新药研发的过程复杂、耗时、且充满挑战，最终目的是开发对人体安全有效的药物。新药在进入临床研究之前，需要开展一系列临床前研究，以预测药物在人体内的药物特征。其中药代动力学（drug metabolism and pharmacokinetics, DMPK）是评估药物在体内吸收、分布、代谢和排泄的关键环节。为了进一步提高临床前到临床的转化，我们可通过一系列体外和动物体内的药代数据，预测人体内的临床药代特征。
准确预测药物在人体的药代性质对于药物研发、临床转化及应用具有重要意义。首先，通过预测药物的吸收、分布和代谢特性，我们可以帮助筛选和优化候选化合物，从而提高药物的疗效并避免潜在的不良反应。其次，预测药物的临床药代动力学特性可指导人体给药方案的设计，确保药物在临床试验和治疗过程中的有效性和安全性。此外，个体差异是药物疗效和安全性的重要影响因素，通过DMPK预测理解个体差异产生的原因，可以实现个体化治疗，提高治疗效果。本文将介绍小分子化合物药代动力学参数预测的体外及体内方法和常用模型，并应用常用预测方法结合GastroPlus软件较为准确地预测了MRTX-849的人体药代动力学参数。
小分子化合物人体DMPK预测方法
随着计算机科学和生物技术的快速发展，临床药代动力学预测中应用的计算方法和模型日益增多，主要包括体外-体内外推法（in vitro-in vivo extrapolation, IVIVE）[1]、利用动物体内数据异速放大预测人体数据的方法、基于生理的药代动力学模型方法（physiologically based pharmacokinetic, PBPK）[2]和机器学习算法[3]。为了进一步推动这些技术在新药研发中的应用，2020年，中国国家药品监督管理局发布了《模型引导的药物研发技术指导原则》等技术指南，为新药研发过程中建模与模拟技术的应用提供了技术支持和指导[4]。模型引导的药物研发（model-informed drug development, MIDD）通过采用建模与模拟技术对生理学、药理学以及疾病过程等信息进行整合和定量研究，从而指导新药研发和决策。
体外-体内外推法（IVIVE）
细胞渗透性和转运实验
使用细胞模型（如Caco-2细胞）评估药物的渗透性和转运特性，以预测其在人体内的吸收和分布情况。文献报道，在预测18种药物的人体口服PK特征时，使用以下公式通过Caco-2细胞的表观渗透性数据预测吸收速率常数（ka）效果较好[5]：
Papp：Caco-2表观渗透性；S：吸收表面积（200 m2）；Vc：中央分布容积（通过预测得到）。
此外，Caco-2表观渗透性数据还可用于预测口服药物从肠腔到肠上皮的吸收程度（Fa）[6]:
Peff（10-4 cm/s）为内镜下球囊法测定的人类空肠渗透率；Tres为人体小肠转移时间，3小时；R为人体小肠半径，2cm。
体外酶代谢实验
使用体外肝脏代谢稳定性数据预测体内代谢清除率。该方法基于实验测得的人肝微粒体或肝细胞清除率数据，利用体外-体内转换因子和充分搅拌模型（well-stirred model）推算出理论人体体内清除率（CL）[8]:
Qh：肝血流量；fu(b)：药物血液游离分数；CLint(liver)：肝固有清除率；fu(inc)：肝微粒体或肝细胞游离分数值。
若需了解更多细节，可参考《IVIVE代谢预测模型助力药物研发：如何利用体外药物代谢数据推导其体内的代谢清除特征》一文。
CL的预测模型中，蛋白结合率是关键参数，直接影响预测能力。传统的体外-体内转化（IVIVE）方法在利用体外代谢数据预测体内CL时表现良好，但对于高蛋白结合率、低清除率或与转运蛋白有强相互作用的药物，其适用性有限。
为了解决这些问题，研究人员近年来开发了基于生理和机制的新IVIVE方法。这些新方法引入了蛋白结合修正因子，以更准确地反映游离药物在肝细胞中的有效浓度。通过体外蛋白结合实验（如血浆蛋白结合、肝微粒体蛋白结合等），评估药物与血浆蛋白的结合程度，从而确定游离药物的比例。例如，Berezhkovskiy提出的修正方程考虑了细胞内外pH差异，显著改善了碱性化合物的CL预测。此外，Poulin等人开发的机制性IVIVE模型，结合了肝脏内外组织液的pH差异及蛋白质-药物复合物与细胞表面之间的离子相互作用，解决了低清除率和高蛋白结合药物预测中的常见问题（表1）。这些新方法通过考虑蛋白质-药物复合物与细胞表面的相互作用、细胞内外pH差异及肝脏的生理因素，显著提高了高结合率和低清除率药物的清除率预测准确性 [9]。
表1. 从体外酶代谢数据预测清除率的公式
