血脑屏障穿透性预测：BBB 模块

整理自凯美科公众号原文发布 2024-06-14模块介绍血脑屏障

Percepta中的血脑屏障（Blood-Brain Barrier，BBB）穿透性预测模块，为化合物在啮齿动物模型中的穿透潜力提供了一种全面的计算模拟评估。这一模块通过精细预测化合物的渗透特性，有效评估其激活中枢神经系统（CNS）的能力。评估过程依托于对血脑屏障穿透速率和程度的深入定量分析，通过LogPS和LogBB参数来具体表达，这些分析均基于被动扩散机制，从而确保了预测结果的科学性和准确性。

该模块的预测结果不仅是一个高效的初步筛选工具，它还能够帮助研究人员依据化合物的血脑屏障穿透能力进行有效排序。此外，模块还具备模拟功能，允许用户调整化合物的关键物理化学参数，进而预测这些变化对化合物穿透性可能产生的影响。

01　BBB模块

02　功能特点：

提供一个集成的界面，集中展示所有与化合物血脑屏障穿透潜力相关的信息。

将化合物定性分类为中枢神经系统可渗透或不可渗透，并展示以下定量参数值以支持预测：

- 脑渗透率（LogPS）

- 脑穿透程度（LogBB）

- 脑与血浆的平衡率（Log(PS * fu, Brain)）

采用“红绿灯”显示方式，直观地展示预测结果，清晰指出影响所分析化合物大脑传递的关键参数。

允许用户调整化合物的主要物理化学参数(logP、pKa等)，以探索实现所需穿透特性所需的结构变化。

展示散点图，使用户能够将所分析化合物的大脑穿透特性与已知的中枢神经系统药物和外周药物进行比较。

对于可能涉及主动吸收或主动外排机制的化合物，提供载体介导转运的预警提示。

03　软件界面

1、血脑屏障穿透性预测模块自动计算了主要的物理化学描述符，包括脂溶性（logP）、酸碱解离常数（pKa）以及血浆蛋白结合程度。您可以输入实验值来提高预测的准确性，或者输入自定义值来模拟这些属性对感兴趣化合物脑分布的影响。

a. 点击“撤销”按钮，可以将手动输入的属性值恢复为自动计算的值（如图中的血浆中未结合分数和pKa），并重新计算血脑屏障的穿透性。

b. 点击以使用当前指定的参数值重新计算。

2、计算得到的LogPS、LogBB和Log(PS * fu, brain)值参考范围如下：

3、"红绿灯"直观地标示出化合物的BBB穿透性属性：绿色代表有利，黄色代表适中，红色则代表可能影响进入中枢神经系统。这种颜色标注方式帮助快速识别化合物穿透BBB的潜在优势和障碍。

4、点击"更多"按钮，可以切换到LogPS或LogBB模块，以获取特定属性计算的更多信息。这为深入了解化合物的血脑屏障穿透性提供了额外的分析工具。

5、最终的定性评估表明，该化合物是否足够渗透以展现中枢神经系统活性。这是一个关键的结论，指导研究人员判断化合物是否适合作为CNS活性药物。

6、散点图展示了数百种已知的CNS活性（以蓝点表示）和外周作用（以红点表示）的药物分子。图中的绿点代表当前分析的分子。当鼠标悬停在数据点上时，将显示相应化合物的名称、结构，以及预测的大脑/血浆平衡率和平衡时大脑输送程度的值。这种可视化工具为比较化合物的BBB穿透特性提供了直观的参考。

04　技术介绍

以下是对血脑屏障穿透预测模型核心技术的精炼概述。本模型融合了前沿的计算方法和深入的生物物理洞察，旨在精确预测化合物穿越这一精密生物屏障的潜力。若您寻求更为详尽的建模策略和理论支撑，请参考Lanevskij, K.等在《J Pharm Sci. 》2009年第98卷第1期上发表的文章[1]。

计算的定量参数

血脑屏障预测模块通过一系列精细的计算，揭示了化合物穿越这一生物屏障的定量特性，主要包括以下关键参数：

05　主要参数：

脑渗透率（Log PS）。此参数以渗透性-表面积乘积（PS）的形式呈现，依据毛细血管运输的动力学方程定义为PS = -F * (1 - e^(-Kin/F)）。在物理意义上，PS代表了考虑了脑微血管血流速率F后的流入速率常数𝐾inKin的校正值。

脑渗透程度（Log BB）。这一参数通过在稳态条件下组织与血浆中药物总浓度的比值来精确测定，表达式为BB = log(CbrainSS/CbloodSS)‍。

这些参数为药物研究人员提供了定量的方法来评估和预测药物分子穿越血脑屏障的能力，是药物设计和优化过程中不可或缺的工具。通过这些计算，研究人员可以更好地理解药物在大脑中的分布和潜在的治疗效果。

