从分子极性表面积预测喹诺酮类药物的血浆蛋白结合率

目的从分子极性表面积和分子量预测药物的血浆蛋白结合率。方法根据半经验自洽场分子轨道AM1法得到的优化构型用MonteCarlo法计算得到分子量和分子极性表面积。用逐步多元回归分析法及人工神经网络法建立从药物的分子量、分子极性表面积预测喹诺酮类药物的人血浆蛋白结合率的数学模型。回归方程采用statistics60软件。结果喹诺酮类药物的人血浆蛋白结合率与分子量(MW)和氢键给体表面积(SH)具有良好的相关性,回归方程为:fb=364.98-42.67SH-0.89MW+0.11MW*SH(n=28,R=0.8922)。神经网络的计算结果 25个训练样本的根均方误差RMSE为0.0368,3个预测样本的根均方误差RMSE为0.0640。结论药物血浆蛋白结合能力与分子量和分子极性表面积密切相关。从分子极性表面积预测药物血浆蛋白结合率具有方便快捷的优点,可用于相关的药动学参数的研究。     

头孢菌素类抗生素的定量构动关系

目的研究头孢菌素类抗生素的定量构动关系(QSPR)。方法应用半经验量子化学方法和误差反向传播人工神经网络方法。结果利用量子化学AM1算法计算了26种头孢菌素的18个结构参数,筛选与头孢菌素类抗生素药动学指标相关性较大的6个结构参数作为人工神经网络的输入参数,以头孢菌素类抗生素的5个药动学指标(t1/2α、t1/2β、AUC、C l和Vap)作为人工神经网络的输出参数,利用误差反向传播的神经网络构建头孢菌素类抗生素的QSPR模型。从26个头孢菌素类抗生素样本中,随机抽取了23个样本作为训练集,剩余的作为检验集来验证QSPR模型的预测效果。结论头孢菌素类抗生素的ELUMO、Diop、EH、LogP、M和HDO是影响其药动学指标的主要因素,所建立的QSPR模型能够有效地描述并预测头孢菌素类抗生素的药动学指标。     

药物清除率的定量构动关系研究

目的　利用量子化学和神经网络方法,建立药物分子结构参数与药物清除率之间的关联模型,以预测药物的清除率。方法　计算了已知清除率的100种药物的18个结构参数,并对其进行了主成分分析,获得3个独立结构参数,分别以3个结构参数和18个结构参数作为神经网络的输入,进行了神经网络的建模和预测。结果　采用3个结构参数作为输入参数的神经网络的预测能力明显优于采用18个结构参数的预测能力。结论　所建预测药物清除率的神经网络模型可行,建模时进行药物分子结构参数选择非常必要。     

从分子极性表面积预测β-受体阻断剂的血浆蛋白结合率

目的从分子极性表面积和分子量预测药物的血浆蛋白结合率。方法根据半经验自洽场分子轨道AM1法得到的优化构型用Monte Carlo法计算得到分子量和分子极性表面积。用逐步多元回归分析法建立从药物的分子量、分子极性表面积预测14种β-受体阻断剂的血浆蛋白结合率的数学模型。回归方程采用statistics60软件做逐步多元回归分析得到。结果β-受体阻断剂的血浆蛋白结合率与分子量(MW)、氢键给体表面积(SH)和氢键受体表面积(So,N)具有良好的相关性,回归方程为:fb=1.89-6.50×10-2So.N 6.24×10-4SH2 1.41×10-4MW*So.N(n=13,R=0.8891)。结论β-受体阻断剂的血浆蛋白结合率与分子量和分子极性表面积密切相关。从分子极性表面积预测药物血浆蛋白结合率具有方便快捷的优点,可用于相关的药动学参数的研究。     

荧光猝灭法快速测定芦荟大黄素血浆蛋白结合率的研究

目的:建立荧光猝灭法快速测定芦荟大黄素血浆蛋白结合率的理论和实验方法学。方法:在模拟人体生理条件下,以牛血清白蛋白(BSA)为荧光剂,芦荟大黄素为荧光猝灭剂,研究激发波长280nm下的荧光光谱。结果:芦荟大黄素和BSA的荧光猝灭是静态猝灭过程,其结合常数K30℃=6.024×104 L.mol-1和K37℃=5.104×104 L.mol-1;结合分子数n30℃=0.9776和n37℃=1.0548;相互作用力主要是静电作用;同时建立了预测血浆蛋白结合率的理论模型,并根据实验数据分析了芦荟大黄素浓度与BSA浓度动态变化时药物血浆蛋白结合率的全程规律。结论:不同蛋白质浓度与药物浓度条件下血浆蛋白结合率处于动态变化中,血浆蛋白结合率随药物浓度的增大而减少。     

