导读:本文包含了药物毒性预测论文开题报告文献综述及选题提纲参考文献，主要关键词:心肌肌钙蛋白I,~(99)Tc~m-MIBI,发射型计算机断层扫描仪,蒽环类药物
药物毒性预测论文文献综述
黄剑全,苏新辉,余李娟,黄丽玲,郑钰萍[1]（2019）在《心肌摄取~(99)Tc~m-MIBI相对定量值和血清cTnI检测对蒽环类化疗药物心脏毒性的预测价值》一文中研究指出目的探讨心肌摄取~(99)Tc~m-MIBI相对定量值(MRQ)和血清心肌肌钙蛋白I(cTnI)的检测在监测蒽环类化疗药物对心脏毒性中的预测价值。方法乳腺癌患者37例接受蒽环类药物化疗,在化疗前2 d及化疗后第1、2、4个疗程结束次日采血测定血清心肌肌钙蛋白I(cTnI)水平和行~(99)Tc~m-MIBI心肌灌注断层显像,计算左室射血分数(LVEF)和心肌摄取~(99)Tc~m-MIBI相对定量值(MRQ),分析血清cTnI、LVEF和MRQ在化疗前后的变化。结果蒽环类药物化疗第1周期后,患者cTnI的水平为0.05±0.02ng/mL,较化疗前略有升高,但差异无统计学意义(P>0.05);第2周期后,cTnI水平为0.08±0.04ng/mL,较化疗前明显升高,差异有统计学意义(P<0.05);第4周期化疗后,cTnI水平为0.11±0.05ng/mL,较化疗前进一步升高(P<0.05)。与化疗前比较,第1周期后,心肌摄取~(99)Tc~m-MIBI相对定量值明显下降[MRQ为(50.81±9.29)%,P<0.05],第4周期化疗后进一步下降[MRQ为(45.13±8.73)%,P<0.05],MRQ值的减低主要分布在前间壁、前壁和下壁;而患者第1、2、4周期化疗后的LVEF值无明显变化,差异均无统计学意义(P>0.05)。结论心肌摄取~(99)Tc~m-MIBI相对定量值的变化能早期监测蒽环类药物所致的心肌损害,且较左室射血分数灵敏,优于血清cTnI检测,联合血清cTn-I检测,有利于指导蒽环类药物的临床应用。(本文来源于《标记免疫分析与临床》期刊2019年10期）
白雅婷,南楠,尹婕[2]（2019）在《探讨定量构效关系模型在药物及其杂质毒性预测方面的应用》一文中研究指出随着定量构效关系(QSAR)模型从二维至多维的不断发展,它被越来越广泛地应用于各个领域,同时也为药品的监管提供了新的参考方案。QSAR模型对于杂质的毒性预测可应用于药品的研发和质量控制过程,有利于控制药品的安全风险,缩减企业的研发成本。QSAR模型的应用程序也在不断优化,以确保QSAR模型可以不断地适用于新药及未知杂质的毒性研究。本文从QSAR模型的建模基础及发展历程出发,对近年来该模型在药物及其杂质毒性预测方面的应用研究报道进行了归纳总结。(本文来源于《中国药事》期刊2019年10期）
焦玉菡,冯阳,李海舟[3]（2018）在《高内涵筛选在药物肝毒性预测中的应用进展》一文中研究指出很多上市新药因肝毒性问题被警告、撤市或限用。因此,对药物肝毒性进行评估,确保药物在临床中的使用安全成为新药研发过程中的重要方面。高内涵细胞成像分析技术(high content screening,HCS)是近年来发展起来的一项新技术,利用该技术可在体外对药物毒性进行多参数、多靶点、高通量的检测和分析,也被称为高内涵筛选。基于毒性通路的HCS是目前药物肝毒性预测的重要思路,该文主要介绍基于毒性通路的HCS在药物引起的本质性肝损伤和特异性肝损伤(包括脂肪变性、磷脂质病、胆汁淤积和遗传物质损伤等)这两大类药物肝毒性评估中的应用进展。(本文来源于《中国细胞生物学学报》期刊2018年06期）
