物稳定性检测方法,所述检测方法包括:
第一步,设定药物稳定性标准,获取待检测药物的信息,获取生物体内的成分信息,基于待检测药物的信息和生物体内的成分信息设定药物稳定性标准;
第二步,建立多维度仿生环境,基于生物体内的成分信息设计仿生环境内部成分信息,基于仿生环境内部成分信息建立分子液仿生环境、细胞仿生环境和器官仿生环境,在器官仿生环境上建立模拟体液循环系统,所述模拟体液循环系统用于实现各个器官仿生环境之间的相通;
第三步,检测变化,将待检测的药物投入多维度仿生环境中,检测多维度仿生环境中成分变化,获得成分变化信息;
第四步,对比评估,对药物稳定性进行评估,将成分变化信息和药物稳定性标准进行对比,获得对比结果,通过对比结果评估药物的稳定性;
所述第三步中,将待检测的药物投入分子液仿生环境中,周期性地检测分子液仿生环境内部成分以及成分含量的变化,获得成分变化信息A,从分子液仿生环境中获取混合液体X;
将混合液体X移入细胞仿生环境中,周期性地检测细胞仿生环境内部成分以及成分含量的变化,获得成分变化信息B,所述成分变化信息B包括细胞反应情况;
将混合液体X移入器官仿生环境中,开启模拟体液循环系统,周期性地检测各个器官仿生环境内部成分以及成分含量的变化获得成分变化信息C。
更进一步地,所述待检测药物的信息包括待检测药物的化学成分和含量,所述生物体内的成分信息包括生物体内的化学成分和酶,所述药物稳定性标准基于待检测药物的信息和生物体内的成分信息,建立AI预测模型,通过AI预测模型预测出待检测药物在多维度仿生环境下的变化,通过预测设定药物稳定性标准。
更进一步地,所述分子液仿生环境的建立方法包括获取器官所处体液成分信息,基于体液成分信息建立溶液,获得分子液仿生环境;
所述细胞仿生环境的建立方法包括正常组织细胞仿生环境和病灶组织细胞仿生环境,所述正常组织细胞仿生环境包括从器官组织中获取器官细胞,对器官细胞培养增殖,获得正常组织细胞仿生环境,所述病灶组织细胞仿生环境包括从器官组织中获取病灶组织细胞,对病灶组织细胞培养增殖,获得病灶组织细胞仿生环境,所述病灶组织细胞包括发炎组织细胞和肿瘤组织细胞;
所述器官仿生环境的建立方法包括,建立器官腔室,将正常组织细胞仿生环境或病灶组织细胞仿生环境移植至器官腔室中,控制正常组织细胞仿生环境在器官腔室中的数量,控制病灶组织细胞仿生环境在器官腔室中的数量,在器官腔室中添加混合液体X,获得器官仿生环境;
所述模拟体液循环系统的建立方法包括,所述器官腔室上安装管道,器官腔室之间的管道连接和生物体内器官之间的血管连接相同。
更进一步地,建立AI模拟模型,将待检测药物的信息输入至AI模拟模型,AI模拟模型内部已储存有生物体内的成分信息,AI模拟模型内部储存有仿生环境内部成分信息,AI模拟模型结合待检测药物的信息、生物体内的成分信息和仿生环境内部成分信息,AI模拟模型模拟待检测药物分别在分子液仿生环境、细胞仿生环境和器官仿生环境上的变化,所述变化包括待检测药物的代谢、分解和改变,获得预测结果,人工基于预测结果设定药物稳定性标准。
更进一步地,所述AI模拟模型的建立方法:
N1,收集药物稳定性的数据和化学反应数据,药物稳定性的数据包括化学结构、药理学特性和毒性数据,药物稳定性的数据和化学反应数据合成数据集,所述数据集来自公开的数据库、文献报道和临床试验;
N2,对收集到的数据集进行预处理,包括数据清洗和标准化;
N3,从预处理后的数据集中提取药物和化学分子的特征,所述特征包括分子结构、生物活性和代谢途径,根据药物特征和化学分子特征之间的关联性建立结构网络;
