下载掌阅APP，畅读海量书库
立即打开
根据药物分子及其API固体形态的性质，口服药物的吸收可进行更详细的分类：
药物可分为不可解离型药物和可解离型药物两种。可解离型药物进一步分为酸、碱，或两性化合物。酸、碱以及两性化合物的API固体形态可进一步分为游离型和盐型（如碱性药物成HCl盐）。渗透性限速情况下的吸收PL情况下，固体形态的差异不会影响药物的口服吸收。但是，溶出速率限速情况下的吸收DRL和溶解度和渗透性共同限速情况下的吸收SL情况下，药物的固体形态会显著影响药物的口服吸收。
对于不可解离型药物和游离型酸性药物，胃的pH值变化对于药物的溶解度和溶出速率的作用可忽略不计；因此，这两种化合物的生物药剂学模型是最简单的，主要的论述请参见第8章。
游离型碱性药物在低pH值环境的胃中比高pH值的小肠中的溶出速率大。但随着胃内容物进入小肠，pH被中和，药物的溶解度降低。在胃中因溶出变成小颗粒的游离碱颗粒，到了小肠后，重新变大（溶出的药物分子重新聚集到游离碱颗粒的固体表面）。相对于盐型药物，游离碱的生物药剂学建模比较简单，主要的论述请参见第8章。
对于盐型药物，口服吸收过程要复杂得多。盐型的药物通常在胃肠液中迅速溶出。然而，一旦盐型药物浓度达到过饱和溶解度的临界点，游离型药物就会在胃肠道中沉淀析出固体。因此在生物药剂学建模时，必须考虑成核现象。但目前尚不清楚药物分子在胃肠道环境下是如何成核的，因此还无法通过体外数据定量地预测胃肠道过饱和的程度和持续时间。同样，共晶、无定型、过饱和制剂处方也不能从体外数据预测。因此，为了提高未来生物药剂学建模的质量，该领域需要进行大量的研究。
本书的目标在于阐述机制性模型方法学。为使计算机模拟的质量更优，药物整个的吸收过程必须分解至分子水平进行机制研究。将理论方程式连接药物整个吸收过程：从分子水平机制研究到人的血浆药物浓度和时间的曲线关系（可通过药代动力学-药效学（PK/PD）建模进一步与药理学作用相联系）。本书描述药物口服吸收过程的理论方程整个连接网络为胃肠道理统一论GUT（gastrointestinal unified theoretical）框架。如上所述，口服药物的吸收主要由四个过程构成：溶出、渗透、成核和胃肠道转运，每个过程都被进一步分解到分子水平机制再进行研究。理想情况下，口服药物的吸收所有过程都应该用机制性数学方程进行描述，且这些数学方程在分子水平是具有生理学意义的。因此，GUT框架采用“分解”-“整合”的逻辑学来进行研究，这种方法已被系统生物学和生理药代动力学模型-PBPK模型（physiologically based pharmacokinetic modeling）所使用。
多元经验统计模型（例如人工神经网络）是另一种建模的方法。输入多个药物参数，采用线性或非线性经验方程连接最终的输出值。目前，这种方法已经被大量地应用于预测药物口服吸收的研究。然而，除非无法避免，否则GUT框架是不追求/采用这种方法的（采用的是黑箱子，而不是机制性模型）。
从伽利略时代开始，“解析”方法学（分解成简单部分）在科学发展的长河中就是传统的方法了，并已经取得难以置信的成功。这种方法能够揭示天文学、物理学、化学、生物学的诸多奥秘。然而，理解分解后的每部分，并不意味着能清楚每一部分之间的关系及其在整体中所起的作用。例如，即使清楚大脑中酶水平的活性，也不能充分（但必要）地了解大脑的工作原理。随着计算机辅助的发展，“整合”方法使之变得可行，有了整合方法，我们可以理解主要过程之间的关系，并模拟出总的效果。在系统生物计算学中，用机制性数学模型描述酶反应及其对表型的作用之间的关系。通过这种方法，我们将能够对疾病状态进行建模并找到治愈病人的线索。本书中，将采用与系统生物学同样的方法。然而，除了生物学过程，在生物药剂学建模过程中还必须考虑药物本身的特性和制剂处方。通过机制性建模，我们能够通过设计药物分子结构、API的形态、制剂处方来控制药物在体内的生物疗效。
机制性生物药剂学建模由理论模型方程、生理学参数、药物参数组成（图1.6）。所有这些因素都将显著地影响生物药剂学建模的质量。生理学参数和药物参数的误差通常被认为小于机制性模型方程的误差。然而，这种想法是错误的，文献中的生理学数据存在很大的变异，同时还有一些生理学参数尚无法获得。此外，如实验操作不当，获得的药物参数也可能存在较大的误差（变异）。例如在测量溶解度试验中，低溶解度药物的实验数据的变异通常会超过两倍。因此，除了理论模型外，第6章和第7章还将详细讨论生理学参数和药物参数。
构建GUT框架的第一步是统一溶解药物浓度C dissolv ，第二章中将详细介绍溶解的药物浓度的定义。
图1.6 生理学、药物参数和理论方程
1.Yu, L.X. (1999). An integrated model for determining causes of poor oral drug absorption. Pharm. Res ., 16, 1883–1887.
2.Sugano, K., Okazaki, A., Sugimoto, S., Tavornvipas, S., Omura, A., Mano, T. (2007).Solubility and dissolution profile assessment in drug discovery. Drug Metab. Pharmacokinet .,22, 225–254.
3.Sugano, K., Kataoka, M., Mathews, C.d.C., Yamashita, S. (2010). Prediction of food effect by bile micelles on oral drug absorption considering free fraction in intestinal fluid. Eur. J.Pharm. Sci ., 40, 118–124.
4.Sugano, K. (2011). Fraction of a dose absorbed estimation for structurally diverse low solubility compounds. Int. J. Pharm ., 405, 79–89.
5.Johnson, K.C. (2003). Dissolution and absorption modeling: model expansion to simulate the effects of precipitation, water absorption, longitudinally changing intestinal permeability, and controlled release on drug absorption. Drug Dev. Ind. Pharm ., 29, 833–842.
6.Sugano, K. Computational oral absorption simulation of free base drugs. (2010). Int. J.Pharm ., 398(1–2), 73–82.
7.Sugano, K. (2009). Introduction to computational oral absorption simulation. Expert Opin.Drug Metab. Toxicol ., 5, 259–293.
8.Wessel, M.D., Jurs, P.C., Tolan, J.W., Muskal, S.M. (1998). Prediction of human intestinal absorption of drug compounds from molecular structure. J. Chem. Inf. Comput. Sci ., 38, 726–735.
9.Turner, J.V., Maddalena, D.J., Agatonovic-Kustrin, S. (2004). Bioavailability prediction based on molecular structure for a diverse series of drugs. Pharm. Res ., 21, 68–82.
10.Klopman, G., Stefan, L.R., Saiakhov, R.D. (2002). ADME evaluation. 2. A computer model for the prediction of intestinal absorption in humans. Eur. J. Pharm. Sci ., 17, 253–263.
11.Tian, S., Li, Y., Wang, J., Zhang, J., Hou, T. (2011). ADME evaluation in drug discovery.
12.Prediction of oral bioavailability in humans based on molecular properties and structural fingerprints. Mol. Pharm ., 8, 841–851.