基于IC50 的酶抑制分析优化：单抑制剂浓度下的精准常数估算

本研究针对传统酶抑制分析需多浓度实验导致的效率低下问题，提出50-BOA（IC50 -Based Optimal Approach）方法，通过单抑制剂浓度（>IC50 ）结合Cheng-Prusoff方程正则化，实现Kic 和Kiu 的高精度估算，减少75%实验量，为药物开发和食品技术提供高效工具。

　　

酶抑制分析是药物开发和食品安全评估的核心环节，其关键在于精确测定抑制常数K_ic
（竞争性抑制常数）和K_iu
（非竞争性抑制常数）。传统方法需耗费大量资源进行多浓度实验，且因实验设计缺乏系统性常导致结果不一致。例如，酮康唑对咪达唑胺的CYP3A4抑制类型在不同研究中被分别报告为混合型和竞争型，凸显现有方法的局限性。

为破解这一难题，韩国基础科学研究院和成均馆大学的研究团队开发了名为50-BOA的创新方法。研究发现，当抑制剂浓度（I_T
）低于抑制常数时，传统实验数据不仅冗余还会引入偏差。通过分析误差分布规律，团队揭示仅需使用单一I_T
（>IC₅₀
）结合Cheng-Prusoff方程的正则化处理，即可实现K_ic
和K_iu
的精准估算。该方法将实验量减少75%，相关成果发表于《Nature Communications》。

研究采用三大关键技术：1）基于质量作用定律的动力学模型模拟；2）误差景观热图分析不同I_T
条件下的参数可识别性；3）交叉验证优化的正则化算法，整合IC₅₀
与初始速度数据。实验验证采用三唑仑-酮康唑（混合抑制）和氯唑沙宗-乙胺丁醇（竞争抑制）两组真实数据。

结果解析

误差景观揭示实验设计规律
通过构建不同I_T
条件下的拟合误差热图发现：当I_T
?K_ic
/K_iu
时参数无法识别；当I_T
介于K_ic
与K_iu
之间时可精确估算其中一个常数；仅当I_T
≥IC₅₀
（IC₅₀
为K_ic
与K_iu
的加权调和均值）时才能同时精准估算两个参数。

IC₅₀
正则化提升精度
将IC₅₀
=H(K_ic
,K_iu
)作为正则项引入损失函数，即使IC₅₀
存在偏差，交叉验证机制也能自动降低λ权重，保证主导抑制常数的估算精度。在酮康唑案例中，单I_T
=0.5μM（>IC₅₀
=0.04μM）数据配合正则化，使K_ic
和K_iu
的95%置信区间与经典方法相当，且避免将混合抑制误判为竞争/非竞争类型。

复杂系统适用性验证
扩展研究表明，50-BOA适用于多底物系统、底物协同结合（希尔系数n>1）及抑制剂协同结合等场景。通过修改初始速度方程，该方法在辅因子NADPH竞争性抑制模型中仍保持90%准确率。

结论与展望

该研究建立的50-BOA框架从根本上改变了酶抑制分析范式：1）实验维度从多浓度矩阵简化为单点设计；2）通过IC₅₀
信息补偿数据量减少带来的精度损失；3）配套发布的MATLAB/R包支持复杂场景分析。对于CYP450等药物代谢酶研究，该方法可显著降低假阳性结果风险，加速DDI（药物-药物相互作用）评估流程。未来研究可探索其在体内高酶浓度环境下的适应性，以及IC₅₀
估算不准时的替代方案。

（注：全文数据与代码已开源，包含三唑仑-酮康唑原始数据及误差景观生成脚本）