姚萍丽,嵇利芳[4]（2018）在《血浆糖原磷酸化酶同功酶BB、肌红蛋白和B型尿钠肽水平预测化疗药物致心脏毒性对临床护理的指导价值》一文中研究指出目的探讨血浆糖原磷酸化酶同功酶BB(GPBB)、肌红蛋白(Mb)和B型尿钠肽(BNP)水平与非霍奇金淋巴瘤(NHL)化疗药物致心脏毒性的关联性,指导临床护理及时监测和干预。方法选取NHL患者106例,分为心脏毒性组(25例)和心脏正常组(81例)。检测化疗前后患者的血浆GPBB、Mb、BNP水平,并对数据进行处理和分析。结果化疗全疗程结束后,心脏毒性组和心脏正常组的GPBB、Mb和BNP水平均高于其化疗前水平,心脏毒性组血浆GPBB、Mb和BNP水平均明显高于心脏正常组,差异均有统计学意义(P<0.05);血浆GPBB、Mb和BNP水平诊断化疗药物致心脏毒性的受试者工作特征曲线下面积(AUC)为0.85、0.78和0.79。血浆GPBB、Mb和BNP联合诊断化疗药物致心脏毒性的AUC最高(0.91)。结论血清GPBB、Mb和BNP浓度检测可作为NHL化疗药物致心脏毒性的早期诊断指标,其检测结果对临床护理具有指导价值。(本文来源于《中国卫生检验杂志》期刊2018年09期）
蔡垂浦[5]（2018）在《抗肿瘤ROCK Ⅱ抑制剂预测及肿瘤药物心血管毒性虚拟评价研究》一文中研究指出目的:抗肿瘤药物的研发是一个风险高、投入大、周期长的过程。其中,先导化合物的发现与药物毒性的评价是研发过程中两个关键的环节。本论文应用计算机辅助药物设计方法,包括多种机器学习方法、分子对接以及组合分类器策略等,对这两个方面进行研究。首先,构建一个靶向肿瘤潜在治疗靶标ROCK II蛋白的抑制剂虚拟预测模型,并探讨ROCK II抑制剂与靶蛋白的作用机制。其次,针对抗肿瘤药物中最常见的心血管毒性构建组合分类预测模型,对多种抗肿瘤药物的心血管毒性进行评价。基于两部分结果,虚拟筛选了 2010版《中华人民共和国药典》收录的499味中药所包含的13,139个单体靶向ROCK II蛋白的抑制活性,并针对其中的阳性单体进行了心血管毒性虚拟评价。方法:实验一:抗肿瘤ROCK II抑制剂预测模型的构建与作用机制探讨首先,从BindingDB数据库和相关文献中搜集了 983个对Rho相关蛋白激酶II(ROCK II)具有抑制活性的化合物,并分配为训练集、测试集和外部测试集。使用M0E 2010和PaDEL-Descriptor软件对化合物进行描述符计算,并通过F-score和线性正向选择(linear forward selection,LFS)方法进行描述符优化。随后,应用四种机器学习分类算法(女最近邻法、随机森林、朴素贝叶斯和支持向量机)初步构建16个预测模型,并在此基础上引入叁组分子指纹以提高模型的性能。所有模型均采用五倍交叉验证、测试集验证和外部测试集验证进行预测能力的评价,其中最优的模型应用于对499味中药的单体成分的ROCK II抑制活性预测。最后,使用优势片段分析和分子对接等方法对ROCK II抑制剂与受体的相互作用模式进行研究,并通过比较活性最强和最弱的ROCK II抑制剂与受体结合模式上的异同,探讨其发挥抑制活性的作用机制,进一步评价潜在ROCK II蛋白中药单体抑制剂与靶蛋白的结合能力。实验二:药物心血管不良反应预测模型的构建与抗肿瘤药物心血管安全性评价首先,从四个权威的药物不良反应数据库(CTD、SIDER、Offsides和MetaADEDB)中搜集了药物引起的心血管并发症相关信息,共涵盖了五种最常见的心血管毒性反应,包括高血压、心脏传导阻滞、心律失常、心力衰竭和心肌梗塞。通过整合五种机器学习算法(逻辑回归、随机森林、k最近邻法、支持向量机和神经网络)构建了组合分类模型。