KAUNO MEDICINOS UNIVERSITETAS TEORINĖS IR KLINIKINĖS FARMAKOLOGIJOS KATEDRA

KAUNO MEDICINOS UNIVERSITETAS

TEORINĖS IR KLINIKINĖS FARMAKOLOGIJOS KATEDRA

LIUDVIKAS PAŠKEVIČIUS MAGISTRO DARBAS

CHEMINIŲ JUNGINIŲ FARMAKOKINETINIO PARAMETRO

PASISKIRSTYMO TŪRIO ĮVERTINIMAS IR PRITAIKYMAS

NAUJŲ VAISTŲ PAIEŠKAI

MOKSLINIS VADOVAS DOC. DR. E. KADUŠEVIČIUS

Autorius dėkoja dr. Remigijui Didžiapetriui už vertingas pastabas ir komentarus

TURINYS

1.1.2. VD nustatymas fiziologiniais-farmakokinetiniais modeliais ...10

1.1.3. VD reikšmės prognozavimas QSAR modeliais ...10

1.2. VD apibrėžimai ir farmakokinetinė prasmė...11

1.2.1. VAREA (Vβ) pasiskirstymas ...12

1.2.2. VSS pasiskirstymas...13

1.3. VD segmentų modelių apžvalga ...16

1.3.1. VD vieno segmento modelis ...16

1.3.2. VD dviejų segmentų modelis ...17

1.3.3. VD trijų segmentų modelis...19

1.4. VD reikšmę įtakojantys faktoriai...19

2.DARBO TIKSLAS IR UŽDAVINIAI... 21

3.EKSPERIMENTINĖ DALIS... 22

3.1. VD faktorių tyrimas ...22

3.1.1. Logaritminės VD reikšmės įvedimas ...22

3.1.2. Struktūros-aktyvumo sąryšis ...23

3.1.3. Aprašomieji parametrai ...23

3.1.4. Struktūriniai parametrai...23

3.2. Programa ir metodas...24

3.2.1. Kompiuterinė programa “Algorithm Builder” ...24

3.2.2. Rekursinio skaldymo metodas...25

3.3. VD prognozavimo algoritmas...27

3.3.1. Algoritmo sudarymas ...27

3.3.2. Algoritmo testavimas...27

4.VD PROGNOZAVIMO REZULTATAI ... 32

4.1. Bendra analizė ...32

4.2. Rezultatai junginių grupėms ...36

4.2.1. Rūgštims ...36 4.2.2. Bazėms ...37 4.2.3. Neutraliems junginiams...38 4.2.4. Kitiems junginiams...39 4.3. Rezultatų palyginimas...39 IŠVADOS ... 40 SUMMARY ... 41 LITERATŪRA ... 42 PRIEDAS NR.1 ... 46 PRIEDAS NR.2 ... 64

SANTRUMPOS

ADMET (angl. Absorption, Distribution, Metabolism, Excretion, Toxicity) – Absorbcija, pasiskirstymas, metabolizmas, šalinimas, toksiškumas

ADME (angl. Absorption, Distribution, Metabolism, Excretion) – Absorbcija, pasiskirstymas, metabolizmas, šalinimas

QSAR (angl. Quantitative Structure-Activity Relationship) – Kiekybinis struktūros-aktyvumo sąryšis

VD (angl. Volume of Distribution) – Pasiskirstymo tūris

BW (angl. Body weight) – Kūno svoris

a, a‘ – Regresijos koeficientai alometriniam skaičiavimui

PPB (angl. Plasma Protein Binding) – Vaisto susirišimas sus plazmos baltymais P

T

P− (angl. Partition Tissue-Plasma) – Audinių-plazmos koncentracijų pasidalinimo koeficientas

MLR (angl. Multiple Linear Regression) – Tiesinės regresijos mažiausių kvadratų metodas LogD – Elektrolito pasiskirstymas tarp oktanolio ir vandens prie tam tikro pH

LogP – Hidrofobiškumas

PLS (angl. Partial Least Squares) – Dalinis mažiausių kvadratų metodas ANN (angl. Artificial Neural Networks) – Dirbtinių neurotinklų metodas CL (angl. Clearance) – Klirensas

CLR (angl. Renal Clearance) – Inkstų klirensas

VSS (angl. Volume of Distribution at Steady State) – Pasiskirstymo tūris pastoviame būvyje

(pastovusis pasiskirstymo tūris)

Sw (angl. Solubility in Water) –Tirpumas vandenyje

AREA

V (V ) – Pasiskirstymo tūris pagal (plazmos koncentracijos-laiko) kreivės plotą _β D0 – Suvartotas vaisto kiekis pirminiu momentu

b – Šalinimo greičio konstanta inkstų klirenso metu

AUC (angl. Area under the Plasma Level-Time Curve) – Plotas po plazmos koncentracijos-laiko kreive

VAPP (angl. Apparent Volume of Distribution) – Tariamasis pasiskirstymo tūris

DT (angl. Drug in Tissue) – Vaisto kiekis audiniuose

DP (angl. Drug in Plasma) – Vaisto kiekis plazmoje

k12 – Perėjimo iš centrinio segmento į audinių segmentą greičio konstanta

k21 – Perėjimo iš audinių segmento į centrinį segmentą greičio konstanta

CT (angl. Concentration in Tissue) – Vaisto koncentracija audiniuose

t – Vaisto įvedimo į sisteminę kraujotaką laikas

SS B

A _, (angl. Drug in Body at Steady State) – Visas suvartoto vaisto kiekis organizme pastoviame būvyje

SS P

C _, (angl. Concentration of Drug in Plasma at Steady State) – Vaisto koncentracija plazmoje pastoviame būvyje

SS T

C _, (angl. Concentration of Drug in Tissue at Steady State) – Vaisto koncentracija audiniuose pastoviame būvyje

p

V (angl. Volume of Plasma) – Plazmos tūris Ci (angl. Compartment) – i-asis Segmentas

λi (gr. Lambda) – i-asis Segmentas, kuriame pasiskirsto vaistas pVd – Logaritmuota VD reikšmė

pKa – Rūgšties jonizacijos konstanta

MV (angl. McGowan Volume) – McGowan‘o tūris (Abrahamo solvatacijos lygties parametras)

MW (angl. Molecular Weight) – Molekulinis svoris

TPSA (angl. Topological Polar Surface Area) – Polinis molekulės paviršiaus plotas, apskaičiuotas topologiniu būdu

RP (angl. Recursive Partitioning) – Rekursinis skaldymas

C-SAR (angl. Classification Structure-Activity Relationship) – Klasifikacijos būdu gautas struktūros-aktyvumo sąryšis

i

RP (angl. Recursive Partitioning) – i-asis Rekursinio skaldymo parametras

i

w – i-asis Parametras PLS regresijos analizėje E (angl. Error) – Vidutinė prognozavimo paklaida

FOLD

E (angl. Mean Fold Error) – Vidutinės prognozavimo paklaidos vidurkis (kartais) r2 – Koreliacijos koeficiento kvadratas

F – Fišerio koreliacijos koeficientas N – Junginių skaičius

n – Algoritmo medžio atšakos junginių skaičius

avg (angl. Average) – Algoritmo medžio atšakos n junginių dalies pVd reikšmių vidurkis sd (angl. Standard Deviation) – Algoritmo medžio atšakos junginių standartinis nuokrypis N, N0, N1, N01, N10, etc. – Algoritmo medžio atšakos numeris

SD (angl. Standard Deviation) – Standartinis nuokrypis

fut (angl. Fraction Unbound in Tissue) – Laisva vaisto dalis audiniuose (Oie-Tozer lygties

ĮVADAS

Farmakokinetika tyrinėja vaistų rezorbcijos, pasiskirstymo, eliminacijos-biotransformacijos (metabolizmo) ir ekskrecijos principus ir jų taikymo principus [1]. Sužinoti, ar būsimi vaistai veiksmingi, ir koks jų šalutinis poveikis, atliekama eilė tyrimų, farmakokinetikoje apibrėžiamų kaip ADMET. Vaistų pasiskirstymo tyrimai reikalingi jų koncentracijai kraujyje nustatyti bei sužinoti, kaip greitai vaistas pasiekia savo taikinius organizme.

Pirminėje naujų chemiškai aktyvių junginių paieškos fazėje in vivo analizės metodus pastaruoju metu sparčiai keičia kompiuteriniai junginių paieškos metodai. Taip pat, vaistų skriningo procese naujai kuriamų vaistų toksiškumas ar poveikis prognozuojamas sisteminant ir analizuojant turimus farmakokinetinius duomenis apie jau sukurtus, žinomus vaistus. Šiam darbui pasitelkiami kompiuteriai. Tai įgalina automatizuoti vaistų paieškos procesą ir taip jį sutrumpinti (dabar trumpiausias laikas nuo naujų vaistų sukūrimo iki atsiradimo rinkoje užtrunka apie 14 metų); leidžia išsaugoti laboratoriniame darbe naudojamų gyvūnėlių skaičių bei sumažinti paieškos kaštus (jie naujo vaisto atsiradimui nuo ~900 mln. JAV dolerių 1990-aisiais metais išaugo iki ~1 mlrd. eurų 2000-1990-aisiais). Maža to, toks prognozavimas laikomas pakankamai tiksliu [2] daugeliui medžiagų, lyginant su eksperimentiniais duomenimis, arba net tikslesniu, nei tyrimų su laboratoriniais gyvūnėliais alometrinis metodas [3]. Dėl to šios krypties tyrimai plačiai vystomi ir kasdienėje vaistų paieškoje tampa ypač reikšmingi. Norėdami prisidėti prie vaistų kūrimo proceso greitėjimo ir paprastėjimo, nusprendėme adaptuoti kompiuterinę programą “Algorithm Builder“.

Mūsų darbo tikslas – pritaikyti kompiuterinį programos modulį, skirtą naujų junginių pasiskirstymo tūrio reikšmei iš junginio struktūros prognozuoti, pasinaudojant turimais žinomų cheminių junginių pasiskirstymo tūrio ir struktūros duomenimis.

