1 葛兰素史克研发中心(英国)，系统建模和转换生物学

2  Array制药公司(美国)，临床药理部

3  Admescope公司(芬兰)

4  Simulations Plus公司(美国)

5 罗氏制药(瑞士)，制药研究与早期开发，制药科学

  文章解读人  

陈涛，上海凡默谷技术部

  参考文献  

Neil A. Miller, Micaela B. Reddy, Aki T. Heikkinen, et al., Physiologically Based Pharmacokinetic Modelling for First-In Human Predictions:  An Updated Model Building Strategy Illustrated with Challenging Industry Case Studies. Clin Pharmacokinet. 2019 Feb 7.   IF: 4.464

   摘要   

生理药代动力学(PBPK)建模已经在制药企业得到了广泛地应用，并在预测药物相互作用DDI方面得到了法规部门的认可。

PBPK建模还可以在制药工业界内有更为广泛的使用，也期望能发挥PBPK更多的功能，以促进新的有监管影响力应用的产生。

例如，在药物发现阶段PBPK建模已经常规性地用于体外到体内转化以及临床前种属的药代动力学建模，并将验证后的模型应用于预测首次人体(FIH) PK。

该应用领域中一些多个行业持续采用的策略可以提高对应用方法的信心，并由此再促进更深入的学习与了解。基于此，该文章将致力于优化之前报道的基于PBPK建模预测FIH PK的策略。

结合GastroPlus™用户群指导委员会中来自众多企业科学家的经验，并将药物吸收、分布、代谢和排泄的一些最新知识整合到决策树中以展示FIH PK预测的每个部分。

原文作者阅读了很多相关的科学文献以探索新的发现，并指出一些需要改进的地方。

最后，选择四个具有挑战性的化合物作为应用案例以阐述和突出新策略的主要构成。

   关键点   

联合定量结构-性质关系(QSPR)模型和生理药代动力学(PBPK)模型是一种非常强大的合用技术，该技术目前已用于药物的早期发现。

联合定量结构-性质关系(QSPR)模型和生理药代动力学(PBPK)模型是一种非常强大的合用技术，该技术目前已用于药物的早期发现。

结合参数敏感性分析，可以鉴定影响系统暴露的关键化合物性质，并指导先导化合物的优化。

当许多关键参数可以获得实验测定的数值后，将其输入到模型中可以极大改善FIH PBPK预测质量。

在进行评估预测FIH PK之前，采用临床前种属的数据验证PBPK模型对于建立可靠及预测准确性的模型十分重要；不确定性分析是获得FIH PK最大预测数值的一个关键因素。

生理药代动力学(PBPK)模型基于组织和器官的构成、体积和血流量等生理学特征将机体表征为参数化的房室。

PBPK模型将机体生理学特性和化合物特定的数据整合起来以预测药物的药代动力学特征，连同时间-血浆或组织中药物浓度的变化。

将PBPK模型考虑为链接机制性吸收模型(如高级房室吸收与转运模型，ACAT)以描述系统处置的全身模型。PBPK建模的起源可以追溯到1937年Teorell所发表的文章，但是PBPK建模应用于药物发现、开发和法规监管在2006年左右才开始出现。

US FDA和EMA也在近期发布了合理使用PBPK模型的指导文件；此外PBPK模型在指导制定药品说明书方面也得到越来越多的应用。

大部分法规注册申请资料中涉及的PBPK建模工作主要关注在药物药物相互作用和儿科人群的建模方面。

然而，近年来工业界对PBPK模型的应用已经发生了很大的变化，涵盖了在药物发现和开发阶段预测临床前种属的特征到不同临床人群的变异考察，这也意味着法规应用中的潜在拓展。

在2014年US FDA主办的一场PBPK建模研讨会上，发现采用PBPK模型对于药物开发人员预测FIH PK是非常有用的。

因此，PBPK模型已经越来越多地用于法规注册申请，EMA已将其作为评估健康志愿者合适起始剂量的一种有用工具：要求将所采用的方法(如通过PBPK建模等方式)、计算出来的剂量及其对应的暴露水平，应当包含在研究方案中并汇总到研究者手册中。