N4,通过逻辑回归算法结合结构网络建立AI模拟模型。
更进一步地,所述预测结果包括分子液仿生环境的预测结果、细胞仿生环境的预测结果和器官仿生环境的预测结果,所述药物稳定性标准包括分子液仿生环境的稳定性标准、细胞仿生环境的稳定性标准和器官仿生环境的稳定性标准,所述第四步中,将成分变化信息A和分子液仿生环境的稳定性标准进行对比评估,将成分变化信息B和细胞仿生环境的稳定性标准进行对比评估,将成分变化信息C和器官仿生环境的稳定性标准进行对比评估,分别得出三个稳定性评估结果。
更进一步地,所述仿生环境内部成分信息包括分子液仿生环境内部成分以及成分含量,所述仿生环境内部成分信息包括细胞仿生环境内部细胞信息以及细胞仿生环境中混合液体X的含量,所述仿生环境内部成分信息包括器官仿生环境内部中细胞仿生环境的数量和混合液体X的含量。
一种仿生环境下的药物稳定性检测系统,所述检测系统包括上述的一种仿生环境下的药物稳定性检测方法。
与现有技术相比,本发明的有益效果是:
该仿生环境下的药物稳定性检测方法,通过多维度仿生环境的建立,构建分子液仿生环境、细胞仿生环境和器官仿生环境,其中细胞仿生环境内部包括有分子液仿生环境中混合溶液X,器官仿生环境包括有分子液仿生环境中的混合溶液X和细胞仿生环境中的组织细胞,从而获得分子液仿生环境、细胞仿生环境和器官仿生环境之间的关联,基于分子液仿生环境、细胞仿生环境和器官仿生环境的成分变化信息,进而分别获得三个药物稳定性标准的评估结果,三个评估结果之间存在关联,因此可明确评估结果的问题所在,进而减少了评估结果失真的情况,也为后续药物稳定性的提高提供了帮助。
同时,通过AI预测模型去预测评估结果,人工对预测评估结果进行修正获得药物稳定性标准,AI预测模型通过输入的待检测药物的信息,便可预测评估结果,该设计能够减少建立药物稳定性标准所耗的精力,由于生物体内的成分信息已输入至AI预测模型中,因此后续其他药物稳定性的检测,也同样可采用该AI预测模型。
通过成分变化信息和药物稳定性标准进行对比,获得对比结果,药物稳定性标准的建立基于AI预测模型的预测评估结果,同时分子液仿生环境、细胞仿生环境和器官仿生环境是基于生物体内的成分信息去进行设计,AI预测模型模拟药物分别在分子液仿生环境、细胞仿生环境和器官仿生环境的情况,之后获取三个对应成分变化信息,对应成分变化信息和药物稳定性标准进行对比,可以明确待检测药物在仿生环境下的表现,以及在哪个仿生环境下对比出现偏差,以便后续针对对应的仿生环境,进行稳定性的提高。
附图说明
图1为本发明的多维度仿生环境示意图;
图2为本发明检测方法的示意图;
图3为本发明AI模拟模型的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1-图3所示,本发明提供一种技术方案:一种仿生环境下的药物稳定性检测方法,检测方法包括:
第一步,设定药物稳定性标准,获取待检测药物的信息,获取生物体内的成分信息,基于待检测药物的信息和生物体内的成分信息设定药物稳定性标准;
第二步,建立多维度仿生环境,基于生物体内的成分信息设计仿生环境内部成分信息,基于仿生环境内部成分信息建立分子液仿生环境、细胞仿生环境和器官仿生环境,在器官仿生环境上建立模拟体液循环系统,模拟体液循环系统用于实现各个器官仿生环境之间的相通;
第三步,检测变化,将待检测的药物投入多维度仿生环境中,检测多维度仿生环境中成分变化,获得成分变化信息;