Mūsų darbo uždaviniai – pritaikyti kompiuterinį naujų cheminių junginių (būsimų vaistų) farmakokinetinio parametro – pasiskirstymo tūrio – įvertinimo pagal fiziko-chemines ir struktūros savybes modulį; prognozuoti junginių pasiskirstymo tūrio reikšmę pagal turimų junginių cheminę struktūrą kompiuteriniu būdu; įvertinti prognozavimo modulio patikimumą naujais cheminiais junginiais bei nustatyti pagrindinius faktorius, turinčius įtaką svarbiausių cheminių junginių grupių pasiskirstymo tūrio reikšmės prognozei kompiuteriniu būdu.

Modulio aprašymui ir įvertinimui pasirinkome QSAR metodą, leidžiantį kiekybiškai įvertinti cheminių junginių struktūros-aktyvumo sąryšį. Metodas išpopuliarėjo paskutiniame

dešimtmetyje, kai buvo pasiekta gerų rezultatų prognozuojant būsimų vaistų farmakokinetines savybes kompiuteriu.

Algoritmo sudarymui panaudojome 760 preparatų pasiskirstymo tūrio reikšmių (Apmokymo rinkinys), o prognozavimo metodo patikimumui patikrinti parinkome dar 96 naujų farmakologiškai aktyvių junginių (kai kuriuos – iš paskutinių klinikinių tyrimų etapų) pasiskirstymo tūrio reikšmių (Testavimo rinkinys). Gautus rezultatus įvertinome pagal patikimumo kriterijus

Paskutiniais dešimtmečiais pasaulinei rinkai sukuriama ir pateikiama vis mažiau naujų vaistų. Dalis farmakologiškai aktyvių junginių vis dar surandami atsitiktinai, kiti nepraeina paskutinių farmakologinio skriningo fazių. Kai kurie, nors jį ir praėję ir išleisti į rinką, netrukus ar po kelerių metų visuotinio vartojimo yra atšaukiami – pažymima, kad dėl neapsitvirtinusio veiksmingumo, toksiškumo, nepageidaujamo poveikio ir netinkamų farmakokinetinių savybių net iki 40 proc. naujai kuriamų vaistų yra atmetami iš tolimesnės tyrimų eigos [4]. Pagrindinė tokių nesklandumų priežastis – nenustatytas arba ne laiku nustatytas jų toksiškumas bei neišbaigta farmakokinetinė analizė [5], menkos ADME savybės [6].

Vaistų kūrimo bendrovės visomis išgalėmis stengiasi išvengti dėl šių priežasčių patiriamų milžiniškų nuostolių, ir yra pasiryžusios į paieškos procesų gerinimą daug investuoti. Todėl farmakokinetinių savybių prognozavimo kompiuteriniu būdu modulio praktinė reikšmė yra didelė – mūsų nagrinėjamas metodas yra paprastas, pigus, greitas, o svarbiausia – duoda statistiškai patikimas reikšmes. Šios savybės yra esminės dėl kurių kompiuterinė programa su integruotu pasiskirstymo tūrio skaičiavimo moduliu tarp vaistų kūrimo kompanijų turėtų turėti pasisekimą.

1. LITERATŪROS APŽVALGA

Pasaulyje farmakokinetikos mokslo ir kompiuterinių matavimo metodų integracija pradėta taikyti praeito a. 7-ojo dešimtmečio pabaigoje, kuomet nuo empirinio vaistų kūrimo pereinama prie sistemingos jų paieškos ir kūrimo procesų įgyvendinimo. Tai sąlygojo kompiuterių atsiradimas bei būtinybė susisteminti duomenis apie esamus farmakologiškai aktyvius junginius, vaistus.

Vaistų kūrimo procese, aiškinantis cheminių junginių farmakokinetines savybes, pirmiausia buvo naudojami in vitro tyrimų su laboratoriniais gyvūnėliais duomenys. Ilgainiui pasirodė, jog jie ne visada būna tikslūs. Vystantis mokslui ir esant poreikiui, bandoma pereiti prie dirbtinio junginių savybių prognozavimo. QSAR metodų panaudojimo farmakokinetinėje in silico junginių analizėje bumas pastebimas praeito amžiaus dešimtajame dešimtmetyje. Naudojami įvairūs paskaičiavimo modeliai – tiek iš in vivo, tiek iš in vitro duomenų [6]. QSAR – tai kiekybinis struktūros-aktyvumo sąryšis, apimantis visus statistinio modeliavimo metodus, kuriais junginių biologinės savybės (dažniausiai išreikštos logaritmais) susiejamos su jų struktūros elementais, fiziko-cheminėmis savybėmis ar erdviniais struktūrų laukais (trimačiame modelyje). Klasikinėje QSAR analizėje vykdoma tik dvimačių erdvinių struktūrų analizė, naudojami paprasti grandinės fragmentai. Tuo tarpu trimačių modelių analizė turi daug platesnes panaudojimo galimybes, jos metu junginių biologinės savybės siejamos su erdvinėmis molekulių struktūromis [7].

1.1. V

nustatymo būdų analizė

VD nustatymui naudojami trys pagrindiniai būdai: alometrinis,

fiziologinių-farmakokinetinių modelių bei kiekybinis struktūros-aktyvumo sąryšio metodas. Trumpai apžvelgiame.

1.1.1. Alometrinis VD nustatymas

Alometrinio nustatymo metu naudojami laboratoriniai gyvūnėliai. Su jais atliekamuose tyrimuose paskaičiuojamas pasiskirstymo tūris, kuris vėliau, pritaikant specialias perskaičiavimo konstantas, pateikiamas kaip žmogaus VD reikšmė. Metodo

patikimumas nevienareikšmiškas: tyrimus atlikti užtrunka laiko; jis yra brangus ir nehumaniškas, taip pat gali būti netikslus. Tai ir yra didžiausias jo trūkumas – alometriniu

patikimumo intervalą. Tarkim, perskaičiuojant kai kurių beždžionių rūšių VD žmogui,

reikšmė gaunama neproporcingai didelė, taigi – netiksli.

Alometriškai VD apskaičiuojamas remiantis lygtimi (1.1.1) [8], kai regresijos

koeficiento a’ reikšmė yra tarp 0,9-1,0.

(1.1.1)

'

a

D a BW

V = ×

Atvejais, kai PPB tarp gyvūnų rūšių skiriasi, vaisto VD reikšmė žmogui alometriškai

turėtų būti koreliuojama pagal nesusijungusios su baltymais vaisto dalies kiekį [8].

1.1.2. VD nustatymas fiziologiniais-farmakokinetiniais modeliais

VD nustatymas fiziologiniu-farmakokinetiniu modeliu pagrįstas vaisto susirišimo su

plazmos ir audinių baltymais paskaičiavimu. Skaičiuojamas P_T−P – audinių-plazmos koncentracijų pasidalinimo koeficientas (1.2.12). Fiziologiškai P_T−P koeficientų reikšmės paskaičiuojamos fiziko-cheminiu modeliavimu [9].

Galima teigti, jog VD nusako vaisto susirišimo su audiniais ir plazma pokyčius (Pav.

1.4.1 Vaisto kiekio organizme susirišimo pokyčiai).

1.1.3. VD reikšmės prognozavimas QSAR modeliais

Mūsų nagrinėjamas prognozavimo modelis yra vienas QSAR modelių. Tačiau yra ir kitų kiekybinį struktūros-aktyvumo sąryšį nusakančių metodų. Išnagrinėjome kitų autorių šia tema darbus (Lentelė 1.1.1).

Lentelė 1.1.1

Junginiai N Prognozavimo

modelis

Analizuoti parametrai Literatūra

Įvairūs vaistai 70 MLR LogD , LogP , kt. [6]

Neutralūs ir baziniai 64 MLR LogD , jonizuotos frakcijos [9]

Antibiotikai 44 PLS Fiziko-cheminiai, topologiniai

indeksai

Junginiai N Prognozavimo modelis

Analizuoti parametrai Literatūra

Cefalosporinai 20 ANN Topologiniai indeksai, kt.

teoriniai deskriptoriai

[16]

ANN metodas buvo taikytas panaudojant duomenų rinkinius, nesant tarp jų linijinės priklausomybės, o MLR paieškoje svarbiausia savybė buvo tiesioginis priklausomumas tarp duomenų ir parametrų skaičiaus [15].

Atlikto tyrimo rezultatai nurodo, jog cheminių junginių CL, CLR, VSS analizė

kompiuteriniu ANN metodu duoda patikimesnius rezultatus, lyginant su paieška MLR metodu. Modeliavimas vykdytas programai pačiai sukuriant aprašomuosius parametrus. Jų skaičius įvairiems farmakokinetiniais dydžiams skaičiuoti nebuvo vienodas, buvo ir perteklinių parametrų [15].

1.2. V

apibrėžimai ir farmakokinetinė prasmė

Vaisto kelią organizme galėtume pavaizduoti supaprastinta schema, kas įvyksta su vaisto doze organizme nuo jos suvartojimo iki pasiskirstymo audiniuose, kuri vaisto dalis patenka į audinius ir kaip pasiskirsto juose. Tai parodome schemoje (Pav. 1.2.1 Paprasčiausia vaisto suvartojimo per os farmakokinetinė schema) žemiau.

Ištirpusi C_P(plazmos) Dozė Pašalinta Metabolizuota k_e S_W k_{a k} Į išmatas kpirm. metabol. Į audinius V_D 0

Pav. 1.2.1 Paprasčiausia vaisto suvartojimo per os farmakokinetinė schema

VD pasiskirstymas apibrėžiamas įvairiai.

Pasiskirstymo tūris – tai matematinis rodiklis, kuris savo skaitine reikšme parodo vaisto dozės buvimo organizme laipsnį [1].

Pasiskirstymo tūris – tai sąlyginis parametras, charakterizuojantis preparato užimamą audinių ir kraujo plazmos (serumo) tūrį [9].

Pasiskirstymo tūris – tai ne koks nors skyrius organizme, o reikalingo visam vaisto kiekiui organizme apskaičiuoti segmento dydis, jeigu vaistas po visą organizmą būtų pasiskirstęs vienodai, plazmoje esančia jo koncentracija [17].

Pasiskirstymo tūris – koncentracijos pokyčio per laiką funkcija (1.2.1) [18].

(1.2.1)

( )

[VD]=L/kg (dL/kg; mL/kg). Pavyzdžiui, fenobarbitalio pasiskirstymo tūris VD=0,7

L/kg, digoksino pasiskirstymo tūris VD=7,3 L/kg ir panašiai [17].

