1 葛蘭素史克研發中心(英國)，系統建模和轉換生物學

2  Array制藥公司(美國)，臨床藥理部

3  Admescope公司(芬蘭)

4  Simulations Plus公司(美國)

5 羅氏制藥(瑞士)，制藥研究與早期開發，制藥科學

  文章解讀人  

陳濤，上海凡默谷技術部

  參考文獻  

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   

生理藥代動力學(PBPK)建模已經在制藥企業得到了廣泛地應用，并在預測藥物相互作用DDI方面得到了法規部門的認可。

PBPK建模還可以在制藥工業界內有更為廣泛的使用，也期望能發揮PBPK更多的功能，以促進新的有監管影響力應用的產生。

例如，在藥物發現階段PBPK建模已經常規性地用于體外到體內轉化以及臨床前種屬的藥代動力學建模，并將驗證后的模型應用于預測首次人體(FIH) PK。

該應用領域中一些多個行業持續采用的策略可以提高對應用方法的信心，并由此再促進更深入的學習與了解?；诖?，該文章將致力于優化之前報道的基于PBPK建模預測FIH PK的策略。

結合GastroPlus?用戶群指導委員會中來自眾多企業科學家的經驗，并將藥物吸收、分布、代謝和排泄的一些最新知識整合到決策樹中以展示FIH PK預測的每個部分。

原文作者閱讀了很多相關的科學文獻以探索新的發現，并指出一些需要改進的地方。

最后，選擇四個具有挑戰性的化合物作為應用案例以闡述和突出新策略的主要構成。

   關鍵點   

聯合定量結構-性質關系(QSPR)模型和生理藥代動力學(PBPK)模型是一種非常強大的合用技術，該技術目前已用于藥物的早期發現。

聯合定量結構-性質關系(QSPR)模型和生理藥代動力學(PBPK)模型是一種非常強大的合用技術，該技術目前已用于藥物的早期發現。

結合參數敏感性分析，可以鑒定影響系統暴露的關鍵化合物性質，并指導先導化合物的優化。

當許多關鍵參數可以獲得實驗測定的數值后，將其輸入到模型中可以極大改善FIH PBPK預測質量。

在進行評估預測FIH PK之前，采用臨床前種屬的數據驗證PBPK模型對于建立可靠及預測準確性的模型十分重要；不確定性分析是獲得FIH PK最大預測數值的一個關鍵因素。

生理藥代動力學(PBPK)模型基于組織和器官的構成、體積和血流量等生理學特征將機體表征為參數化的房室。

PBPK模型將機體生理學特性和化合物特定的數據整合起來以預測藥物的藥代動力學特征，連同時間-血漿或組織中藥物濃度的變化。

將PBPK模型考慮為鏈接機制性吸收模型(如高級房室吸收與轉運模型，ACAT)以描述系統處置的全身模型。PBPK建模的起源可以追溯到1937年Teorell所發表的文章，但是PBPK建模應用于藥物發現、開發和法規監管在2006年左右才開始出現。

US FDA和EMA也在近期發布了合理使用PBPK模型的指導文件；此外PBPK模型在指導制定藥品說明書方面也得到越來越多的應用。

大部分法規注冊申請資料中涉及的PBPK建模工作主要關注在藥物藥物相互作用和兒科人群的建模方面。

然而，近年來工業界對PBPK模型的應用已經發生了很大的變化，涵蓋了在藥物發現和開發階段預測臨床前種屬的特征到不同臨床人群的變異考察，這也意味著法規應用中的潛在拓展。

在2014年US FDA主辦的一場PBPK建模研討會上，發現采用PBPK模型對于藥物開發人員預測FIH PK是非常有用的。

因此，PBPK模型已經越來越多地用于法規注冊申請，EMA已將其作為評估健康志愿者合適起始劑量的一種有用工具：要求將所采用的方法(如通過PBPK建模等方式)、計算出來的劑量及其對應的暴露水平，應當包含在研究方案中并匯總到研究者手冊中。

