Informace

Proč se v křivkách reakce na dávku léku používají semilogové grafy?


Proč jsou křivky odezvy dávky, stejně jako většina biologických grafů, zobrazeny v semilogových grafech a ne v normálních grafech? Jaká je výhoda semilogových grafů oproti běžným grafům? Stále jsem nedostal intuitivní smysl pro odpověď, může někdo vysvětlit, třeba s diagramem?


Důvodem je snazší určení vhodné dávky z grafu. Za normálních okolností je aritmetická stupnice křivky odezvy hyperbolická a většina informací je pohromadě v malé části grafu. Použitím protokolu se funkce obvykle stává poněkud sigmoidní, s relativně lineárním úsekem při přechodu z nízké a vysoké odezvy. To znamená, že tuto dynamiku v této části lze studovat pečlivěji.

Viz např. tento příklad (s daty z https://www.idbs.com/media/396649/dose-response-comparison-example-hr.jpg ">

Zde je zřejmé, že normální měřítko nedává žádnou možnost interpretovat oblast, kde je dávka účinná, zatímco to je zřejmé v logovém grafu.

Statistické modelování těchto dat je do určité míry samostatným problémem, kde se k analýze dat často používají probitový model nebo logitové modely spolu s transformacemi dat. Všimněte si také, že „užitečnost“ semilogového grafu spočívá pouze ve vizuální prezentaci a to, zda něco přidá, závisí na sérii dávek použitých v experimentu. Pokud použité dávky nejsou exponenciální (jako v tomto příkladu), semilog-plot moc nepřidá. Při statistickém testu účinku log dávka také obvykle není důležitá a domnívám se (jako někdo, kdo nepracuje ve farmakologii), že semilogový graf je do určité míry historickým artefaktem z doby před počítačovou analýzou výsledků, pokud je to vhodné dávka byla stanovena manuálnějším způsobem (např. lineární analýza střední části semilogového grafu).

Příklad dat:

odpověď dávky (konc.) 0,00001 0,993 0,0001 1,02 0,001 3,12 0,01 6,36 0,1 31,97 1 51,2 10 75,96 100 89 1000 97,932 10000 98,8

Proč se v křivkách reakce na dávku léku používají semilogové grafy? - Biologie

Tato kapitola souvisí s jedním z cílů oddílu C (i) z primární osnovy CICM 2017, který očekává, že uchazeč o zkoušku "definovat a vysvětlit vztah mezi dávkou a účinkem léčiv, včetně křivek závislosti na dávce s odkazem na. účinnost a účinnost."". Jedná se o poměrně zásadní pojmy ve farmakodynamice, a proto je o to záhadnější, že se tyto problémy při zkouškách části CICM části I nikdy neobjevily, zejména s ohledem na to, jak jsou grafici rádi zkoušejícími a jak dobře se toto téma hodí do tabulky viva vyšetření.

Protože v Birkett (2009) to není vysvětleno, první priorita revize tohoto tématu spadá na „Základní a klinickou farmakologii“ Katzung et al. 14. (elektronické) vydání v kapitole 2 (Lékové receptory a farmakodynamika zesilovačů, Mark von Zastrow) obsahuje část nazvanou „Vztah mezi dávkou léku a klinickou odpovědí amp“. Kromě porušení pravidel odpovědného používání ampersandu je tato část uspokojivá pro účely přípravy na zkoušku. Jeho obsah je použit pro níže uvedené definice. Zlatým standardem pro všechny farmakologické definice mimo kontext zkoušky je Mezinárodní unie pro farmakologii Výbor pro nomenklaturu receptorů a klasifikaci léčiv (Neubig et al, 2003) a je odkazován všude tam, kde oficiální vysokoškolské učebnice nejsou dostatečné.

  • Potence je koncentrace (EC50) nebo dávka (ED50) léčiva potřebného k vytvoření 50% maximálního účinku tohoto léčiva.
  • Účinnost (Emax) je maximální účinek, který lze od tohoto léku očekávat (tj. když je dosaženo této velikosti účinku, zvýšení dávky nevyvolá větší velikost účinku)
  • Vnitřní aktivita je maximální účinnost léčiva jako zlomek maximální účinnosti produkovaný plným agonistou stejného typu působícím přes stejné receptory za stejných podmínek

Farmakokinetika a toxikokinetika

Více než jeden termín svazku: PROTIC, PROTIss, a PROTIβ

Po IV injekci mohou mít plazmatické koncentrace v závislosti na čase různé tvary. Nejjednodušší IV profil je charakterizován poklesem koncentrace, který je monofázický na semilogaritovém grafu, jak je znázorněno na obr. 4.6A, a to znamená, že sloučenina je primárně umístěna v centrálním kompartmentu, např. V krvi, plazmě, séru, nebo dobře prokrvené orgány jako játra a ledviny [15]. Tento model se často nazývá jednokomorový model a je koncepčně podobný ilustracím na obr. 4.1–4.3 a 4.5. Pokud je profil charakterizován poklesem koncentrace, který se zdá být dvoufázový nebo bi-exponenciální, jak je znázorněno na obr. 4.6B, pak je pravděpodobné, že se sloučenina distribuuje mezi centrální a periferní kompartment (y) (viz obr. 4.7 ). V tomto bodě by měl být čtenář upozorněn, že je také možné, aby se sloučenina distribuovala do periferního kompartmentu, jak je znázorněno na obr. 4.7, ale měla profil plazmatické koncentrace, který je podobný obr. 4.6A. V tomto druhém případě je distribuční rychlost velmi rychlá, takže vícekompartmentový systém vypadá jako jediné oddělení v plazmatické koncentraci versus časový profil.