IVIVE 方法类型 | 关键参数 | 公式 | 优势 | 限制 |
传统IVIVE方法 | 体外代谢数据、蛋白结合率 |
| 对于大多数药物的CL预测表现良好 | 对高蛋白结合率、低清除率或高转运蛋白相互作用药物适用性差 |
Berezhkovskiy的修正方程 | 游离药物在细胞内外pH差异 |
| 显著改善碱性化合物的CL预测 | 主要针对碱性化合物，可能不适用于其他类型药物 |
Poulin等人的机制性IVIVE模型 | 蛋白质-药物复合物与细胞表面的离子相互作用 |
| 克服低清除率和高蛋白结合亲和力药物的预测问题 | 可能需要复杂的模型和计算，增加了实现难度 |
Qh：肝血流量；fu(b)：药物血液游离分数；CLint(liver)：肝固有清除率；fu(inc)：肝微粒体或肝细胞游离分数值; Rb/p：全血血浆分配比；fu(p)-app：考虑pH梯度的表观游离分数；fu(liver)：考虑蛋白促进摄取和pH梯度的肝脏游离分数。
上述体外方法可以提供关于药物在人体内药代动力学特性的初步预测，为进一步的动物模型和临床研究提供基础数据和指导。需要注意的是，体外方法仅能提供初步的预测结果，实际的体内PK特性还需要通过动物模型和临床试验来验证和确认。
体内预测方法
异速放大法
使用小鼠、大鼠、犬、猴等种属进行药代实验，评估药物在动物体内的吸收、分布、代谢和排泄情况，进而使用异速放大法（allometric scaling, AS）预测其在人体内的PK特性[10]。异速放大法基于临床前种属和人类之间的解剖学、生理学和生物化学相似性，认为不同种属间药代动力学特征的差异主要源于体重和脏器大小的不同。这是预测人体PK最早和最广泛使用的方法之一（图1）。简单异速放大法（simple allometric scaling, SAS）是一种基本的异速放大方法，基于多个种属的数据计算出异速放大方程中的参数，然后开展其他种属数据的预测。以下是使用简单异速放大法预测种属间清除率CL的公式：
BW：体重；a、b：异速放大方程的参数。
图1. 利用异速放大模型预测人体PK参数[10]
然而，简单异速放大法无法准确预测所有药物的清除率。为了提高预测精度，人们开发了多种改进方法，包括校正最大可能寿命长度（maximum lifespan potential, MLP）和脑重（brain weight, BrW）的幂指数法（rule of exponents, ROE）、用游离药物分数校正的截距法（free compound intercept method, FCIM）、单种属异速放大法（single-species scaling, SSS）和双种属异速放大法（two-species scaling, TS）等（表2）。美国制药协会的比较研究发现，预测准确率较高的方法是游离药物分数校正的截距法和大鼠-犬双种属异速放大法（TSR-D）[11]。
表2. 基于异速放大的人体清除率（CL）预测方法[12]
方法 | 描述 | 公式 (mL/min) |
SASN≥2 | 使用至少两个种属数据的简单异速放大法方法 | CL = a×(BW)b |
ROEN≥2 | 使用至少两个种属数据的 ROE 方法 | 如果 b < 0.55 或 b > 1.3, 不适用 如果 0.55 < b≤ 0.71, 简单异速放大法 如果0.71 < b ≤ 1, CL×MLP = a×(BW)b; 如果1< b ≤ 1.3, CL×BrW = a×(BW)b |
FCIMR | 使用大鼠数据的 fup 校正截距法 | CL人 = 33.35×(a/Rfu)0.770, Rfu= fup,大鼠/fup,人 |
FCIMD | 使用犬数据的 fup 校正截距法 | CL人 = 33.35×(a/Rfu)0.770, Rfu= fup,犬/fup,人 |
FCIMM | 使用猴数据的 fup 校正截距法 | CL人 = 33.35×(a/Rfu)0.770, Rfu= fup,猴/fup,人 |
SSSR | 使用大鼠数据的单种属放大方法 | CL人/ fup,人= CL大鼠/ fup,大鼠×(70/0.25)0.75 |
SSSD | 使用犬数据的单种属放大方法 | CL人/ fup,人= CL犬/ fup,犬×(70/10)0.75 |
TSR,D | 使用大鼠和犬数据的双种属放大方法 | CL人 = a(大鼠-犬)×(BW人)0.628 |
TSR,M | 鼠和猴数据的双种属放大方法 | CL人 = a(大鼠-猴)×(BW人)0.650 |