作為系統藥理學的一種方法，PBPK模型可以看作是洞悉新化學實體或候選化合物藥代動力學性質的一個日益增長的知識存儲庫。

在FIH試驗之前應用PBPK建模預測藥物的臨床PK，這對臨床前藥物的開發非常有用。

來自Jones等發表的有影響力文章，指出先用臨床前種屬對PBPK模型的預測能力進行驗證，然后預測人體PK，該方式要優于采用經驗方法預測人體特征。

此后，來自制藥企業的一些文獻也證明了PBPK模型在這方面應用的優越性，而且很多中大型制藥企業現在已常規性地使用了該方法。

原文作者更新了Jones等人報道的建模策略，將一些新的知識和附加的流程圖包含到FIH預測的每個部分里。盡管一些信息是僅包括在GastroPlus中且所列舉的案例也是采用GastroPlus搭建的，但所呈現的很多信息都可以適用于常規的PBPK建模。

該文章所提出的新策略是結合對大量文獻的綜合審閱以及整合作者(他們都是PBPK建模專家和GastroPlus用戶群指導委員會的成員)的知識和經驗進行更新得到的。該文章以全新的視角去修訂現有的預測策略，包括在實驗開展前使用定量結構-性質關系(QSPR)模型的預測數據作為PBPK模型的輸入參數；將最新的吸收、分布、代謝和排泄(ADME)知識整合到推薦的決策樹中；并著重說明模型預測中不確定考慮的重要性。

所列舉的應用案例強化了策略的應用，以及有挑戰性的化合物模型中某些輸入參數(如全血血漿濃度比，RBP)和模型組成(如組織的模型)的重要性。

原文作者堅信結合多個企業最優秀的實踐和經驗更新的預測FIH的統一策略，可以提高法規監管部門在該方面應用的信心。

PBPK模型需調節很多參數，這使模型較為復雜，這影響了統一模型搭建策略和最佳實踐指南的情況。

PBPK模型需要很多學科、不同背景科學家的配合，因此一種可以覆蓋很多情形的常規方法可以很好地促進監管評估。

連同統一的模型策略，采用一致的生理學參數和比放因子以使得各個化合物同等比對，此外一些公式會采用內部的規則以確保模型的一致性。

比如一些關鍵參數的可能范圍，文獻報道了大鼠肝血流量的數值有47.2，55.2和80 mL/min/kg等。

GastroPlus內建的PBPK模型涵蓋了種屬特異性的生理學參數和比放因子等數據，以確保模型的一致性。

2.1 采用QSPR和PBPK模型評估化合物

盡管PBPK模型需要化合物大量的相關參數，但很多數據可以采用QSPR模型預測得到，這使得在實驗開展前的早期藥物發現階段便能使用PBPK模型，特別對虛擬化合物的建模非常有用。

盡管采用很多基于結構式預測的參數所進行PK準確預測是有可能的，但目前還沒有通過每一個化學系列的化合物進行有效驗證和評價。

早期模擬中聯合QSPR模型的預測結果(如脂溶性、酸堿性、清除率、溶解度、滲透性、紅細胞和血漿蛋白的結合等)和PBPK模型可以鑒定變異和主要敏感的參數；能夠及時開展相應實驗以及優先分配符合目標(fit for purpose)的資源，以支持模型的搭建和臨床前數據的驗證。

PBPK模型在僅有少量數據的藥物發現階段已經得到了成功的應用。

隨著化合物研發的進展，模型可以采用更多的實驗數據進行完善更新。然后在進行FIH預測時，經常需要一整套完善的實驗測量數據作為模型輸入參數。

模型預測的準確性可以通過考慮臨床前數據、表征已鑒定的數據差異和驗證臨床前的PBPK模型等方式進行優化和提高。

在將QSPR模型預測參數整合到PBPK模型(Fig. 1)后可以洞悉化合物的性質以及需要增加的實驗。體內作用以及化合物性質和生理學框架間的相互影響，可以通過參數敏感性分析(PSA)進行研究。