Obrázek 4.6. Polologární grafy plazmatických koncentrací v závislosti na čase po IV bolusovém podání sloučeniny: koncentrace klesají buď v monoexponenciálním/monofázickém (A) nebo multiexponenciálním/dvoufázovém (B) poklesu. Profil PK znázorněný na panelu (A) je v souladu s distribucí léčiva do jednoho oddělení podobným tomu, který je znázorněn na obr. 4.2. Na panelu (B) je profil PK v souladu s vazbou na tkáň a léčivem distribuovaným ve více než jednom oddělení (viz také obr. 4.7). Zvláštní poznámka: koncentrace léčiva v plazmě se obvykle vykresluje na polologovém grafu, tj X-osa je lineární a y-osa je logaritmická. Typicky existují dvě možnosti pro měřítko založené na protokolu, buď přirozený protokol (ln), nebo běžnější protokol se základnou 10 (protokol10). Obecně se po IV dávce předpokládá, že plazmatické koncentrace klesají, jak je popsáno v monoexponenciální rovnici (Cp(t) = A·Eα·t ) nebo pomocí multiexponenciální rovnice. V konkrétním příkladu znázorněném na panelu (B) se jedná o bi-exponenciální pokles (Cp(t) = A·Eα·t + B·Eβ·t ). Sklony se vypočítají odečtením ln nebo log10 buď rovnice. Konkrétně pro panel (A) by transformovaná rovnice měla být lnCp(t) = lnCp(0) − α·tnebo log 10 C p (t) = log 10 C p (0) - α 2,303 · t. Sklon dat transformovaných do protokolu je tedy buď -α nebo -α/2.303 podle toho, který logaritmus je použit. V panelu (B) je analogický sklon buď -β nebo -β/2,303. V rov. (4,20), poločas se vypočítá z λz, který se rovná buď α nebo β v závislosti na profilu koncentrace léčiva.

Obrázek 4.7. Kádinka s distribucí vody a směsi do druhého oddílu, představující systém se dvěma oddíly. Pokud je do tohoto systému zahrnuto čerpadlo a filtr, jak je uvedeno výše, pak se výsledný pokles koncentrace sloučeniny může jevit jako dvoufázový nebo bi-exponenciální, jak je vidět na obr. 4.6B.

V mnoha případech, kdy je profil PK prezentován jako dvoufázový diagram (obr. 4.6B), je třeba vzít v úvahu tři samostatné svazky a tyto objemy jsou funkcí času, jak je uvedeno v rovnici. (4.8). Prvním je objem centrálního oddílu (PROTIC). Bezprostředně po IV injekci se sloučenina distribuuje do plazmy nebo analogicky do první kádinky (viz obr. 4.7). Následující rovnice ukazuje, že objem centrálního kompartmentu lze vypočítat z celkové dávky dělené koncentrací v kádince (nebo plazmě) v čase 0, např. C(0):

Aby byla tato rovnice použitelná, musí být splněno několik předpokladů. Za prvé, léčivo se musí okamžitě distribuovat v plazmě a vysoce prokrvené tkáni (tkáních), které tvoří centrální oddělení. Za druhé se předpokládá, že se velmi málo léčiva distribuovalo do periferních kompartmentů nebo tkáně (obr. 4.7, nahoře). V praxi člověk nikdy skutečně nedosáhne nulové plazmatické koncentrace [Cp(0)], protože je logisticky obtížné vstříknout a odebrat vzorek krve současně, a i kdyby to bylo možné, byla by otázka, zda došlo k úplnému promíchání. Jako následek, Cp(0) se odhaduje zpětnou extrapolací z prvních několika časových bodů koncentrace plazmy na y-osa (viz obr. 4.8). Z injekčního množství a odhadované hodnoty Cp(0), hodnota PROTIC lze vypočítat. Obvykle, PROTIC je podobný objemu plazmy a nemůže být reálně menší. Pokud počáteční PROTIC odhady jsou menší, pak je třeba vzít v úvahu faktory, jako je chyba dávkování.

Obrázek 4.8. Semi-log graf plazmatických koncentračních dat během prvních 2,5 minut po IV bolusovém podání sloučeniny. Počáteční koncentrace v čase 0 se vypočítá zpětnou extrapolací z regresní přímky přizpůsobené prvním několika koncentracím. Mnoho komerčně dostupných softwarových programů používá první dva body pouze pro zadní extrapolaci.

Jakmile je sloučenina zavedena do centrálního kompartmentu, začne se distribuovat do periferních tkání. To samozřejmě znamená, že plazmatická koncentrace klesá a z rov. (4.8) objem se tedy s časem zvyšuje, jak ukazuje obr. 4.9. V určitém časovém okamžiku je rychlost „ven“ centrálního oddílu stejná jako rychlost „dovnitř“, a když k tomu dojde, systém dosáhl ustáleného stavu. V tomto okamžiku je objem považován za distribuční objem v ustáleném stavu (PROTIss). Teoreticky kdy PROTIss bylo dosaženo nejvyšší koncentrace v periferní tkáni. Pokud jsou provedena další měření objemu, následně po dosažení PROTIss, pak bude pozorováno, že zdánlivý objem stále roste, dokud není pozorována plató (viz obr. 4.9). Jakmile je dosaženo objemové plató, zůstává poměr mezi množstvím léčiva v periferní tkáni a množstvím v centrálním kompartmentu konstantní. Když je tato podmínka splněna, zavolá se zdánlivý distribuční objem PROTIβ nebo PROTIz. PROTIz, což lze odhadnout z následujícího:

Obrázek 4.9. Změny v distribuci sloučenin v modelu s dvěma oddíly. Krátce po IV bolusovém podání sloučeniny PROTI(t) je ekvivalentní PROTIC nebo objem centrálního oddílu. Když jsou rychlosti dovnitř a ven z centrálního oddílu stejné, tj. Bylo dosaženo distribuční rovnováhy mezi centrálním a periferním oddílem, pak pozorovaná PROTI(t) se rovná distribučnímu objemu v ustáleném stavu (PROTIss). Po dostatečné době zůstává poměr sloučeniny v centrálním a periferním kompartmentu (s) konstantní, v takovém případě bylo dosaženo rovnováhy pseudo-distribuce a pozorovaná PROTI(t) je rovný PROTIz.

kde λz je rychlostní konstanta eliminace prvního řádu a lze ji vypočítat ze sklonu terminální fáze křivky koncentrace IV v plazmě v závislosti na čase (viz obr. 4.6).


4. Jak se reakce mění s časem po jedné dávce drogy?

Po jednorázové dávce koncentrace léčiva exponenciálně klesá s časem - logaritmus koncentrace léčiva je lineární s časem (viz obr. 2 a článek 3 „Poločas rozpadu“ Aust Prescr 198811: 57-9). Z obr. 1B je vidět, že logaritmus koncentrace léčiva je také lineární s odezvou v rozmezí maximální odpovědi 20-80%. V tomto rozsahu tedy odezva klesá lineárně s časem (obr. 2). Pokud je dávka léčiva dostatečně velká na to, aby vytvořila koncentraci, která způsobuje maximální odezvu, reakce se bude měnit jen velmi málo, dokud koncentrace léčiva neklesne na hodnotu produkující přibližně 80% maximální odezvy (obr. 2). Trvání účinku lze prodloužit zvýšením dávky, ale existuje riziko vzniku více nežádoucích účinků, pokud lék nemá velký terapeutický index. Beta blokátory se obvykle podávají jednou nebo dvakrát denně, přestože mají krátký poločas eliminace. To je přinejmenším částečně proto, že mají velký terapeutický index a použité dávky jsou dostatečně velké, aby produkovaly maximální účinek po významnou část intervalu mezi dávkami.

Vztah koncentrace léčiva a účinku je popsán stejnou funkcí jako vztah koncentrace enzymu rychlost-substrát. E je účinek při koncentraci léčiva C, Emax je maximální účinek při vysokých koncentracích léčiva, když jsou všechny receptory obsazeny léčivem, a EC50 je koncentrace léčiva pro dosažení polovičního maximálního účinku. Toto je nejjednodušší forma vztahu koncentrace a účinku a někdy jsou k vysvětlení pozorovaných účinků zapotřebí složitější výrazy.

Při vykreslení na semilogaritmickém grafu se křivka z obr. 1A stane sigmoidálním tvarem, ale je přibližně lineární mezi 20% a 80% maximálního účinku, což je rozmezí běžně pozorované u léčiv používaných v terapeutických dávkách.

Časový průběh koncentrace léčiva a reakce po jedné dávce. Koncentrace klesá exponenciálně. Pokud je počáteční koncentrace dostatečně vysoká, aby byla v oblasti maximální odezvy (viz obr. 1), zpočátku dochází k malé změně účinku, protože koncentrace klesá. V tomto případě, když koncentrace léčiva klesá ze 100 mg/l na 4 mg/l, účinek klesá pouze z 99% na 80% maximálního účinku. Pokles účinku je pak přibližně lineární s časem mezi 80% a 20% maximálního účinku. Pokud by dávka byla taková, že počáteční koncentrace byla asi 4 mg/l poskytující asi 80% maximálního účinku, snížení účinku by bylo lineární s časem od bezprostředně po dávce.

Použité parametry byly: počáteční koncentrace léčiva (Co) = 100 mg/l Emax = 100 EC50 = 1 mg/l konstanta rychlosti eliminace k = 0,35/hod (poločas eliminace = 2 hodiny).


Většina receptorů jsou proteiny. Nejlépe jsou charakterizovány regulační proteiny, enzymy, transportní proteiny a strukturální proteiny. Nukleové kyseliny jsou také důležitými receptory léčiv, zejména pro chemoterapeutická činidla pro rakovinu.

Receptory pro několik neurotransmiterů modulují otevírání a zavírání iontových kanálů prostřednictvím ligandového hradla nebo napěťového hradlování. Nikotinový acetylcholinový receptor je příkladem ligandem řízeného receptoru, který umožňuje Na + proudit po jeho koncentračním gradientu do buněk, což má za následek depolarizaci. Většina klinicky užitečných neuromuskulárních blokátorů soutěží s acetylcholinem o receptor, ale nespustí otevření iontového kanálu. Mezi další iontové kanály řízené ligandem patří receptory CNS pro excitační aminokyseliny (glutamát a aspartát), inhibiční aminokyseliny (kyselina y-aminomáselná [GABA] a glycin) a některé receptory serotoninu (5-HT3). Receptor sodíkového kanálu je příkladem napěťově řízeného receptoru, který je přítomen v membránách excitabilních nervových, srdečních a kosterních svalových buněk. V klidovém stavu pumpa Na + /K + -ATPase v těchto buňkách udržuje intracelulární koncentraci Na + mnohem nižší než v extracelulárním prostředí. Depolarizace membrány způsobuje otevření kanálu a přechodný příliv iontů Na +, následuje inaktivace a návrat do klidového stavu. Účinek lokálních anestetik je dán jejich přímou interakcí s napěťově řízenými Na + kanály.

