Quantitative Analyse von Arzneistoff-Membran-Wechselwirkungen ...
Quantitative Analyse von Arzneistoff-Membran-Wechselwirkungen ...
Quantitative Analyse von Arzneistoff-Membran-Wechselwirkungen ...
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
Modellierung der Verteilungsvorgänge<br />
Zur Abschätzung, welche Methode das messbare Verteilungsverhalten der neutralen 1,4-Dihydropyridine<br />
gut vorhersagen kann, wurden auch Korrelationen zwischen den Programm-logP-Werten und<br />
den logarithmierten Kapazitätsfaktoren (logk´) herangezogen. Die logk´-Werte <strong>von</strong> Amlodipin und<br />
Nicardipin konnten nicht einbezogen werden, da sie pH-abhängig sind und die Verbindungen bei<br />
pH 5.4 fast ausschließlich protoniert vorliegen.<br />
Die allgemein geringen Korrelationen (mit ClogP, ACD, HINT_2D) gründen sich hauptsächlich auf<br />
die unzureichende Qualität der logP-Vorhersage (r 2 = 0.58 ± 0.08, F = 7.1 ± 2.0). Mit den experimentellen<br />
logP Oct-Werten wurde ein fast idealer Zusammenhang gefunden (Abschnitt 4.4.2, r 2 = 0.94,<br />
F = 59.5). Die Verteilungskoeffizienten der 1,4-Dihydropyridine in n-Octanol/Wasser können durch<br />
kein Programm mit absoluter Genauigkeit (± 0.1) vorhergesagt werden.<br />
6.3.2 Vergleich der logP-Werte aller Verbindungen<br />
Einen quantitativen Vergleich ermöglicht die lineare Regression <strong>von</strong> vorhergesagten Koeffizienten zu<br />
den experimentellen Daten. Die gemessenen logP-Werte wurden als die abhängigen Variablen<br />
eingesetzt, da wie in der QSAR-Analytik üblich, getestet werden sollte, ob die Programme Verteilungskoeffizienten<br />
für unbekannte Verbindungen vorhersagen können, wenn nur eine geringe Zahl<br />
an Messdaten zur Verfügung steht. Ein anderer Maßstab zur Güte der logP-Berechnung im<br />
Wertebereich der ausgewählten Verteilungskoeffizienten bietet sich in den Beträgen <strong>von</strong><br />
Ordinatenabschnitt (Intercept) und vom Geradenanstieg, die bei absoluter Übereinstimmung <strong>von</strong><br />
berechneten zu gemessenen Wert Null und Eins annehmen.<br />
Von Vorteil ist der erweiterte logP-Wertebereich der gemessenen und auch der kalkulierten logP-<br />
Werte, wenn alle Verbindungen als ein Datensatz betrachtet werden.<br />
logP = 2.37 (± 0.29) + 0.46 (± 0.06) logP ClogP n = 23 s = 0.33 r 2 = 0.75 F = 62.5<br />
logP = 1.61 (± 0.50) + 0.62 (± 0.10) logP ACD n = 23 s = 0.40 r 2 = 0.63 F = 35.3<br />
logP = 3.36 (± 0.32) + 0.27 (± 0.07) logP HINT.2D n = 23 s = 0.40 r 2 = 0.44 F = 16.5<br />
logP = 3.97 (± 0.19) + 0.20 (± 0.05) logP HINT.3D n = 23 s = 0.50 r 2 = 0.41 F = 14.5<br />
Um eine Vergleichbarkeit der Ergebnisse der Regressionen zu gewährleisten, wurden die Verbindungen<br />
Chlorprothixen, Fluphenazin und Lacidipin bei ClogP und HINT nicht berücksichtigt.<br />
Eine Verbesserung der Beziehungen zwischen berechneten und experimentellen Verteilungskoeffizienten<br />
konnte bei einer breiten logP-Varianz nicht gefunden werden. Wie erwartet nehmen die<br />
Standardabweichungen der Zusammenhänge zu, wenn die stärker streuenden Daten (Abb. 39/40) <strong>von</strong><br />
strukturell heterogenen Verbindungen stammen. Die Beträge der Ordinaten-abschnitte und der<br />
Anstiege sind trotz ihrer kleinen Standardabweichungen weit <strong>von</strong> ihren Ideal-werten entfernt, was für<br />
eine schlechte absolute Wiedergabequalität der Berechnungsprogramme für große logP-Bereiche<br />
spricht.<br />
Der Test auf Ausreißer in der Regression führte zu unterschiedlichen Ergebnissen, die Auskunft über<br />
die problembehaftete Berechnung für bestimmte Strukturmerkmale geben.<br />
99