第四步,对比评估,对药物稳定性进行评估,将成分变化信息和药物稳定性标准进行对比,获得对比结果,通过对比结果评估药物的稳定性;
第三步中,将待检测的药物投入分子液仿生环境中,周期性地检测分子液仿生环境内部成分以及成分含量的变化,获得成分变化信息A,从分子液仿生环境中获取混合液体X;
将混合液体X移入细胞仿生环境中,周期性地检测细胞仿生环境内部成分以及成分含量的变化,获得成分变化信息B,成分变化信息B包括细胞反应情况;
将混合液体X移入器官仿生环境中,开启模拟体液循环系统,周期性地检测各个器官仿生环境内部成分以及成分含量的变化获得成分变化信息C。
待检测药物的信息包括待检测药物的化学成分和含量,生物体内的成分信息包括生物体内的化学成分和酶,药物稳定性标准基于待检测药物的信息和生物体内的成分信息,建立AI预测模型,通过AI预测模型预测出待检测药物在多维度仿生环境下的变化,通过预测设定药物稳定性标准。
分子液仿生环境的建立方法包括获取器官所处体液成分信息,基于体液成分信息建立溶液,获得分子液仿生环境;
细胞仿生环境的建立方法包括正常组织细胞仿生环境和病灶组织细胞仿生环境,正常组织细胞仿生环境包括从器官组织中获取器官细胞,对器官细胞培养增殖,获得正常组织细胞仿生环境,病灶组织细胞仿生环境包括从器官组织中获取病灶组织细胞,对病灶组织细胞培养增殖,获得病灶组织细胞仿生环境,病灶组织细胞包括发炎组织细胞和肿瘤组织细胞;
器官仿生环境的建立方法包括,建立器官腔室,将正常组织细胞仿生环境或病灶组织细胞仿生环境移植至器官腔室中,控制正常组织细胞仿生环境在器官腔室中的数量,控制病灶组织细胞仿生环境在器官腔室中的数量,在器官腔室中添加混合液体X,获得器官仿生环境;
模拟体液循环系统的建立方法包括,器官腔室上安装管道,器官腔室之间的管道连接和生物体内器官之间的血管连接相同。
建立AI模拟模型,将待检测药物的信息输入至AI模拟模型,AI模拟模型内部已储存有生物体内的成分信息,AI模拟模型内部储存有仿生环境内部成分信息,AI模拟模型结合待检测药物的信息、生物体内的成分信息和仿生环境内部成分信息,AI模拟模型模拟待检测药物分别在分子液仿生环境、细胞仿生环境和器官仿生环境上的变化,变化包括待检测药物的代谢、分解和改变,获得预测结果,人工基于预测结果设定药物稳定性标准。
AI模拟模型的建立方法:
N1,收集药物稳定性的数据和化学反应数据,药物稳定性的数据包括化学结构、药理学特性和毒性数据,药物稳定性的数据和化学反应数据合成数据集,数据集来自公开的数据库、文献报道和临床试验;
N2,对收集到的数据集进行预处理,包括数据清洗和标准化;
N3,从预处理后的数据集中提取药物和化学分子的特征,特征包括分子结构、生物活性和代谢途径,根据药物特征和化学分子特征之间的关联性建立结构网络;
N4,通过逻辑回归算法结合结构网络建立AI模拟模型。
预测结果包括分子液仿生环境的预测结果、细胞仿生环境的预测结果和器官仿生环境的预测结果,药物稳定性标准包括分子液仿生环境的稳定性标准、细胞仿生环境的稳定性标准和器官仿生环境的稳定性标准,第四步中,将成分变化信息A和分子液仿生环境的稳定性标准进行对比评估,将成分变化信息B和细胞仿生环境的稳定性标准进行对比评估,将成分变化信息C和器官仿生环境的稳定性标准进行对比评估,分别得出三个稳定性评估结果。
仿生环境内部成分信息包括分子液仿生环境内部成分以及成分含量,仿生环境内部成分信息包括细胞仿生环境内部细胞信息以及细胞仿生环境中混合液体X的含量,仿生环境内部成分信息包括器官仿生环境内部中细胞仿生环境的数量和混合液体X的含量。