Mnoho transmembránových receptorů je spojeno s proteiny vázajícími guanosin trifosfát, které aktivují systémy druhého posla. Dva důležité systémy druhého posla jsou cyklický adenosinmonofosfát (cAMP) a fosfoinositidy. V systémech druhého posla cAMP vazba ligandu na receptor zvyšuje nebo snižuje aktivitu adenylylcyklázy, což zase reguluje tvorbu cAMP z adenosintrifosfátu. Aktivace protein kinázy A pomocí cAMP má za následek fosforylaci proteinů a fyziologický účinek. Z terapeutického hlediska je vazba léčiva na beta-adrenergní, histamin H2nebo dopamin D1 receptory aktivují adenylylcyklázu, zatímco vazba na muskarinovou M2, α2-adrenergní, dopamin D2, opiát  μ a δ, adenosin A1nebo receptory GABA typu B inhibují adenylyl cyklázu. V systémech druhého messengeru fosfoinositidu je   membránový fosfatidylinositol 4,5-bifosfát hydrolyzován na 1,4,5-trifosfát   (IP3) a 1,2-diacylglycerol (DAG) aktivací fosfolipázy C. Aktivují se IP3 i DAG kinázy, a v případě IP3 to zahrnuje mobilizaci vápníku z intracelulárních zásob. Působení mnoha léků je dáno jejich interakcí s receptory, které se spoléhají na tyto druhé posly, mezi které patří α1-adrenergní, muskarinový M.1 nebo M2receptory hormonů uvolňujících serotonin 5-HT2 a thyrotropin.

Receptory proteinové tyrosinkinázy jsou obecně transmembránové enzymy, které fosforylují proteiny výhradně na tyrosinových zbytcích, spíše než na serinových nebo threoninových zbytcích. Zahrnují receptory endokrinních hormonů pro inzulín a receptory pro několik růstových hormonů.

Intracelulární receptory zprostředkovávají působení hormonů, jako jsou glukokortikoidy, estrogen a hormon štítné žlázy a příbuzná léčiva. Hormony, které regulují genovou expresi v jádře, jsou lipofilní a volně difundují buněčnou membránou, aby dosáhly receptoru. Glukokortikoidní receptory se nacházejí převážně v cytoplazmě v neaktivní formě, dokud se nevážou na glukokortikoidní steroidní ligand. To má za následek aktivaci receptoru a translokaci do jádra, kde receptor interaguje se specifickými sekvencemi DNA. Na rozdíl od glukokortikoidních receptorů receptory pro estrogen a hormon štítné žlázy sídlí v jádře.

Intracelulární receptory jsou také důležité při zprostředkování účinku antimikrobiálních léčiv, včetně penicilinů, sulfonamidů, trimethoprimu, aminoglykosidů, fenikolů, makrolidů a fluorochinolonů. Mechanismy účinku zahrnují inhibici syntézy bakteriálních proteinů, inhibici syntézy buněčných stěn, inhibici enzymatické aktivity, změnu permeability buněčné membrány a blokádu specifických biochemických drah.

Mechanismy účinku několika tříd anthelmintik zprostředkované receptory jsou dobře známy. Například benzimidazoly a pro-benzimidazoly se vážou na nematodový tubulin, což brání jeho polymeraci během mikrotubulární montáže a tím narušuje buněčné dělení. Dalším příkladem je vyčerpání ATP v důsledku salicylanilidů rozpojujících oxidační fosforylaci a inhibice enzymů v glykolytické dráze benzensulfonamidy. Několik tříd anthelmintik interferuje s neurotransmisí u parazitů. Příkladem jsou makrocyklické laktony, které potencují inhibiční neurotransmisi pomocí GABA a glutamátem řízených chlorových kanálů (viz Anthelmintika).


Diskuse

Když hmyz sající krev stráví krevní moučku, produkuje se velké množství tyrosinu, který by byl potenciálně toxický, kdyby neexistovaly první dva enzymy v dráze degradace tyrosinu, TAT a HPPD [11]. Zde poskytujeme důkazy, že detoxikace tyrosinu je nezbytná pro přežití tsetse po krevní moučce a dále jsme zkoumali možné mechanismy, které jsou základem tohoto smrtícího fenotypu. Kromě toho byly dva komerčně dostupné inhibitory HPPD vyhodnoceny jako nové intervenční kontroly tsetse: mesotrion a NTBC. Došli jsme k závěru, že NTBC je nejlepším kandidátem pro budoucí terénní zkoušky díky své nízké dávce účinnosti a udržitelnosti životního prostředí. Tento lék má ve srovnání se současnými insekticidy jedinečné vlastnosti, protože se specificky zaměřuje na hmyz krmící krev, má nízkou toxicitu pro savce a lze jej účinně použít proti tsetse dvěma způsoby podávání. NTBC zabíjí tsetse po kutikulární aplikaci a může být bezpečně podáván savčímu hostiteli jako endectocide k zabíjení Glossina při krmení krve (a další hematofágní členovci se živí ošetřeným savcem [11]). Ve shodě s našimi výsledky na tsetse nedávný článek z předtisku od skupiny Oliveira ukázal důkaz, že NTBC je účinnější než mesotrion a isoxaflutole proti Aedes aegypti komáři [33]. Kromě toho bylo také zjištěno, že NTBC je smrtelný Anopheles a Culex stejně jako Ae. aegypti kmeny odolné vůči neurotoxickým insekticidům [33], což naznačuje, že zkřížená rezistence mezi těmito sloučeninami a NTBC je nepravděpodobná.

