4.1 案例1

Compound 1: 通过临床前种属的经验性PBPK模型因子进行FIH预测

Compound 1是中性和高脂溶性(clogP > 5)的化合物。血浆游离药物分数(< 0.1%)和亲水性溶解度(< 1 μg/mL)均很低使得很难准确定量表征。

这些性质也意味着验证IVIVE方法具有一定的挑战性。然而，该化合物由于高logP等性质其药物化学不认为是一个好的活性分子，但临床前体外和体内的药理学还是比较好的。因此，开展了PK的种属外推并进行估算临床的给药剂量。

大鼠、狗和猴子表现出相似的Vss (从1.5到3 L/kg之间)。采用Lukacova方法(基于药物的理化性质并假设fup的数值为0.1%)预测的各个种属分布体积与观测数据较为一致；预测的人体Vss数值为3.2 L/kg。

4.1.1 采用临床前数据验证的经验比放因子进行人体清除率的IVIVE预测

从体外数据放大预测清除率应当考虑体外和体内结合的差异。对于Compound 1，因为很难测定蛋白结合，采用假设体外游离分数等于fup的方法很大程度地高估大鼠清除率(10倍左右)。

因此，人体清除率采用来自大鼠研究的经验比放因子进行预测得到。为了建立该种方法的信心，使用来自同一结构系列的先导化合物且已经作为临床候选化合物的体内和体外数据进行了验证。

这些化合物的实测肾脏清除均可以忽略不计，并假设体内系统总清除率(从<1到35 mL/min/kg)均通过肝脏代谢清除进行表征。

采用充分混合肝脏模型，化合物相关的比放因子通过微粒体和肝细胞固有清除率的数据估算得到。这些比放因子又进一步用于由固有清除率(来自人微粒体和肝细胞的数据)推算人体清除率。

通过肝细胞和微粒体方法预测的这7个化合物的人体肝清除率较为一致(Fig. 7)。

Fig. 7基于来自大鼠的经验因子，采用人微粒体和肝细胞固有清除率外推计算人体肝脏清除率的一致性。将血浆和全血蛋白结合整合到经验比放因子(SF)以修正充分混合肝脏模型，并用于将微粒体和肝细胞的固有清除率放大到大鼠体内肝脏清除率(CL_rat)。化合物相关的SF数值分别通过微粒体(SF_m)和肝细胞(SF_h)进行估算。这些SFs然后用于放大人微粒体和肝细胞测定的固有清除率。所预测的7个化合物的肝脏清除率具有较好的线性关系。

Compound 1的经验比放因子又进一步通过狗和猴子的肝细胞固有清除率进行验证。预测狗的清除率(0.6 mL/min/kg)和猴子的数值(2.0 mL/min/kg)比较好地反映体内观测数值(狗：1.5 mL/min/kg，猴子：1.8 mL/min/kg)。最后，比放人肝细胞固有清除率数值并预测得到人体平均的肝脏清除数值为0.5 mL/min/kg (范围：0.2-0.7 mL/min/kg)。

4.1.2 溶解度低，且呈现剂量和剂型依赖型的吸收

由于Compound 1的溶解度低，预测其口服吸收具有一定的难度。

临床前的数据显示该药物的生物利用度随着大鼠给药剂量的增加而逐渐降低，且还受到剂型以及进食状态的影响。临床给药剂型的吸收模型通过狗剂型筛选研究(发现空腹状态下给狗微粉片剂的生物利用度为7%，而饱腹状态口服纳米混悬液则为52%)得以支持。尽管亲水性溶解度很低(< 1 μg/mL)，但在生理相关介质中的溶解度还是能够得到提高的(FaSSIF中约为10 μg/mL，FeSSIF约为35 μg/mL)。

搭建了这些制剂给狗服用后的GastroPlus模型：该模型整合了实测的生物体相关溶解度，并根据实测数据进行两步调整优化了狗的吸收模型。首先，小肠和大肠隔室中水的百分数分别降低至10 %和0.1%；然后，对于纳米混悬液将其粒径调整至1 μm，普通片剂的粒径则为80 μm。