一种仿生环境下的药物稳定性检测系统,检测系统包括上述的一种仿生环境下的药物稳定性检测方法。
检测药物稳定性时,由于药物已被生产,因此可明确药物的成分含量等信息,获得待检测药物的信息,同时基于药物所作用的生物体不同,获得对应生物体内的成分信息,生物体内的成分信息包括生物体液中的成分和含量,以及生物细胞内的成分和含量等。
通过生物体内的成分信息可设计出仿生环境内部成分信息,仿生环境内部成分信息包括分子液仿生环境内部成分以及成分含量,其中分子液仿生环境中模拟的是细胞外液,由于已明确生物体内的成分信息,基于分子液仿生环境内部成分以及成分含量,建立出分子液仿生环境,同理,获取器官组织细胞进行培养,构建细胞仿生环境,建立器官腔室,在器官腔室中建立模拟体液循环系统,以此实现各个器官腔室之间的液体循环,细胞仿生环境和器官仿生环境两者存在不同,细胞仿生环境内部存在器官组织细胞,而器官仿生环境内部存在器官组织细胞同时包括正常器官组织细胞和病灶器官组织细胞,而单个细胞仿生环境中正常器官组织细胞和病灶器官组织细胞两者只能存在一个,且器官仿生环境上设置有模拟体液循环系统,以此实现器官仿生环境之间液体的相通。
药物稳定性标准通常包括对药物成分的含量、纯度、溶解度、降解产物的生成,设定的药物稳定性标准,在理论情况下,已知药物的化学成分和性质、生物体内的成分和性质,药物的化学成分和生物体内的成分结合产生反应,产生其他产物,其他产物的产生是可预料的,同时其他产物的含量也是预料的,可通过AI模拟模型去进行模拟,AI模拟模型所模拟的预测结果并不能直接用作药物稳定性标准,在预测结果出现之后,考虑实际生物体内的复杂混合,通过人工去进行修正,修正包括添加允许误差,该设计能够减少设定药物稳定性标准时的过程,通过AI模拟模型减少设定药物稳定性标准时所需时间,逻辑回归算法其主要思想是根据已知数据集,通过构建一个逻辑回归模型来预测输出变量的概率。
将待检测的药物样品引入多维度仿生环境中,需要明确待检测的药物样品投入量,分子液仿生环境在待检测的药物之后,在获取混合液体X之前需对分子液仿生环境进行搅拌,从而待检测的药物在分子液仿生环境中能够均匀存在,从分子液仿生环境获取混合液体X,其中混合液体X只占分子液仿生环境中的小部分,分别将混合液体X移入细胞仿生环境和器官仿生环境中,从而实现分子液仿生环境、细胞仿生环境和器官仿生环境同时进行,从而有助于缩短检测所需时间。
建立多维度仿生环境,首先根据器官的不同,获得生物体的器官信息,由于生物体内部存在不同的器官,每个器官中组织和细胞所处的体液环境之间存在差异,因此基于不同的器官,建立出对应且不同的分子液仿生环境,分子液仿生环境中成分含量和对应器官中体液成分含量相同,模拟体液循环系统实现器官仿生环境之间液体的流通,从而模拟出药物在生物体内的扩散情况。
周期性地检测细胞仿生环境内部成分以及成分含量的变化,其中周期性是每隔1—2小时从细胞仿生环境中获取样本,其中样本包括细胞仿生环境中的细胞,检测样本内部成分以及成分含量的变化,同理,对于分子液仿生环境和器官仿生环境中的周期性地检测也是每隔1—2小时获取对应样本,并对对应样本进行检测,其中检测样本中成分含量的方法包括气相色谱和液相色谱,可用于分离和检测样品中的不同成分以及其他方法,检测样本中成分含量的方法为现有技术。