BrW: 脑重; BW大鼠, BW犬, BW猴 和 BW人: 大鼠、犬、猴和人类的体重; CL大鼠, CL犬, CL猴 and CL人: 大鼠、犬、猴和人类的CLiv; fup, 大鼠, fup, 犬,fup, 猴 和 fup,人: 大鼠、犬、猴和人的血浆未结合分数; MLP: 最大可能寿命长度; ROE: 指数规则; SAS: 简单异速放大法。
稳态表观分布容积（Vss）是衡量药物在组织中分布的重要参数。异速放大法同样适用于预测Vss。研究表明，使用多种属或单种属进行异速放大时，结果差异不大。在新药早期发现阶段，可以使用单个动物种属的数据预测人体Vss，以提高筛选效率（表3）。
表3. 基于异速放大的人体稳态表观分布容积（Vss）预测方法[13]
方法 | 描述 | 公式 (L/kg) |
V-SA | Vss预测的异速放大法 | Vss = a×(BW)b |
V-SAfup | 校正血浆蛋白结合的异速放大法 | Vss/fup = a×(BW)b |
V-SSS大鼠 | 使用大鼠数据的单种属放大方法 | Vss (人)/fup = Vss (大鼠)/fup |
V-SSS犬 | 使用犬数据的单种属放大方法 | Vss (人)/fup = Vss (犬)/fup |
fup:血浆未结合分数; SSS: 单种属异速放大法。
Øie-Tozer方法
Øie-Tozer模型是一种半机械模型，“半机械”（semi-mechanistic）是一个用于描述模型或方法的术语，通常用于药代动力学和药效学领域。它指的是一种结合了机械模型和经验模型特征的方法。Øie-Tozer模型主要用于预测药物在体内的组织-血浆分配比。该模型的设计基于对临床前动物种属数据的整合，旨在通过简单的数学公式来描述药物在不同生理环境中的行为。Øie-Tozer模型假设人类组织中未结合分数（fut）与动物模型中的fut相等。这一假设使得研究人员能够利用已有的动物实验数据来推断人类的药物动力学特性[13]。
表4. 使用Øie-Tozer模型预测Vss
方法 | 假设 | 公式 (L/kg) |
Øie-Tozer(13) | 人组织中未结合分数(fut) 等于动物种属fut： fut (平均临床前动物种属) = fut (人) 动物种属在稳态时的 fut使用以下公式计算： fut (动物) = (Vr×fup)/(Vss (动物种属)-Vp-(fup×Ve)-[(1-fup)×RE/I×Vp]) | Vss (人) = Vp+(fup×Ve)+[(1−fup)×RE/I×Vp]+Vr×fup/fut(人) 其中 Ve 是细胞外液体积，Vp 是血浆体积，Vr 是剩余液体体积，RE/I 是细胞外液中结合蛋白与血浆中结合蛋白的比率。Vp (L/kg) = 0.0313, 0.0313, 0.0515, 0.0448 和 0.0436 分别对应小鼠、大鼠、犬、猴和人类。Ve (L/kg) = 0.265, 0.265, 0.216, 0.208 和 0.151 分别对应小鼠、大鼠、犬、猴和人类。RE/I = 1.4。Vr (L/kg) = 0.364, 0.364, 0.450, 0.485 和 0.380 分别对应小鼠、大鼠、犬、猴和人类。 |
PBPK方法
除了半机械Øie-Tozer模型，表现较好的Vss预测方法还包括基于生理的药代动力学模型（physiologically based pharmacokinetic, PBPK）。PBPK是一种数学模型，用于模拟和预测药物在生物体内的吸收、分布、代谢和排泄过程。该方法基于生理学和解剖学数据，并结合药物的化学特性，建立了适用于人体或动物的模型。通过整合体内外数据，PBPK模型能够提供更精确的药物体内药代性质预测（表5）[14]。
表5. 使用PBPK模型预测Vss
方法 | 假设 | 公式 (L/kg) |
PBPK 模型(Lukacova 公式)(15) | 实验数据（Log D， fup，BPR）单独或组合使用作为输入参数预测组织-血浆比率 (Kp)，随后用于计算 Vss |
|
其中 Vp 是血浆体积；Ve 是红细胞体积 (Vblood-Vp)；E/P 是红细胞-血浆比率，通过公式 hematocrit/(1- hematocrit) 得出；KPi 和 Vi 分别是第 i 组织的血浆组织分配比和体积。 |
计算机模拟方法
近年来，随着人工智能（artificial intelligence, AI）的发展，科研人员也探索直接建立化合物结构式与药代动力学参数之间的关系，并由此开发和训练了通过化合物结构式预测清除率、分布容积等参数的AI模型。如使用ADMET Predictor®软件，只需要输入化合物的结构式，就可以采用内置的AI模型预测得到人体表观分布容积、化合物在微粒体或肝细胞中的固有清除率等参数[16]。