至于水含量的更改，如一些生理模型参数的更改(系统参数的改变)以吻合一个特定药物的实际体内暴露，一般不推荐为最佳的方式。然而，可以考虑不确定，即怀疑肠道水分体积的相关参数和结肠模型隔室的部分参数具有不确定性。这些优化的数值并进一步外推至人体吸收模型中，并模拟可能的临床情形。空腹状态下口服50 mg片剂的口服吸收预测值仅为11%，但饱腹状态下可增加至41%。因为预测出该药物有食物效应，因此首次临床研究在饱腹状态下进行开展。

4.1.3 临床数据显示预测PK时考虑不确定性非常重要

在Fig. 8中，模拟的饱腹状态给药25 mg片剂的情况与首次6个人给药后的临床血浆观测数值进行了比较。尽管最大血药浓度进行了很好地预测，但还是发现药时曲线下的面积有超过2倍以上的低估，观测的半衰期(10-14天)要远大于预测数值(~3天)。在开发的后期，开展了一个小剂量的静脉给药试验以确定主要的PK参数。在25 mg时，观测的口服绝对生物利用度(30-40%)和Vss (3.7 L/kg)与预测结果较为一致；然而系统清除率(0.18 mL/min/kg)要稍微低于预测的范围值(0.2-0.7 mL/min/kg)。

Fig. 8  片剂25 mg预测的平均血浆药物浓度(实线)和6个健康志愿者的观测数据(点)的对比。嵌入的图以log放大的形式展示了相同的数据(时间轴超过60天)。黑色实线代表平均清除率为0.5mL/min/kg的预测结果，而点虚线则表示清除率的范围在0.2-0.7mL/min/kg时的预测结果。

尽管Compound 1具有很挑战的性质，但PK还是进行了较好地预测。然而I期临床方案仅根据预测的平均半衰期(~3天)进行了设计，计划的样品采集时间不能充分表征PK行为，因此还需要对方案进行修正。考虑到清除率的不确定性可能避免该方案修正，因此在预测中考虑不确定性非常重要。

4.2 案例2
Compound 2：全血血浆药物浓度比对于预测碱性化合物稳态分布体积的影响-回顾性分析

结合QSPR和PBPK模型的评估，发现Compound 2是一个亲脂性、碱性、高溶解度和渗透性的BCS I类化合物；属于代谢清除(ECCS)并且由于和组织酸性磷酯的结合而导致高Vss。对于碱性化合物，用于评估酸性磷脂结合常数的BPR可能是PBPK模型的一个重要输入参数。

假设为30岁、70 Kg的人群，并输入包括BPR=0.91在内的QSPR模型预测的化合物特征参数，采用Lukacova的方法预测其Vss数值为3 L/kg。PSA分析表明BPR是一个敏感参数；对于BPR=0.55，预测的Vss数值为0.27 L/kg；而假设BPR为更大数值的2，所预测的Vss则为13.1 L/kg。

4.2.1 高稳态分布体积以及种属特异性的全血/血浆药物浓度比

已经获得了大鼠、兔子、狗、猴子、迷你猪和人静脉给药后的PK数据。这些数据作为回顾性独立评估BPR对预测Vss的影响。将每个种属观测的清除率数值输入到PBPK模型中以进行模拟和观测曲线的比对。采用Lukacova方法预测的Vss数值与所有种属的实测数据较为相近。

Compound 2在大鼠、兔子和狗全血中的分配要比血浆中的多(Table 3)。

Table3 Compound 2测定的全血/血浆浓度比(BPR)，游离药物分数(fup)以及稳态下静脉分布体积(Vss，观测和预测值)

注：人体实测了血浆PK，也采用GastroPlus预测了血浆PK；仅有临床前种属进行全血PK的检测，采用种属特征的BPR将全血Vss转为血浆Vss，以得到GastroPlus的输出数据。

Vss的误差= −Observed Vss/Predicted Vss，如果Observed Vss > Predicted Vss

Vss的误差= +Predicted Vss/Observed Vss，如果Predicted Vss > Observed Vss

分析非房室模型分析静脉给药后全血中的PK数据，发现所有种属的全血Vss都很高，同时与BPR也不能表现出非常好的线性关系，表明Vss是受多个过程驱动的。临床前种属(除了猴子)的血浆游离药物分数非常大，提示具有一定的种属差异。