例如對于一個堿性化合物，藥物在小腸中的沉淀以及和組織中酸性磷脂的結合可能非常關鍵。這些可以通過評估所預測的參數(如沉淀速率、腸道溶解度和BPR，其中BPR又將影響組織結合和穩態分布體積，Vss)對預測的血漿藥物濃度-時間曲線的影響進行探尋和評價。

Fig. 1 采用QSPR和PBPK建模從結構式出發評估化合物：BCS-生物藥劑學分類系統；BDDCS-生物藥劑學藥物處置分類系統；BPR-全血血漿藥物濃度比；Dn-溶出指數(藥物在小腸中的轉運時間與理想的溶出時間之比)；ECCS-擴展清除分類系統；Fup-血漿游離藥物分數；GI-胃腸道；IVIVE-體外體內外推。

對聯合ADMET Predictor?和GastroPlus軟件開展的初始QSPR和PBPK模型進行評估，可以讓建模人員發現所搭建的特定藥物分子模型的主要挑戰。

因此，如果化合物被預測為生物藥劑學分類系統(BCS)的I和II類，那么機制性口服吸收模型的預測可能就較為簡單了，相反對于III和IV類化合物可能就有一定的挑戰性。

此外，擴展清除分類系統(ECCS)的框架也在最近整合到了ADMET Predictor? Version 9.0模型中，它可以預測一個化合物是否主要經腎臟排泄清除，以及肝臟轉運體是否影響清除等。

如果預測化合物主要經細胞色素P450 (CYP) 3A4肝臟代謝的方式清除，那么腸道代謝對口服生物利用度的作用就需要考慮到模型中，且早期就需要開展代謝表型的實驗。

2.2 代謝和清除

PBPK建模需要定量理解藥物清除的主要機制，Fig. 2代表了考慮藥物清除途徑的策略。

在早期發現階段預測化合物的清除率依然具有一定的挑戰，然而近期研究證明采用同一系列化合物搭建的QSPR模型進行預測相對較成功。

擴展清除分類系統是一個非常有用的參考信息，如果預測一個化合物主要經肝臟代謝的方式消除，那么當臨床前種屬能夠建立起體外體內外推(IVIVE)轉化方法后，進一步準確預測人體清除的信心是非常高的。對于主要經CYP酶代謝的化合物，建立起一個成功IVIVE方法的可能性還是比較高的；但對于非CYP酶代謝的情況，即使常采用肝細胞模型進行定量表達，也依然存在很多挑戰。

擴展清除分類系統可以標識出涉及主動攝取的肝臟清除，這種情況下選擇肝細胞模型測定動力學數據是較為有用的，且人體清除率的預測可以采用跨種屬的經驗比放因子進行改善。

很多先進的肝細胞模型已經在探尋涉及更復雜情況的IVIVE數據轉換。涉及主動轉運的腎臟、膽汁排泄清除從體外數據進行機制性的預測也具有一定的挑戰，通常預測涉及轉運體作用的分子在人體的PK是有一定的困難，因為該情況下藥物的吸收、分布和消除都受其影響。

Fig. 2 PBPK模型清除率的預測策略：CL_R-腎臟清除率；CL_R,u-游離的腎臟清除率；ECCS-擴展清除分類系統；fup-游離藥物分數；GFR-腎小球濾過率；IVIVE-體外體內外推

不過現在也有一些令人振奮的行業發展：比如對于腎臟分泌，有文獻報道采用測定有機陰離子轉染的人胚胎腎細胞的動力學數據成功預測了31個結構多樣藥物的腎臟清除，雖然需要采用大量藥物數據集驗證腎小管被動重吸收的機制性模型；對于肝臟清除，近期有文獻表明來自三明治構型培養肝細胞的數據并保持相同的IVIVE方法，可以準確預測17個結構不同藥物的人體清除率。