VD pasiskirstymas apibrėžiamas įvairiai, bet reiškia tą patį – sąlyginį tūrį, kuriame

pasiskirsto vaistas. Tačiau toks trumpas, populiarus ir lakoniškas apibūdinamas nenusako organizme vykstančio farmakokinetinio proceso, todėl teisingam VD supratimui ir pateikimui

jį išnagrinėjome detaliai.

Daugumoje šaltinių radome išraišką(1.2.2):

(1.2.2)

P

D _C

D

V =

Farmakokinetikos mokslo eigoje pasiskirstymo tūrio skaičiavimo būdai kito ir nuo įvairių VD išraiškų, kaip antai V_AREA (V_β), VAPP ir to paties VD, dėl teisingos farmakokinetinės

prasmės ir pateikimo, buvo prieita iki siūlomo vartoti VSS pasiskirstymo. Deja, literatūroje

neretai pasitaiko pasiskirstymo tūrio duomenų pateikimas farmakokinetiškai neparankiu parametru – ne VSS reikšmėmis. Trumpai jas apžvelgiame.

1.2.1. VAREA (Vβ) pasiskirstymas

Tai dažnai eksperimentiniuose tyrimuose pasitaikantis ir pateikiamas VD

(1.2.3)

[

]

[

]

Tačiau skaičiuoti VD šiuo būdu reikia atsargiai, kadangi teoriškai, susilpnėjusį klirensą

gali maskuoti padidėjęs pasiskirstymas į audinius. [V ]=L (dL; mL) [18]. Pasiskirstymo tūrį _β galima skaičiuoti ir VSS arba VAREA metodu. Nors yra laikoma, kad VSS duoda mažiausią

paklaidą ir patikimiausiai apibrėžia pasiskirstymą organizme, šis dydis nusako jį nepalyginamai siauriau nei VAREA. Po vienkartinės ar kelių paeiliui suvartotų vaisto dozių,

VAREA nuosekliai rodo plazmos koncentracijos pokyčius vaisto pasiskirstymui organizme

pasiekus pusiausvyrą. VSS tinka pasiskirstymo tūriui paskaičiuoti tik pastovios intraveninės

infuzijos metu arba po boliuso įvedimo. Taip pat, ši reikšmė labai priklauso nuo pirminio pasiskirstymo organizme, t.y. nuo plazmos-laiko kreivės pirminiu laiko momentu. Pirminis momentas metodiškai sunkiai nusakomas ir dėl šios priežasties galimi dideli netikslumai pasiskirstymo tūrio apskaičiavime. VSS reikšmė gali skirtis ir dėl kokių nors nefiziologinių ar

kitų nežinomų ypatybių, kai tuo tarpu VAREA duodama reikšmė pirminiu vaisto įvedimo

momentu nuo tokių savybių beveik nepriklauso [19].

1.2.2. VSS pasiskirstymas

VSS nurodo tūrį, kuriame vaistas pasiskirstytų pastovioje būklėje išmatuoto tūrio

(plazmos ar kraujo) koncentracija [6].

VSS yra viso suvartoto vaisto kiekio ir koncentracijos plazmoje proporcingumo

faktorius, nurodantis dozės pasiskirstymą tam tikrame kūno tūryje [7].

VSS parodo pasiskirstymo tūrį laiko momentu tokiame būvyje, kai iš centrinio

VSS yra proporcingumo faktorius tarp vaisto kiekio organizme ir plazmos (kraujo)

koncentracijos, nurodantis dozės pasiskirstymą į tam tikrą organizmo tūrį [20].

(1.2.6)

12 21 D k k

D_T = _P

Plazmos koncentracija lygi viso suvartoto vaisto – susirišusio su kraujo plazmos baltymais ir nesusirišusio koncentracijų sumai (1.2.7) [18].

(1.2.7) .) ( .) (susir P nesusir P P C C C = +

Organizme vaistas jungiasi tiek su plazmos, tiek su audinių baltymais [18]. Pastovi būklė yra tada, kai nesusirišusios vaisto dalies ir audiniuose, ir plazmoje koncentracija yra vienoda (1.2.8). (1.2.8) .) ( .) (nesusir T nesusir P C C =

Tačiau kai vaistas organizme yra pasiskirstęs ir plazmoje, ir audiniuose, vyksta pastovi vaisto ar jo metabolitų eliminacija iš, ir difuzija į audinius. Vykstant tokiam procesui, realią, tyrimams reikalingą ir svarbiausią reikšmę duoda ir bandymuose matuojamas VSS, pastovusis

pasiskirstymo tūris.

Pastovusis pasiskirstymo tūris apibrėžiamas kaip viso vaisto kiekio organizme santykis A_B,SS su viso vaisto koncentracija plazmoje C_P,SS pastoviame būvyje (1.2.9). Pastoviu būviu laikoma vaisto infuzija į kraujo plazmą tokiu dažnumu, kad visos koncentracijos, nusakančios pasiskirstymą organizme, nepasikeičia, t.y. pasiekia pastovios būklės būseną. Arba, paprasčiau tariant, VSS atitinka lygiavertį tūrį, kuriame pasiskirsto

vaistas, patekęs į organizmą [21].

(1.2.10) P SS P T SS T SS B C V C V A _, =

∑

∑

Iš lygčių (1.2.10) ir (1.2.11) gauname, kad

(1.2.12) SS P SS T P T C C P , , = −

Lygtis (1.2.11) naudojama vaisto jungimuisi su baltymais apskaičiuoti, ieškant pasiskirstymo tūrio, taip pat VSS apskaičiavimui iš audinių ir plazmos fiziko-cheminių savybių

[22].

Farmakokinetikoje daugiausia naudos duoda VSS tiesioginis apskaičiavimas iš plazmos

koncentracijos pokyčio per laiką po vienkartinės boliuso infuzijos į veną [21]. Nuo šiol laikysime jog tik toks vienkartinis, intraveninis ir staigus (prilyginame t→0) vaisto įvedimas į sisteminę kraujotaką yra neginčijama ir teisinga aplinkybė vaistų pasiskirstymo tūrio nustatyme. Taipogi, skaičiuojant turi būti taikomas vieno segmento modelis (žr. VD

vieno segmento modelis).

Linijinės farmakokinetikos schemai VSS galima paskaičiuoti tiesiai iš plazmos

koncentracijos-laiko kreivės, jei vaisto įvedimas ir skaičiavimas atitiks anksčiau nurodytas sąlygas [23]. Tokiu atveju:

(1.2.13) 2 2 ⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛ ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ =

∑

∑

Nusakant plazmos koncentraciją C_P(t) po boliuso D įvedimo intraveniškai gauname (1.2.14).

(1.2.14)

( )

_∑

(

)

Parametrą Ci lemia bendras segmentų, o λi – segmentų, kuriuose pasiskirsto vaistas, skaičius. Ši lygtis tinka dviejų segmentų modeliui aprašyti (žr. VD dviejų segmentų modelis),

kai šalinimas vyksta per centrinį segmentą, o vaistas patenka į periferinius segmentus pirminio pasiskirstymo greičio konstanta.

1.3. V

segmentų modelių apžvalga

Organizme vykstančius procesus patogiausia aiškinti farmakokinetinėmis schemomis. Paprasčiausias ir pirminis atvejis detalesnei segmentų farmakokinetikai, būtų toks Pav. 1.3.1 Paprasčiausia vaisto patekimo į organizmą boliusu ir šalinimo schema.

PAŠALINIMAS

iv INJEKCIJA

VAISTO KIEKIS

KRAUJO TŪRYJE

Pav. 1.3.1 Paprasčiausia vaisto patekimo į organizmą boliusu ir šalinimo schema

Vaistas organizme pasiskirsto tam tikromis dozėmis tam tikruose audiniuose. Apibrėžti, kokiam audinyje ar jų grupėje pasiskirsto vaistas, būviui apibūdinti, vartojamas terminas segmentas [1], arba skyrius (angl. compartment) [18]. Patogiausias vartoti, mūsų siūlymu, yra segmentas.

Toliau panagrinėsime paprasčiausius VD segmentų modelius.

1.3.1. VD vieno segmento modelis

Šis modelis nagrinėja vaisto pasiskirstymą organizme ir eliminaciją iš jo pačiu paprasčiausiu požiūriu – laikoma, kad vaistas pasiskirsto tarp audinių ir kraujo staiga ir vaisto eliminaciją laikome prasidėjusia iš karto, kai vaistas pasiskirsto aiškiajame plazmos tūryje. Tokia vaisto absorbcijos forma būdinga intraveninei injekcijai, kai vaistas aplenkdamas kitus organus ar jų sistemas iškart patenka į sisteminę kraujotaką (Pav. 1.3.2 Plazmos koncentracijos pokytis VD vieno segmento modeliui).

t,

0

i/v injekcija vieno segmento modeliui

C

mg/l

Pav. 1.3.2 Plazmos koncentracijos pokytis VD vieno segmento modeliui

1.3.2. VD dviejų segmentų modelis

Tačiau žmogaus organizme vaistų pasiskirstymas vyksta sudėtingiau, nei galėtų paaiškinti VD vieno segmento modelis. Dviejų ir daugiau segmentų modelio įvedimą ir

aiškinimą juo sąlygojo tai, jog po staigios intraveninės injekcijos į veną, vaistas iš plazmos į audinius pasisavinamas netolygiai ir susirišimo su plazmos baltymais-laiko kreivė nėra tiesė (Pav. 1.3.3 Plazmos koncentracijos pokytis VD dviejų segmentų modeliui). To paties vaisto

absorbcija skirtingiems audiniams vyksta skirtingai, nors teoriškai jie ir laikomi vienu ir tuo pačiu, antruoju segmentu. Tai susiję su audinių kraujotaka bei specifiškumu – kiekvienas vaistas tuo pat metu rišasi su aibe baltymų, kurie difunduoja į skirtingus audinius su skirtinga absorbcija kiekviename.

0

C

,

t,

Pav. 1.3.3 Plazmos koncentracijos pokytis VD dviejų segmentų modeliui

Taigi, antrasis segmentas laikomas audinių skyriumi [18] (Pav. 1.3.4 Vaisto pasiskirstymas ir šalinimas VD dviejų segmentų modeliui), o pirmasis – centriniu, arba kraujo

plazmos su ekstraląsteliniu skysčiu, kuriame irgi yra dėl susirišimo su plazmos baltymais ar kitų priežasčių į ląstelės vidų nepatekusių vaisto molekulių. Pirmajam segmentui priskiriami ir audiniai, į kuriuos perfuzija vyksta itin lengvai, t.y. pirminiu momentu po patekimo į organizmą, kur vaistas pasiskirsto ir difunduoja pirmiausia.