4.2.2 PBPK模型组织-血浆分配系数的预测

通过两种色谱方法测定Compound 2的脂溶性：采用C18固定相进行的色谱疏水性指数，以及采用化学键合磷脂酰胆碱到二氧化硅表面的固定化人工膜。所有这些测定数据可以进一步转为辛醇/水 logP系数，再进一步作为Lukacova方法计算的化合物特征输入参数。最后使用了色谱疏水系数(2.9)和固定化人工膜(5.5)数值的均值4.2. 实测的碱性pKa数值(8.96，4.12和2.8)是其它一些化合物特征输入参数。对于每一个种属，采用了实际的体重搭建了PBPK模型。如果在进行BPR实验时测定了红血球压积也可以输入到模型中，尽管该数值通常与GastroPlus默认数值基本一致。所测定的种属特征参数(BPR和fup)输入到各自的PBPK模型中。

4.2.3 评估稳态分布体积的预测

采用相同的脂溶性和pKa数值，以及种属特征的BPR和fup作为Lukacova方法的输入参数并预测Vss，结果发现除了猴子外所有种属的预测值均在观测数据的60%以内，猴子的Vss预测误差将近3倍左右(Table 3)。同样的策略成功预测了人体的分布(约高估20%)。

联合QSPR和PBPK PSA分析表明BPR是预测Compound 2系统分布的一个关键输入参数，可能是因为碱性基团和组织酸性磷脂的相互作用。所有种属的Vss都很大，且最大的BPR具有最高的分布。将实测的BPR数值输入到模型中，采用Lukacova方法能够准确预测药物的分布。

所预测的猴子分布体积未在通常可接受的2倍预测误差范围内，表明当前发现阶段的PBPK建模还需要更有证据力的方法。如果很多临床前种属(这个案例为五分之四)都能准确预测，那么已经可以对人体的预测有一定的信心，就没必要花时间去考虑为什么这一个种属会出现异常值。然而，一般很少有5个临床前种属的PK数据，可能在后续研究种属差异时可用的数据集较少。

4.2.4 全血/血浆浓度比的功能

在研究PK性质时考虑BPR比较重要。Lukacova方法使用BPR估算碱性化合物与酸性磷脂在每一个种属的结合常数，因此不同种属的BPR数值会导致预测的结合常数为一个数值范围。仅有大鼠、狗和人能收集到组织特定的酸性磷脂浓度数据(对预测有一定的影响，尽管该数据在种属内的变异比种属间要大)。

在人体中，Compound 2的组织结合是单独根据化合物与中性脂类和磷脂的作用进行预测的；通过建模还表明临床前种属观测的较大Vss可能还因为与酸性磷脂的额外结合。

尽管未研究Compound 2很可能存在的种属特定酸性磷脂结合现象，但该案例已经突出强调了对于碱性化合物PBPK建模测定BPR的需求。最近的一些文献质疑了PBPK模型背后的一些假设，并陈述碱性化合物的Kps非常容易预测，可能是因为使用了BPR的数值以计算酸性磷脂的结合常数。

4.3 案例3

Compound 3：亲脂弱酸性化合物的挑战

Compound 3是一个亲脂性(clogP约为5)、弱酸、低溶解度(特别是在胃酸中，Table 2)，表明体外实验测定具有一定挑战。尽管Compound 3主要通过CYP3A4代谢清除，但由于较高的代谢稳定性使其人体清除率的预测具有挑战。预期搭建的PBPK模型是为了理解化合物的PK特性，并用于支持推动化合物进一步进入临床开发的决策。

4.3.1 预期人体低清除但实际估算时具有不确定性

通过放大体外数据预测酸性化合物的清除率经常具有挑战，考虑结合是非常重要的。肝细胞提供了一种人体清除率的预测方法，但会受到体外实验的限制；基于猴子的单种属放大也用于预测人体清除率的范围(如0.86-4.6 mL/min/kg，Table 4)。

Table4 Compound 3静脉的PK数据及预测数值

CL-清除率；Vss-稳态分布体积

^a 当酸性pKa用于估算组织-血浆分配系数时，所有种属的Vss数值均低估且与蛋白结合不敏感。因此，酸性pKa不计入组织-血浆分配系数的计算；

^b 对于人体CL也基于猴子单个种属进行了预测(采用的方法是肝血流量的百分数)，但结果是预测范围内的较低值。选择这个方法是因为该方法与其它异速放大的方法相比能够较为合理地预测CL，并且估算得到一个较低的CL；而通过肝细胞进行预测时，临床前2/3的种属均高估CL。