成分变化信息A和药物稳定性标准进行对比,分析出内部成分变化以及成分含量的变化,评估成分变化信息A和药物稳定性标准之间成分含量差是否在可允许误差范围内,若内部成分变化和药物稳定性标准之间存在差异,或者成分含量差不在可允许误差范围内则评估其稳定性较差,对于成分变化信息B和成分变化信息C的对比同理,内部成分变化是指实际成分变化信息A中的成分和药物稳定性标准中的成分之间是否存在一个或多个不同的成分。
待检测药物的改变是指药物中化学成分和其他化学成分之间产生化学反应,从而生产出新产物,稳定性评估结果包括成分是否存在不同,以及成分含量的差异,化学反应数据记录各个药物的化学反应以及反应的条件和生物体内的化学反应以及反应的条件,根据药物特征和化学分子之间的关联性建立结构网络,药物特征和化学分子之间的关联性是指药物的分子结构是否和其他化学分子产生反应,若与其他化学分子产生反应以及反应后的产物,则其他化学分子和反应后的产物与该药物特征之间具有关联性,同时药物分子结构之间反应所产生的产物也与该药物特征之间具有关联性,是指该药物中的分子结构会和其他什么样的分子产生反应,以及药物中的分子结构是否自身发生分解,由于药物中可能不存在单个化学分子结构,因此药物之间的多个化学分子之间也会产生反应。
其中病灶组织仿生环境的建立并不是一定的,由于不同具体药物之间的目标效果不同,药物的目标效果是指药物的功效,因此对于一些保健类的药物检测可不建立病灶组织仿生环境,控制正常组织细胞和病灶组织的数量和两者之间的比例,从而模拟出器官病症状态的情况,由于药物的作用性,药物的作用性是指药物作用的靶器官或者靶细胞,因此器官仿生环境在使用病灶组织仿生环境时,也不一定需要使得所有的器官仿生环境中均使用病灶组织仿生环境,而是在药物所作用器官的对应器官仿生环境中使用病灶组织仿生环境。
通过多维度仿生环境的建立,构建分子液仿生环境、细胞仿生环境和器官仿生环境,其中细胞仿生环境内部包括有分子液仿生环境中混合溶液X,器官仿生环境包括有分子液仿生环境中的混合溶液X和细胞仿生环境中的组织细胞,从而获得分子液仿生环境、细胞仿生环境和器官仿生环境之间的关联,基于分子液仿生环境、细胞仿生环境和器官仿生环境的成分变化信息,进而分别获得三个药物稳定性标准的评估结果,三个评估结果之间存在关联,因此可明确评估结果的问题所在,进而减少了评估结果失真的情况,也会为后续药物稳定性的提高提供了帮助,由于三个评估结果之间存在关联,因此可通过评估结果判断在分子液仿生环境、细胞仿生环境和器官仿生环境的其中一个或者多个中出现问题,可快速找出出现问题的仿生环境,针对仿生环境中出现的问题,从而对药物稳定性的提高进行帮助。
成分变化信息A、成分变化信息B和成分变化信息C分别和药物稳定性标准对比,获得对比结果,由于对比结构上详细记录各个成分的差异以及各个成分的不同,对比结果为后续如何提高药物稳定性的方法提供参考,通过成分变化信息和药物稳定性标准进行对比,获得对比结果,药物稳定性标准的建立基于AI预测模型的预测评估结果,同时分子液仿生环境、细胞仿生环境和器官仿生环境是基于生物体内的成分信息去进行设计,AI预测模型模拟药物分别在分子液仿生环境、细胞仿生环境和器官仿生环境的情况,之后获取三个对应成分变化信息,对应成分变化信息和药物稳定性标准进行对比,可以明确待检测药物在仿生环境下的表现,以及在哪个仿生环境下对比出现偏差,以便后续针对对应的仿生环境,进行稳定性的提高。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附实施例及其等同物限定。