Atkreipiame dėmesį, jog eliminacija iš organizmo vyksta per centrinį segmentą (daugumoje atvejų), nors literatūroje visada nurodoma šalinimo iš bet kurio skyriaus galimybė. Jeigu kraujo mėginio paėmimo metu nevykdomos jokios procedūros, kurios leistų nustatyti, ar yra junginių metabolizmas ir periferiniuose segmentuose, turime laikyti, kad šalinimas vyksta iš centrinio segmento [23].

AUDINIŲ

SEGMENTAS

iv INJEKCIJA

CENTRINIS

_SEGMENTAS

k21 k0

Pav. 1.3.4 Vaisto pasiskirstymas ir šalinimas VD dviejų segmentų modeliui

1.3.3. VD trijų segmentų modelis

Trijų segmentų modelis skiriamas vaistams su pasiskirstymu giliuosiuose audiniuose analizuoti. Keliuose segmentuose galimai pasiskirstąs vaistas, greitai difunduoja lengvai pasiekiamuose audiniuose, vėliau – sunkiau pasiekiamuose (arba antrajame segmente), o vėliausiai – giliuosiuose audiniuose (arba trečiajame segmente) [18]. Čia vaistinės medžiagos absorbcija vyksta sunkiai ir lėtai. Dažniausiai tai – kaulai, riebalinis audinys, taip pat oda. Vaistinė medžiaga šiuo atveju su audiniais jungiasi labai stipriai ir jos pusinės eliminacijos laikas, kaip taisyklė, siekia savaites ar net mėnesius. Dažnai tokie vaistai naudojami kaulų tuberkuliozės, odos ligų gydymui. Kaip taisyklė, šių vaistų VD yra labai didelis. Pavyzdžiui,

vaistų, skirtų maliarijos gydymui, pasiskirstymas siekia šimtus litrų kilogramui – piperakvino VD=447 L/kg, hidroksichlorokvino VD=630 L/kg. Ir nors pastarosios reikšmės kurdami

kompiuterinį metodą nenaudosime, galime teigti, kad, jeigu vaistas pasiskirsto ir trečiajame, arba giliajame segmente, šis pasiskirstymas VD reikšmei turi didelę įtaką.

1.4. V

reikšmę įtakojantys faktoriai

VD reikšmę galima apibūdinti pusiausvyra tarp susijungusios ir nesusijungusios su

plazmos baltymais vaisto dalių (Pav. 1.4.1 Vaisto kiekio organizme susirišimo pokyčiai), kuri organizme egzistuoja visą laiką. Tai, kurioje dalyje bus daugiau pasiskirstęs vaistas, priklauso nuo jų fiziko-cheminių savybių, ypač – nuo vaistų tirpumo riebaluose.

LAISVAS VAISTO

KIEKIS PLAZMOJE

SUSIRIŠĘS VAISTO

KIEKIS AUDINIUOSE

SUSIRIŠĘS VAISTO

KIEKIS PLAZMOJE

Vaisto susirišimas su baltymais – tai pats svarbiausias faktorius, įtakojantis VD

reikšmę. Žinoma, kad tik nesusijungęs vaistas audiniuose gali pereiti ląstelių membranas ir prisijungti prie taikinio ląstelėje [4]. Dėl to svarbu žinoti nesusijungusią su plazmos baltymais vaisto dalį kraujyje. Taip pat svarbūs fiziko-cheminiai faktoriai. Junginių hidrofobiškumas ir jonizacija yra atsakingi už vaistų pernešimą į biologines sistemas [7].

Pagal dydį, įvairių vaistų VD reikšmė varijuoja nuo vienos dešimtosios dalies, iki kelių

dešimčių ar net šimtų litrų kilogramui, kartais net pranokdama realaus tūrio, kurį užimtų visi žmogaus kūno organai, reikšmę. Kaip jau minėjome ankstesniame charakteringiausiame pavyzdyje su antimaliariniais vaistais, tai priklauso nuo vaisto savybių, nuo to, kurioms ligoms gydyti jis yra skirtas ir kuriuose audiniuose jis linkęs kauptis.

Vaistai, kurių pasiskirstymas audiniuose ar konkrečiame audinyje yra didelis, labai koncentruotas, rodys labai didelę pasiskirstymo tūrio reikšmę [18]. Tarkim, akių lašai, kurie pasiskirsto akies kameroje, t. y. lyginant su dauguma organų –nedideliame tūryje, kaip taisyklė, turi vidutines-dideles VD reikšmes ~6-8 L/kg. Šioje vietoje turime paminėti, jog nors

akių lašų pavyzdys yra aiškus, tačiau netinkamas detaliam VD pavyzdžiui nusakyti. Vaistas

nėra įvedamas į sisteminę kraujotaką intraveniškai, taip pat, prieš pasiskirstydamas audinių segmente, nepatenka į sisteminę kraujotaką.

Kitas pavyzdys – hidrofiliški vaistai, kurių pasiskirstymas riebaluose – minimalus, ir kurie greitai pasiekia savo veikimo audinius. Jų pasiskirstymas audiniuose menkas, vidutinės VD reikšmes siekia iki 0,5-1 L/kg. Taigi, šiems vaistams svarbiausia savybė –

2. DARBO TIKSLAS IR UŽDAVINIAI

DARBO TIKSLAS

Pritaikyti kompiuterinį programos modulį, skirtą naujų junginių pasiskirstymo tūrio reikšmei iš junginio struktūros prognozuoti, pasinaudojant turimais žinomų cheminių junginių pasiskirstymo tūrio ir struktūros duomenimis.

DARBO UŽDAVINIAI

1. Pritaikyti kompiuterinį naujų cheminių junginių (būsimų vaistų) farmakokinetinio parametro – pasiskirstymo tūrio – įvertinimo pagal fiziko-chemines ir struktūros savybes modulį.

2. Prognozuoti junginių pasiskirstymo tūrio reikšmę pagal turimų junginių cheminę struktūrą kompiuteriniu būdu.

3. Įvertinti prognozavimo modulio patikimumą naujais cheminiais junginiais.

4. Nustatyti pagrindinius faktorius, turinčius įtaką svarbiausių cheminių junginių grupių pasiskirstymo tūrio reikšmės prognozei kompiuteriniu būdu.

3. EKSPERIMENTINĖ DALIS

3.1. V

faktorių tyrimas

3.1.1. Logaritminės VD reikšmės įvedimas

Moksliniame darbe iš viso naudojome 856 cheminių junginių VD reikšmes. Duomenis

surinkome iš originalių straipsnių, tyrimo duomenų lentelių, vadovėlių ir vaistų anotacijų specialistams. Kiek įmanoma, rėmėmės skirtingais šaltiniais, duomenų išsaugojimui panaudojome kompiuterinės programos duomenų bazę (Pav. 3.2.1 Programos „Algorithm Builder” duomenų bazės langas) [27]. Turėdami galimybę, atrinkome tik VSS reikšmes (pagal

intraveninį vaisto įvedimo kelią), idealiu atveju – gautas po boliuso įvedimo (vienkartine staigia injekcija ar pastovia nepertraukiama infūzija). Atmetėme pernelyg dideles ar mažas VD reikšmes, taip pat jeigu plazmos koncentracijos duomenys buvo gauti ne po intraveninės

injekcijos. Tokiu atveju galėjome naudoti tik su tame pačiame šaltinyje pateiktu žinomu ar nustatytu junginio bioprieinamumu panaudotas VD/F reikšmes (tai dažnas atvejis Testavimo

rinkinyje).

VD reikšmę logaritmavome, įvesdami naują dydį – pVd (3.1.1):

(3.1.1)

(

)

lg −

= V_D

pVd

Taip padarėme dėl kelių priežasčių:

ƒ dėl pasitaikančios didelės skirtingų junginių VD reikšmių variacijos, jas reikėjo

proporcingai sumažinti iki daugiausia standartiškai gaunamų;

ƒ dėl pasitaikančių itin mažų VD reikšmių reikėjo užtikrinti, kad spėjama

pasiskirstymo tūrio reikšmė bus didesnė nei standartinė (0,05 L) plazmos tūrio reikšmė 70 kg sveriančiam žmogui (3,5 L).

3.1.2. Struktūros-aktyvumo sąryšis

VD reikšmę įtakojantys faktoriai nagrinėti RP (Rekursinio skaldymo) metodu.

Panaudota keliolika deskriptorių – aprašomųjų ir struktūrinių parametrų reikšmių. Aprašomieji parametrai (deskriptoriai), nusakantys fiziko-chemines ir struktūrines savybes, buvo priskiriami kiekvienam junginiui. Paieškos rezultatas atvaizduotas C-SAR medžiu (Pav. 4.1.1 Rekursinio skaldymo metodu gautas algoritmo medis). Naudoti parametrai pateikiami žemiau.

3.1.3. Aprašomieji parametrai

Vartoti šie aprašomieji parametrai:

ƒ Rūgšties jonizacijos konstantos rūgštinėms medžiagoms (pKa),

ƒ Bazės jonizacijos konstantos bazinėms medžiagoms (Bazinis pKa),

ƒ Junginių joninių formų frakcijos (Kraujo pH = 7,4) [28],

ƒ Abrahamo H-rūgštingumo ir H-bazingumo konstantos α ir β [29], ƒ Protono-akceptorių ir protono-donorų skaičius,

ƒ McGowan‘o tūris (MV) [30], ƒ molekulinė masė (MW),

ƒ Polinis molekulės paviršiaus plotas, apskaičiuotas topologiniu būdu (TPSA) [31],

ƒ Hidrofobiškumas LogP [32].

3.1.4. Struktūriniai parametrai

Vartoti šie topologiniai aprašomieji parametrai: ƒ Besisukančių grandinių skaičius,

ƒ Žiedų skaičius,

ƒ Struktūros fragmentų (substruktūrų) skaičius, ƒ Fragmentų skaičius.