尽管清除率的预测结果有一定的不确定性，但采用肝细胞的数据对临床前三个种属中的两个都明显的高估，因此临床前多种属的清除率较低且人体肝细胞较为稳定，从而导致人体清除率的预测信心可能不高。

4.3.2 分布体积的实际预测

分布体积的预测具有一定的挑战，因为临床前多种属的Vss (0.25-4.5 L/kg)展现出18倍的差异。采用Lukacova方法都低估了临床前所有种属的Vss，可能主要因为采用了预测的酸性pKa数值。PSA的结果显示随着酸性pKa的移动会使得计算的Vss对其它参数非常敏感，并且能够使得和观测数值一致(Table 4)。和QSPR预测的高蛋白结合一样，体外实测的多个种属的fup均小于0.1%，但不能准确确定该数值。看上去可能Vss的种属差异与fup的差异比较相关。为使得Vss的数值与观测结果保持一致，假设一系列范围的fup (0.01-0.1%)带入模型进行计算。由此得到的人体Vss数值(0.48到3.6 L/kg)用于人体模型的搭建。

4.3.3 BCS分类的体外和体内差异

Compound 3的建模方法包括所有的种属(大鼠、狗和猴子)，但因为猴子给药的剂型和人体给药比较相似，所以吸收模型更关注于猴子。正如预测的pKa的预期信息，该化合物在pH 1.0的模拟胃液中溶解度较低(< 0.05 μg/mL)，但在FaSSIF中也较低(4.7 μg/mL)。人体给药的制剂为微沉淀整装粉末(MBP)以提高溶解度(FaSSIF介质中约50 μg/mL，Table 2)。猴子的吸收建模说明MBP制剂在FaSSIF介质中溶解度的重要性：不考虑该作用时，在高剂量下会显著低估体内暴露。由于MBP制剂的作用、所产生的过饱和以及改善制剂特性，模拟Compound 3 MBP制剂在临床相关的剂量水平时的PK曲线，溶解度未考虑为一个主要的不确定性来源。

实测的体外渗透性数值较低，但是在临床前种属却观测到较好的吸收。预测的高渗透性以及体外低溶解度的限制，可能会使得错误理解该化合物特性。因此，基于比对模拟的大鼠和狗口服吸收数据，进行人体PK预测时增加了药物的渗透性。初始猴子的口服PK曲线高估了其体内暴露。PSA用于探索是否为低渗透或肠道排泄导致的不完全吸收是高估的可能原因；结论(通过体外代谢表型数据提示Compound 3是CYP3A4代谢的研究进行了支持)是肠道排泄有可能导致猴子口服PK的暴露降低。吸收建模透露尽管该化合物基于体外数据表明是BCS IV类，但MBP制剂能够使其在临床给药剂量下的体内行为表现BCS I药物特性。

由于Compound 3是CYP3A4的底物，因此人体肠道代谢有必要考虑进来(Fig. 5)。而猴子建模，将肠道代谢的作用添加至PBPK模型中对预测其PK同样重要。由于其相对较高的体内渗透和代谢稳定性，预估人体肠道排泄是比较小的。猴子由于CYP3A的作用是表现显著的肠道代谢，但与人无关或者很少相关。这个案例不用作于说明GastroPlus对肠道代谢的预测，但该目的的应用已经在一些临床前种属和人体进行了阐明。

4.3.4 验证临床前种属PBPK模型的重要性

FIH PBPK建模可以在没有验证临床前种属模型的重要步骤时便进行开展，但是可信度会比较低。评估体外输入数据对临床前种属体内PK曲线的影响，并在体外数据与观测数据不一致时确定可用的参数，以使得Compound 3人体PK预测有较为合理的准确性(Fig. 9)。