Claims (8)

1.一种仿生环境下的药物稳定性检测方法,其特征在于,所述检测方法包括:
第一步,设定药物稳定性标准,获取待检测药物的信息,获取生物体内的成分信息,基于待检测药物的信息和生物体内的成分信息设定药物稳定性标准;
第二步,建立多维度仿生环境,基于生物体内的成分信息设计仿生环境内部成分信息,基于仿生环境内部成分信息建立分子液仿生环境、细胞仿生环境和器官仿生环境,在器官仿生环境上建立模拟体液循环系统,所述模拟体液循环系统用于实现各个器官仿生环境之间的相通;
第三步,检测变化,将待检测的药物投入多维度仿生环境中,检测多维度仿生环境中成分变化,获得成分变化信息;
第四步,对比评估,对药物稳定性进行评估,将成分变化信息和药物稳定性标准进行对比,获得对比结果,通过对比结果评估药物的稳定性;
所述第三步中,将待检测的药物投入分子液仿生环境中,周期性地检测分子液仿生环境内部成分以及成分含量的变化,获得成分变化信息A,从分子液仿生环境中获取混合液体X;
将混合液体X移入细胞仿生环境中,周期性地检测细胞仿生环境内部成分以及成分含量的变化,获得成分变化信息B,所述成分变化信息B包括细胞反应情况;
将混合液体X移入器官仿生环境中,开启模拟体液循环系统,周期性地检测各个器官仿生环境内部成分以及成分含量的变化获得成分变化信息C。
2.根据权利要求1所述的一种仿生环境下的药物稳定性检测方法,其特征在于:所述待检测药物的信息包括待检测药物的化学成分和含量,所述生物体内的成分信息包括生物体内的化学成分和酶,所述药物稳定性标准基于待检测药物的信息和生物体内的成分信息,建立AI预测模型,通过AI预测模型预测出待检测药物在多维度仿生环境下的变化,通过预测设定药物稳定性标准。
3.根据权利要求1所述的一种仿生环境下的药物稳定性检测方法,其特征在于:所述分子液仿生环境的建立方法包括获取器官所处体液成分信息,基于体液成分信息建立溶液,获得分子液仿生环境;
所述细胞仿生环境的建立方法包括正常组织细胞仿生环境和病灶组织细胞仿生环境,所述正常组织细胞仿生环境包括从器官组织中获取器官细胞,对器官细胞培养增殖,获得正常组织细胞仿生环境,所述病灶组织细胞仿生环境包括从器官组织中获取病灶组织细胞,对病灶组织细胞培养增殖,获得病灶组织细胞仿生环境,所述病灶组织细胞包括发炎组织细胞和肿瘤组织细胞;
所述器官仿生环境的建立方法包括,建立器官腔室,将正常组织细胞仿生环境或病灶组织细胞仿生环境移植至器官腔室中,控制正常组织细胞仿生环境在器官腔室中的数量,控制病灶组织细胞仿生环境在器官腔室中的数量,在器官腔室中添加混合液体X,获得器官仿生环境;
所述模拟体液循环系统的建立方法包括,所述器官腔室上安装管道,器官腔室之间的管道连接和生物体内器官之间的血管连接相同。
4.根据权利要求2所述的一种仿生环境下的药物稳定性检测方法,其特征在于:建立AI模拟模型,将待检测药物的信息输入至AI模拟模型,AI模拟模型内部储存有生物体内的成分信息,AI模拟模型内部储存有仿生环境内部成分信息,AI模拟模型结合待检测药物的信息、生物体内的成分信息和仿生环境内部成分信息,AI模拟模型模拟待检测药物分别在分子液仿生环境、细胞仿生环境和器官仿生环境上的变化,所述变化包括待检测药物的代谢、分解和改变,获得预测结果,人工基于预测结果设定药物稳定性标准。
5.根据权利要求4所述的一种仿生环境下的药物稳定性检测方法,其特征在于:所述AI模拟模型的建立方法:
N1,收集药物稳定性的数据和化学反应数据,药物稳定性的数据包括化学结构、药理学特性和毒性数据,药物稳定性的数据和化学反应数据合成数据集,所述数据集来自公开的数据库、文献报道和临床试验;
N2,对收集到的数据集进行预处理,包括数据清洗和标准化;
N3,从预处理后的数据集中提取药物和化学分子的特征,所述特征包括分子结构、生物活性和代谢途径,根据药物特征和化学分子特征之间的关联性建立结构网络;
N4,通过逻辑回归算法结合结构网络建立AI模拟模型。
6.根据权利要求4所述的一种仿生环境下的药物稳定性检测方法,其特征在于:所述预测结果包括分子液仿生环境的预测结果、细胞仿生环境的预测结果和器官仿生环境的预测结果,所述药物稳定性标准包括分子液仿生环境的稳定性标准、细胞仿生环境的稳定性标准和器官仿生环境的稳定性标准,所述第四步中,将成分变化信息A和分子液仿生环境的稳定性标准进行对比评估,将成分变化信息B和细胞仿生环境的稳定性标准进行对比评估,将成分变化信息C和器官仿生环境的稳定性标准进行对比评估,分别得出三个稳定性评估结果。
7.根据权利要求1所述的一种仿生环境下的药物稳定性检测方法,其特征在于:所述仿生环境内部成分信息包括分子液仿生环境内部成分以及成分含量,所述仿生环境内部成分信息包括细胞仿生环境内部细胞信息以及细胞仿生环境中混合液体X的含量,所述仿生环境内部成分信息包括器官仿生环境内部中细胞仿生环境的数量和混合液体X的含量。
8.一种仿生环境下的药物稳定性检测系统,其特征在于:所述检测系统包括权利要求1-7任意一项所述的一种仿生环境下的药物稳定性检测方法。
CN202410412994.1A 2024-04-08 2024-04-08 一种仿生环境下的药物稳定性检测方法及系统 Active CN118010946B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410412994.1A CN118010946B (zh) 2024-04-08 2024-04-08 一种仿生环境下的药物稳定性检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410412994.1A CN118010946B (zh) 2024-04-08 2024-04-08 一种仿生环境下的药物稳定性检测方法及系统