预测案例：MRTX-849人体药代动力学参数预测
MRTX-849（商品名：adagrasib）是一种靶向KRAS G12C突变的抑制剂，主要用于治疗携带KRAS G12C突变的非小细胞肺癌（NSCLC）。以下我们利用多种体内外人体PK预测的方法，对MRTX-849的人体药代动力学参数进行预测，并与其临床PK数据进行比较。
该次预测主要采用了定量系统药理学（quantitative systems pharmacology，QSP）结合GastroPlus® PBPK模型的方法。我们首先采用异速放大的方法，对MRTX-849的人体静脉给药后的血浆清除率进行了预测。采用不同方法预测了人体清除率（CL）（见表6），结果显示TSR,D法预测的清除率与ROE法结果最接近。
表6. 采用不同方法预测MRTX-849在人体中的清除率（CL）
方法 | CL (人) (mL/min/kg) |
ROEN≥2 | 4.63 |
FCIMR | 8.27 |
FCIMD | 8.27 |
SSSR | 16.9 |
SSSD | 14.4 |
TSR,D | 6.71 |
我们也采用不同方法预测了人体表观分布容积（Vss），结果显示Øie-Tozer法预测的表观分布容积与GastroPlus®软件中Lukacova公式结果最接近（见表7）。
表7. 采用不同方法预测MRTX-849在人体中的表观分布容积（Vss）
方法 | Vss (人) (L/kg) |
V-SA | 30.7 |
V-SAfup | 26.0 |
V-SSS大鼠 | 15.0 |
V-SSS犬 | 18.6 |
Øie-Tozer | 12.3 |
PBPK 模型 (Lukacova 公式) | 7.2 |
小结
在搭建PBPK模型时，使用了ROE法的清除率数据和Lukacova公式的表观分布容积数据，得到了较准确的人体静脉PK参数预测结果。之后结合GastroPlus®的PBPK模型，用临床前动物种属的真实药代动力学数据，搭建并优化了预测模型，然后用优化后的模型对MRTX-849在人体的口服参数进行了详细预测。通过上述方法，我们得到了MRTX-849的人体药代动力学参数。值得注意的是，预测结果与实测值的差异均在两倍以内，显示了方法的高准确性和可靠性（图2）。
图2. 利用定量系统药理学（QSP）结合GastroPlus®软件预测人体口服200 mg MRTX-849后的血药浓度-时间曲线
讨论与结论
小分子化合物人体PK预测方法在药物研发和临床应用中具有重要的应用价值。在药物研发中，人体PK预测可以帮助药物筛选和优化，进而助力筛选出具有良好PK特性的候选药物，节省药物研发时间和资源，降低研发失败的风险。另一方面，通过准确预测药物的临床PK特性，人体PK预测可帮助优化临床药物剂量和给药方案，提高治疗效果和安全性（图3）。深入研究和应用小分子化合物人体PK预测方法，将为药物研发、临床转化和应用带来更多的机遇。
图3. 基于临床前数据利用药代动力学模型预测人体药物暴露情况[17]
药明康德DMPK可在药物研发的各个阶段提供助力，我们利用计算模型和实验数据相结合的方法，在临床前数据基础上进行药物人体PK预测。预测结果可以为药物研发过程提供一定的指导，助力客户更高效地推进具有良好药代动力学特性的候选药物。
作者：潘岩，颜昀昳，马利萍，侯丽娟，金晶
编辑：富罗娜·克里木，钱卉娟
设计：倪德伟，张莹莹
药明康德DMPK依托中国（上海、苏州、南京和南通）和美国（新泽西）的研发中心，提供从早期筛选、临床前开发、到临床研究阶段的综合型药代动力学服务，助力您快速推进药物研发流程。拥有上千人的研发团队，服务超1600家全球客户，具有超过十五年的新药申报经验，已成功支持超过1700个新药临床研究申请（IND）。
点击此处与我们的专家进行联系。
参考
[1] Obach RS, Baxter JG, Liston TE, Silber BM, Jones BC, Macintyre F, et al. The prediction of human pharmacokinetic parameters from preclinical and in vitro metabolism data. Journal of Pharmacology and Experimental Therapeutics. 1997;283(1):46–58.