此外，采用體外和體內轉運體表達數據，通過三明治構型的機制性IVIVE模型可以改善瑞舒伐他汀大鼠清除率的預測結果。

研究還報道了猴子是一個非常有價值的模型可以驗證受轉運體作用化合物的肝臟處置特征，特別是有機陽離子多肽轉運蛋白的底物。現在已經存在一些包含從體外研究表征代謝酶和轉運體動力學的復雜PBPK模型案例，這也將在今后的模型發展中常常出現。

不考慮藥物機制時，如果臨床前種屬清除率的預測結果得以驗證，那么將增強成功預測FIH PK的信心。

如果IVIVE方法在臨床前種屬不能成功建立，那么需要采用經驗性比放因子預測人體清除(見4.1章節的Compound 1)。

2.3 分布

理解藥物的組織分布對于PBPK建模是必需的，且能通過一些機制性公式輔助加深認識。圖3表示了PBPK模型考察分布組成的策略。

GastroPlus內建了Lukacova Kp (組織-血漿分配系數)計算方法計算藥物的分布，該方法是建立在前人工作基礎上的，但同時也采用了其它方法。無論使用哪種方法，都將用到體外實測的log P, pKa, fup和BPR等參數，以及建議通過臨床前種屬進行驗證以保證預測的準確性(Fig. 3)。

Fig. 3 PBPK模型分布體積的預測策略：BPR-全血/血漿濃度比；fup-血漿游離藥物分數；Kp-組織-血漿分配系數；SpecPStc-每毫升組織細胞體積的特定體內擴散清除率。

對于被動擴散占主導作用的分子，分布的預測常采用標準的血流灌注組織模型。

如Compound 2 (4.2章節)的案例，重點突出了實測BPR的數據對于預測堿性化合物Vss的影響。

然而，對于大分子且以較慢的速度被動擴散透過組織細胞膜(如4.4章節的Compound 4)，可能需要采用膜滲透限速型的組織分布，且還包含了潛在的轉運體動力學。在其它的一些案例中，輸入的實測BPR數據根據觀測的Vss進行了經驗性的調整。調整BPR以考慮堿性親脂性化合物受磷酯類結合以及溶酶體捕獲作用，目前還基本是根據經驗進行擬合，以說明含有大量溶酶體的組織中其觀測到酸性磷酯的含量很高。

整合公式以描述溶酶體對Kp預測數值的貢獻，可能會包含在將來版本的GastroPlus中。

當組織分配方程不能很好預測時，定量全身放射自顯影技術的數據(若能反映母藥變化)可以用作估算Kp的數值，以及從大鼠數據準確地預測人體PK。

此外，可假設游離Kp是一致的，且考慮種屬間血漿蛋白的差異，可從動物的Kp數據放大到人體數據。

2.4 口服吸收

由于口服吸收是一個多種因素交互的過程，因此臨床前預測結果的驗證對于建立可靠的FIH模型非常重要。在建立臨床前種屬PBPK模型時，為提高口服模型的預測準確性，一般需要用到靜脈給藥的PK數據以確保處置模型的準確搭建；該數據可以幫助校正系統的PBPK模型或者優化經典房室模型。

也需要測定生理介質中的溶解度數據，除非親水性溶解度非常大可以保證化合物完全、快速的溶出。對于FIH預測，推薦采用來自同一個實驗體系的體外滲透數據與體內滲透建立轉化關系。圖4提供了評估不同因素影響口服吸收的框架。

對于親脂性化合物，吸收可能對膽酸鹽增溶因子(BSSR)比較敏感，因此可以采用模擬空腹狀態的腸液(FaSSIF)以及模擬飽腹狀態的腸液(FeSSIF)的溶解度預測BSSR，該數據又可用于臨床前種屬口服數據的驗證或優化。