模型应用于对抗肿瘤药物的心血管安全性的评价,包括63种临床抗肿瘤药物与实验一预测的潜在ROCK Ⅱ蛋白中药单体抑制剂,评价结果采用临床研究数据、人类多功能干细胞衍生的心肌细胞测定数据以及已报道文献证据进行验证。结果:实验一:抗肿瘤ROCK Ⅱ抑制剂预测模型的构建与作用机制探讨经过综合的评价与比较,基于经优化描述符和分子指纹组合构建的MFK + MACCS和MLR + SubFP两个模型预测能力相对更为突出,其外部测试集验证的MCC值均为0.925,准确度(Q)均为 0.972,敏感度(MFK+MACCS 为 0.910,MLR+ SubFP 为 0.933)和特异度(MFK + MACCS为0.993,MLR + SubFP为0.985)同样达到较高的水准。鉴于两个模型均衡的预测能力,本实验最终认为MFK + MACCS和MLR + SubFP是最优的两个ROCK II抑制剂预测模型,并将模型应用于对13,139个中药单体成分的虚拟筛选,得出了 240个潜在的中药单体抑制剂。此外,优势片段分析阐明了 ROCK II抑制剂的重要药效官能团,而分子对接揭示了疏水性作用以及氢键作用是维持II抑制剂活性的重要作用,特别是Glu170基团和胺基之间形成的氢键,可能是ROCK II抑制剂发挥选择性抑制活性的关键驱动力。基于分子对接和机制研究结果,进一步评价3个潜在的活性单体与靶蛋白的结合能力,发现中药单体M0L008822(thaliphylline)与ROCK II蛋白活性位点具有较强的结合能力。实验二:药物心血管不良反应预测模型的构建与抗肿瘤药物心血管安全性评价本实验一共构建了 180个心血管毒性单一分类预测模型,并且通过整合每种心血管不良反应的四个最优单一分类模型,构建了5个基于神经网络的组合分类模型。单一分类模型在五倍交叉验证中表现适中,其AUC值的范围为0.647至0.809,而整合了单一模型的组合分类模型的预测能力更是得到了显着的提升,AUC值的范围为0.784至0.842。随后,最优的四个单一模型与组合模型应用于对63种临床抗肿瘤药物的心血管毒性预测,其结果与临床研究、人类多功能干细胞衍生的心肌细胞测定和文献证据高度相符,其中组合模型的预测成功率达87%。基于组合模型的预测结果,本实验成功预测了多种抗肿瘤药物尚未被FDA收录的心血管不良反应,并提示了靶向Bcr-Ab1、DNA拓扑异构酶和微管蛋白通路的抗肿瘤药物可能具有更高的心血管毒性风险。此外,针对实验一预测的240个潜在的ROCK II蛋白中药单体抑制剂,进一步评价其心血管安全性,发现了 14个具有较低心血管毒性风险的中药单体,为药物的研发和临床应用起到了一定的预警和指导作用。结论:本论文从抗肿瘤活性化合物的发现(ROCK II抑制剂)和肿瘤药物心血管毒性的评价两个角度切入,利用计算机辅助药物设计方法,对肿瘤药物研发过程中的两个重要环节进行研究。实验一首次构建了基于机器学习算法的ROCK II抑制剂虚拟预测模型,模型经多种评价手段证明其具有高精度的预测能力,并结合优势片段分析和分子对接探讨了 ROCK II抑制剂的药效官能团与作用机制;实验二提出了一种基于组合模型策略的药物心血管毒性虚拟评价方法,该方法应用于对抗肿瘤药物的心血管毒性评价中,并成功发现了多种抗肿瘤药物新的心血管不良反应,揭示了多类具有高心血管毒性风险的抗肿瘤药物。基于两部分实验结果,对13,139个中药单体的ROCK II蛋白抑制活性及其心血管毒性进行评价,提示了具有较高研发价值的单体成分。总体而言,本论文为抗肿瘤药物,特别是中医药抗肿瘤药物研发过程中的先导化合物发现与毒性评价两方面提供了新策略,并对中医药临床抗肿瘤治疗的作用机制探讨与心血管毒性预警起到一定的启示作用。(本文来源于《广州中医药大学》期刊2018-05-01）