Náš matematický model naznačuje, že když jsou hospodářská zvířata i lidé léčeni NTBC jako endektocid (při 80% pokrytí), podávání léků každých 30 dní by kontrolovalo šíření africké trypanosomiázy, pokud by se na člověka živilo> 20% tsetse. Při absenci zvířecího rezervoáru, jak je tomu v případě T. b. gambiense, usnadněného ovládání by bylo možné dosáhnout také s měsíčním dávkováním. Přenos Gambiense HAT byl v posledním desetiletí účinně omezen nasazením malých cílů v mnoha endemických oblastech onemocnění [34]. Reaktivace onemocnění však zůstává problémem kvůli potenciálně vysokému počtu asymptomatických jedinců nesoucích v kůži parazity přenosné tsetse [35–38]. Přesto, než se začne uvažovat o hromadném léčení lidí s NTBC, je třeba postupovat opatrně a měl by být používán pouze v oblastech, kde přenos trypanosomiázy pokračuje navzdory nejlepšímu úsilí při zvládání případů.

Hromadné podávání léčiv (MDA) pro vektorovou kontrolu prokázalo velký příslib při snižování zátěže nemocemi [22]. MDA však vyvolává několik problémů, protože jeho možné dlouhodobé přínosy jsou nejisté. Účinnost přístupu MDA závisí na úrovni účasti komunity a také závisí na vyvážení zájmu jednotlivců a veřejného zdraví a potenciálním omezením individuální autonomie tím, že bude MDA povinná [39]. Ivermektin je v současné době hlavním lékem používaným jako endektocid, který snižuje přežití většiny hematofágních vektorů při požití, včetně tsetse (viz níže). Poločas ivermektinu v lidské krvi se však pohybuje mezi 12 až 36 hodinami a vyžaduje použití více dávek [21]. U jiných sloučenin, jako jsou isoxazolinová veterinární léčiva, bylo také hodnoceno jejich možné použití jako endektocidů. Tyto sloučeniny jsou však schváleny pouze pro veterinární použití a jejich aktivita a toxikologické profily u lidí dosud nebyly hodnoceny [23]. Naproti tomu informace o toxikologii, farmakokinetice a metabolismu jsou pro NTBC dobře známé a navíc získaly bezpečnostní schválení pro použití u dětí od počátku 90. let [17,28].

Ivermektin byl hodnocen in vivo jako potenciální nástroj pro ovládání tsetse. Glossina palpalis gambiensis krmení skotu ošetřeného jednou dávkou ivermektinu vykazovalo snížené přežití tsetse v rozmezí od 21% do 84% u terapeutické dávky (0,2 mg/kg) a od 78% do 94% u dávky 10krát vyšší (2 mg/kg) [40]. Je však důležité zdůraznit, že další druh tsetse, Glossina palpalis palpalis, zůstalo neovlivněno dávkou ivermektinu 2 mg/kg (4% úmrtnost po 25 dnech) [41] a nebyla pozorována žádná úmrtnost, když mouchy krmené morčaty a kozami ošetřenými ivermektinem (0,5 až 1,0 mg/kg) [42 ]. Podobně nebyl pozorován žádný vliv na úmrtnost much Glossina tachinoides krmena prasaty ošetřenými ivermektinem [43]. Tyto rozdíly mohou být spíše důsledkem farmakokinetických odchylek u různých hostitelských druhů (morčata, kozy, skot a prasata) než Glossina Citlivost specifická pro spp. V naší studii bylo přibližně 90% léčených G. pallidipes zemřel do 26 hodin po požití jediné krevní moučky potkanů ​​ošetřených NTBC, kteří dostali 1 mg/kg. Přeživší mouchy byly vážně ohroženy, ztratily schopnost létat a nedokázaly se vzpamatovat s časem. Ve srovnání s publikovanými údaji o úmrtnosti na tsetse vyvolanou ivermektinem je NTBC odpovídající dávce účinnější, protože zabíjí mouchy rychleji než ivermektin. NTBC je také klasifikován jako bezpečnější lék pro savce, orální LD50 pro NTBC u potkanů ​​je> 1 000 mg/kg [20], zatímco ivermektin je> 100krát toxičtější a vykazuje LD50 = 10 mg/kg [44].

Jak je pozorováno v různých křivkách závislosti na dávce, není důležitá pouze koncentrace požitého nebo topicky aplikovaného léčiva, ale také množství požité krve a rychlost trávení proteinů z mouky mouchy. To je dáno konkrétním způsobem účinku inhibitorů HPPD. Tato léčiva nejsou toxická pro hematofágní členovce během hladovění nebo při krmení hmyzu dietami s nízkým obsahem bílkovin, ale jejich toxicita je způsobena akumulací tyrosinu odvozeného z hydrolýzy dietních proteinů. To znamená, že jakýkoli faktor ovlivňující trávení krevní moučky, jako je teplota, může také ovlivnit toxicitu inhibitoru HPPD a následně i to, jak dlouho krvežíznivým členovcům trvá smrt. Ačkoli jsme vyřadili mouchy, které se nekrmily, abychom zabránili rozptýlení dat, mladé, nově objevené mouchy často berou částečnou krevní moučku, což pravděpodobně vysvětluje, proč malá část much přežila i při vysokých koncentracích léčiv. V terénu jsou také možné mouchy přijímající částečné krevní moučky (přerušované krmení hostitele), a v důsledku toho to může snížit účinnost okamžitého usmrcení jakékoli intervence endectocidu.