Pav. 3.1.1 Fragmentų, naudojamų RP analizėje, pavyzdžiai

Fragmentai nustatyti naudojantis taisyklėmis pagrįstais į Hansch-Leo nustatymo metodą panašiu [32] ir į Klopman‘o grandinės fragmentaciją panašiais būdais [33],[34],[35] bei karkaso fragmentacija [35]. Fragmentų pavyzdžiai, naudojami rekursinio skaldymo analizėje, pavaizduoti čia (Pav. 3.1.1 Fragmentų, naudojamų RP analizėje, pavyzdžiai).

3.2. Programa ir metodas

3.2.1. Kompiuterinė programa “Algorithm Builder”

“Algorithm Builder” yra kompiuterinė programa, skirta QSAR, QSPR ir SAR modelių kūrimui bei šių modelių atvaizdavimui prognozavimo algoritmais. Programa įgalina panaudojant specifines turimas duomenų bazes kurti tikslius fiziko-cheminių savybių paskaičiavimus naujų junginių ir biologiškai aktyvių medžiagų skriningui. Programoje yra integruota duomenų bazė, statistinio skaičiavimo programos, fragmentų – struktūrų duomenys bei programavimo platformos [27].

struktūros-aktyvumo savybės. Galima dirbti tiek su visų junginių duomenų bazėmis, tiek su specialiai atrinktais junginiais, suskirstytais pagal savo nuožiūra parinktus kriterijus.

3.2.2. Rekursinio skaldymo metodas

Rekursinis skaldymas yra metodas, statistiškai apibrėžiantis taisykles, kurios priskiria objektus į vienodas kategorijas, o esant didelei duomenų bazei, struktūras į molekulių su vienodomis arba panašiomis savybėmis grupes. Arba, tai – statistinis vienodos biologinės reikšmės savybių grupavimo į klases metodas. Rekursinis skaldymas yra daugiapakopis procesas, kurio metu identifikuojami ir priskiriami svarbiausių struktūrinių ir fiziko-cheminių savybių faktoriai, darantys įtaką vaisto biologiniam mechanizmui. Kiekvienos pakopos metu nuosekliai išnagrinėjami visi įmanomi VD reikšmei įtaką turintys aprašomieji parametrai –

deskriptoriai, kad surasti geriausią kriterijų jų požymiui apibūdinti – priskiriant reikšmes “high“ arba “low“. Jei deskriptoriaus reikšmė – binominė, pavyzdžiui, molekulės fragmentas, tuomet naudojama atskira reikšmė tokiam fragmentui apibūdinti. O jei deskriptoriaus reikšmė yra tolydi, pavyzdžiui, priklauso junginių fiziko-cheminiams parametrams, tuomet ji kokybiškai nagrinėjama kaip kiekvieno tų parametrų sudėtinė dalis.

Kai surandamas geriausias deskriptoriaus įvertinimas, arba didžiausia jo reikšmė, užduotis pakartojama su visomis turimų junginių klasėmis. Procesas vykdomas iki tol, kol statistiškai reikšmingas tolimesnis junginių skirstymas dar turi įtaką. Šiai įtakai tapus nereikšminga, analizės procesas nutraukiamas. Tokios paieškos rezultatas – C-SAR medis – išvedamas į kompiuterio ekraną su jame nurodytais pačiais svarbiausiais junginių struktūrą veikiančiais faktoriais.

3.3. V

prognozavimo algoritmas

3.3.1. Algoritmo sudarymas

VD prognozavimo algoritmas buvo sukurtas daugialypio įvertinimo būdu. RP

modeliavimo medžiai gauti naudojant fragmentų ir fiziko-cheminius aprašomuosius parametrus. Kiekvienas medis pagrindžia jame nagrinėtas logines sekas. Tarpusavyje susiję medžiai buvo atmesti, o iš likusiųjų buvo atrinkti kintamieji RP . Galutinis _i algoritmas gaunamas PLS (dalinio mažiausių kvadratų) regresijos analizės metodu su nustatytais w parametrais. Matematine išraiška (3.3.1): _i

(3.3.1)

( )

const

pVd = +

∑

∑

( )

3.3.2. Algoritmo testavimas

Sukūrę, VD prognozavimo algoritmą testavome 96-iomis naujų junginių VD

reikšmėmis. Prognozavimo tikslumą nustatėme remdamiesi standartiniais kriterijais [6]. Klaidą E aprašėme matematine išraiška (3.3.2), vidutinę paklaidos reikšmę (kartais)

FOLD

E paskaičiavome pagal lygtį (3.3.3).

(3.3.2) N E N n

∑

Pateikiame, mūsų manymu, pavykusio prognozavimo rezultatų, kai VD reikšmės

prognozavimas nuo eksperimentiškai nustatytos skiriasi nedaug, t. y. papuola į eksperimentinio nustatymo ribas (Lentelė 3.3.1).

Lentelė 3.3.1

Junginys VD, L/kg

Pavadinimas Cheminė struktūra

Apskaičiuota prognozav. algoritmu Nustatyta eksperim. (su ribomis) Salicilo rūgštis O OH OH 0,1617 0,24 (-) Tirofibanas NH O NH O OH S CH₃ O O 0,4726 0,5 (0,3-0,7) Acetamino-fenas NH O CH₃ O H 1,1002 0,95 (0,83-1,07) Ciproflok-sacinas N N O NH O F OH 1,9930 2,1 (1,4-2,9) Ondanse- O 2,5962 1,9

Junginys VD, L/kg

Pavadinimas Cheminė struktūra

Apskaičiuota prognozav. algoritmu Nustatyta eksperim. (su ribomis) Difenhidr-aminas N O CH3 CH3 5,6327 4,5 (-) Klemastinas N O Cl CH3 CH3 13,6676 13,0 (-) Vinblastinas N NH N N O O H O O O CH3 O O O OH CH3 C 3 H CH3 C 3 H CH3 CH3 H H 15,2248 17,5 (8,0-27,0) Prochlor-perazinas N S N N Cl C 3 H _{20,8581 23,0} (-)

Taip pat, gavome rezultatų, kurie savo reikšme netenkino eksperimentiškai nustatytų ir kurių VD reikšmė, apskaičiuota prognozavimo algoritmu keliskart viršijo

eksperimentinę VD reikšmę (Lentelė 3.3.2).

Tai motyvuojame kai kurių junginių struktūra (hormonai, vitaminai) ar jau aptartu specifiniu jų pasiskirstymu. Taip pat, dideli nukrypimai matomi junginiams, kurių VD

reikšmė yra vidutinė-didelė, o paklaidos ribos dažnai varijuoja trečdaliu ar net puse visos eksperimentinės VD reikšmės (amlodipino, haloperidolio atvejai). Galime įtarti, kad

tokios plačios ribos eksperimentinio nustatymo metu parinktos neatsitiktinai, jog galimas įvairus junginių pasiskirstymas.

Lentelė 3.3.2

Junginys VD, L/kg

Pavadinimas Cheminė struktūra Apskaičiuota prognozav.

algoritmu Nustatyta eksperim. (su ribomis) Progestero-nas O O CH3 CH3 C 3 H H H H 1,4482 0,3 (0,2-0,4) Amlodipinas NH O O O O CH₃ Cl NH₂ O C 3 H CH₃ 4,1044 16 (12-20) Haloperidolis O _{5,3053 18}

Junginys VD, L/kg

Pavadinimas Cheminė struktūra

Apskaičiuota prognozav. algoritmu Nustatyta eksperim. (su ribomis) Karvedilolis NH O NH O O OH CH₃ 4,3896 1,54 (1,43-1,65)

Detalesnei junginių grupių analizei reikalinga tolimesnė studija, tačiau galima įžvelgti junginių savybes, dėl kurių metodas tam tikrų junginių grupių analizei nėra tinkamas.

4. V

PROGNOZAVIMO REZULTATAI

4.1. Bendra analizė

Algoritmo testavimo metu norėjome išsiaiškinti, nuo kurių fiziko-cheminių ir struktūrinių junginių parametrų priklauso VD reikšmė. Paaiškėjo, jog svarbiausias

faktorius – junginių jonizacija. Pagal ją, daugumos rūgščių VD reikšmė – maža, bazių –

didelė, o neutralių junginių ir cviterjonų – nevienoda. Antras reikšmingas faktorius – junginių hidrofobiškumas (Lentelė 4.2.1). Didėjant hidrofobiškumui, bazinių ir neutralių junginių VD taip pat nuosekliai didėja (Lentelė 4.1.2), o rūgštiniams junginiams tai

nebūdinga.

Visiems junginiams Prognozavimo paklaidos vidurkis E_FOLD=1,87. Ši reikšmė lygintina su visų ankstesnių modelių geriausiais rezultatais. Algoritmo testavime gautas rezultatas yra geras, kadangi jo kūrimui panaudotoje duomenų bazėje buvo įtartinų reikšmių, arba kitaip, junginių su specifiniu pasiskirstymu. Pavyzdžiui, vaistai, kurių pasiskirstymas vyksta išimtinai kauluose (bifosfonatai), taip pat junginiai su ypač didelėmis VD reikšmėmis. Junginiams, kurių VD<10 L/kg, Prognozavimo paklaidos

vidurkis E_FOLD=1,78. E_FOLD buvo dar mažesnis junginių grupėje, kuriuos prieš testavimą apibendrindami pažymėjome kaip junginius su „vidutiniu“ arba „geru“ VD

reikšmių patikimumu. Visų grupių vidutinės prognozavimo paklaidos vidurkius pateikiame žemiau (Lentelė 4.1.1)

Lentelė 4.1.1

Grupė N E_FOLD

Visi Apmokymo rinkinio junginiai 760 1.87

Junginiai, kurių VD≤10 L/kg 683 1.78

n = 760 avg. = 5,854e-2 sd = 0,71 N No Yes Acid_pKa >= 8,022 No Yes n = 256 avg. = -0,503 sd = 0,526 N0 No Yes Base_pKa >= 7,992 No Yes n = 200 avg. = -0,619 sd = 0,471 N00 n = 56 avg. = -9,111e-2 sd = 0,51 N01 No Yes Acid_pKa >= 5,016 No Yes n = 38 avg. = -0,302 sd = 0,408 N010 n = 18 avg. = 0,355 sd = 0,41 N011 n = 504 avg. = 0,344 sd = 0,615 N1 No Yes Base_pKa >= 5,994 No Yes n = 185 avg. = 0,122 sd = 0,473 N10 n = 319 avg. = 0,473 sd = 0,651 N11 No Yes Base_pKa >= 11,988 No Yes n = 291 avg. = 0,548 sd = 0,612 N110 n = 28 avg. = -0,304 sd = 0,529 N111

Rezultatai atvaizduojami algoritmo sukurtame medyje (Pav. 4.1.1 Rekursinio skaldymo metodu gautas algoritmo medis). RP metodu gauto algoritmo medyje svarbiausias parametras – junginių jonizacija ( LogP ). VD prieš pKa, statistiškai gauname: r2=0,443,

F=124.

