基于人工神经网络的索拉菲尼肾部位浓度预测方法
【技术领域】
[0001] 本发明涉及生物药剂学与药代动力学领域，特别涉及利用人工神经网络技术由血 液药物及其代谢物数据预测其肾组织药物浓度的新方法。
【背景技术】
[0002] 对大部分药物制剂而言，药物给药吸收后，通过血液循环将药物输送到体内各组 织，药物在组织中的分布量与药物的扩散速度或组织器官的血液灌流速度成正比，因此， 可以通过血药浓度与时间关系（药代动力学模型）的方法来刻画药物体内的吸收、分布、代 谢和排泄(ADME)等过程。通常，研究药物体内过程所用的代谢动力学，常用的指标是血药 浓度。然而，药物自身的性质如脂溶性、相对分子质量、化学结构和剂型等；机体因素如人种 统计学因素（性别、年龄、体重和种族等）、蛋白结合率、生理/病理状态等都可能会对药 物的分布产生影响，最终影响药物在靶部位的药理或毒性效应。因此，如果可以实时测定药 效靶组织的药物浓度并构建药效部位药物的药代动力学模型，则可以有效的保证药物的治 疗效果和预防药物毒副作用。
[0003] 然而，确定药物在靶部位的含量(或药物分布）常用的方法是动物给药后，在不同 的时间间隔内（比如〇，1，3, 5, 7,9和12小时或天)杀死动物(至少3只），收集相应的组织，然 后测定该组织中的药物含量。这种方法至少有2点缺陷，一是由于动物个体差异比较大(特 别是病理情况下)，不同时间点的靶位药物含量数据来自于不同动物，数据的规律性可能被 动物的个体差异掩盖。因此，由不同动物获得药效部位药物含量所绘的药物-时间曲线很 难真实反应药效靶组织药物在同一个体的变化规律；二是该方法无法用于人体研究。鉴于 此，如何实现动态、连续在同一个体获得药物在药效部的药物含量是构建药效部位药物的 药代动力学模型的主要技术"瓶颈"。
[0004] 人工神经网络（ANN)起源于本世纪40年代，是在人类对其大脑神经网络认识理 解的基础上人工构造的能够实现某种功能的神经网络，是理论化的人脑神经网络的数学 模型。传统的药代动力学研究都是依赖于模型进行的，即按各种已知模型对获得的药动 学数据进行处理，再根据得到的结果反过来对模型进行校正，这需要做大量的工作。ANN 的优点是不需事先假定一个特定的模型，而只需从提供给它们的数据中，学习建立输入与 输出的关系，从而极大地简化了传统药动学数据分析所需的建模工作。人们对ANN在药代 动力学领域中的应用，进行了不懈的研究与实践，广泛用于血药浓度预测、药动学参数预 测、体内体外相关关系研究、药代动力学-药效动力学统一模型研究等。
[0005] 索拉菲尼（sorafenib)，是Bayer和Onxy公司共同研制的，已经成为晚期肾癌 一线标准治疗药物，该药于2006年11月在中国上市。通过抑制细胞内多种丝/苏氨酸激 酶和酪氨酸激酶(如B-Raf和VEGFR等)的活性，索拉菲尼能抑制肿瘤细胞生长和血管生成。 目前，已上市的索拉菲尼制剂为片剂，通用名为甲苯磺酸索拉菲尼片，该制剂是一种红色、 薄膜衣片剂。虽然该药对大部分患者来说具有较高的耐受性，但仍然有部分患者显示出剂 量依赖性副作用如腹泻、食欲不振和手足皮肤反应等。因此，构建索拉菲尼肾组织药物的药 代动力学模型，对其治疗效果和毒副作用的预防有重要作用。
[0006] 本发明提供了基于人工神经网络的索拉菲尼肾部位浓度预测方法，实现了在同一 个体中获得肾靶位的药物浓度-时间曲线，为药物药效/毒性、制剂评价等提供参考。
【发明内容】
