Neil Parrott, Nenad Manevski, Andrés Olivares-Morales

罗氏制药创新中心，瑞士巴塞尔

王钰玺，凡默谷技术部

高脂溶性往往会对药物的PK产生复杂的影响，本研究通过使用预测或实测的性质参数建立PBPK模型；在药物研发早期，评估高脂溶性化合物人体PK的预测准确度，探讨导致预测误差的主要原因，并对为未来改善该类药物的PK预测给出了建议。

亲脂性一般具有提高药物的药效的倾向，且亲脂性候选药物的数量也在逐年增加，但高脂溶性往往会对药物的PK产生复杂的影响，也增加了体外研究、体内PK预测的难度。

本研究选择了罗氏制药的12个具有极高脂溶性的化合物，通过整合预测或实测的性质参数建立PBPK模型，评估了对人体清除率、分布体积、口服生物利用度等PK参数的预测准确度，还展示了在早期研发阶段预测这类药物PK存在的局限性，且探讨了导致预测偏差的主要原因，为未来改善该类药物的PK预测具有重要的指导意义。此外，还对比了使用机器学习（ML）预测该类药物性质参数的准确性。

高亲脂性通常可以提高药物的药效，但其对药代动力学（PK）的影响比较复杂但往往不利的影响。

为了在早期药物发现阶段预测化合物的临床PK，罗氏制药的研究人员建立了生理药代动力学PBPK模型，并整合机器学习（ML）预测的或实测的化合物相关性质参数。

模型的测试集由12个具有挑战性的化合物组成，这些化合物具有高脂溶性（平均预测log P 4.2）、低血浆蛋白游离分数（其中50%的化合物的fu,p < 1%）和低水溶性。

预测的人体PK参数：包括血浆清除率（CL）、稳态分布体积（Vss）和口服生物利用度（%F）。对于CL的预测，若输入预测的性质参数表现出可接受的预测准确性及轻微的低估，平均绝对折叠误差（AAFE）为3.55；平均折叠误差（AFE）为0.95。使用实测的性质参数仅轻微提高了CL的预测准确性，但也导致了CL高估（AFE = 3.35；AFE = 2.63）。相比CL，Vss的预测更准，使用预测的性质参数（AAFE = 2.21；AFE = 0.90）和体外实测性质参数（AAFE = 2.24；AFE = 1.72）都表现出良好的预测准确性和适度的偏差。使用预测的性质参数对%F的预测效果很差（平均绝对预测误差（AAPE）为45%），而使用溶解度和渗透性的实测数据可将AAPE提高到34%。

参数敏感性分析表明，CL的预测限制了人体PK预测的总体准确性，部分原因是亲脂性化合物的非特异性结合较高，导致未结合清除率的不确定性。准确预测%F，溶解度是关键因素。

尽管目前机器学习在预测人体PK方面存在局限性，但本研究鼓励继续开发机器学习方法，并将其预测结果整合到PBPK模型中，以便在药物设计阶段（甚至在化合物合成之前）实现化合物的人体PK预测。此外，有必要用更多不同类型的化合物进一步评估该方法的准确性。

在本案例中使用ADMET Predictor 预测了化合物的理化和生物药剂学性质，这些性质包括：LogP, 溶解度，FaSSIF和FeSSIF介质中的溶解度, pKa, 人空肠的有效渗透性, Rb/p, fu,p, 体外固有清除率。使用GastroPlus搭建了人体PBPK和房室模型，并使用软件中内建的高级房室吸收与转运（ACAT）模型模拟了药物在体内溶出和吸收，预测了静脉和口服给药后的PK曲线，完成了PK参数的计算。

在过去的20年里，预测化合物的临床PK已经从经验和非机制性方法转向为整合体外体内外推（IVIVE）的生理药代动力学（PBPK）模型。

由于IVIVE存在不确定性和挑战，仍然经常使用动物数据推导经验因子，以支持基于PBPK模型中清除率或分布体积的预测，或了解药物特异性因素和生理因素在体内吸收的复杂相互作用。随着商业PBPK建模平台的发展，已经可以整合复杂的吸收、代谢、分布和排泄（ADME）机制，改善了PBPK对临床PK的预测性能。为了尽早使用PBPK模型预测PK参数，可以应用机器学习（ML）的方法预测建模的参数，也可以用体外实测值结合ML预测值进行PBPK建模。

当化合物表现出非典型的药物性质时，如高脂溶性、低代谢清除，低血浆游离分数（fu,p）和低溶解度，这些属性限制了常规体外检测方法的可靠性，使得IVIVE的方法受到限制。本研究预测了罗氏的12个具有极端性质（高脂溶性，平均log P为4.20）的化合物静脉（IV）和口服（PO）给药后的临床PK，由于这些化合物的极端性质也使得使用体外实测数据预测PK参数具有很大的挑战。虽然高log P通常有助于提高药效，但也影响许多关键的类药性质，比如会导致溶解度、血浆游离分数和代谢稳定性的降低，以及渗透性和组织结合的增加（图1）。