Rekursinio skaldymo pagal Rūgštinį pKa ir Bazinį pKa medyje pateikiami šie

duomenys:

ƒ n – Junginių, atitinkančių konkrečias Rūgštinių pKa ir Bazinių pKa ribas,

skaičius;

ƒ avg – pVd reikšmių vidurkis junginių daliai; ƒ sd – Santykinis nuokrypis;

ƒ N – Algoritmų medžio atšakos numeris.

Pagal šį skaldymą, visus junginius suskirstėme į penkias pagrindines grupes: rūgštis, cviterjonus, neutralius junginius, bazes ir katijonus (stiprias bazes) (Lentelė 4.1.2).

Lentelė 4.1.2

Grupė pKa N Avg Vid. VD Reikšmė

Rūgštys Rūgštinis pKa<8 Bazinis pKa<8 200 -0,619 0,24 Labai žema Cviterjonai Rūgštinis pKa<8 Bazinis pKa≥8 56 -9,111e-2 0,81 Žema Neutralūs Rūgštinis pKa≥8 Bazinis pKa<6 185 0,122 1,32 Žema-vidutinė Bazės Rūgštinis pKa≥8 6≥Bazinis pKa<12 291 0,548 3,53 Vidutinė-aukšta Katijonai arba stiprios bazės Rūgštinis pKa≥8 Bazinis pKa≥12 28 -0,304 0,50 Kintanti

Junginių išsibarstymą atvaizduojame eksperimentinių ir prognozuojamų pVd reikšmių grafike (Pav. 4.1.2 Junginių išsibarstymo palyginimas VD apmokymo rinkiniui).

Junginių išsibarstymas

Pav. 4.1.2 Junginių išsibarstymo palyginimas VD apmokymo rinkiniui

Šiame grafike kiekvieną tašką matome kaip atskirą junginį (programoje rodoma jo cheminė formulė arba duomenų bazės eilės numerį), ir pagal jo buvimo vietą galime prognozuoti koreliaciją tarp eksperimentinių ir prognozuojamų VD reikšmių. Apmokymo

rinkinio atveju, pateikiame tiesės r2_{=0,7105, o lygtis, aprašanti ją, yra y=0,6413x+0,0580.}

Testavimo rinkinyje, junginių reikšmių išsibarstymas taip pat tolydžiai didėja, tiesės r2=0,5862, o koordinatės 0989y=0,5691x+0, .

Junginių

išsibarstymas

Pav. 4.1.3 Junginių išsibarstymo palyginimas VD testavimo rinkiniui

Tokį Testavimo rinkinio junginių išsibarstymą vertiname kaip aukštą pasiekimą – rezultatas rodo, kad prognozavimo algoritmas teisingai veikia tiek su Apmokymo, tiek su Testavimo rinkiniu.

4.2. Rezultatai junginių grupėms

Dauguma rūgščių gerai jungiasi su plazmos baltymais ir dėl to sunkiai pereina į audinius [11]. Todėl rūgštinį pKa laikėme svarbiausiu šios grupės junginių pasiskirstymo

rūgščių pasiskirstymui į audinius, tik buvo matomas nežymus pasiskirstymo tūrio reikšmės padidėjimas silpnai rūgštiniams junginiams su didėjančiu jų LogP .

Atkreipėme dėmesį į struktūrines ypatybes, kurios turėjo poveikį VD reikšmės

prognozavimui rūgštiniams junginiams. Pirmiausia, tai – sulfonamidinė grupė. Pagal prognozavimo modelį, ji trukdė junginių pasiskirstymui į audinius. Vidutinė prognozuojama sulfonamidų VD~0,2 L/kg. Iš kitų junginių struktūrinių grupių panašų poveikį darė

fenilacetinė grupė, taip pat salicilo rūgšties fragmentas.

Rūgštiniams junginiams pastebėjome ir išimčių: viena jų – bifosfonatai. Nors šios rūgštys yra stiprios, jų VD reikšmes gavome vidutines arba didesnes už vidutines. Pavyzdys –

rizedronatas, kurio VD=6,3 L/kg. Tokią didelę reikšmę galima aiškinti bifosfonatų

pasiskirstymu trečiajam, arba giliajame audinių segmente, t. y. kaupimusi kauluose.

4.2.2. Bazėms

Pagrindiniu bazinių junginių pasiskirstymo į audinius faktoriumi laikėme junginių hidrofobiškumą. Tai atitinka ir kituose farmakokinetinių savybių prognozavimą aprašančiuose šaltiniuose minimą jo įtaką. LogP įtaka pasiskirstymo tūrio reikšmei nusakome lygtimi žemiau (4.2.1):

(4.2.1)

P pVd=0,26+0,13×log

Tačiau pagal ją apskaičiuotos reikšmes gavome statistiškai menkas, atitinkamai: r2=0,386; SD=0,5; F=149; N=264. Todėl ja galime pagrįsti tik bendrą tendenciją, o ne naudoti apskaičiavimui.

Kompiuterinė programa leidžia filtruoti junginius pagal įvairias reikšmes, todėl nustatėme šių junginių pasiskirstymo tūrio reikšmės priklausomybę nuo LogP . Vidutinės bazinių junginių VD reikšmės, priklausančios nuo hidrofobiškumo, nurodytos žemiau (Lentelė

Lentelė 4.2.1 LogP N Vid. VD LogP≤0,5 15 0,4 -0,5<LogP ≤2,5 109 2,6 2,5< LogP ≤3,5 51 3,5 3,5< LogP ≤4,5 39 6 4,5<LogP ≤6 41 11 LogP>6 9 24

Taip pat svarbiu faktoriumi bazių VD reikšmei laikėme Bazinį pKa. Nustatėme esminį

bendrumą – VD reikšmė didėjo didėjant pKa reikšmei. Iš struktūrinių ypatybių, sulfonamidinė

grupė, kaip ir rūgštinių junginių atveju – nepageidaujamas faktorius. Dėl svarbios kitų struktūrinių parametrų įtakos, bazinių junginių, nors ir su vienodomis LogP ir Bazinio pKa

reikšmėmis, VD reikšmės stipriai skyrėsi.

4.2.3. Neutraliems junginiams

Neutraliems junginiams, kaip ir baziniams, hidrofobiškumas buvo pagrindinis faktorius pasiskirstymui audiniuose. Šiai junginių grupei taipogi pasitelkėme išskirstymą kompiuterinėje programoje. Vidutines neutralių junginių VD reikšmės, priklausančios nuo

hidrofobiškumo, nurodėme žemiau (Lentelė 4.2.2):

Lentelė 4.2.2 LogP N Vid. VD LogP ≤0,5 58 0,8 -0,5< LogP ≤1,5 32 1,1 1,5< LogP ≤2,0 30 1,6 2,0< LogP ≤5,5 82 2,1 LogP>5,5 8 6,7

Atsižvelgiant į struktūrines junginių ypatybes, vidutinė VD reikšmė kiekvienai

junginių grupei labai skiriasi. Vaistai su gautomis gerokai didesnėmis už vidutines VD

4.2.4. Kitiems junginiams

Nenustatėme aiškių faktorių, kurie turėtų įtaką nedidelei katijoninių junginių grupei. Pasiskirstymo tūrio reikšmes gavome labai skirtingas ir prieštaringas.

Nebuvo pakankamai cviterjonų tipo cheminių junginių pasiskirstymo tūrio reikšmių, kad galėtume daryti išvadą dėl struktūros-savybių modelio įtakos jų prognozuojamam VD.

Nors panašu, kad Rūgštinis pKa yra pagrindinis faktorius, lemiantis pasiskirstymo tūrio

reikšmę (analogiškai, kaip ir rūgštims). Pagal RP algoritmo medį, jei cviterjonų pKa<5, tai

vidutinis VD=0,5 L/kg, jei pKa≥5, tada vidutinis VD=2,26 L/kg. Tačiau konkrečiai tokios

prielaidos daryti negalime.

4.3. Rezultatų palyginimas

Nusprendėme palyginti mūsų gautus VD prognozavimo algoritmo rezultatus su, mūsų

manymu, vienu tiksliausiai atliktų VD prognozavimo darbų [11]. Palyginimo rezultatus

pateikiame lentelėje žemiau (Lentelė 4.3.1):

Lentelė 4.3.1

Lombardo ir kt. darbas [11] Mūsų VD prognozavimas

Statistinis modelis QSAR QSAR su RP medžiais

Apmokymo rinkinio N 120 760

Apmokymo rinkinio E_FOLD 2,08 1,87

Testavimo rinkinio N 18 96

Testavimo rinkinio E_FOLD 2,26 2,08

VD tipas Tik VSS VSS, VAREA, VD/F

VD reikšmės pakeitimas fut (Oie-Tozer lygtis) Logaritmuota VD reikšmė, pVd

VD skaičiavimo kintamieji LogD, jonizuota frakcija,

nesusirišusi su baltymais frakcija (eksperimentiniai kintamieji)

Visi fiziko-cheminiai ir struktūriniai parametrai (visi suskaičiuoti kintamieji)

Iš rezultatų matome, jog mūsų atlikto tyrimo metu gautas vidutinės prognozavimo paklaidos vidurkio E_FOLD reikšmė tiek Apmokymo, tiek Testavimo rinkiniams yra mažesnė už Lombardo ir kt. atliktame darbe gaunamą. Tai laikome geru pasiekimu.

IŠVADOS

1. Pritaikytas kompiuterinis naujų cheminių junginių (būsimų vaistų) farmakokinetinio parametro – pasiskirstymo tūrio – įvertinimo modulis.

2. Prognozuota junginių pasiskirstymo tūrio reikšmė pagal turimų junginių cheminę struktūrą kompiuteriniu būdu, gauta vidutinė prognozavimo paklaidos reikšmė visiems Apmokymo rinkinio junginiams yra mažesnė už nurodomą literatūroje (Lombardo et al.).