作为系统药理学的一种方法，PBPK模型可以看作是洞悉新化学实体或候选化合物药代动力学性质的一个日益增长的知识存储库。

在FIH试验之前应用PBPK建模预测药物的临床PK，这对临床前药物的开发非常有用。

来自Jones等发表的有影响力文章，指出先用临床前种属对PBPK模型的预测能力进行验证，然后预测人体PK，该方式要优于采用经验方法预测人体特征。

此后，来自制药企业的一些文献也证明了PBPK模型在这方面应用的优越性，而且很多中大型制药企业现在已常规性地使用了该方法。

原文作者更新了Jones等人报道的建模策略，将一些新的知识和附加的流程图包含到FIH预测的每个部分里。尽管一些信息是仅包括在GastroPlus中且所列举的案例也是采用GastroPlus搭建的，但所呈现的很多信息都可以适用于常规的PBPK建模。

该文章所提出的新策略是结合对大量文献的综合审阅以及整合作者(他们都是PBPK建模专家和GastroPlus用户群指导委员会的成员)的知识和经验进行更新得到的。该文章以全新的视角去修订现有的预测策略，包括在实验开展前使用定量结构-性质关系(QSPR)模型的预测数据作为PBPK模型的输入参数；将最新的吸收、分布、代谢和排泄(ADME)知识整合到推荐的决策树中；并着重说明模型预测中不确定考虑的重要性。

所列举的应用案例强化了策略的应用，以及有挑战性的化合物模型中某些输入参数(如全血血浆浓度比，RBP)和模型组成(如组织的模型)的重要性。

原文作者坚信结合多个企业最优秀的实践和经验更新的预测FIH的统一策略，可以提高法规监管部门在该方面应用的信心。

PBPK模型需调节很多参数，这使模型较为复杂，这影响了统一模型搭建策略和最佳实践指南的情况。

PBPK模型需要很多学科、不同背景科学家的配合，因此一种可以覆盖很多情形的常规方法可以很好地促进监管评估。

连同统一的模型策略，采用一致的生理学参数和比放因子以使得各个化合物同等比对，此外一些公式会采用内部的规则以确保模型的一致性。

比如一些关键参数的可能范围，文献报道了大鼠肝血流量的数值有47.2，55.2和80 mL/min/kg等。

GastroPlus内建的PBPK模型涵盖了种属特异性的生理学参数和比放因子等数据，以确保模型的一致性。

2.1 采用QSPR和PBPK模型评估化合物

尽管PBPK模型需要化合物大量的相关参数，但很多数据可以采用QSPR模型预测得到，这使得在实验开展前的早期药物发现阶段便能使用PBPK模型，特别对虚拟化合物的建模非常有用。

尽管采用很多基于结构式预测的参数所进行PK准确预测是有可能的，但目前还没有通过每一个化学系列的化合物进行有效验证和评价。

早期模拟中联合QSPR模型的预测结果(如脂溶性、酸碱性、清除率、溶解度、渗透性、红细胞和血浆蛋白的结合等)和PBPK模型可以鉴定变异和主要敏感的参数；能够及时开展相应实验以及优先分配符合目标(fit for purpose)的资源，以支持模型的搭建和临床前数据的验证。

PBPK模型在仅有少量数据的药物发现阶段已经得到了成功的应用。

随着化合物研发的进展，模型可以采用更多的实验数据进行完善更新。然后在进行FIH预测时，经常需要一整套完善的实验测量数据作为模型输入参数。

模型预测的准确性可以通过考虑临床前数据、表征已鉴定的数据差异和验证临床前的PBPK模型等方式进行优化和提高。

在将QSPR模型预测参数整合到PBPK模型(Fig. 1)后可以洞悉化合物的性质以及需要增加的实验。体内作用以及化合物性质和生理学框架间的相互影响，可以通过参数敏感性分析(PSA)进行研究。