4.3.5 不确定性分析

对于这个案例，清除率和Vss似乎有些不确定性，因此对每个参数分别进行了高估和低估。然而，运行所有可能组合的模拟可能得到一些无用的、较大范围的PK。此外，清除率和Vss似乎还可能和fup (不能准确测定)有一定的关系：大鼠的Vss和CL都较大，而狗和猴子均较低(Table 4)。因此，最终仅用两种参数的组合以进行预测的探索。第一种情况是探索由于低fup (0.01%)导致的低清除和低分布组合；第二种情况则是考虑高fup (0.1%)作用的高清除和高分布组合。

Fig. 9比较Compound3观测和预测的血浆浓度-时间曲线。空心点代表每个个体的数据，闭合的x代表中值；以及模拟了在前两个剂量(mg为单位给药)水平时低清除、低分布体积以及高清除和高分布体积的情况。

情况1和2的预测结果分别为Fig. 9中高、低曲线。两种情况预测的PK基本可以涵盖观测的PK曲线，表明人体真实的fup数值可能在0.01和0.1之间。重要的是，PSA可以探索一个合适的预测范围，以进一步理解不确定性及提高人体PK预测的信心，并使得预测的PK可以达到临床预期的有效暴露。

4.4 案例4

Compound 4：预期慢速被动扩散透过细胞膜、分子量大的化合物

基于QSPR和PBPK模型的评估，Compound 4是一个分子量大(> 1000 Da)、有合适溶解度和低渗透性(BCS Class III)以及主要肾脏消除(ECCS)的化合物。该化合物由于体积大和含有大量不可电离基团使其具有中等的脂溶性，因此预期可能是膜限速型的组织分布。预测组织特定的渗透性-表面积乘积(PStc)这一模型参数的验证方法未建立起来。对于Compound 4，通过大鼠PK数据确定得到GastroPlus的特定PStc (每毫升组织细胞体积的PStc)数值并用于后续FIH PK的预测。

4.4.1 基于临床前的研究确定PBPK模型的构架

收集文献报道的大鼠静脉给药Compound 4的PK数据(包括血浆和肾脏匀浆里的浓度) 。这些数据用于优化特定PStc的数值，以及验证采用fup和肾小球滤过率乘积预测的系统清除率。特定PStc连同每个组织的生理细胞然后用于计算其它组织的PStc数值。主动转运体暂时未包括在当前模型中，仅联合了被动肾小球滤过和被动膜渗透的因素以考虑组织分布和肾脏清除。模型未包括其它的清除机理。

探寻了不同的策略预测大鼠的分布特征。血流灌注型(采用Poulin-extracellular方法计算Kp数值)的

PBPK模型相对合理地预测血浆浓度以及表征该药物较低的Vss。该预测方法假设化合物仅分布到细胞外的组织空间，不扩散通过细胞膜。尽管该方法合理吻合了血药浓度，但是肾脏组织浓度明显的低估。因此后续将该模型更改为膜限速型组织，并优化了PStc数值使其血浆和肾脏组织的浓度都吻合观测值(Fig. 10)。

Fig.10 大鼠血流灌注型组织(左图)和膜限速型组织(右图)PBPK模型模拟5mg/kg (上边)和100mg/kg (下边)静脉注射给药后血浆(黑实线)和肾脏(绿色虚线)的药物浓度，以及相应的观测数值(血浆：黑点；肾脏：空心点)。

4.4.2 预测人体的PK

在假设不同种属的细胞膜组成相似的前提下进行了人体PK的预测，来自大鼠的特定PStc数据(9.15*10−5 mL/s/mL cell volume)用于人体生理学模型搭建并可以准确预测人体PK (Fig. 11)。

Fig. 11 健康志愿者血流灌注型组织(左图)和膜限速型组织(右图)PBPK模型模拟每12小时，维持1小时静脉滴注1000mg 给药后血浆(黑实线)和肾脏(绿色虚线)的药物浓度，以及相应的观测数值(血浆：黑点)。

为了进行对比，人体PK也采用了血流灌注型模型(通过Poulin-extracellular方法计算Kps)进行了预测。和大鼠类似，该模型能够合理地预测血浆药物浓度变化；但是肾脏浓度以及尿液中排泄的药量采用该简单的模型不能准确预测。采用血流灌注型组织模型预测第九次给药后(每天两次，滴注时间维持1小时)肾脏和血浆浓度比值是0.12，但是采用膜限速型组织模型预测的各个剂量给药后的比例范围为12到153。文献报道一个正常肾功能受试者在多次静脉给药后的的Kp数值为45.8，虽然没有报道具体的样品采集时间，但观测值包含在膜限速型组织模型的预测范围内。