3. Įvertintas modulio patikimumas naudojant naujų junginių (Testavimo rinkinio) reikšmes, gauta vidutinė prognozavimo paklaidos reikšmė yra mažesnė už nurodomą literatūroje (Lombardo et al.)

4. Nustatyti pagrindiniai fiziko-cheminiai (jonizacija ir hidrofobiškumas) ir struktūriniai faktoriai, įtakojantys junginių pasiskirstymo tūrio reikšmės prognozę kompiuteriu.

5. Nustatyta, kad prognozavimas rūgštiniams ir baziniams junginiams yra patikimas, o cviterjonų ir katijonų (stiprių bazių) tipo junginių nerasta pakankamai, kad būtų galima nustatyti jų pasiskirstymą lemiančius struktūros ar fiziko-cheminius faktorius.

SUMMARY

Estimation of Chemical Substances’ Pharmacokinetic Parameter the

Volume of Distribution and its Apply to the Process of New Drugs’

Screening

The aim of this study is to determine how Volume of Distribution (VD) – one of the

main characters of pharmacokinetic data is obtained, what methods are used, how reliable values they give, and a new computational QSAR algorithm for prediction of VD is built and

discussed.

The development of a new drug estimated total time of more than 14 years with investment exceeding U$900 million in 1990-ies up to €1 billion in 2000. Studies show that elimination of new developed drugs from the last stage screening process or even withdrawal from market usually is a result of poorly predicted pharmacokinetic data.

The main goal of our study was to build a new computational algorithm for prediction of VD that would result in lessened cost and time consumption. The prediction of VD using

quantity-structure activity relationship (QSAR) method the algorithm shows VD values

statistically better than obtained in other methods of. We based experimental algorithm on 760 values of VD compiled from literature, original articles, and Internet databases and proved

data quality as ‘Good’, ‘Moderate’, ‘Bad’ or ‘Very bad’. We investigated literature sources to have data mostly after intravenous bolus administration of the drug, VSS, and tested the

algorithm on 96 more newly obtained drug VD values that were not included in building the

computational algorithm. Mean fold error for Training Set was 1,87, and 2,08 for Testing Set..

We built and concluded the module to be good for prediction of VD for acid and basic

compounds, but being poor predictor for zwitterions and cat ions or strong bases. We also concluded main pharmacokinetic objectives for the prediction (physicochemical – ionization and hydrophobicity) of Volume of Distribution for various compounds.

The innovation of this idea and a module integrated in computational software program built in regard to this work should have success as its apply to the new drugs’ screening process would lessen time and expenses for the prediction in the first phase drugs’ screening.

LITERATŪRA

1. Romaldas Mačiulaitis. „Klinikiniai biofarmacijos ir farmakologijos aspektai“. Kauno medicinos universitetas, 2002: 3,28,45

2. Franco Lombardo, R. Scott Obach, Marina Y. Shalaeva, Feng Gao. “Prediction of Volume of Distribution Values in Humans for Neutral and Basic Drugs Using Physicochemical Measurements and Plasma Protein Binding Data”. Journal of Medicinal Chemistry, 2002, Vol. 45, No. 13, 2867-2876

3. Toshihiro Wajima, Kazuya Fukumura, Yoshitaka Yano, and Takayoshi Oguma. “Prediction of human pharmacokinetics from animal data and molecular structural parameters using multivariate analysis: volume of distribution at steady state”. Journal of Pharmacy and Pharmacology, 2003, 55: 939-949

4. Jiunn H. Lin and Anthony Y. H. Lu. “Role of Pharmacokinetics and Metabolism in Drug Discovery and Development”. Pharmacological Reviews, 1997; 49(4): 403-449

5. Han van der Waterbeemd and Eric Gifford. “ADMET IN SILICO MODELLING: TOWARDS PREDICTION PARADISE?”. Nature Reviews Drug Discovery, 2003 Mar; 2(3): 192-204

6. Taravat Ghafourian, Mohammad Barzegar-Jalali, Nasim Hakimiha, Mark T.D. Cronin. “Quantitative structure–pharmacokinetic relationship modeling: apparent volume of distribution”. Journal of Pharmacy and Pharmacology, 2004, 56: 339-350

7. Hugo Kubinyi. “QSAR Parameters” Presentation. University of Heidelberg.

http://www.kubinyi.de/dd-11.pdf

8. Han van de Waterbeemd. “Which in vitro Screens Guide the Prediction of Oral Absorption and Volume of Distribution?” Basic & Clinical Pharmacology & Toxicology 2005, 96, 162-166

Partial Least-Square Analysis Methods”. Journal of Pharmaceutical Sciences, Vol. 93, 2535-2544 (2004)

11. Franco Lombardo, R. Scott Obach, Marina Y. Shalaeva, and Feng Gao. “Prediction of Human Volume of Distribution Values for Neutral and Basic Drugs. 2. Extended Data Set and Leave-Class-Out Statistics”. Journal of Medicinal Chemistry, 2004, Vol. 47, No. 5, 1242-1250

12. Vangelis Karalis, Anna Tsantili-Kakoulidou, and Panos Macheras. “Multivariate statistics of disposition pharmacokinetic parameters for structurally unrelated drugs used in therapeutics”. Pharm. Res. 2002; 19(12): 1827-1834

13. Donald E. Mager, William J. Jusko. “Quantitative structure-pharmacokinetic/pharmacodynamic relationships of corticosteroids in man”. Journal of Pharmaceutical Sciences, 91(11): 2441-51 (2002)

14. Gobburu, J. V., Shelver, W. H. “Quantitative structure-pharmacokinetic relationships (QSPR) of beta blockers derived using neural networks”. Journal of Pharmaceutical Sciences, 1995; 84(7): 862-65

15. Joseph V. Turner, Desmond J. Maddalena, David J. Cutler. “Pharmacokinetic parameter prediction from drug structure using artificial neural networks”. International Journal of Pharmaceutics 270 (2004) 209-219

16. Joseph V. Turner, Desmond J. Maddalena, David J. Cutler, Snezana Agatonovic-Kustrin. “Multiple pharmacokinetic parameter prediction for a series of cephalosporins”. International Journal of Pharmaceutics (2003) Mar;92(3): 552-559

17. Michael E. Winter. “Basic Clinical Pharmacokinetics”. Second Edition, Applied Therapeutics, Inc. 1992: 21,148,220

18. Leon Shargel, Andrew Yu. “Applied Biopharmaceutics and Pharmacokinetics”. Fourth edition, McGraw-Hill, 1999: 49,78-80,299

19. David J. Greenblatt, Darrell R. Abernethy, and Marcia Divoll. „Is volume of distribution at steady state a meaningful kinetic variable?“. Vol. 23, Journal of Clinical Pharmacology, 1983; 23(8-9): 391-400

20. Patrick Poulin, Kerstin Schoenlein, Frank-Peter Theil. “Prediction of Adipose Tissue:Plasma Partition Coefficients for Structurally Unrelated Drugs”. Journal of

21. Leonid M. Berezhkovskiy. “Determination of Volume of Distribution at Steady State with Complete Consideration of the Kinetics of Protein and Tissue Binding in Linear Pharmacokinetics”. Journal of Pharmaceutical Sciences, Vol. 93, 364-374 (2004)

22. Patrick Poulin, Frank-Peter Theil. “Prediction of Pharmacokinetics Prior to In Vivo Studies. 1. Mechanism-Based Prediction of Volume of Distribution“. Journal of Pharmaceutical Sciences, Vol. 91, 129-156 (2002)

23. John G. Wagner. “Linear Pharmacokinetic Equations Allowing Direct Calculation of Many Needed Pharmacokinetic Parameters from the Coefficients and Exponents of Polyexponential Equations Which Have Been Fitted to the Data”. Journal of Pharmacokinetics and Biopharmaceutics, 1976, 4(5): 443-467

24. Sven Björkman. “Prediction of the volume of distribution of a drug: which tissue–plasma partition coefficients are needed?”. Journal of Pharmacy and Pharmacology, 2002, 54: 1237-1245

25. Patrick Poulin, Frank-Peter Theil. “A Priori Prediction of Tissue:Plasma Partition Coefficients of Drugs to Facilitate the Use of Physiologically-Based Pharmacokinetic Models in Drug Discovery”. Journal of Pharmaceutical Sciences, Vol. 89, 16-35 (2000)

26. Iftekhar Mahmood. “Prediction of Clearance, Volume of Distribution and Half-life by Allometric Scaling and by use of Plasma Concentrations Predicted from Pharmacokinetic Constants: a Comparative Study”. Journal of Pharmacy and Pharmacology, 1999, 51: 905-910

27. Computer application “Algorithm Builder 1.7“, Version Blue. Canada, Pharma Algorithms, Inc., http://www.ap-algorithms.com, 2004

28. Computer application “ADME Boxes”, Version 2.2. Canada, Pharma Algorithms, Inc., http://www.ap-algorithms.com, 2004

31. Ertl, P., Rohde, B., and Selzer P. “Fast calculation of molecular polar surface area as a sum of fragment-based contributions and its application to the prediction of drug transport properties”. J. Med. Chem. 2000; 43(20): 3714-3717

32. Pranas Japertas, Remigijus Didziapetris, and Alanas Petrauskas. “Fragmental Methods in the Design of New Compounds. Applications of The Advanced Algorithm Builder”. Quantitative Structure-Activity Relationship, 2002; 21: 23-37

33. Klopman G. “Artificial intelligence approach to structure-activity studies. Computer automated structure evaluation of biological activity of organic molecules”, J. Am. Chem. Soc. 1984; 106:7315-7321

34. Klopman G. “Multicase: a hierarchical computer automater structure evaluation program”, Quantitative Structure-Activity Relationship. 1992; 11: 176-184

35. Pranas Japertas, Remigijus Didziapetris, Alanas Petrauskas. “Fragmental Methods in the Analysis of Biological Activities of Diverse Compound Sets”. Mini Reviews in Medicinal Chemistry, 2003; 3, 797-808

PRIEDAS NR.1

Eksperimentinių V

reikšmių lentelė (Apmokymo rinkinys)

Eil. Nr. Junginys VD tipas VD, L/kg Patikimumas

1 6-Methoxy-2-naphthylacetic acid∗ VSS 0,11 Geras

2 Abacavir VD 0,86 Geras 3 Acamprosate VD 0,17 Vidutinis 4 Acarbose VD 0,32 Vidutinis 5 Acebutolol VSS 1,2 Geras 6 Acecainide VSS 1,4 Geras 7 Acenocoumarol VD 0,3 Vidutinis 8 Acetaminophen VSS 0,95 Geras