[0007] 为实现动态、连续在同一个体获得药物在药效部的药物含量，本发明提供了一种 基于人工神经网络的索拉菲尼肾部位浓度预测方法，以ANN技术为手段，以给药后血液中 索拉菲尼浓度及时间为输入参数，建立可扩充实验数据且对可预测肾中索拉菲尼浓度的数 据模型，获得肾靶位的药物浓度-时间曲线图。
[0008] 为实现上述目的，本发明采取以下技术方案： 一种基于人工神经网络的大鼠口服索拉菲尼混悬剂后肾组织药物浓度的预测方法，其 特征在于步骤如下： (1) 正常大鼠，分别灌胃索拉菲尼混悬液； (2) 口服给药后一定的时间间隔内小时分别处死大鼠若干只，取其肾组织、收集血液样 品； (3)利用高效液相色谱方法分别测定肾组织和血液中索拉菲尼的浓度； (4)利用随机选择的方法，在总样品中确定人工神经网络的训练样本(总样品的 80-90%)和预测样本(总样品的10-20%); (5)分别以血液中索拉菲尼浓度、给药时间及其组合为输入参数，相对应的肾索拉菲尼 浓度为输出参数，以预测的准确度为评价指标，优化神经网络参数； (6) 用选择的最优的人工神经网络参数建立人工神经网络模型（即ANN模型)，预测同一 个体给药后肾部位的索拉菲尼浓度，绘制肾组织药物浓度-时间曲线。
[0009] 本发明中先由动物血液中的索拉菲尼及给药时间为参数与其肾中药物浓度进行 模型训练，建立ANN模型。该模型稳定、预测准确度高且实验数据可不断扩充。另外，由于 血液中的药物浓度数据和肾中药物浓度数据来源于同一个动物，因此，可以在个体给药后 不同时间点由血液索拉菲尼浓度数据信息预测其相应时间点肾药效部位的药物浓度，实现 在同一个体中获得肾靶位的药物浓度-时间曲线，为药物药效/毒性、制剂评价等提供参考 本发明具有的优点：ANN模型稳定、预测准确度高且实验数据可不断扩充，可根据数据 的变化随时建立模型。另外，由于血液中的药物浓度数据和肾中药物浓度数据来源于同一 个动物而建立的神经网络模型，利用此模型预测，只要输入的参数来自同一动物不同时间 点，就能方便的预测其肾部位药物含量，实现动态、连续在同一个体获得药物在药效部的药 物含量，获得药效部位的药物浓度-时间曲线，为药物药效/毒性、制剂评价等提供参考。
【附图说明】
[0010] 图1是本发明的流程图。
[0011] 图2.大鼠血液HPLC-υν色谱图；（a)空白血液(给药前）；（b)空白血液加索拉 菲尼，索拉菲尼氧化物（0-SF)和内标（IS); (c)大鼠给给予索拉菲尼血液色谱图。
[0012] 图3.肾中索拉菲尼含量预测值与测定值相关性.A线性方法，B:ELMAN方法. 图4.Elman神经网络基本结构图。
[0013] 图5.大鼠口服索拉菲尼后血、肾组织药物浓度-时间曲线。
【具体实施方式】
[0014] 本发明的基于人工神经网络的大鼠口服索拉菲尼混悬剂后肾组织药物浓度的预 测方法流程如图1所示。
[0015] 给药动物血液及肾组织收集 大鼠口服给予索拉菲尼混悬液后一定时间间隔内分别处死大鼠3只，取其肾组织、收 集血液样品。
[0016] 肾组织和血液中索拉菲尼的浓度测定 利用高效液相色谱方法测定，条件如下：以C18硅胶柱为分析色谱柱，60%乙腈为流 动相等度洗脱，柱温为40°C，流速：1.0ml/min，DAD检测器扫描波长为200~300nm，定量 检测波长为265nm，该条件下索拉菲尼能和杂质有效分离。方法学验证表明可以用于肾组 织和血液中索拉菲尼的定量。
[0017]ANN模型的建立 以给药后血液中索拉菲尼浓度及时间为输入参数，肾中索拉菲尼浓度的数据为输出参 数，为消除样品取样的差异，随机取样2000次以上，分为训练样本（90%)和预测样本（10%) 建立ANN模型，即任何一个模型都对不同的样品组合计算2000