06　补充参数：

脑组织中未结合分数（fu, brain）：衡量药物在中枢神经系统（CNS）中自由分布的关键指标。这一参数揭示了药物分子在脑组织中未与蛋白质或其他分子结合的比例，从而直接影响药物在CNS内的生物利用度和疗效。

脑/血浆平衡率（log(PS * fu, brain)）：渗透率（PS）与脑组织中未结合分数（fu, brain）的综合体现。这个参数反映了药物在大脑和血浆之间达到平衡状态的速率。

在独立评估单一参数时，脑组织中未结合分数（fu, brain）相较于Log BB，能更深入地洞察药物在中枢神经系统（CNS）中的分布情况。这是因为fu, brain直接反映了脑组织内药物的结合亲和力及其自由（药理活性）水平，而Log BB则体现了药物与脑组织脂质和血浆蛋白结合的综合效果。

尽管如此，为了全面评估化合物穿透血脑屏障并在大脑中实现药理活性的能力，我们必须同时考量平衡分布比率（Log BB）与达到这一平衡状态的速率。根据Liu X.等研究者在2005年发表于《J Pharmacol Exp Ther. 》杂志的文章[2]，这一速率可以用log⁡(PS×fu, brain)log(PS * fu, brain)来定义。这些补充参数的评估对于深入理解药物在CNS中的动态行为极为关键，它们助力研究人员判断药物是否有潜力在大脑中累积至治疗所需的浓度，并发挥其预期的药理效果。

建模方法和使用的描述符

预测Log PS和Log BB常数的模型是使用非线性最小二乘回归构建的。非线性拟合是必要的，以考虑以下分析过程的方面：

区分扩散限制和脑血流限制的渗透性（LogPS）。

双线性渗透性 - LogP依赖性：渗透性随LogP增加直至达到某个最优点，随后由于在膜中的疏水性滞留而减少（LogPS）。

离子化特异性分配：电解质在磷脂双层和血浆之间（LogPS）或脑组织脂质和间质液之间（LogBB）的分配。

在两种情况下，拟合是在多步骤方法中进行的：第一阶段涉及确定描述中性分子在膜/血浆中的分配参数，而在第二阶段，这些值被固定，并获得电解质特异性的被动运输参数。

用于建模的描述符包括关键的物理化学属性 ——辛醇/水LogP作为亲脂性的决定因素，从各自的pKa值计算的离子形式分数，分子中的氢键供体和受体数量，以及反映分子大小的McGowan特征体积。所有物理化学属性值都是使用Algorithm Builder 1.8计算的。

预测准确性

在开发Log PS和Log BB预测模型之前，每个数据集都预留了一部分用于验证目的，并未用于模型构建（内部验证集）。此外，从最近的出版物中提取了两个独立的数据集，这些数据集代表了另一种类型的实验数据（直接测量的fu, brain值），它们分别是Kalvass J. C.等在《Drug Metab Dispos.》2007年第35卷第4期上的发表的研究[3]，以及Summerfield S. G.等在《Xenobiotica》2008年第38卷第12期上的发表的研究[4]。这些数据集被用作外部验证集，以确认所获得模型的内在正确性。

模型在各种验证集上的性能如下表所示：

统计参数显示，模型对于内部和外部测试集都具有很好的预测能力，其中均方根误差（RMSE）接近实验测定的误差范围。

所提出的分类方案通过实验确定的中枢神经系统（CNS）活性类别进行了验证，使用了Adenot M.和Lahana R.在《J Chem Inf Comput Sci. 》2004年第44卷第1期上发表的研究中的1500多种化合物[5]。在移除了受P-gp外排转运体影响的化合物后，我们的模型正确分类了剩余分子的92%，如下所示的图表：

根据预测的Log BB值和大脑/血浆平衡率，对药物进行是否具有中枢神经系统（CNS）活性的分类

药物分子转运机制的考量

血脑屏障（BBB）模块内的预测模型专注于分析化合物通过血脑屏障的被动运输机制。为透彻阐释被动扩散过程的物理化学原理，我们在开发LogPS和LogBB模型时，对数据进行了细致的筛选，排除了那些可能受酶促外排或内流影响的数据点。针对可能涉及这些过程的化合物，相关子模块会发出特别警告，提示观察到的参数值可能因载体介导的运输机制（例如，促进扩散或P-糖蛋白外排）而偏离预测值。软件考虑的内流转运体包括：

• 氨基酸运输系统（A、L、y+、x-）
• 葡萄糖载体GLUT1
• 有机阳离子/肉碱转运蛋白（OCTN）
• 有机阴离子转运多肽（OATP）

针对核苷酸和其他内源性物质的各种其他特定载体。

这些运输机制的考虑对于准确预测药物分子的血脑屏障穿透性至关重要，因为它们可能会显著影响药物在大脑中的分布和活性。通过识别和排除这些因素的干扰，可以提高模型预测被动扩散的准确性。