崔久嵬,刘雪莲,李薇[6]（2018）在《人体成分分析在抗肿瘤药物药动学及毒性预测中的研究进展》一文中研究指出大多数抗肿瘤药物治疗窗较窄,给药剂量间较小的差异既可使一部分患者出现严重不良反应导致药物减量甚至治疗延迟,又可使一部分患者药物暴露相对不足,从而直接或间接的影响疾病结局。因此,任何以优化药物剂量为目的的探索都是值得的。依据BSA给药作为目前临床上抗肿瘤药物剂量标准化的经典方式,已成为多数细胞毒药物确定化疗剂量"约定俗成"的标准。但近年来这一传统的药物剂量计算方式饱受质疑~([1,2]):首先,BSA公式本身的推导及其在Ⅰ期临床试验以外的应用缺乏合理依据~([3]);此外,多项研究证实,依据BSA计算药物剂量并不能降低个体间药代动力学的差异~([4,5]),它带给大家一种错误的印象:即我们正在应用一个机体间特异性的度量指标来实现个体化给药。研究显示,人体成分与机体内药代动力学过程密切相关,人体成分分析作为人体组分及机能的评估手段能较好的预测抗肿瘤药物的毒性与疗效。随着BIA、CT等人体成分分析方法的飞速发展,基于人体成分分析计算药物剂量的相关研究已成为目前跨学科领域的热点课题。本文拟通过阐述人体成分与机体药代动力学的相关性及其对抗肿瘤药物毒性的预测作用,对目前人体成分分析在抗肿瘤药物剂量标准化临床转化过程中的相关研究作一综述。(本文来源于《肿瘤代谢与营养电子杂志》期刊2018年01期）
汪巨峰[7]（2017）在《提高药物研发中心血管毒性的预测性研究进展》一文中研究指出心血管风险仍然是导致新药研发终止、发生严重不良反应甚至撤离市场的主要因素。虽然心肌离子通道检测、动作电位检测和遥测技术的运用大大提高了对药物诱导心律失常的预测的准确性,并且降低了安全风险,但对药物引起的其他心脏毒性如心肌收缩功能异常、心肌缺血、心肌损伤及心衰等仍缺乏有效的检测方法和技术,而目前在药物研发阶段对这些心血管安全风险没有像心律失常一样引起足够的关注。本文综述了近期的研究进展,全面阐述在药物研发阶段及临床应用中主要的心血管风险、如何检测这些风险以及现有安全评价手段的准确性和预测性和新方法新技术的研究与运用等。(本文来源于《中国新药杂志》期刊2017年23期）
雷太龙[8]（2017）在《基于机器学习方法的药物毒性的理论预测研究》一文中研究指出毒性是导致候选药物开发失败的主要原因之一,为了有效提高药物开发的效率和成功率,需要在药物研发的早期阶段对化合物的毒性进行评价并将毒性较强的化合物尽早排除。毒性的实验评价成本高、周期长、工作强度大,因此发展高效可靠的毒性理论预测和虚拟高通量筛选模型具有重要的意义。在本论文中,我们采用多种机器学习算法,构建了针对急性毒性、呼吸道毒性和泌尿系统毒性的理论预测模型,并探讨了不同机器学习算法的性能和适用情况。主要研究内容及结论如下:(1).基于包含7385个化合物的大鼠经口急性毒性的大型数据集,采用相关向量机、支持向量机、k-最近邻回归、随机森林、局部近似高斯过程、多层感知器集成和极限梯度提升算法等技术构建一系列回归预测模型。采用了卡方统计量对分子描述符和分子指纹(PubchemFP或SubFP)进行了混合数据降维。在所有预测模型中,基于拉普拉斯核函数的相关向量机模型对测试集具有最优的预测能力(qe2xt=0.669～0.689)。此外,我们还构建了多个一致性预测模型,最优的一致性预测模型对测试集中的化合物可以实现较为准确的预测(qext2=0.689)。最后,我们对一些与毒性密切相关的分子描述符和分子指纹进行了深入分析。(2).