Weryfikacja dostępnych modeli predykcyjnych stosowanych do szacowania klirensu nerkowego

Celem niniejszego badania było zidentyfikowanie, zweryfikowanie i ocena modeli predykcyjnych służących do szacowania klirensu nerkowego (CLr). Skupiono się na metodach QSAR (ang. Quantitative Structure-Activity Relationship). Wybrano dwa modele regresji, DruMAP i QSPKR, oraz jeden model klasyfikacyjny, Pharmacokinetic Profiler. Dodatkowo opracowano model QSAR oparty na wielokrotnej regresji liniowej, wykorzystujący wybrane właściwości fizykochemiczne związków oraz wartość 𝑓𝑢 × 𝐺𝐹𝑅. Stworzono bazę danych zawierającą wartości klirensu nerkowego dla 202 leków w celu weryfikacji modeli. Dla modeli regresji obliczono współczynnik determinacji R², pierwiastek błędu średniokwadratowego (RMSE) oraz odsetek związków mieszczących się w zakresach błędu 2- i 3-krotnego. Sporządzono wykresy logarytmiczne obserwowanych vs. przewidywanych wartości CLr oraz wykresy resztkowe w celu identyfikacji błędów modeli. Dla modelu klasyfikacyjnego porównano liczbę poprawnie i niepoprawnie sklasyfikowanych związków.Spośród zweryfikowanych modeli, DruMAP dostarczył najdokładniejsze przewidywania klirensu nerkowego, z 69,4% przewidywanych wartości mieszczących się w zakresie błędu 3-krotnego. Model ten wykazał zrównoważoną skuteczność z niewielką tendencją do zaniżania wartości. Model QSPKR wykazał znaczne przeszacowanie CLr, podczas gdy nowo opracowany model QSAR osiągnął ogólną dokładność na poziomie 64% w zakresie błędu 3-krotnego, jednak miał trudności z przewidywaniem niższych wartości CLr. Model Pharmacokinetic Profiler uzyskał słabe wyniki, poprawnie kategoryzując jedynie 4,4% wszystkich związków obecnych w zestawie danych. Wydajność zidentyfikowanych modeli nie była optymalna, co wskazuje na potrzebę znalezienia lepszych metod predykcji klirensu nerkowego. Przyszłe badania powinny koncentrować się na poprawie dokładności oraz identyfikacji odpowiednich deskryptorów chemicznych, które mogłyby zostać włączone do modeli predykcyjnych.

This study aimed to identify, verify, and evaluate predictive models for estimating renal clearance (CLr). Focus was placed on QSAR methods (Quantitative Structure-Activity Relationship models). Two regression models, DruMAP and QSPKR, and one classification model, Pharmacokinetic Profiler, were chosen. Additionally, a multiple linear regression QSAR model was developed using selected physical and chemical properties of the compounds along with the 𝑓𝑢 × 𝐺𝐹𝑅 value. A dataset comprising renal clearance values for 202 drugs was compiled to allow for verification of the models. For regression models, R2, RMSE, and the percentage of compounds within 2- and 3-fold error ranges were calculated. Logarithmic graphs of observed vs. predicted CLr and residual plots were prepared to identify model biases. For the classification model, the number of correctly and incorrectly classified compounds was compared.Among the verified models, DruMAP provided the most accurate renal clearance predictions, with 69.4% of the predicted values falling within the 3-fold error range. This model showed a balanced performance with minimal underestimation. The QSPKR model showed a significant overestimation of CLr, while the newly developed QSAR model achieved an overall 64% accuracy within the 3-fold error range but struggled to predict lower CLr values. The Pharmacokinetic Profiler performed poorly, correctly categorizing only 4.4% of all compounds present in the dataset. The performance of the identified models was not optimal, indicating a need for better QSAR prediction methods. Future research should focus on improving theaccuracy and identifying suitable chemical descriptors that could be incorporated to the predictive models.