健康志愿者静脉滴注给药1000 mg后的观测结果为：24小时内尿液中累积的药物排泄量为85%，72小时为91%。血流灌注型模型预测24小时的尿液排泄量为100%；然而膜限速型模型预测的24小时累积排泄为69%，72小时的累积量为83%。尽管采用膜限速型组织模型预测的总尿液清除要比观测值小一些，但还是能较一致地预测了由于肾脏清除的延长所提示分布和消除机理的观测趋势，这些信息都准确地反映在当前的模型中。

所展示这些案例是为了说明PBPK建模的价值，模型可以整合多种来源的数据以提高在药物FIH试验之前对PK特性的机制性理解。例如，解析多种机理导致生物利用度差的情况有一定的挑战，而PBPK建模认为是推动这项科学研究的有用工具。如果输入的参数有变异或不确定性，那么在解释结果的时候务必小心谨慎。PBPK模型可以用于评估模型输入参数限制的影响。这些模型的机制性基础，能够解释如随餐服用或者CYP抑制等是否导致暴露增加等相关机理问题。

很多公司使用PBPK建模预测人体PK作为他们首先的方法，仅在PBPK模型由于某些原因不能建立时才求助于经验方法。PPBK模型已经显示比经验比放更加优越，但是PBPK模型方法的收益远超过理解机理的预测准确性。PBPK建模(制药企业常规化用于FIH PK的预测)需要一系列合适的方法测定相关的输入参数。展现的这些案例是来自不同企业科学家开展的建模工作，因此反映出了策略方法的多样性。如果多个企业的应用方法能更加一致，那么PBPK建模的学科将更加先进，同时也能提高对预测结果的信心。

PBPK建模预测人体的表现已经美国药物研究和制造商协会(Pharmaceutical Research and Manufacturers of America)进行了评估，他们也未发现有非常高的准确性，特别是对口服给药。

然而，这些分析也有一些非常明显的限制，比如使用不同企业的体外实验数据，使用定制的PBPK模型，以及没有在人体预测前对化合物相关的PBPK模型进行临床前验证等。给出预测临床前种属化合物的PK性质能力的评估重要性，以及将合适的机理整合到PBPK模型中是相对恰当的，所以就不奇怪为什么美国药物研究和制造商协会应用PBPK建模得到较差的预测结果了，特别是跟工业界其它较好的方法一起比较了。预测人体PK一直是一项挑战工作，而且如果不能通过临床前种属PBPK模型进行验证，那么人体PK预测的信心就更低了。

欧盟的口服生物药剂学工具(OrBiTo)项目近期对自底向上的PBPK模型预测做了评估，说明依然存在一些挑战，并且预测性能会从静脉到口服溶液剂到片剂呈现逐层下降的趋势。这项评估也体现了少于5年经验的建模人员会增加预测的不确定性。该文章建议的FIH PK预测的PBPK模型策略(建立在对近期应用文献、知识的综合审阅以及资深GastroPlus用户的实战经验上)，提供解析化合物ADME复杂性质的流程图。从化合物结构式出发联合QSPR和PBPK模型，可以基于化合物特性进行风险评估，指导决策以及优先分配符合目标(fit for purpose)的资源以支持模型的开发。

应用所推荐的PBPK策略并在多个制药企业整合ADME PBPK决策树，能够在药物早期阶段进行PBPK建模的正确评估，以克服早期分析的局限性，并增强法规监管部门对PBPK建模预测FIH PK的应用信心。该策略使用一个已经商业化的PBPK模型平台，并包括对临床前PBPK模型的验证。为尽量增加PBPK建模的价值，PSA分析通常对于探索不确定是比较重要的。展现的这些有一定挑战性的应用案例(之前公布的典型数据集中在具有极端脂溶性和fup的药物)，进一步突出了合理应用模型可以提高PBPK预测FIH PK的价值。

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 UpdatedModel Building Strategy Illustrated with Challenging Industry Case Studies. Clin Pharmacokinet. 2019 Feb 7.   

IF: 4.464