- A+
根据目前的知识和本文提供的数据，与艾乐替尼(alectinib)相比，布加替尼(brigatinib)（brigatinib）可能更容易与其他药品发生相关的代谢和机械互相作用，这可能是多医治患病者的更安全选择。在恶性肿瘤患病者中使用一种以上的药品（例如，用于医治恶性肿瘤或医治衍生的一并发生的不良症状，或预先存在的疾病）是常见的，并且多种药品（5 种或更多的伴随药品）已被证明在恶性肿瘤中以更高的频率发生幸存者比非恶性肿瘤年龄和性别匹配的对照组。多种药品在老年人或临终环境中尤为常见。因此，在考虑不同的医治方案时，必须仔细考虑药品互相作用。然而，由于与其他恶性肿瘤患病者相比，NSCLC 腺癌患病者往往更年轻且往往是非吸食烟草者，因此多药医治导致的潜在药品干扰可能不代表临床实践中医治选择的决定性要素。
如前所述，ALKi 活性受多种要素影响，包括肿瘤内在特点（例如，ALK 融合基因变异或存在其他主要基因共突变）和外在要素（例如，先前医治的影响，例如存在 ALK 二次突变, 或旁路阻力的发展), 以及药品依赖性特点 (例如, 血脑屏障交叉)。目前的研究旨在探索布加替尼(brigatinib)和艾乐替尼(alectinib)之间的机制差异，这些差异可能会影响两种药品在计算机上的治疗效果。然而，除了治疗效果数据外，药品毒性特点是医治选择的重要决定要素。根据以前的出版物，我们认为尽管所有 ALKi 都存在常见和特定的不良(系统自动过滤词)，但艾乐替尼(alectinib)和布加替尼(brigatinib)的耐受性同样良好，能够通过降低剂量或中断医治来控制。
为了更好地对机制分析提出的假设进行背景化，需要考虑并在本文中讨论过其他参数（ALK 二次突变、安全问题），并且必须在临床实践中加以考虑。此外，计算机建模方式可用作预测工具和假设生成器，受疾病和药品信息的限制。例如，未知靶点或尚未描述的病理生理过程可能在评估药品
的作用机制中起作用。尽管如此，这些模型是通过考虑整个人类蛋白质网络和广泛的药品-病理学关系来构建的，不仅限于非小细胞肺癌或肿瘤适应病症，在人工神经网络模型的情况下，它们的交叉验证准确率在 80% 以上，在基于抽样方式的模型中，交叉验证准确率在 90% 以上。
因此，即使基于系统生物学的建模方式受到可用信息量的限制并且必须做出一些假设，计算机技术仍有助于理解恶性肿瘤的基本过程。这些方式使我们可以以减少的实验成本和在不同的环境中探索研究或面市药品。如果临床研究不会很快完成或实施起来很复杂，这被证明尤其重要，例如在一线环境中进行的 布加替尼(brigatinib)与 艾乐替尼(alectinib)头对头研究的情况。
同样，与其他第二代和第三代 ALKi 进行对比，这些 ALKi 最近在一线环境中显示出克唑替尼(crizotinib)的好处（eXalt3 中的恩沙替尼，或 CROWN 中的劳拉替尼，能够进一步深入了解 ALK+NSCLC 医治背后的机制。因此，系统生物学和人工智能方式有助于探索未解决的问题，这可能会指南 ALK TKI 的开发和确定 ALK+ NSCLC 患病者的最好医治顺序。进一步的计算机研究旨在确定布加替尼(brigatinib)后的最好医治顺序。更多详情可咨询下方【微信：yaodaoyaofang】。
药道网—药到病除，助力生命。汇聚全球药品资讯：霉酚酸酯片