[2] Miller NA, Reddy MB, Heikkinen AT, Lukacova V, Parrott N. Physiologically Based Pharmacokinetic Modelling for First-In-Human Predictions: An Updated Model Building Strategy Illustrated with Challenging Industry Case Studies. Clin Pharmacokinet. 2019 Jun 7;58(6):727–46.
[3] Gruber A, Führer F, Menz S, Diedam H, Göller AH, Schneckener S. Prediction of Human Pharmacokinetics From Chemical Structure: Combining Mechanistic Modeling with Machine Learning. J Pharm Sci. 2024;113(1):55–63.
[4] 模型引导的药物研发技术指导原则, 2020 年 12 月. 2020.
[5] Usansky HH, Sinko PJ. Estimating human drug oral absorption kinetics from Caco-2 permeability using an absorption-disposition model: Model development and evaluation and derivation of analytical solutions for ka and Fa. Journal of Pharmacology and Experimental Therapeutics. 2005;314(1):391–9.
[6] Krishna R, Yu L, editors. Biopharmaceutics applications in drug development. Springer Science & Business Media; 2007 Sep 20.
[7] Sun D, Lennernas H, Welage LS, Barnett JL, Landowski CP, Foster D, et al. Comparison of human duodenum and Caco-2 gene expression profiles for 12,000 gene sequences tags and correlation with permeability of 26 drugs. Pharm Res. 2002;19(10).
[8] Riley RJ, McGinnity DF, Austin RP. A unified model for predicting human hepatic, metabolic clearance from in vitro intrinsic clearance data in hepatocytes and microsomes. Drug Metabolism and Disposition. 2005;33(9).
[9] Choi GW, Lee YB, Cho HY. Interpretation of Non-Clinical Data for Prediction of Human Pharmacokinetic Parameters: In Vitro-In Vivo Extrapolation and Allometric Scaling. Pharmaceutics. 2019 Apr 5;11(4):168.
[10] Jones G, Zeng L, Kim J. Application of Allometric Scaling to Nanochelator Pharmacokinetics. ACS Omega. 2023;8(30):27256–63.
[11] Ring BJ, Chien JY, Adkison KK, Jones HM, Rowland M, Jones R Do, et al. PhRMA CPCDC initiative on predictive models of human pharmacokinetics, part 3: Comparative assessement of prediction methods of human clearance. J Pharm Sci. 2011;100(10).
[12] Liu D, Song H, Song L, Liu Y, Cao Y, Jiang J, et al. A unified strategy in selection of the best allometric scaling methods to predict human clearance based on drug disposition pathway. Xenobiotica. 2016;46(12).
[13] Jones R Do, Jones HM, Rowland M, Gibson CR, Yates JWT, Chien JY, et al. PhRMA CPCDC initiative on predictive models of human pharmacokinetics, part 2: Comparative assessment of prediction methods of human volume of distribution. J Pharm Sci. 2011;100(10).
[14] Petersson C, Papasouliotis O, Lecomte M, Badolo L, Dolgos H. Prediction of volume of distribution in humans: analysis of eight methods and their application in drug discovery. Xenobiotica. 2020;50(3).
[15] Murad N, Pasikanti KK, Madej BD, Minnich A, McComas JM, Crouch S, et al. Predicting volume of distribution in humans: Performance of in silico methods for a large set of structurally diverse clinical compounds. Drug Metabolism and Disposition. 2021;49(2).
[16] Sohlenius-Sternbeck AK, Terelius Y. Evaluation of ADMET Predictor in Early Discovery Drug Metabolism and Pharmacokinetics Project Work. Drug Metabolism and Disposition. 2022;50(2).
[17] Davies M, Jones RDO, Grime K, Jansson-Löfmark R, Fretland AJ, Winiwarter S, et al. Improving the Accuracy of Predicted Human Pharmacokinetics: Lessons Learned from the AstraZeneca Drug Pipeline Over Two Decades. Trends Pharmacol Sci [Internet]. 2020;41(6):390–408. Available from: http://doi.org/10.1016/j.tips.2020.03.004
加入订阅
获取药物代谢与药代动力学最新专业内容和信息