例如对于一个碱性化合物，药物在小肠中的沉淀以及和组织中酸性磷脂的结合可能非常关键。这些可以通过评估所预测的参数(如沉淀速率、肠道溶解度和BPR，其中BPR又将影响组织结合和稳态分布体积，Vss)对预测的血浆药物浓度-时间曲线的影响进行探寻和评价。

Fig. 1 采用QSPR和PBPK建模从结构式出发评估化合物：BCS-生物药剂学分类系统；BDDCS-生物药剂学药物处置分类系统；BPR-全血血浆药物浓度比；Dn-溶出指数(药物在小肠中的转运时间与理想的溶出时间之比)；ECCS-扩展清除分类系统；Fup-血浆游离药物分数；GI-胃肠道；IVIVE-体外体内外推。

对联合ADMET Predictor™和GastroPlus软件开展的初始QSPR和PBPK模型进行评估，可以让建模人员发现所搭建的特定药物分子模型的主要挑战。

因此，如果化合物被预测为生物药剂学分类系统(BCS)的I和II类，那么机制性口服吸收模型的预测可能就较为简单了，相反对于III和IV类化合物可能就有一定的挑战性。

此外，扩展清除分类系统(ECCS)的框架也在最近整合到了ADMET Predictor™ Version 9.0模型中，它可以预测一个化合物是否主要经肾脏排泄清除，以及肝脏转运体是否影响清除等。

如果预测化合物主要经细胞色素P450 (CYP) 3A4肝脏代谢的方式清除，那么肠道代谢对口服生物利用度的作用就需要考虑到模型中，且早期就需要开展代谢表型的实验。

2.2 代谢和清除

PBPK建模需要定量理解药物清除的主要机制，Fig. 2代表了考虑药物清除途径的策略。

在早期发现阶段预测化合物的清除率依然具有一定的挑战，然而近期研究证明采用同一系列化合物搭建的QSPR模型进行预测相对较成功。

扩展清除分类系统是一个非常有用的参考信息，如果预测一个化合物主要经肝脏代谢的方式消除，那么当临床前种属能够建立起体外体内外推(IVIVE)转化方法后，进一步准确预测人体清除的信心是非常高的。对于主要经CYP酶代谢的化合物，建立起一个成功IVIVE方法的可能性还是比较高的；但对于非CYP酶代谢的情况，即使常采用肝细胞模型进行定量表达，也依然存在很多挑战。

扩展清除分类系统可以标识出涉及主动摄取的肝脏清除，这种情况下选择肝细胞模型测定动力学数据是较为有用的，且人体清除率的预测可以采用跨种属的经验比放因子进行改善。

很多先进的肝细胞模型已经在探寻涉及更复杂情况的IVIVE数据转换。涉及主动转运的肾脏、胆汁排泄清除从体外数据进行机制性的预测也具有一定的挑战，通常预测涉及转运体作用的分子在人体的PK是有一定的困难，因为该情况下药物的吸收、分布和消除都受其影响。

Fig. 2 PBPK模型清除率的预测策略：CL_R-肾脏清除率；CL_R,u-游离的肾脏清除率；ECCS-扩展清除分类系统；fup-游离药物分数；GFR-肾小球滤过率；IVIVE-体外体内外推

不过现在也有一些令人振奋的行业发展：比如对于肾脏分泌，有文献报道采用测定有机阴离子转染的人胚胎肾细胞的动力学数据成功预测了31个结构多样药物的肾脏清除，虽然需要采用大量药物数据集验证肾小管被动重吸收的机制性模型；对于肝脏清除，近期有文献表明来自三明治构型培养肝细胞的数据并保持相同的IVIVE方法，可以准确预测17个结构不同药物的人体清除率。