當前GastroPlus模型在膽酸鹽對于體內溶解增溶作用方面的考慮，基于了空腹與空腹介質中膽酸鹽濃度對親水性溶解度的相對改變進行體現的。如果采用FaSSIF或FeSSIF估算的BSSR數值不一樣，那么可能暗示可能還需將簡單膽酸鹽增溶作用之外的因素考慮進來。在一些案例中，臨床前種屬體內模型的驗證可以用于估算BSSR數值的相關性。

所使用的基于臨床前種屬的建模去卷積得到的生物體相關溶解度，可以經過一系列化合物(包括所有BCS或BDDCS的分類)的準確預測得以支持。

通常，生理學參數是不需要優化的，建議采用GastroPlus ACAT模型默認的數據，雖然有時會發生一些微小的調整。

例如，有些模型參數(如胃腸道液體的總量)具有明顯的不確定性。

對于Compound 1 (BCS Class II)，包括已知的胃腸道液體體積的變異性以及實際制劑粒徑數據，對于口服吸收預測都非常重要。其它的一些案例也展示了進行適當的ACAT模型參數調整，包括胃轉運時間(該參數展現了隨時間的變異)，胃中pH (如同時服用質子泵抑制劑的病人)以及修正內建的種屬間有效滲透性轉化關系等。

盡管報道了一些調整種屬特異性吸收放大因子的研究，但細致地評估、驗證種屬特異性的ACAT模型的工作未見報道。這些研究采用狗理論的表面積-體積比值(SA/V)模型以及使用設置結腸滲透速率與人小腸相同的Opt-logD SA/V Version 6.1模型。

Fig. 4 PBPK模型口服吸收預測的策略：ASF-吸收放大因子；BSSR-膽酸鹽增溶因子；MPT-平均沉淀時間；其它過程-轉運體，可以通過簡單的方法(如基于臨床前觀測結果或體外數據調整滲透性)到更復雜的方法(設置特定轉運體的作用)將外排轉運體的作用整合到GastroPlus模型中。

理想狀態，臨床前口服PK數據應當覆蓋人體相關的給藥劑量和劑型，進而使得驗證的相關劑量下的制劑模型有較高的可信度。臨床前種屬可以研究食物效應，并指導人體PK的預測。

如果一個化合物發現在腸壁中酶代謝現象較為活躍，Fig. 5提供了考察口服暴露影響的評估流程。該圖表是為了理解腸壁代謝導致暴露減少(通過利用已經獲得肝臟代謝的數據)的潛在風險。高滲透可能會抵消部分的腸壁代謝，該現象可以通過PSA進行充分研究。

一般初始的研究主要關注預測CYP3A4的腸道代謝，可能因為使用葡萄柚汁研究的數據能支持模型的預測。GastroPlus軟件可以整合代謝貢獻至ACAT模型的每個房室。

例如對于主要經CYP3A4代謝的化合物，體外肝微粒體的清除數據可以用于估算CYP3A4介導的腸道代謝。類似的策略對于評估非CYP腸壁代謝酶(如UDP葡萄糖醛酸轉移酶和磺基轉移酶)作用的化合物也是非常有用的。

然而由于受到腸道代謝酶豐度數據以及腸道排泄的體內估算(還需要進一步驗證的途徑)的限制，預測非CYP代謝酶的貢獻是較為復雜的。

Fig. 5中所呈現的策略，具有低逃離腸壁代謝藥物分數的趨勢。

因此在進行預測相關腸壁排泄時，可能還需要平行地使用一種備選方案評估腸壁代謝，以支持最后的決策。

這些評估方法也體現在Peters等人文章闡述的模型應用策略，文章建議將動物中觀測到腸壁代謝，連同人腸道代謝的相關體外數據和化合物的生物藥劑學分類等因素考慮到低逃離腸壁代謝分數的藥物風險評估中。

此外，同時受腸壁代謝和主動轉運的化合物，采用經驗校正的代謝和轉運IVIVE比放因子可能會更加準確表征。

Fig. 5 PBPK模型評估腸壁代謝的策略：Clint-肝臟固有清除率；Fg-逃離腸壁代謝的藥物分數；Km-Vmax一半時底物的濃度；Vmax-代謝酶最大代謝反應速率；注：腸壁代謝經常會出現飽和現象，如果有Km和Vmax的數據可以評估劑量依賴型的飽和現象。