药物生物利用度遗传神经网络预测研究

目的对药物生物利用度进行遗传神经网络预测。方法将人工神经网络与遗传算法应用于药物生物利用度预测研究，提出了采用遗传算法对人工神经网络进行优化的网络模型建立方法，利用遗传算法对神经网络模型中的权重进行优化,同时运用遗传算法强大的搜寻功能,得到特定条件下模型的最优解。并以药物分子体积(V)、分子折射率(R)、脂水分配系数(lgP_C)、水合能(H)、分子极化度(P)、前线轨道能量E_HOMO和E_HOMO为网络输入参数，以药物的平均生物利用度为网络输出参数，建立了药物生物利用度遗传神经网络预测模型。结果经遗传算法优化的GA-BP神经网络模型对生物利用度的预测精度为95.9%。结论该模型可以用于药物生物利用度预测研究。     

喹诺酮类化合物的定量构动关系

目的应用量子化学和神经网络方法,研究喹诺酮类化合物的的定量构动关系。方法计算了21个喹诺酮类化合物的结构参数,建立了含两个隐含层的反传神经网络定量构动关系模型。输出层为试验获得的喹诺酮类化合物的3个药动学参数Cm ax、AUC和t1/2;输入层为筛选出的喹诺酮类化合物的6个结构参数。结果随机挑选20个化合物作为训练集并进行leave-one-out分析。剩下1个化合物作为预测集,预测结果能够很好地与试验数据相吻合。结论所建立的定量构动关系模型能够有效地分析喹诺酮类化合物的定量构动关系。     

高效液相色谱法测定美林洛尔与人血浆蛋白的结合率

目的建立人标准血浆中美林洛尔(MELE)浓度的测定方法,测定美林洛尔在人标准血浆中的蛋白结合率,并计算相关参数.方法用平衡透析法测定血浆蛋白结合率,用高效液相-荧光检测法测定血浆中药物总浓度及游离药物浓度.结果美林洛尔与人标准血浆的蛋白结合率随药物浓度发生变化约为7.02%～18.75%.MELE与白蛋白结合的表现最大能力βp为0.016μmol·g-1,药物-蛋白复合物的解离常数Kdp为1.734 μmol·L-1,结合常数Kp为1.271 9×103L·mol-1,结合位点n为0.001 6.结论在体外美林洛尔与人标准血浆的蛋白结合率较低,并随着药物浓度的增加结合率下降.     

高效液相色谱法测定间尼索地平不同对映体在血浆中的蛋白结合率

目的:建立间尼索地平不同对映体在大鼠血浆、人血浆和牛血清白蛋白中蛋白结合率的测定方法,并计算不同种属血浆蛋白的相关参数。方法:采用平衡透析法测定蛋白结合率,用高效液相色谱法测定血浆中药物总浓度及游离药物浓度。结果:R-与S-间尼索地平的血浆蛋白结合率分别为:大鼠血浆为(97.4±8.2)%、(93.0±13.4)%;人血浆为(90.8±10.5)%、(89.2±9.9)%;牛血清白蛋白为(95.3±8.7)%、(91.0±5.7)%。最低定量下限为0.01ng。结论:在体外间尼索地平不同对映体与大鼠血浆、人血浆和牛血清白蛋白结合率很高,R-间尼索地平的结合率及蛋白结合药物的表观最大能力βp均较S-间尼索地平高。随着药物血浆浓度升高,R-间尼索地平结合率下降,S-间尼索地平结合率升高,均有一定的浓度依赖性。     

冬凌草甲素在不同种属血浆中蛋白结合率的HPLC法测定

目的:建立冬凌草甲素在大鼠血浆、人血浆和牛血清白蛋白中蛋白结合率的测定方法,并计算不同种属血浆蛋白的相关参数。方法:采用HPLC法测定血浆中药物总浓度及游离药物浓度,应用平衡透析法测定蛋白结合率。结果:大鼠血浆中冬凌草甲素高、中、低3个浓度的血浆蛋白结合率分别为(69.66±12.8)%,(59.62±12.6)%,(57.94±4.1)%;人血浆中冬凌草甲素高、中、低3个浓度的血浆蛋白结合率分别为(78.15±3.6)%,(77.92±8.8)%,(76.72±7.3)%;牛血清白蛋白中冬凌草甲素高、中、低3个浓度的血浆蛋白结合率分别为(35.58±7.2)%,(34.59±10.8)%,(32.03±6.0)%。结论:在体外冬凌草甲素与大鼠血浆、人血浆和牛血清白蛋白属中等结合型药物,且蛋白结合率随着药物血浆浓度的增加无明显的浓度依赖性。     