Naše data ukazují, že protein (ale ne haem) je dostatečný ke spuštění letálního fenotypu indukovaného NTBC v tsetse. Spolu s metabolomickými daty tyto výsledky ukazují na akumulaci tyrosinu (a srážení v hemocoelu a tkáních) jako primární příčinu smrti hmyzu. Krmení much moučkami z cukru doplněnými o NTBC a BSA bylo smrtelné pro tsetse a potvrdilo se, že akumulace tyrosinu z trávení dietních proteinů je pravděpodobně příčinou smrtícího fenotypu. Stojí za zmínku, že množství proteinu, který má být smrtelný po inhibici HPPD, může záviset na obsahu tyrosinu v každém proteinu. BSA obsah tyrosinu je 3,46% (21/607 zbytků). Vzhledem k tomu, že NTBC je velmi stabilní za různých podmínek prostředí, tyto výsledky rozšiřují možnost použít také směsi NTBC-protein v atraktivních cílených cukrových návnadách (ATSB) k potlačení různých chorob přenášených vektory.

Při posuzování proveditelnosti topického použití NTBC k ovládání much tsetse byla stále pozorována vysoká úmrtnost, když byly mouchy krmeny až 144 hodin po topické aplikaci NTBC (obr. 11). Dlouhověkost této drogové aktivity je pozoruhodná a velmi povzbudivá pro zásahy vektorového řízení založené na poli. V laboratorních odchovaných koloniích většina tsetse umírá na dehydrataci/hladovění po tak rozsáhlém 144hodinovém hladovění a ze zbývajících naživu je mnoho příliš slabých na to, aby se nakrmili, když jim byla nabídnuta krevní moučka. V divokých tsetse, kde se aktivita much a nutriční nároky výrazně zvyšují, jsou mouchy méně pravděpodobné, že přežijí 144 hodin hladovění, takže trvalá letalita NBTC je ještě povzbudivější. Při porovnávání letality tsetse s deltamethrinem je NTBC při lokální aplikaci na tsetse mnohem méně účinný. To není překvapující, protože deltamethrin je neurotoxin, zatímco NTBC působí pomalejším mechanismem spojeným s katabolismem aminokyselin. Nevýhody používání deltamethrinu pro vektorovou kontrolu jsou významná účinnost, která má svou cenu. Deltamethrin má vyšší toxický profil pro savce, a protože neselektivně zabíjí, je přísným ekologickým trestem. Veškerý hmyz včetně opylovačů a dalších necílových druhů je bez rozdílu usmrcen. Deltamethrin navíc způsobuje vážnou toxicitu ve vodních ekosystémech [45]. Navzdory tomu zůstávají pyretroidní insekticidy nejúčinnější strategií vektorové kontroly pro mnoho populací hematofágních členovců, přestože rostoucí zprávy o rezistenci na insekticidy kompromitují jejich účinnost [7,46–48]. Naproti tomu profil toxicity NTBC je nízký (vysoké dávky jsou tolerovány u lidí a dalších savců [20]) a selektivně zabíjí členovce krmící krev, čímž je začlenění do vektorové kontroly šetrnější k životnímu prostředí a sociálně a eticky přijatelnější strategie. Protože se NTBC zaměřuje na cestu oddělenou od neurotoxických insekticidů a antiparazitických léčiv, jako jsou pyrethroidy, respektive ivermektiny, její použití by mohlo doplnit současné nástroje pro kontrolu vektorů a omezit vznik populací rezistentních vůči insekticidům.

Jak již bylo dříve popsáno u lidí [28], zjistili jsme, že NTBC není metabolizován enzymy hmyzu P450. Důležité je, že reverzibilní kompetitivní inhibitory HPPD se vážou na tento enzym ve stejném aktivním místě, které váže jeho substrát, HPPA [49–52]. Mutace, které by ovlivnily vazbu NTBC k HPPD, mohou také změnit afinitu k HPPA. Vzhledem k významu HPPD ve fyziologii hematofágních členovců by mutace, které snižují jeho afinitu k HPPA, byly pravděpodobně smrtelné. Nemůžeme však vyloučit existenci nějaké genetické variace nebo fenotypové plasticity, které by mohly poskytnout toleranci vůči hematofágním vektorům vůči inhibitorům HPPD. Běžné zemědělské inhibitory HPPD, jako je mesotrion, se používají jako herbicidy po dobu 20 let a byl hlášen výskyt rezistentních plevelů [53,54]. Je zajímavé, že sekvenování genu HPPD z citlivých a rezistentních rostlin neukázalo žádné mutace cílového místa, které by mohly být spojeny s rezistencí na mesotrion [53,54]. Kromě toho nebyla detekována žádná duplikace genu ani nadměrná exprese HPPD před nebo po ošetření herbicidy. Naopak u rezistentních rostlin byly pozorovány vyšší hladiny metabolismu mezotrionu prostřednictvím 4-hydroxylace dionového kruhu [53] a zvýšená rychlost metabolismu herbicidů [54]. Navíc se ozval nový gen JEHO 1 Bylo zjištěno, že (HPPD Inhibitor Sensitive 1) propůjčuje rezistenci vůči několika triketonovým herbicidům (včetně mesotrionu) v rostlinách rýže [55], ale naše vyhledávání Vectorbase (www.vectorbase.org) nenašlo ortologní geny v genomech několika hmyzu, takže což ukazuje na nepřítomnost tohoto genu u bezobratlých. V souhrnu je nepravděpodobné, že by dva důležité mechanismy, které běžně propůjčují rezistenci vůči insekticidům (detoxikace zprostředkovaná P450 a mutace v cílovém místě), generovaly rezistenci vůči inhibitorům HPPD u hmyzu. Protože je však hmyz schopen vyvinout více mechanismů rezistence, mohl by nakonec vyvinout rezistenci vůči NTBC, pokud by byl použit jako monoterapie.