基于一个包含多个呼吸道毒性终点的小鼠数据集,采用相关向量机、支持向量机、正则化随机森林、极限梯度提升、朴素贝叶斯和线性判别分析算法构建了多个呼吸道毒性回归和分类预测模型。为了确定最优的分子描述符子集,采用标准化一卡方统计量过滤—单变量过滤rfSBF-递归特征消除RFE-RF的四级策略对原参数集进行了降维。在所有预测模型中,基于高斯径向基核的支持向量机模型对测试集的化合物定量预测精度最优(qe2xt=0.707),而极限梯度提升模型对测试集的化合物分类预测效果最优(测试集:MCC=0.644、AUC=0.893、灵敏度=82.24%、特异度=83.21%、全局精度=82.62%)。此外,我们还采用了多种方法分析了模型的应用域,并用杠杆方法确定了训练集中的41个响应异常值分子(hi>0.004)、23个结构性影响的异常值分子(标准化残差>3)和31个强影响分子(Cook距离>0.00388)。最后,我们对回归预测误差较大以及错误分类的化合物的结构特征进行了系统分析。(3).基于一个含有不同泌尿系统毒性终点的小鼠数据集,采用多种机器学习算法(支持向量机、相关向量机、正则化随机森林、C5.0决策树、极限梯度提升、Adaboost.M1、支持向量机提升和相关向量机提升算法)构建了多个回归和分类预测模型。用于回归和分类的最优的分子描述符子集的选择采用了基于随机森林的递归特征消除方法。在所有预测模型中,基于高斯径向基核的支持向量机提升模型对测试集的定量预测精度最优(qext2=0.845),而基于高斯径向基核的支持向量机提升模型对测试集的分类效果最佳(测试集:MCC=0.787、AUC=0.893、灵敏度=89.58%、特异度=94.12%、全局精度=90.77%)。此外,我们还使用了多种方法分析了模型的应用域,并用杠杆方法确定了训练集中的3个响应异常值分子(hi>0.762)、4个结构性影响的异常值分子(标准化残差>3)和10个强影响分子(Cook距离>0.02797)。最后,我们对具有较大回归预测误差的化合物及错误分类的化合物的结构特征进行了系统分析。(4).此外,我们还研究了几种新型机器学习算法的性能和适用性,相关向量机、极限梯度提升和支持向量机提升算法的性能较好,而正则化随机森林和局部近似高斯过程回归算法的性能则有待提高。(本文来源于《浙江大学》期刊2017-10-01）
虞林,郭继芬,郭家彬,殷健,崔岚[9]（2017）在《基于PBPK模型的反向剂量测定法预测药物的毒性》一文中研究指出基于毒性测试替代策略的非动物方法的开发,从体外毒性数据预测体内的毒性发生,是目前毒理学领域对药物安全性测试的研究热点。然而,在风险评估中使用体外毒性数据并不简单。主要问题之一是来自体外模型的浓度-反应曲线需要转化为体内剂量-反应曲线。在毒理学风险评估中需要这些剂量-反应曲线,以获得确定人体安全暴露水平的出发点(point of departure,POD)。近期的科学进展促近了PBPK模型(Physiologically-based pharmacokinetic/toxicokinetic,PBPK/PBTK)的反向剂量测定(reverse dosimetry)法将体外浓度-效应曲线翻译成体内剂量-效应曲线,将关注的重点放在内部暴露和外部暴露(与身体接触的药物剂量)之间的关系中。通常情况下,PBPK模型基于化学物已知的外部暴露剂量来估计其在机体内各个部位所达到的浓度水平。这个过程被称为"正向剂量测定"。与毒性和机制研究结合起来,正向剂量测定法在风险评估中可以基于有效的组织暴露量而不是给药剂量来定义剂量-反应关系。不同于正向剂量测定,在评价环境化学物对公共健康的影响中,"反向剂量测定"将PBPK模型与暴露模式特征,蒙特卡罗(Monte Carlo,MC)分析和统计工具整合在一起,以估计化学物与人群中测量的生物监测数据一致的暴露分布。