此外，采用体外和体内转运体表达数据，通过三明治构型的机制性IVIVE模型可以改善瑞舒伐他汀大鼠清除率的预测结果。

研究还报道了猴子是一个非常有价值的模型可以验证受转运体作用化合物的肝脏处置特征，特别是有机阳离子多肽转运蛋白的底物。现在已经存在一些包含从体外研究表征代谢酶和转运体动力学的复杂PBPK模型案例，这也将在今后的模型发展中常常出现。

不考虑药物机制时，如果临床前种属清除率的预测结果得以验证，那么将增强成功预测FIH PK的信心。

如果IVIVE方法在临床前种属不能成功建立，那么需要采用经验性比放因子预测人体清除(见4.1章节的Compound 1)。

2.3 分布

理解药物的组织分布对于PBPK建模是必需的，且能通过一些机制性公式辅助加深认识。图3表示了PBPK模型考察分布组成的策略。

GastroPlus内建了Lukacova Kp (组织-血浆分配系数)计算方法计算药物的分布，该方法是建立在前人工作基础上的，但同时也采用了其它方法。无论使用哪种方法，都将用到体外实测的log P, pKa, fup和BPR等参数，以及建议通过临床前种属进行验证以保证预测的准确性(Fig. 3)。

Fig. 3 PBPK模型分布体积的预测策略：BPR-全血/血浆浓度比；fup-血浆游离药物分数；Kp-组织-血浆分配系数；SpecPStc-每毫升组织细胞体积的特定体内扩散清除率。

对于被动扩散占主导作用的分子，分布的预测常采用标准的血流灌注组织模型。

如Compound 2 (4.2章节)的案例，重点突出了实测BPR的数据对于预测碱性化合物Vss的影响。

然而，对于大分子且以较慢的速度被动扩散透过组织细胞膜(如4.4章节的Compound 4)，可能需要采用膜渗透限速型的组织分布，且还包含了潜在的转运体动力学。在其它的一些案例中，输入的实测BPR数据根据观测的Vss进行了经验性的调整。调整BPR以考虑碱性亲脂性化合物受磷酯类结合以及溶酶体捕获作用，目前还基本是根据经验进行拟合，以说明含有大量溶酶体的组织中其观测到酸性磷酯的含量很高。

整合公式以描述溶酶体对Kp预测数值的贡献，可能会包含在将来版本的GastroPlus中。

当组织分配方程不能很好预测时，定量全身放射自显影技术的数据(若能反映母药变化)可以用作估算Kp的数值，以及从大鼠数据准确地预测人体PK。

此外，可假设游离Kp是一致的，且考虑种属间血浆蛋白的差异，可从动物的Kp数据放大到人体数据。

2.4 口服吸收

由于口服吸收是一个多种因素交互的过程，因此临床前预测结果的验证对于建立可靠的FIH模型非常重要。在建立临床前种属PBPK模型时，为提高口服模型的预测准确性，一般需要用到静脉给药的PK数据以确保处置模型的准确搭建；该数据可以帮助校正系统的PBPK模型或者优化经典房室模型。

也需要测定生理介质中的溶解度数据，除非亲水性溶解度非常大可以保证化合物完全、快速的溶出。对于FIH预测，推荐采用来自同一个实验体系的体外渗透数据与体内渗透建立转化关系。图4提供了评估不同因素影响口服吸收的框架。

对于亲脂性化合物，吸收可能对胆酸盐增溶因子(BSSR)比较敏感，因此可以采用模拟空腹状态的肠液(FaSSIF)以及模拟饱腹状态的肠液(FeSSIF)的溶解度预测BSSR，该数据又可用于临床前种属口服数据的验证或优化。

当前GastroPlus模型在胆酸盐对于体内溶解增溶作用方面的考虑，基于了空腹与空腹介质中胆酸盐浓度对亲水性溶解度的相对改变进行体现的。如果采用FaSSIF或FeSSIF估算的BSSR数值不一样，那么可能暗示可能还需将简单胆酸盐增溶作用之外的因素考虑进来。在一些案例中，临床前种属体内模型的验证可以用于估算BSSR数值的相关性。