Dospěli jsme k závěru, že jak NTBC, tak mezotrion indukují rychlou smrt v krevním oběhu tsetse, ačkoli účinnost a doba trvání jejich účinků jsou velmi odlišné (stejně jako u lidí [17]). Z těchto důvodů navrhujeme použití NTBC (nikoli však mezotrionu) k vývoji nových a komplementárních nástrojů pro vektorovou kontrolu, které se zaměřují na tsetse a další populace krmící krev členovců. Význam použití integrovaných přístupů včetně nových vektorových kontrol k dosažení eliminace byl jedním z obecných závěrů třetího setkání WHO zúčastněných stran o odstranění gambiense HAT v Ženevě, 2018 [56]. Pozoruhodná je také univerzálnost NTBC, tento lék schválený FDA by mohl být použit jako samostatná technologie k ovládání tsetse a jiných vektorových populací jako endectocide, nebo by mohl doplnit (nebo poskytnout alternativu) použití standardních insekticidů. Thus, NTBC is a safer and more environment-friendly alternative to neurotoxic insecticide-based vector control as it is not toxic to mammals and selectively kills blood-feeding arthropods.


COMPARISON TO EXISTING DATA PORTALS

To the best of our knowledge, the existing data portals that cover partially drug combination screen data analysis and collection included DeepSynergy (http://shiny.bioinf.jku.at/DeepSynergy/), DrugCombdb (http://drugcombdb.denglab.org) (unpublished, https://www.biorxiv.org/content/10.1101/477547v2) and SynergyFinder (https://synergyfinder.fimm.fi/) ( 41). DeepSynergy provides a deep learning machine learning model that was trained on the ONEIL data and has been shown to predict new drug combinations with superior accuracy compared to conventional machine learning approaches. However, DeepSynergy did not provide the web service for the sensitivity and synergy analyses of the drug combination screen data. Furthermore, the deep learning model was trained only with the ONEIL dataset, and thus may become suboptimal when predicting a drug combination in an untested cell line. DrugCombdb is a database that harbors the concurrent screening data for 105k drug combinations. While the dataset has been collected via deep curation, it has not been analyzed with the drug combination sensitivity and synergy tools either. Therefore, both DeepSynergy and DrugCombdb provided limited web-server functionality to analyze drug combination screen data. In contrast, DrugComb provided the web-server that builds on our recent informatics approaches to assess both the sensitivity and synergy level of drug combinations, and therefore may potentially help the interpretations of the DrugCombdb data as well as contributing to the training data that is needed for DeepSyerngy and other advanced machine learning models. SynergyFinder is our recent web application for the drug combination screen data analysis. However, the focus of SynergyFinder is to analyze the degree of interactions in a drug combination screen, while the functionality of analyzing the sensitivity of drug combinations is missing. Furthermore, SynergyFinder does not provide the data curation and annotation functionality. In contrast, DrugComb provides the functionality of both a web-server and a database that have become integral components for establishing a major portal for drug combination data standardization and harmonization. On the other hand, there exist web servers to predict the side effects of drug-drug interactions including DDI-CPI ( 42). Therefore, linking DrugComb with DDI-CPI may provide a more comprehensive view about the efficacy and side effects of a given drug combination. Taken together, DrugComb is well positioned to provide complementary resources that can be connected with these existing tools for a more systematic and more community-driven effort for future drug combination prediction and network modelling development ( 43).


3 Analogies To Help You Think Logarithmically And Improve Your Understanding of pIC50

But, when switching to the pIC50, there is definitely a transition time.

It's like going from the imperial measurement system to the metric measurement system.
It's a little painful at first, but it's worth doing.

Eventually, pIC50 will become intuitive because it’s actually very natural for humans to think that bigger numbers are better.

To help make the transition easier, it’s helpful to think of other common logarithmic situations you have already encountered so you can encourage the adoption of logarithmic thinking.

The Richter scale

Image by Jkwchui [CC BY-SA 3.0], from Wikimedia Commons with modifications

The Richter scale is a logarithmic method of reporting the amplitude of an earthquake, which means a 10-fold increase in shaking is a 1-fold increase in the Richter scale.

Thinking about pIC50 as the Richter scale for drug discovery can be helpful because the numbers that are significant in terms of an earthquake are also significant in terms of the potency of compounds.

For people who are trying to make the adjustment from IC50 to pIC50, it can be a little awkward at first.

For example, the Richter scale earthquake of 3.0 is not felt by many people.