2.5 不確定性和變異分析

盡管經常開展FIH劑量的模擬預測，但該方法可能會影響所得的數據結果，因為在PBPK模型輸入的參數具有不確定性且所模擬的人群有一定的變異性。特別是從監管部門的視角來看，同時考慮到不確定性和變異性是非常重要的。當采用PBPK模型預測FIH劑量時，探尋模型參數的不確定是非常關鍵的：因為在這個階段有很多未知的因素，Compound 3 (見應用案例的4.3章節)專門舉例說明了該情況。

PSA分析可用于確定主要的不確定因素，無論是因為數據的限制，機制理解的缺少，不能預測代謝飽和或吸收機制，或者是體外和體內數據的差異。EMA鼓勵采用PSA以表征PBPK模型參數不確定性的程度。

不確定性可以轉移到匯總的PBPK模型結果中，并導致臨床PK預期結果的限制。有時，關注單個關鍵模型參數也是非常有價值的。例如，清除率經常是一個敏感參數且沒有非常可靠的信心，因為來自微粒體和肝細胞所預測清除率的不一致，或者臨床前種屬體外和體內清除率的差異。一種方式是對于不確定的模型參數給出一個預測范圍，或者是預測一個最有可能的估算值和最差情況的結果。清晰地表述預測范圍所代表的內容比較重要，以便可以合適地處理相關信息。

有時，多個參數的不確定性傳輸也很重要，比如當清除率和吸收的預測都存在不確定時。這種情況下，三維的PSA (三維結果展示預測的PK參數)所呈現的模擬結果對于確定可能的不確定因素是非常有用的參考。

對于預測的變異性，GastroPlus的群體模擬功能可以用于模擬多個模型參數(常是生理學)在所定義的變異分布范圍內變化時的臨床表現。這一強大的技術已經在確定特定P450基因亞型/基因多態性的影響，理解預期藥物藥物相互作用的范圍和模擬疾病對病人PK影響等方面得到了應用。當然，一些簡單的途徑(如對比一個典型的病人在空腹和飽腹狀態下所預測PK的變化，或者對比一個健康人和病人PK預測的差異等)對理解變異性也是非常有用的。變異性的預測在人體數據獲得后可能會更加有用，這也可以改善“自頂向下”的PBPK模型預測能力。

如Compound 1 (見應用案例的4.1章節)，更加全面地評估不確定性和潛在的變異可以幫助避免需要增加額外樣品采集點的臨床方案修訂。圖6提供了一個PBPK模型的輸入參數清單，同時也應用于考慮不確定的評估。僅來自Fig. 6的一系列參數(由化合物性質決定的)對于一個特定的PBPK模型是非常重要的。

Fig. 6 通過分子性質和不確定評估驅動的PSA分析指導PBPK建模策略：3D-三維；ADME-吸收，分布，代謝和排泄；APL-酸性磷酯；ASF-吸收放大因子；BCS-生物藥劑學分類；BPR-全血血漿濃度比；BSSR-膽酸鹽增溶因子；Capt-酸性磷酯在組織中的濃度；Clint-肝臟固有清除率；FIH-首次人體；fup-血漿游離藥物分數；Km-Vmax一半時底物的濃度；MPT-平均沉淀時間；PSA-參數敏感性分析；Peff-有效滲透性；SI-小腸；SolFactor-溶解因子；Vmax-代謝酶最大代謝反應速率

另外，原文作者列舉了可以改善PBPK建模預測FIH結果的一些機會區域(Table 1)，這些也應當一并考慮到不確定評估內容中。

Table 1 基于PBPK建模方法的機會區域

對應的應用案例請見：

（下）基于生理藥代動力學模型預測首次人體PK的新策略-應用案例

  參考文獻 

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