尽管有存在这些挑战，但亲脂性候选药物的数量还在稳步增加。因此，为便于化合物筛选和避免临床风险，提前预测人体PK对于高亲脂性化合物是非常重要的。人体PBPK模型提供了一个理想的平台整合高脂性对化合物的复杂影响。

本研究是一项回顾性分析，比较了仅基于机器学习预测的性质数据，和基于实测的体外数据自下而上建立的PBPK模型对应的预测结果。

2.1 基本理化性质

表1. 12个化合物的基本物理化学性质和PK性质

a,b,c为ADMET Predictor软件的预测值，d,e,f,g,h,i 为实测值。

2.2 临床PK数据

12个化合物均采用健康受试者静脉注射和口服给药后获得的临床PK数据，其中8个化合物的静脉PK数据源于微剂量（<0.1 mg）短时间静脉注射。空腹或餐后给药剂型为胶囊、片剂或溶液剂。以上PK数据来自于在6-8名健康受试者（多数为男性）。

2.3 PBPK模型中输入的机器学习预测得到的参数

所有机器学习预测得到的参数均为ADMET Predictor软件的预测获得，包括：Rb/p, fu,p, LogP, 溶解度，FaSSIF 和 FeSSIF介质中的溶解度, pKa, 人空肠的有效渗透性, 体外固有清除率。

2.4 PBPK模型中输入的实测参数

体外实测数据包括：Rb/p, fu,p, 肝细胞CL_int，Caco-2细胞的体外渗透性、溶解度、生物体相关溶解度（FaSSIF 和 FeSSIF）

所有PBPK模型的生理参数设置为：美国人，30岁，86 kg，BMI 27.5，Kp的计算方法设置为：Lukacova (Rodgers-single) 。此外，所有化合物的沉淀时间设置为900 s, 粒径（直径）设置为10 μm。

2.5 建模策略

构建及评估PBPK模型步骤：

1)      使用GastroPlus软件导入化合物的结构式，使用ADMET Predictor软件预测的参数作为PBPK建模的机器学习的预测参数。

2)      加载每个化合物静脉给药后实测的PK曲线。

3)      使用GastroPlus默认的男性生理参数建立PBPK模型，模拟静脉给药后的PK，并与实测PK曲线进行比较，同时对比预测和实测的Vss及CL。（结果见图2A、2C和表2）

4)      使用体外实测的f_{u, p}，全血/血浆浓度比（Rb/p），固有清除率（CL_int）替换机器学习参数，并再次模拟静脉给药的PK，对比预测和实测的Vss及CL。（结果见图2B、2D和表2）

5)      口服给药的模拟。胃肠道采用GastroPlus软件默认的高级房室吸收与转运（ACAT）模型，并结合临床研究设置对应的空腹和餐后状态。

6)      加载每个化合物口服给药后实测的PK曲线。

7)      比较仅通过机器学习获得的参数建立的PBPK模型的口服模拟结果。比较预测与实测的口服PK参数、AUC_0-inf和C_max, 结果见图3A和表3的第3列。

8)      使用实测静脉PK曲线拟合房室模型参数，并输入到GastroPlus的房室模型中以表征药物的清除率和分布，使用系统清除率和肝脏血流的比值计算肝脏首过效应，肠道首过忽略不计。

9)      基于机器学习获得的预测参数建立的PBPK模型模拟口服给药后的PK曲线，并比较预测和实测的PK参数，处置参数使用静脉PK曲线拟合的房室模型参数，结果见图3B和表3的第5列。

10)    使用体外实测参数（溶解度、生物体相关溶解度和空肠有效渗透性）建立的PBPK模型模拟口服吸收。处置参数使用静脉PK曲线拟合的房室模型参数。结果见图3C和表3的第6列。

11)    最后，为了对比的完整性，还评估了基于体外实测吸收和实测处置相关参数预测的口服PK参数，结果见表3的第4列。

2.6 预测准确性的评估

使用折叠误差评估PK参数的预测准确性：

使用平均折叠误差（AFE; AFE < 1和AFE > 1分别表示预测低估和预测高估）评估预测偏差：

使用平均绝对折叠误差（AAFE, 1表示完美预测）评估预测精度:

生物利用度采用平均预测误差（APE）和平均绝对预测误差（AAPE）进行评估。

prediction error = observed bioavailability - predicted bioavailability

12个化合物的实测及预测性质参数见表1，总的来看，大多数化合物是碱性的（70%的化合物碱性pKa>3）、所有化合物都是高脂溶性的，预测的log P值在2.3到6.7之间，平均值为4.2；所有化合物都是高蛋白结合力、低清除率（平均CL为10L/h）、高Vss（平均值为550L）、中等或高渗透性、低水溶性、高生物利用度（平均值为57%）。

机器学习获得的预测值与实测值的对比：

预测的logP与实测值具有很高的线性，如下表S5

表 S5. 预测的logP、LogD（pH 7.4）和实测的LogD（pH 7.4）的比较

同样，pKa预测值和实测值也很接近，如下表S6

表S6. 实测和预测的pKa的比较

A：酸，b：碱，m：混合（当一个可电离基团不能被定义为严格的酸性或碱性时，定义是混合pKa）

f_u,p预测值与实测值相比，显示出明显的预测高估（AFE为5.89，AAFE为9.02），特别是当测得的f_u,p小于1%时。而GastroPlus使用血脂分数校正后的f_u,p显著改善了f_u,p预测准确性（AFE为1.32，AAFE为4.57），见表S7。

表 S7. 预测与实测fu,p

Rb/p的预测效果良好，预测偏差最小，精密度良好（AFE为0.92;AAFE为1.22），见表S8。

表S8 预测与实测Rb/p

渗透率预测良好，AFE为1.2。生物体相关溶解度多数预测偏大，其中FaSSIF的AFE为1.2，FeSSIF预测值偏大程度更高，AFE为3, 见表S3.

表 S3.预测和实测人空肠有效渗透性及溶解度

静脉注射后PK的预测结果：

将预测的人体CL和Vss参数与表2和图2中的观测值进行比较。其中，使用机器学习预测CL有轻微的预测偏差，AFE为0.95，但预测精度较低，AAFE为3.55，如图2A。使用体外测定的数据（fu,p, Rb/p和肝细胞CLint）作为模型输入值，并假设fu,inc（孵育介质中的游离分数）= fu,p，仅略微提高了预测精度（AAFE为3.35），但也引入了更大预测偏差（AFE为2.63），如图2B，只有5个分子的预测值与观测值的2倍以内。

表2. 预测和实测静脉给药后的PK参数

使用机器学习预测并通过GastroPlus软件校正后的fu,p，对人体Vss的预测比CL更准确，AFE为1.72, AAFE为2.24，其中8个预测值在观测值的2倍以内，如图2C。用实测值替换预测的Rb/p和fu,p改善了预测偏大的情况，AFE为0.90，但总体精度保持相似，AFE为2.21，其中7个预测值在2倍以内，如图2D。

图2. 预测和实测人的CL和Vss。（A）由机器学习预测的CL;（B）使用体外实测数据（fu,p, Rb/p和肝细胞CLint）预测的CL;（C）由机器学习预测的Vss;（D）使用体外测定数据（fu,p和Rb/p）预测的Vss。绿色虚线和红色虚线分别代表等线和2倍预测误差线。

静脉给药血浆浓度的预测准确性通过比较同一时间点的实测浓度与预测值进行评估。完全基于机器学习预测参数建立的PBPK模型模拟的PK曲线显示AFE为0.63, AAFE为3.30, 54%的模拟浓度在观测值的2倍以内。

口服给药后PK的预测结果：

仅使用机器学习预测的参数，人体口服%F的预测值准确度较差，APE和AAPE值分别为23%和45%，结果见图3A和表3。

图3. 预测和实测%F。（A）PBPK模型所有参数均为机器学习预测值;（B）处置参数使用静脉给药后拟合的处置参数，使用机器学习预测的渗透性和溶解度模拟吸收过程;（C）处置参数使用静脉给药后拟合的处置参数，使用实测的渗透性和溶解度模拟吸收过程。绿色虚线和红色虚线分别代表等线和2倍预测误差线

用IV给药后实测的PK数据计算的处置参数（房室模型）替换机器学习预测值，预测的口服%F与仅使用机器学习预测的参数结果相近，APE为31%，AAPE为44%，结果见图3B和表3。但对AUC和Cmax的预测略有改善。

进一步使用实测数据替换溶解度和渗透率，又改善了对口服%F的预测，降低了偏差（APE为8%），提高了预测精度（AAPE为34%），结果见图3C和表3。对AUC和Cmax的预测也得到了改进，AAFE值分别为1.89和1.99。

为了评估的完整性，还使用体外实测数据预测的吸收和处置参数的对PK进行了模拟（结果见表3），其中口服AUC的预测误差较大，AAFE为4.4。Cmax的预测相对较好，AAFE为2.4, 7个化合物的预测值在实测值的2倍以内。