9 Acetanilide VD 0,7 Labai blogas

10 Acetazolamide VSS 0,38 Geras

11 Acetohexamide VD 0,21 Vidutinis

12 Acetylcysteine VD 0,5 Vidutinis

13 Acipimox VD 0,4 Vidutinis

14 Acitretin VD 9 Labai blogas

15 Aclarubicin VD 9,3 Blogas 16 Acrivastine VSS 0,46 Vidutinis 17 Acyclovir VSS 0,69 Geras 18 Albuterol VD 3,4 Blogas 19 Alclofenac VD 0,1 Vidutinis 20 Alcuronium VD 0,4 Vidutinis 21 Alendronate VSS 0,4 Vidutinis 22 Alfaxalone VD 0,8 Blogas 23 Alfentanil VSS 0,75 Geras 24 Alfuzosin VD 3,2 Blogas 25 Allopurinol VSS 0,6 Geras 26 Almitrine VD 40 Blogas 27 Almotriptan VD 2,7 Vidutinis 28 Alosetron VD 1 Vidutinis 29 Alphaprodine VD 2 Blogas 30 Alprazolam VSS 0,72 Geras _______________________________________________ ∗ cheminių junginių pavadinimus pateikiame anglų kalba

Eil. Nr. Junginys VD tipas VD, L/kg Patikimumas 31 Alprenolol VSS 3,3 Geras 32 Amantadine VSS 6,6 Geras 33 Amdinocillin VSS 0,29 Vidutinis 34 Amikacin VSS 0,27 Geras 35 Amiloride VD 8,5 Blogas

36 Aminocaproic acid VD 0,4 Vidutinis

37 Aminoglutethimide VD 1,3 Blogas

38 Amiodarone VSS 66 Geras

39 Amitriptyline VD 12 Blogas

40 Amitriptyline N-oxide VSS 1,2 Geras

41 Amlodipine VSS 16 Geras 42 Amoxapine VD 16,4 Vidutinis 43 Amoxicillin VSS 0,36 Geras 44 Amphetamine VD 4,5 Vidutinis 45 Amphotericin B VD 4 Vidutinis 46 Ampicillin VSS 0,28 Vidutinis 47 Amprenavir VD 6,14 Vidutinis 48 Amrinone VSS 1,3 Geras 49 Amsacrine VSS 1,56 Geras 50 Amylobarbitone VD 1 Vidutinis 51 Anagrelide VD 12 Vidutinis 52 Antipyrine VSS 0,6 Geras 53 Apomorphine VD 2 Vidutinis 54 Aprepitant VD 0,88 Vidutinis 55 Aprindine VD 4 Vidutinis 56 Arbekacin VD 0,2 Vidutinis

57 Arteether VD 28 Labai blogas

58 Artemisinin VD 0,28 Vidutinis

59 Artesunate VD 0,2 Blogas

60 Ascorbic acid VSS 0,72 Geras

61 Aspirin VSS 0,15 Vidutinis 62 Astemizole VD 48 Blogas 63 Atenolol VSS 0,95 Geras 64 Atomoxetine VSS 0,85 Geras 65 Atovaquone VSS 0,6 Geras 66 Atracurium VSS 0,16 Geras 67 Atropine VSS 2 Geras 68 Azacitidine VD 0,7 Vidutinis 69 Azapropazone VD 0,2 Blogas 70 Azathioprine VSS 0,81 Blogas 71 Azelastine VSS 15 Geras 72 Azithromycin VSS 31 Geras 73 Azlocillin VSS 0,22 Vidutinis 74 Aztreonam VSS 0,25 Geras 75 Bamethan VD 3,7 Blogas

Eil. Nr. Junginys VD tipas VD, L/kg Patikimumas

76 Barbital VD 0,5 Vidutinis

77 Benazeprilat VD 0,08 Labai blogas

78 Bendroflumethiazide VD 1,3 Vidutinis 79 Benzquinamide VD 1 Vidutinis 80 Bepridil VSS 8 Geras 81 Betamethasone VSS 1,4 Vidutinis 82 Betaxolol VSS 6,1 Geras 83 Bezafibrate VD 0,24 Vidutinis 84 Bifemelane VD 8 Blogas 85 Biperiden VD 24 Blogas 86 Bisoprolol VSS 3,2 Geras 87 Bleomycin B2 VSS 0,27 Blogas 88 Bosentan VD 0,25 Vidutinis 89 Bretylium VSS 5,9 Blogas 90 Bromazepam VSS 0,91 Geras 91 Brompheniramine VD 6,25 Vidutinis 92 Budesonide VSS 2,9 Geras 93 Buformin VD 2 Blogas 94 Bufuralol VSS 1,86 Geras 95 Bumetanide VSS 0,13 Geras 96 Bupivacaine VSS 0,9 Blogas 97 Buprenorphine VD 2,5 Vidutinis

98 Bupropion VD 7,2 Labai blogas

99 Buspirone VD 5,3 Geras

100 Busulfan VD 0,7 Labai blogas

101 Butobarbitone VD 0,8 Blogas 102 Butorphanol VSS 8,8 Geras 103 Caffeine VSS 0,61 Geras 104 Candesartan VD 0,13 Geras 105 Capreomycin VSS 0,4 Blogas 106 Captopril VSS 0,77 Geras 107 Carbamazepine VD 1,13 Vidutinis 108 Carbamazepine-10,11-epoxide VD 1,1 Blogas 109 Carbenicillin VSS 0,12 Vidutinis 110 Carbenoxolone VD 0,1 Vidutinis 111 Carbocysteine VD 0,86 Vidutinis 112 Carmustine VSS 3,3 Vidutinis 113 Carteolol VD 4,05 Vidutinis

Eil. Nr. Junginys VD tipas VD, L/kg Patikimumas 121 Cefditoren VD 0,12 Vidutinis 122 Cefepime VSS 0,25 Geras 123 Cefixime VSS 0,3 Vidutinis 124 Cefmenoxime VSS 0,3 Vidutinis 125 Cefmetazole VSS 0,18 Geras 126 Cefodizime VSS 0,22 Vidutinis 127 Cefonicid VSS 0,11 Vidutinis 128 Cefoperazone VSS 0,14 Vidutinis 129 Ceforanide VSS 0,14 Geras 130 Cefotaxime VSS 0,23 Geras 131 Cefotetan VSS 0,14 Geras 132 Cefoxitin VSS 0,25 Vidutinis 133 Cefpirome VD 0,23 Vidutinis 134 Cefpodoxime VD 0,9 Vidutinis 135 Cefprozil VSS 0,22 Geras 136 Cefsulodin VSS 0,21 Vidutinis 137 Ceftazidime VSS 0,23 Geras 138 Ceftibuten VD 0,2 Geras 139 Ceftizoxime VSS 0,36 Geras 140 Ceftriaxone VSS 0,11 Vidutinis 141 Cefuroxime VSS 0,2 Vidutinis 142 Celecoxib VD 6,5 Vidutinis 143 Cephalexin VSS 0,26 Geras 144 Cephalothin VSS 0,26 Vidutinis 145 Cephapirin VSS 0,21 Vidutinis 146 Cephradine VD 0,46 Blogas 147 Cerivastatin VSS 0,3 Vidutinis 148 Cetirizine VD 0,52 Vidutinis 149 Cetrorelix VD 1 Vidutinis 150 Cevimeline VD 6 Geras

151 Chloralhydrate VD 0,6 Labai blogas

152 Chlorambucil VAREA 0,29 Geras

153 Chloramphenicol VSS 0,94 Geras

154 Chlorbutol VD 3 Labai blogas

155 Chlordiazepoxide VSS 0,34 Geras

156 Chlorothiazide VSS 0,2 Vidutinis

157 Chlorphenesin carbamate VD 1 Blogas

158 Chlorpheniramine VSS 3,2 Geras 159 Chlorphentermine VD 2,5 Blogas 160 Chlorpromazine VSS 21 Blogas 161 Chlorpropamide VD 0,17 Vidutinis 162 Chlorprothixene VD 15 Vidutinis 163 Chlortetracycline VD 2 Blogas 164 Cidofovir VD 0,54 Vidutinis 165 Cilastatin VD 0,2 Blogas

Eil. Nr. Junginys VD tipas VD, L/kg Patikimumas 166 Cimetidine VSS 1 Geras 167 Cinacalcet VSS 14,2 Geras 168 Cinoxacin VSS 0,33 Vidutinis 169 Ciprofibrate VD 0,16 Vidutinis 170 Ciprofloxacin VSS 1,8 Vidutinis 171 Ciramadol VD 0,8 Vidutinis 172 Cisapride VD 2,4 Vidutinis 173 Citalopram VSS 13 Geras 174 Cladribine VSS 4,5 Geras 175 Clarithromycin VSS 2,6 Geras

176 Clavulanic acid VSS 0,21 Geras

177 Clemastine VSS 13 Geras

178 Clindamycin VSS 1,1 Blogas

179 Clobazam VD 0,9 Vidutinis

180 Clodronic acid VD 0,27 Vidutinis

181 Clofibric acid VAREA 0,1 Vidutinis

182 Clomethiazole VD 9 Blogas 183 Clomipramine VSS 20 Blogas 184 Clonazepam VSS 2,9 Geras 185 Clonidine VSS 2,1 Geras 186 Clopamide VD 2,5 Vidutinis 187 Cloprednol VSS 0,81 Geras 188 Clotrimazole VD 1 Blogas 189 Cloxacillin VSS 0,094 Geras 190 Clozapine VSS 5,4 Geras 191 Cocaine VSS 2 Geras 192 Codeine VSS 3,5 Vidutinis 193 Colchicine VSS 4,2 Blogas 194 Coumarin VSS 1,29 Geras 195 Cromolyn VD 0,32 Vidutinis 196 Cyclobarbitone VD 0,5 Blogas 197 Cyclophosphamide VSS 0,78 Geras 198 Cyclosporine A VSS 1,9 Vidutinis

199 Cyproterone acetate VD 16,8 Labai blogas

200 Cytarabine VSS 0,64 Blogas

201 D-Glucose VD 0,25 Vidutinis

202 Dalfopristin VSS 0,24 Vidutinis