モデリングは、効果的な薬剤設計において、実験と分析に続く3番目の方向です。それは革新的な開発における研究者の組み合わせ能力を大幅に拡大します。長期的な実験により、モデリングにより、結果を得る瞬間をスピードアップし、調査中のオプションの範囲を狭めることができます。
機器投与モデルを使用すると、薬剤の作成に関する実際の作業で追加の準備をしなくても、このツールを使用できます。
モデリングの限定的な使用は、実際の使用における製造可能性の欠如によるものです。以下は、RobertPalmerの作業に基づくディスペンシングモデルです。基本モデルは、新しい機能とインターフェイスで補完され、ツールとしても形式化されています。
PK / PD薬物分布モデルは、薬物作用のメカニズムに関与する最も感度の高いマーカーの変化の程度によって評価された、その生物学的効果を研究するために開発されています。
モデルの形成は、物質に特徴的な薬物動態（吸着、分布、排泄）と薬物動態（濃度とマーカーへの影響の関係）の記述に基づいています。
PK / PDモデルを使用して、薬剤の最小生物学的効果（MBE）につながる用量、したがって、薬剤の可能な初期用量を決定することが可能です。
モデルは、次の作用メカニズムに基づいてdrugTESTを提示しました：物質subANは標的分子標的に結合し、複雑なstCOMを形成します。バイオマーカーは、THENの相対量（目標占有率）目標、関連subAN。
このモデルは、コンポーネントBioChemライブラリSystemModelerを使用して構築されています。
モデルには、2つのコンパートメント（一定のボリューム）が含まれています。
- 基本-主な反応が起こるコンパートメント。
- その後-非特異的結合または薬物の再分配に関与する区画。
モデル図
subAN の薬物動態を説明するために、次のデータを入力します。
- 出現の速度によってsubANでbasic-コンパートメント。
- 直接除去し、ターゲットに結合してその後分解することにより、subANを排除します。
subAN の薬物動態は、標的の合成、分解、および標的の結合の反応によって説明されます。
化学反応の特徴（化学量論係数、速度）、基質および試薬の濃度は、入力に依存するパラメーターおよび独立したパラメーターによって設定されます。
このモデルでは、反応速度には、ユーザによって入力されたパラメータによって記述される：
KE用L subAN-> elim_subAN反応。
KINT反応にstBIN-> deg_complex。ターゲット融合反応の
ksyn ;反応ターゲットのkdeg- > deg_target。
モデルがどのように機能するかを見てみましょう。モデルの提示を単純化するために、活性物質と標的分子との主な結合反応が血漿中で起こると仮定します。入力信号を
作成してみましょう。それの出現率が明らかであるsubANにおける基本的なコンパートメントは、薬物（の総用量に依存する用量）および投与経路。 静脈内注入の場合は、時間を設定します（infusionT）。その場合、注入期間中の血漿中の薬物出現率は（用量/注入T）になります。 したがって、dose / infusionTからinfusionTの値を持つピースワイズ関数を定義することによって入力信号を形成します
min、それ以外の場合は0。
特定のデータを選択して、モデルをシミュレートしてみましょう。
血漿中の物質と標的の濃度のダイナミクスを考えてみましょう。
グラフは、血漿中の投与された薬物の濃度がほぼ即座にピークに達し、その後、物質の分布と排除の結果として非線形に減少することを示しています。遊離標的分子の濃度は、物質に結合することによって減少し、その後、物質の量が減少するにつれてゆっくりと初期レベルに戻ります。
最小の生物学的効果の計算。 MBEとして、私たちは10％TOを取ります。次に、推奨される開始用量を決定することは、10％のTOを与えるsubAN用量を見つけることです。
与えられた例で最大目標負荷を推定しましょう。
最大目標負荷はほぼ97％です。これは目標の10％よりはるかに高いです。 20mgの投与量が高すぎます。
用量の選択。ターゲットの最大占有率（グラフ上で最小）に関連して、MBEが観察される最低濃度を決定しましょう。これを行うために、0から100mgまで使用される用量に対する最大TOの依存性のグラフを作成します。アプリケーションの最初の数時間で最大の効果が観察されるため、モデルを6時間シミュレートします。
各用量のシミュレーションテーブルを作成しましょう。
最大TOの研究用量への依存性のグラフを作成します。
データを補間すると、最小用量が得られ、最大応答は10％TOに相当します。：0.327698。
入力信号の他のパラメータおよびモデル自体で反応がどのように進行するかを理解するために、インタラクティブな構造を作成できます。
パラメータを変更したときの出力信号の変化を評価できます。たとえば、最初の図は初期データの結果を示し、2番目の図は用量を4に変更した場合の結果を示しています。3番目-モデルのパラメーター（コンパートメントの体積とターゲット分子の濃度）を変更した場合の結果：
このようなモデルは、体の組織や器官で発生するさまざまな生化学的プロセスに非常に簡単に適合させ、ツール（モデル）として形式化できます。