表3. 预测和实测口服%F

最后，为了探索导致预测和实测吸收差异的原因，对每个化合物进行了参数敏感性分析。结果表明，导致化合物吸收预测误差的因素不完全一致，这些因素包括：渗透性、首过代谢、非线性、溶解度、沉淀、结肠吸收等。

高脂溶性以复杂、多样的方式影响药物的ADME过程，PBPK模型是探索亲脂性是如何影响PK的有重要工具。亲脂性通常会增加化合物的药效，因此许多药物设计人员希望化合物具有较高的logP，同时有良好的PK属性。log D影响药物的许多性质，包括溶解度、渗透性、代谢稳定性以及与组织或血浆蛋白的结合，而这些性质都影响药物的PK（图1）。然而，当log D很高时，准确测定这些性质是具有挑战性的，这也使得通过PBPK模型预测临床PK变得更加不确定。

在本研究中，罗氏研究人员探索了使用测定的ADME数据或使用机器学习预测的性质建立的PBPK模型对12个高脂溶性合物人体PK预测的准确性。这些化合物平均清除率仅为10 L/h，平均V_ss为550 L，分子量和log P的中位数分别为446和4.2，且50%以上的化合物f_u,p < 1%，这些化合物代表了脂溶性极高的类药化合物，这也为实验测定和IVIVE带来了挑战。

通过整合log P对药物分配到血浆脂质的影响，改善了机器学习预测fu,p的准确性，最终使得基于机器学习预测的Vss非常准确。无论使用机器学习预测的还是体外测定的清除率，对人体CL的定量预测准确度都不高。机器学习预测的清除率，该数据源于ADMET Predictor 软件的HLM_CL_int（肝微粒体体外固有清除率）模型，使用该数据进行体内或体外固有清除率计算时，都需使用f_u,inc进行校正，这为高结合的药物引入了明显的额外误差。令人惊讶的是，使用实测的CL_int, f_u,p和Rb/p数据未能显著改善对CL的预测（图2B）。这可能与CL_int值小于3 μL/ min/ 10^-6 cells时，肝细胞试验的精确度受限有关。

另一个导致IVIVE计算清除率准确性差的因素可能是高log P导致大量的非特异性结合，限制了未结合CL_int计算的准确性。由于清除率的高度不确定性，对于该类药物一旦进入临床阶段，同步开展口服与静脉微量剂量研究是有价值，因为它可以迅速阐明低暴露的原因。对口服PK的预测，如果只使用机器学习预测值，对人体%F、AUC和C_max的预测效果都相当差。即使使用实测的处置数据，并结合机器学习预测的吸收相关参数，预测的%F效果也很差，AAPE高达44%。使用渗透性和溶解度的实测数据虽然改善了对%F的预测，AAPE也为34%，这也证实了低溶解度化合物口服吸收预测的难度，因为它对多种因素敏感，包括pH依赖性和生物体相关介质的影响等。

即使对高亲脂性化合物的人体PK预测具有挑战性，该研究的结果表明，药物研发早期有限的实验数据对了解该化合物有一定的帮助，仅有机器学习预测的参数也能提供重要的参考。整合机器学习参数建立的PBPK模型在药物设计阶段，甚至在化合物合成之前，就可以进行人体PK预测，考虑到高通量PBPK方法的可用性和较少的计算需求，这种方法是可行的，有助于确定虚拟化合物设计优先级的确定。使用机器学习预测的参数预测口服%F，虽然在后期显然不够准确，但在缺乏实验数据的早期阶段，它可以帮助研发团队做出决策。因此，尽管存在局限性，在PBPK模型中整合机器学习预测参数的方法可以为亲脂性化合物的设计提供改进参考。一旦化合物合成，我们的研究结果表明，准确测定溶解度、CL_int和f_u,p是提高PBPK模型预测精度的关键。

总之，本研究的作者建议对未来亲脂性化合物的早期人体PK预测有两种方法:（1）在药物设计阶段，应该开展机器学习模型研究，以提高预测精度和扩大适用范围；（2）在化合物合成后，应该提高体外检测的质量，特别是准确测定溶解度、代谢清除率（特别是当CL_int < 3 μL/min/10^-6 cells）、f_u,p和f_u,inc。

该案例应用的软件是ADMET Predictor（version 10.1）， GastroPlus （version 9.8），涉及模块有ADMET Predictor软件的PCB Module，Metabolism Module；GastroPlus软件的Base, PKPlus, PBPKPlus Module。

Can We Predict Clinical Pharmacokinetics of Highly Lipophilic Compounds by Integration of Machine Learning or In Vitro Data into Physiologically Based Models? A Feasibility Study Based on 12 Development Compounds. 

Parrott N, Manevski N, Olivares-Morales A. Molecular Pharmaceutics, 2022, 19(11): 3858-3868. IF=5.364