所使用的基于临床前种属的建模去卷积得到的生物体相关溶解度，可以经过一系列化合物(包括所有BCS或BDDCS的分类)的准确预测得以支持。

通常，生理学参数是不需要优化的，建议采用GastroPlus ACAT模型默认的数据，虽然有时会发生一些微小的调整。

例如，有些模型参数(如胃肠道液体的总量)具有明显的不确定性。

对于Compound 1 (BCS Class II)，包括已知的胃肠道液体体积的变异性以及实际制剂粒径数据，对于口服吸收预测都非常重要。其它的一些案例也展示了进行适当的ACAT模型参数调整，包括胃转运时间(该参数展现了随时间的变异)，胃中pH (如同时服用质子泵抑制剂的病人)以及修正内建的种属间有效渗透性转化关系等。

尽管报道了一些调整种属特异性吸收放大因子的研究，但细致地评估、验证种属特异性的ACAT模型的工作未见报道。这些研究采用狗理论的表面积-体积比值(SA/V)模型以及使用设置结肠渗透速率与人小肠相同的Opt-logD SA/V Version 6.1模型。

Fig. 4 PBPK模型口服吸收预测的策略：ASF-吸收放大因子；BSSR-胆酸盐增溶因子；MPT-平均沉淀时间；其它过程-转运体，可以通过简单的方法(如基于临床前观测结果或体外数据调整渗透性)到更复杂的方法(设置特定转运体的作用)将外排转运体的作用整合到GastroPlus模型中。

理想状态，临床前口服PK数据应当覆盖人体相关的给药剂量和剂型，进而使得验证的相关剂量下的制剂模型有较高的可信度。临床前种属可以研究食物效应，并指导人体PK的预测。

如果一个化合物发现在肠壁中酶代谢现象较为活跃，Fig. 5提供了考察口服暴露影响的评估流程。该图表是为了理解肠壁代谢导致暴露减少(通过利用已经获得肝脏代谢的数据)的潜在风险。高渗透可能会抵消部分的肠壁代谢，该现象可以通过PSA进行充分研究。

一般初始的研究主要关注预测CYP3A4的肠道代谢，可能因为使用葡萄柚汁研究的数据能支持模型的预测。GastroPlus软件可以整合代谢贡献至ACAT模型的每个房室。

例如对于主要经CYP3A4代谢的化合物，体外肝微粒体的清除数据可以用于估算CYP3A4介导的肠道代谢。类似的策略对于评估非CYP肠壁代谢酶(如UDP葡萄糖醛酸转移酶和磺基转移酶)作用的化合物也是非常有用的。

然而由于受到肠道代谢酶丰度数据以及肠道排泄的体内估算(还需要进一步验证的途径)的限制，预测非CYP代谢酶的贡献是较为复杂的。

Fig. 5中所呈现的策略，具有低逃离肠壁代谢药物分数的趋势。

因此在进行预测相关肠壁排泄时，可能还需要平行地使用一种备选方案评估肠壁代谢，以支持最后的决策。

这些评估方法也体现在Peters等人文章阐述的模型应用策略，文章建议将动物中观测到肠壁代谢，连同人肠道代谢的相关体外数据和化合物的生物药剂学分类等因素考虑到低逃离肠壁代谢分数的药物风险评估中。

此外，同时受肠壁代谢和主动转运的化合物，采用经验校正的代谢和转运IVIVE比放因子可能会更加准确表征。

Fig. 5 PBPK模型评估肠壁代谢的策略：Clint-肝脏固有清除率；Fg-逃离肠壁代谢的药物分数；Km-Vmax一半时底物的浓度；Vmax-代谢酶最大代谢反应速率；注：肠壁代谢经常会出现饱和现象，如果有Km和Vmax的数据可以评估剂量依赖型的饱和现象。