而在药物风险评估中,体外效应浓度被认为是在体内情况下会引起毒性的替代组织或血液中药物的浓度,并且使用PBPK模型来计算达到这些替代组织或血液中药物浓度所需的相应的药物剂量。据此预测的体内剂量-反应曲线,可以计算出用于风险评估的POD,如基准剂量(benchmark dose,BMD)或BMD的置信下限(BMDL,95%lower confidence limit of the benchmark dose)。反向剂量测定法将有助于实现基于人源细胞系的体外实验而不是基于动物的实验方法进行药物的风险评估。(本文来源于《2017（第叁届）毒性测试替代方法与转化毒理学（国际）学术研讨会会议论文集》期刊2017-07-09）
李敏华[10]（2016）在《大数据分析预测药物毒性》一文中研究指出近期发表在《细胞化学生物学》（Cell Chemical Biology）的一项研究显示，研究人员现在已经可以预测实验性药物在临床试验获得成功的机会。该方法能检测在人体试验中可能遭致失败的毒副作用，使药物开发者在启动临床试验前得到预警。这得益于威尔康乃尔(本文来源于《医药经济报》期刊2016-10-10）
药物毒性预测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着定量构效关系(QSAR)模型从二维至多维的不断发展,它被越来越广泛地应用于各个领域,同时也为药品的监管提供了新的参考方案。QSAR模型对于杂质的毒性预测可应用于药品的研发和质量控制过程,有利于控制药品的安全风险,缩减企业的研发成本。QSAR模型的应用程序也在不断优化,以确保QSAR模型可以不断地适用于新药及未知杂质的毒性研究。本文从QSAR模型的建模基础及发展历程出发,对近年来该模型在药物及其杂质毒性预测方面的应用研究报道进行了归纳总结。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
药物毒性预测论文参考文献
[1].黄剑全,苏新辉,余李娟,黄丽玲,郑钰萍.心肌摄取~(99)Tc~m-MIBI相对定量值和血清cTnI检测对蒽环类化疗药物心脏毒性的预测价值[J].标记免疫分析与临床.2019
[2].白雅婷,南楠,尹婕.探讨定量构效关系模型在药物及其杂质毒性预测方面的应用[J].中国药事.2019
[3].焦玉菡,冯阳,李海舟.高内涵筛选在药物肝毒性预测中的应用进展[J].中国细胞生物学学报.2018
[4].姚萍丽,嵇利芳.血浆糖原磷酸化酶同功酶BB、肌红蛋白和B型尿钠肽水平预测化疗药物致心脏毒性对临床护理的指导价值[J].中国卫生检验杂志.2018
[5].蔡垂浦.抗肿瘤ROCKⅡ抑制剂预测及肿瘤药物心血管毒性虚拟评价研究[D].广州中医药大学.2018
[6].崔久嵬,刘雪莲,李薇.人体成分分析在抗肿瘤药物药动学及毒性预测中的研究进展[J].肿瘤代谢与营养电子杂志.2018
[7].汪巨峰.提高药物研发中心血管毒性的预测性研究进展[J].中国新药杂志.2017
[8].雷太龙.基于机器学习方法的药物毒性的理论预测研究[D].浙江大学.2017
[9].虞林,郭继芬,郭家彬,殷健,崔岚.基于PBPK模型的反向剂量测定法预测药物的毒性[C].2017（第叁届）毒性测试替代方法与转化毒理学（国际）学术研讨会会议论文集.2017
[10].李敏华.大数据分析预测药物毒性[N].医药经济报.2016
标签：心肌肌钙蛋白I; ~(99)Tc~m-MIBI; 发射型计算机断层扫描仪; 蒽环类药物;