Likewise, it's not much to write home about in terms of pIC50.

At 6.0, things start to get a little more interesting.

With a 6.0 earthquake, you will start to get some moderate damage to populated areas and a 6.0 pIC50 will start to get your chemists excited because now you're getting to a micromolar compound.

As you go higher, you're getting nicer and nicer potency — or a more and more damaging earthquake.

Once you reach 9.0, that is not an earthquake you want to be around for. That's epic destruction.

But, a pIC50 of 9.0 — that's the kind of potency you want to see in the inhibitors you get from your chemists.


Dose-response relationship

Naši redaktoři zkontrolují, co jste odeslali, a určí, zda článek zrevidují.

Dose-response relationship, effect on an organism or, more specifically, on the risk of a defined outcome produced by a given amount of an agent or a level of exposure. A dose-response relationship is one in which increasing levels of exposure are associated with either an increasing or a decreasing risk of the outcome. Demonstration of a dose-response relationship is considered strong evidence for a causal relationship between the exposure and the outcome. The chance of a causal relationship cannot be disregarded, however, even when a dose-response relationship is absent.

Exposure in investigations of dose-response relationships can be characterized in different ways, including peak exposure duration of exposure at or above a set level average exposure, which is a time-weighted average of exposure or cumulative exposure, which is the sum of time-weighted exposures. In any of those instances, the increase in exposure can be in its intensity or its duration.

Dose-response relationships can be affected significantly by time. For example, the time to response when examining the relationship of the exposure to the outcome can be influenced by a latent period between exposure and the outcome. If the effects are measured too soon after the exposure, no effect will be seen, even in the case where the exposure causes the outcome. One example of this is the increased risk of leukemia after exposure to radiation, which can have a latent period of between 2 and 20 years, depending on the nature of the exposure.

Odds ratios and relative risks (measures of association between exposures and outcomes) can be calculated for categories of increasing exposure, where each higher exposure is compared with a baseline exposure level. The mathematical relationship of exposure to outcome may be linear, be log linear, or follow some other pattern. There may be some level of risk even in the absence of exposure, or there may be a threshold dose below which no affect of exposure on risk is seen.

In some cases, the relationship between exposure and outcome may be U-shaped (when plotted as a graph), with high risk at both extremes of exposure and lower risk at intermediate exposures. One example of this is the relationship of vitamin A with birth defects. Increased risk of birth defects is seen not only with deficiency in vitamin A but also with excessive doses.

A statistical test for trend can be performed to verify that any apparent trend in the data for a dose-response relationship is statistically significant. The Cochran-Armitage test, for example, is used to detect trends in a binary outcome (e.g., ill or not ill) and applies to a linear relationship between exposure and outcome. Another example is the Cochran-Mantel-Haenszel test, an extension of the chi-square test for trend.

Inclusion of small numbers in the groups at the extreme ends of the exposure distribution may lead to statistically unstable rates in those groups, potentially affecting the validity of an apparent trend. Also, the end categories sometimes include extreme values, which can influence the results. For example, very few subjects may be included in a smoking-exposure category labeled “more than two packs per day”—a category that may include a subject with exposures far in excess of anyone else in the study. For that reason, researchers often also examine the effect of extreme values on the results of a dose-response relationship study.


2 odpovědi 2

A recent paper from the authors of the drc package included instructions for extracting parameters for use by ggplot2. They don't work within ggplot2 but extract data from the model. This is their solution applied to your data.

The predict function can extract the parameters from drm models. It isn't compatible with multiple curves that were fit using curveid .

They advise shifting the zero concentration to avoid issues with coord_trans.

Then comes plotting the curve, omitting geom_ribbon stops the errors from being drawn.

To graph multiple curves together the process can be repeated. Add IDs to each set.

Then use rbind to combine all the extracted parameters. From there ggplot can handle colours.

I am going to answer my own question and hopefully this will help others facing the same problem.

It is of course possible to plot dose response curves with ggplot2 and the drc package with the simple addition of either geom_ or stat_smooth (method=drm, fct=LL.4(),se=FALSE) if plotting on a linear scale or geom_ or stat_smooth (method=drm, fct=L.4(),se=FALSE) if scale_x_log10() is added.

In order to be able to use a log10 scale I've transformed my data to:

In this case, I've replaced the X = 0 value by X = 1/100th of the pre-last X-value (in this case 1e-10). You can, however, easily drop the 0 value that messes up the logarithmic plotting by omitting it from the dataset entirely, like Prism does. One thing to note, as I've found out, is that ggplot scales the axes first and then adds the data, which is why the code breaks as it tries to log10(0).

The other subtlety is that the stat_smooth function is perfectly capable of handling drm models using method = drm but it doesn't know how to fit the 'SE' confidence intervals. Selecting se = FALSE thus enables plotting and in my humble opinion makes for a less messy plot anyway - just add the error bars.

And finally, changing the fct = LL.4() to fct = L.4() allows plotting on a log10 scale, because again the scale is selected first and the fit is done after. So, even though the axis values are non-logarithmic, ggplot has actually transformed the dataset into log10, therefore the fitting function now needs to be just logit-4P (i.e. L.4()) instead of log-logit-4P (LL.4()).

The geom_smooth() and stat_smooth() functions will naturally adopt the same colour as the dataset, eliminating the need to adjust the colour of the fitted function to correspond with the colour of the data points.


Podívejte se na video: Lara x Jovana - Zašto Official VIdeo (Listopad 2021).