2.5 不确定性和变异分析

尽管经常开展FIH剂量的模拟预测，但该方法可能会影响所得的数据结果，因为在PBPK模型输入的参数具有不确定性且所模拟的人群有一定的变异性。特别是从监管部门的视角来看，同时考虑到不确定性和变异性是非常重要的。当采用PBPK模型预测FIH剂量时，探寻模型参数的不确定是非常关键的：因为在这个阶段有很多未知的因素，Compound 3 (见应用案例的4.3章节)专门举例说明了该情况。

PSA分析可用于确定主要的不确定因素，无论是因为数据的限制，机制理解的缺少，不能预测代谢饱和或吸收机制，或者是体外和体内数据的差异。EMA鼓励采用PSA以表征PBPK模型参数不确定性的程度。

不确定性可以转移到汇总的PBPK模型结果中，并导致临床PK预期结果的限制。有时，关注单个关键模型参数也是非常有价值的。例如，清除率经常是一个敏感参数且没有非常可靠的信心，因为来自微粒体和肝细胞所预测清除率的不一致，或者临床前种属体外和体内清除率的差异。一种方式是对于不确定的模型参数给出一个预测范围，或者是预测一个最有可能的估算值和最差情况的结果。清晰地表述预测范围所代表的内容比较重要，以便可以合适地处理相关信息。

有时，多个参数的不确定性传输也很重要，比如当清除率和吸收的预测都存在不确定时。这种情况下，三维的PSA (三维结果展示预测的PK参数)所呈现的模拟结果对于确定可能的不确定因素是非常有用的参考。

对于预测的变异性，GastroPlus的群体模拟功能可以用于模拟多个模型参数(常是生理学)在所定义的变异分布范围内变化时的临床表现。这一强大的技术已经在确定特定P450基因亚型/基因多态性的影响，理解预期药物药物相互作用的范围和模拟疾病对病人PK影响等方面得到了应用。当然，一些简单的途径(如对比一个典型的病人在空腹和饱腹状态下所预测PK的变化，或者对比一个健康人和病人PK预测的差异等)对理解变异性也是非常有用的。变异性的预测在人体数据获得后可能会更加有用，这也可以改善“自顶向下”的PBPK模型预测能力。

如Compound 1 (见应用案例的4.1章节)，更加全面地评估不确定性和潜在的变异可以帮助避免需要增加额外样品采集点的临床方案修订。图6提供了一个PBPK模型的输入参数清单，同时也应用于考虑不确定的评估。仅来自Fig. 6的一系列参数(由化合物性质决定的)对于一个特定的PBPK模型是非常重要的。

Fig. 6 通过分子性质和不确定评估驱动的PSA分析指导PBPK建模策略：3D-三维；ADME-吸收，分布，代谢和排泄；APL-酸性磷酯；ASF-吸收放大因子；BCS-生物药剂学分类；BPR-全血血浆浓度比；BSSR-胆酸盐增溶因子；Capt-酸性磷酯在组织中的浓度；Clint-肝脏固有清除率；FIH-首次人体；fup-血浆游离药物分数；Km-Vmax一半时底物的浓度；MPT-平均沉淀时间；PSA-参数敏感性分析；Peff-有效渗透性；SI-小肠；SolFactor-溶解因子；Vmax-代谢酶最大代谢反应速率

另外，原文作者列举了可以改善PBPK建模预测FIH结果的一些机会区域(Table 1)，这些也应当一并考虑到不确定评估内容中。

Table 1 基于PBPK建模方法的机会区域

对应的应用案例请见：

（下）基于生理药代动力学模型预测首次人体PK的新策略-应用案例

  参考文献 

Neil. Miller, Micaela B. Reddy, Aki T. Heikkinen, et al., Physiologically Based Pharmacokinetic Modelling for First-In-Human Predictions: An UpdatedModel Building Strategy Illustrated with Challenging Industry Case Studies. Clin Pharmacokinet. 2019 Feb 7.   

IF: 4.464