人工神经网络预测7种药物的毛细管电泳迁移时间

目的建立毛细管电泳迁移时间的人工神经网络的预测方法。方法运用人工神经网络 ,通过毛细管区带电泳 (CZE)的实验电压 (V)和缓冲溶液的离子强度 (I)对维生素B1等 7种药物的迁移时间 (tmig)进行预测 ,网络采用三层结构即输入层 隐含层 输出层 ( 2 4 1型 ) ,权值修正采用误差反向传播算法 ,每种药物的样本数为 5 0 ,以“留一法”预测其迁移时间 ,网络学习次数为 1 0 0 0 0。结果当电压在 6～ 2 6kV以及硼砂溶液的离子强度为 1 0～ 1 0 0mmol/L时 ,网络预测的相对误差绝对值小于 1 2 %的概率占 82 3 %。结论人工神经网络对药物的CZE的迁移时间可准确预测     

用径向基神经网络预测氯丙嗪的稳态血药浓度

目的评价用径向基(RBF)神经网络所建立的预测氯丙嗪稳态血药浓度模型的预测性能。方法将数据分为训练集、校验集和测试集,来建立获取输出变量(37项参数)与输出变量(氯丙嗪稳态血药浓度)两者间关系的RBF网络模型,并评价其预测性能。结果当扩展速度(SP)值为2.8时,所建立的RBF网络模型,预测奋乃静稳态血药浓度的效果和泛化能力较好。结论 RBF网络用于预测氯丙嗪稳态血药浓度是可行的和有效的。     

Modeling the electrophoretic mobility of analytes in binary solvent electrolyte systems in capillary electrophoresis using an artificial neural network

An artificial neural network (ANN) methodology was used to model the electrophoretic mobility of basic analytes in binary solvent electrolyte systems. The electrophoretic mobilities in pure solvent electrolytes, and the volume fractions of the solvents in mixtures were used as input. The electrophoretic mobilities in mixed solvent buffers were employed as the output of the network. The optimized topology of the network was 3-3-1. 32 experimental mobility data sets collected from the literature were employed to test the correlation ability and prediction capability of the proposed method. The mean percentage deviation (MPD) between the experimental and calculated values was used as an accuracy criterion. The MPDs obtained for different numerical analyses varied between 0.21% and 13.74%. The results were also compared with similar calculated mobilities which were derived from the best multiple linear model from the literature. From these results it was found that the ANN methodology is superior to the multiple linear model.     

Determination of partitioning of drug molecules using immobilized liposome chromatography and chemometrics methods

The quantitative structure-property relationship (QSPR) of drug molecules against the immobilized liposome chromatography partitioning (log K(s)) was studied. The genetic algorithm (GA) was employed to select the variables that resulted in the best-fitted models. After the variables were selected, the linear multivariate regressions (e.g. partial least squares (PLS)) as well as the non-linear regressions (e.g. the kernel PLS (KPLS) and Levenberg-Marquardt artificial neural network (L-M ANN)) were utilized to construct the linear and non-linear QSPR models. The correlation coefficient cross validation (Q(2)) and relative error for calibration, prediction and test sets L-M ANN model are (0.987, 0.971, 0.952) and (3.14, 3.54, 6.61), respectively. The obtained results using L-M ANN were compared with those of GA-PLS and GA-KPLS, exhibiting that the L-M ANN model demonstrated a better performance than that of the other models. This is the first research on the QSPR of the drug molecules against the log K(s) using the GA-KPLS and L-M ANN.     

人工神经网络用于中药材雷公藤和昆明山海棠的分类识别研究

应用误差反向传播学习算法(BP算法)对中药材雷公藤和昆明山海棠浸出物的红外光谱进行分类识别。网络为3层结构,输入节点为9个,隐层节点为21个,输出节点为1。分类结果与XIM-CA法基本一致。此外,本文还考察了网络参数间的相互关系。