Publications (2)

Publication Number Publication Date
CN118010946A true CN118010946A (zh) 2024-05-10
CN118010946B CN118010946B (zh) 2024-07-02

Family

ID=90943271

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410412994.1A Active CN118010946B (zh) 2024-04-08 2024-04-08 一种仿生环境下的药物稳定性检测方法及系统

Country Status (1)

Country Link
CN (1) CN118010946B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014018770A1 (en) * 2012-07-25 2014-01-30 The Charles Stark Draper Laboratory, Inc. Modular platform for multi-tissue integrated cell culture
US20190359928A1 (en) * 2016-06-22 2019-11-28 Daegu Gyeongbuk Institute Of Science And Technology Microrobot-based biomimetic system
CN110736813A (zh) * 2019-10-25 2020-01-31 广东嘉博制药有限公司 一种药物制剂体外释放度的测定方法
CN110988322A (zh) * 2019-12-05 2020-04-10 大连理工大学 一种利用微流控器官芯片对化合物毒性分型的方法
CN111218404A (zh) * 2020-03-31 2020-06-02 苏州济研生物医药科技有限公司 一种仿生多器官芯片及其制备方法和应用
WO2021101313A1 (ko) * 2019-11-22 2021-05-27 차의과학대학교 산학협력단 심근주막 수준 생체모방 심장칩 및 이의 용도
KR20210077947A (ko) * 2019-12-18 2021-06-28 주식회사 피디젠 생체장기칩 및 이를 이용한 세포추적시스템
CN114088901A (zh) * 2021-11-19 2022-02-25 江苏科技大学 一种通用的可降解载药膜体外释放数据优化分析方法
WO2022055187A1 (ko) * 2020-09-09 2022-03-17 (주)에스엠오산 약물동역학이 적용된 생체모사조직칩
US20230011800A1 (en) * 2019-12-05 2023-01-12 Cha University Industry-Academic Cooperation Foundation Biomimetic nerve chip for evaluating efficacy and toxicity on nerve, and use thereof
WO2023168857A1 (zh) * 2022-03-09 2023-09-14 苏州大学 一种多器官芯片及其在药物评价中的应用
CN118010945A (zh) * 2024-04-08 2024-05-10 四川里来思诺生物科技有限公司 一种缓释药物药物释放参数的检测方法及系统

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014018770A1 (en) * 2012-07-25 2014-01-30 The Charles Stark Draper Laboratory, Inc. Modular platform for multi-tissue integrated cell culture
US20190359928A1 (en) * 2016-06-22 2019-11-28 Daegu Gyeongbuk Institute Of Science And Technology Microrobot-based biomimetic system
CN110736813A (zh) * 2019-10-25 2020-01-31 广东嘉博制药有限公司 一种药物制剂体外释放度的测定方法
WO2021101313A1 (ko) * 2019-11-22 2021-05-27 차의과학대학교 산학협력단 심근주막 수준 생체모방 심장칩 및 이의 용도
CN110988322A (zh) * 2019-12-05 2020-04-10 大连理工大学 一种利用微流控器官芯片对化合物毒性分型的方法
US20230011800A1 (en) * 2019-12-05 2023-01-12 Cha University Industry-Academic Cooperation Foundation Biomimetic nerve chip for evaluating efficacy and toxicity on nerve, and use thereof
KR20210077947A (ko) * 2019-12-18 2021-06-28 주식회사 피디젠 생체장기칩 및 이를 이용한 세포추적시스템
CN111218404A (zh) * 2020-03-31 2020-06-02 苏州济研生物医药科技有限公司 一种仿生多器官芯片及其制备方法和应用
WO2022055187A1 (ko) * 2020-09-09 2022-03-17 (주)에스엠오산 약물동역학이 적용된 생체모사조직칩
CN114088901A (zh) * 2021-11-19 2022-02-25 江苏科技大学 一种通用的可降解载药膜体外释放数据优化分析方法
WO2023168857A1 (zh) * 2022-03-09 2023-09-14 苏州大学 一种多器官芯片及其在药物评价中的应用
CN118010945A (zh) * 2024-04-08 2024-05-10 四川里来思诺生物科技有限公司 一种缓释药物药物释放参数的检测方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
QUAN QH: "Analysis of drug efficacy for inflammatory skin on an organ-chip system", FRONTIERS IN BIOENGINEERING AND BIOTECHNOLOGY, no. 10, 2 September 2022 (2022-09-02) *
邹琳: "多维便利内源性组织工程仿生材料的制备及生物学研究", 中国优秀硕士学位论文全文数据库工程科技Ⅰ辑, no. 1, 15 January 2023 (2023-01-15), pages 020 - 1818 *
郑付印: "功能化的肝脏芯片药物评价系统的构建", 中国博士学位论文全文数据库医药卫生科技辑, no. 12, 15 December 2018 (2018-12-15), pages 080 - 15 *

Also Published As

Publication number Publication date
CN118010946B (zh) 2024-07-02

Similar Documents

Publication Publication Date Title
Fang et al. Reconstructing organisms in silico: genome-scale models and their emerging applications
Peters et al. Current challenges in plant eco-metabolomics
Watson et al. Fitting tissue chips and microphysiological systems into the grand scheme of medicine, biology, pharmacology, and toxicology
Low et al. Microphysiological systems (“organs‐on‐chips”) for drug efficacy and toxicity testing
Aghamiri et al. Recent applications of quantitative systems pharmacology and machine learning models across diseases
Ma et al. Differential network enrichment analysis reveals novel lipid pathways in chronic kidney disease
Zushin et al. FDA Modernization Act 2.0: transitioning beyond animal models with human cells, organoids, and AI/ML-based approaches
Machado et al. Stress relief: emerging methods to mitigate dissociation-induced artefacts
Beura et al. Metagenome-scale community metabolic modelling for understanding the role of gut microbiota in human health
Chambers et al. The “3Ds” of growing kidney organoids: Advances in nephron development, disease modeling, and drug screening
Spear et al. Let-7f: a new potential circulating biomarker identified by miRNA profiling of cells isolated from human abdominal aortic aneurysm
Bishop et al. Moving beyond descriptive studies: harnessing metabolomics to elucidate the molecular mechanisms underpinning host-microbiome phenotypes
CN118010946B (zh) 一种仿生环境下的药物稳定性检测方法及系统
EP1634214A1 (en) Predictive toxicology for biological systems
Moreira et al. Gaining insight into mitochondrial genetic variation and downstream pathophysiology: What can i (pscs) do?
Da-Yong et al. Anticancer drug development, challenge and dilemma
CN110211634B (zh) 一种多组学数据联合分析的方法
Krishnamurthy et al. Artificial intelligence-based drug screening and drug repositioning tools and their application in the present scenario
Lewis Boundary flux analysis: an emerging strategy for investigating metabolic pathway activity in large cohorts
Liu et al. Exploring the mitogenomes of Mantodea: new insights from structural diversity and higher-level phylogenomic analyses
Hahn From Parts to the Whole
Smith Data assisted-modeling of the liver organ on a chip dynamics
Zyla et al. Evaluation of zero counts to better understand the discrepancies between bulk and single-cell RNA-Seq platforms
Güell et al. Detecting the significant flux backbone of Escherichia coli metabolism
Wilkinson History of clinical chemistry

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant