玻尔百科当一种新药进入人体时，它会开启一段受无数生物因素影响的复杂旅程。我们如何能预测它会去哪里、会停留多久、会产生什么效果，尤其是当每个人都各不相同时？这种变异性是开发安全有效药物的核心挑战。药代动力学建模为此提供了答案，它提供了一套强大的数学工具来绘制、理解和预测药物的行为。本文将探索药代动力学的世界，从其核心原理到其变革性应用。第一部分“原理与机制”将深入探讨构建这些模型的基本方法，从经验性的草图到详尽的生理蓝图，并解释它们如何解释人与人之间的巨大差异。接下来，“应用与跨学科联系”将展示这些模型在现实世界中如何应用于指导药物开发、实现个性化医疗以及解开令人困惑的生物学谜题。
想象一下，你是一名侦探，试图破解一宗发生在已知最复杂机器——人体——内部的案件。一种新药进入现场。它去了哪里？停留了多久？做了什么？以及为什么它在不同人身上的行为有所不同？这些是药代动力学的核心问题。为了回答它们，我们不仅要收集线索，还要构建模型。我们创建人体内部世界的数学地图，以追踪药物的旅程并预测其效果。本章旨在介绍我们绘制这些地图所使用的原理，从简单的草图到极其精细的人体生理学蓝图。
药理学的核心是两个相互作用伙伴的故事。首先是身体对药物的作用：吸收药物，通过血液循环将其迅速送往各个组织，对其进行化学改变（代谢），并最终将其清除（排泄）。这整个过程统称为药代动力学（PK），它决定了药物在体内任何部位随时间变化的浓度 。
然后是药物对身体的作用。这就是药效动力学（PD），讲述了药物在靶点部位的浓度如何产生生物效应 ，无论是降低血压、杀死癌细胞，还是不幸地引起副作用。我们通常也对疾病本身如何随时间变化感兴趣，这可以通过疾病进展模型来捕捉，该模型描述了即使在没有治疗的情况下，疾病标志物 的变化轨迹。
药理计量学的整个事业就是一门利用定量模型整合所有这些信息——关于药物、疾病和患者——以制造更好、更安全、更有效药物的科学。我们的目标是建立一个模型，不仅能描述这场错综复杂的舞蹈，还能让我们预测新条件下的舞步。
我们如何开始绘制一个我们无法直接观察的过程的地图？像早期的地图绘制者一样，我们可以选择两种主要哲学之一：要么从远处勾勒我们所见的景象，要么尝试基于基本原理从头开始构建地图。
第一种方法为我们提供了经验模型。想象一下，将人体表示为几个相互连接的抽象盒子——比如，一个代表血液和血流灌注良好器官的“中央”室，以及一个代表其他所有部分的“外周”室。我们可以编写带有经验性速率常数（如 和 ）的简单方程来描述药物在这些盒子之间的移动。这些经典的房室模型在总结数据方面非常有用，但这些盒子和速率并不对应任何特定的解剖学实体。同样，一个经验性的暴露-反应模型可能会使用一个简单的S型函数，，来描述剂量-反应曲线。它能拟合数据，但参数 和 只是现象学的描述符；它们并没有告诉我们曲线为何呈现那种形状。这种方法就像知道了海岸线的形状，却不了解形成它的地质学原理。
第二种更强大的哲学导向基于机制的模型。在这里，我们不只是勾勒海岸线；我们模拟其下的构造板块和侵蚀模式。这种方法的明星是基于生理学的药代动力学（PBPK）建模。一个PBPK模型是对身体的宏大再现，令人叹为观止。它不是一堆抽象的盒子，而是一个代表真实器官——肝、肾、脑、心等——的隔室网络，所有器官都通过循环系统连接，每个器官都由其真实的生理体积 和血流量 来定义。
这种方法的美妙之处在于，模型的参数不再是任意的拟合常数，而是具有直接的物理或生物学意义。药物在组织中的分布由组织:血液分配系数 决定，该系数可以根据药物的化学性质预测。其在肝脏中的消除由内在清除率 描述，该清除率可以在实验室中使用人肝细胞测量得到。这种从生理学原理和体外数据出发构建全身模型的“自下而上”的方法，是简单性质预测（ADMET）与动态模拟（PK/PD）的边界。
当事情变得复杂时，PBPK建模的威力就显现出来了。如果我们想根据动物数据预测药物在人体中的行为会怎样？简单的异速标度法，一种将参数与体重相关联的经验方法，如果物种间的潜在生物学特性不同，可能会彻底失败。考虑一种药物，它表现出可饱和的（非线性）代谢，由物种特异性的转运体处理，并且在人血和鼠血中与蛋白质的结合方式不同。一个简单的标度法则对这些复杂性视而不见。然而，一个PBPK模型可以明确地处理它们。我们可以输入人类特有的器官大小、血流量、蛋白质结合值和体外来源的代谢参数（、），构建一个“虚拟人”，并在给任何人用药之前预测结果。正是这种机制上的细节，才使得真正的外推和预测成为可能。
我们的PBPK模型可能会给我们描绘出一幅“平均”人类的惊人准确的图景，但在现实世界中，并不存在这样的人。每个患者都是独一无二的。我们如何构建一个能解释人与人之间巨大差异的地图？
这是群体药代动力学（PopPK）建模的领域，它使用一种名为非线性混合效应模型的强大统计框架，不仅能创建一张地图，还能为整个群体创建一本图集。其核心思想是将所有人共有的趋势与使每个人独特的变异分离开来。
固定效应是地图的平均特征。这包括参数的典型值，如群体的平均清除率 。至关重要的是，它还包括可预测的变异来源。我们可以引入协变量——患者特有的特征，如体重、年龄或遗传标记——来解释为什么某些人与平均水平不同。对于单克隆抗体，我们知道其清除率受多种因素影响：它随体重增加而增加，在血清白蛋白水平高的患者中降低（这反映了FcRn受体的保护性再循环作用），而在产生抗药抗体（ADAs）或患有活动性炎症疾病的患者中增加。这些系统性的关系就是固定效应。
另一方面，随机效应代表了剩余的、不可预测的个体间差异。这被称为个体间变异（IIV）。我们可能无法预测某个人的确切清除率，但我们可以描述整个群体的分布范围。例如，我们可能会发现清除率的变异系数（CV）为50%。这个单一的数字具有深远的意义。对于一种暴露量（AUC）与清除率成反比的药物，清除率50%的CV并不意味着暴露量有50%的分布范围。由于这种变异的对数正态特性，它意味着个体AUC的95%预测区间可以跨越一个巨大的范围——在这种情况下，最低暴露量和最高暴露量之间相差超过6倍。这就是为什么量化IIV不是一项学术活动，而是一项关键的安全性评估。对大多数人而言是治疗剂量的药物，对于恰好是“代谢不良者”的个体来说，可能是有毒的。
即使拥有我们复杂的群体模型，我们仍然是在透过一层不确定性的迷雾进行观察。这种不确定性有多种形式。
首先，我们的测量本身就是有噪声的。我们在血样中测量的每一个浓度都有一定程度的分析误差。这与我们模型未能完美捕捉个体生物学特性的任何微小方式相结合，产生了残差不可解释变异（RUV）。它表现为数据点围绕单个个体“真实”曲线的散布。我们可以通过使用更精确的检测方法或采集更多样本来对抗这层迷雾，这有助于我们更好地区分真实的生物学变异（IIV）和测量噪声（RUV）。
更深层的迷雾是关于模型本身的不确定性。我们必须区分两种基本类型：
参数不确定性：我们已经选择了地图的结构（例如，一个双室PBPK模型），但我们不确定地图上的确切数字。我们对清除率的估计不是一个单一的值，而是一个置信区间，反映了用于计算它的有限且有噪声的数据。
结构不确定性：这是一个更深层次的问题。如果我们选择的地图结构完全错误怎么办？也许药物的处置由三室模型描述比双室模型更好。或者也许消除是非线性的，而不是线性的。这是关于我们模型数学形式本身的不确定性。
当面临多个貌似合理的模型结构时，我们如何选择？一个更复杂的模型几乎总能更好地拟合现有数据，但它可能只是在拟合噪声。科学家们使用像赤池信息准则（AIC）或贝叶斯信息准则（BIC）这样的标准作为一种奥卡姆剃刀。这些工具对复杂性施加惩罚，帮助我们在拟合优度与简约性之间取得平衡，以选择最有可能具有最佳预测性能的模型。
最终，因为我们知道所有模型都是简化，我们不能将信任寄托于单个“最佳”模型。为了做出稳健的决策，我们使用情景分析。我们生成一组貌似合理的备选模型——代表不同的结构假设或处于其置信区间边缘的参数值——然后我们在所有这些模型中测试我们提出的给药方案。如果我们的结论（例如，“该剂量在保持疗效的同时不会引起毒性”）在所有这些“假设”情景中都成立，我们就可以确信我们的决策对于不确定性的迷雾是稳健的。
我们所探讨的原理并非孤立存在；它们是一个宏大、统一的建模工作流程的一部分，贯穿整个药物开发过程。它始于ADMET（吸收、分布、代谢、排泄和毒性）模型，这些模型利用化合物的化学结构来预测其基本属性，如内在清除率或膜渗透性。
这些预测出的属性随后作为全身PBPK模型的初始参数。这个模型反过来又可以连接到一个定量系统药理学（QSP）模型，后者是对潜在疾病生物学——药物旨在调节的基因、蛋白质和信号通路网络——的更详细的机制图谱。这个PBPK-QSP庞然大物以机制方式将药物剂量与组织暴露量以及最终的临床终点联系起来。
最后，整个集成系统被置于一个PopPK（混合效应）统计框架内。这使我们不仅能模拟一个虚拟人，还能模拟一个具有真实变异性和协变量效应的虚拟群体。
这就是最终目标：一个关于药物在体内旅程的多尺度、机制化和基于群体的模型。它是一个数学显微镜，使我们能够理解变异性、预测药物-药物相互作用、外推至儿童或老年人，并在临床试验开始前就在计算机中测试给药策略。正是通过这种方式，我们将药物在体内的 messy（混乱）、复杂的舞蹈，转变为一门可预测且优美的科学。
如果说药代动力学原理是药物在体内穿行的运动定律，那么药代动力学模型就是我们的星盘和星图。它们不仅仅是抽象的方程集合；它们是我们用于探索、预测和发现的最强大工具。借助它们，我们可以为一种新药在药物开发的汹涌水域中规划航线，解开令人费解的生物学谜团，并以近乎个性化的精度定制疗法。让我们踏上一段旅程，看看这些模型是如何从人类志愿者迈出的试探性第一步，一直应用到人工智能的前沿。
科学家们如何敢于将一种全新的、从未在人类物种中测试过的化学物质，给予第一位人类志愿者？这并非盲目的信仰之跃，而是一个经过精心计算的步骤，由一种称为“基于生理学的药代动力学（PBPK）建模”的卓越“自下而上”建模应用所指导。远在临床试验开始之前，科学家们就在计算机内构建一个“虚拟人”。这不是一个卡通形象，而是一个由器官和组织构成的复杂数学结构，通过血流相互连接，每个部分都赋予了从数十年生理学研究中收集的属性——体积、酶浓度、转运体等。他们将来自简单实验室实验的数据输入到这个模型中，这些实验测量了药物在分离的细胞或酶中的行为（体外）。然后，PBPK模型遵循化学和质量平衡的基本定律，模拟当药物被引入整个系统时会发生什么。它预测药物将如何被吸收、分布、代谢和消除（体内），在该关键的首次给药前，为药物的安全性和行为提供必要的预测。
一旦药物进入临床试验，我们收集的数据性质会发生巨大变化，我们的建模工具也必须随之改变。在早期的I期试验中，少数健康志愿者可能会提供许多血样，从而产生一幅丰富、详细的药物浓度随时间变化的图景。但当我们进入涉及数百或数千名患者的更大规模的II期和III期试验时，如此侵入性的操作在后勤和伦理上都变得不可能。我们可能只能从每个人身上得到两三个样本——一个稀疏且看似信息量不足的数据集。
这时，群体药代动力学（PopPK）建模的统计优雅性便大放异彩。群体模型不是孤立地看待每个个体，而是在一个分层框架中同时分析所有人的数据。它假设虽然每个人都是独一无二的，但他们都来自一个共享“典型”行为的更大群体，个体只是在该规范周围存在变异。模型巧妙地“借用”整个研究群体的力量。来自一个人的几个数据点，当与来自数百个其他人的几个数据点结合时，使模型能够构建出一幅惊人稳健的图景，不仅描绘了典型的药物特征，还描绘了人与人之间变异的大小和来源。这种从简单的数据汇总到复杂的群体建模的转变，是现代药物开发中的关键一步，它使我们能够从众人身上学习，即使我们只能从每个人那里索取很少。
这种在每个阶段都使用模型的综合策略——从PBPK用于首次给药，到PopPK用于大型试验——是一种被称为“模型引导的药物开发”（MIDD）的范式的核心。它将药物开发从一系列简单的“测试-观察”实验转变为一门战略性的定量科学。模型被用来提出“如果……会怎样”的问题，在计算机上模拟整个临床试验，选择最具信息量的测试剂量，并预测如药物-药物相互作用等风险。它是一个用于做出更明智的、涉及数百万美元决策的框架，也是向FDA等监管机构传达药物剂量和使用理由的框架，构成了新药申请（NDA）的定量支柱。
“平均患者”是一个统计上的虚构概念。在真实的临床世界里，我们治疗的是个体，每个个体都有其独特的生理机能。药代动力学模型是超越“一刀切”给药方式的关键。通过建立一个包含患者特征——即“协变量”——的群体模型，我们可以理解体重、年龄和器官功能等因素如何系统地影响药物的行为。
考虑一下为万古霉素这种强效抗生素确定剂量的挑战。剂量必须足够高以杀死危险的感染，但又不能高到引起肾损伤。对于一个体重大、年老且肾功能受损的患者来说，标准剂量可能是灾难性的。然而，一个PopPK模型可以作为临床决策支持工具。通过输入患者的具体体重和他们估计的肌酐清除率（，一种衡量肾功能的指标），模型可以为该个体的药物清除率生成个性化预测，并推荐一个量身定制的起始剂量。这些模型捕捉了生理学中优美的定量关系，例如肾清除率与患者之间的幂律标度关系，其指数通常根据临床数据估计在或左右。
在无法进行大规模试验的弱势群体中，这种个性化的能力成为一种伦理上的必然要求。对于仅影响全球少数儿童的罕见疾病，PopPK建模通常是制定合理给药方案的唯一方法。它允许研究人员从宝贵、稀疏的数据中提取最大可能的信息，将零散的观察结果转化为拯救生命的见解。
我们可以将这种个性化推向更深层次，直至医生办公室里的单个患者。这种被称为模型引导的精准给药的方法，正在彻底改变复杂疾病的治疗。想象一个患有先天性肾上腺皮质增生症（CAH）的儿童，这是一种需要终身氢化可的松替代治疗的遗传性疾病。目标很复杂：替代皮质醇以模仿身体的自然节律，同时抑制肾上腺雄激素的过度产生。临床医生可以使用一个群体模型作为起点（贝叶斯先验），在给药后仅采集两三个定时血样。这几个数据点用于更新模型，从而得到该特定儿童药代动力学参数的后验估计。然后，临床医生可以使用这个个性化模型在计算机上模拟不同的给药方案，找到实现双重治疗目标所需的精确剂量和时间——这是一项既强大又深刻的个体化医疗壮举。
个性化的终极层次在于我们的遗传密码。为什么一种抗癫痫药物对一个患者效果完美，却在相同剂量下对另一个患者引起衰弱的副作用？答案通常在于他们的DNA，在于编码代谢该药物的酶的基因中。药代动力学/药效动力学（PK/PD）建模提供了将我们的基因与药物反应联系起来的框架。通过将患者的基因型作为协变量纳入模型，模型可以解释观察到的变异的很大一部分。它可以预测“代谢不良者”将有更高的药物暴露量，可能需要更低的剂量，从而直接将他们的基因蓝图与治疗计划联系起来，预示着药物基因组学新时代的到来 [@problem-id:4514955]。
科学很少是直线前进的。有时，最有趣的结果是那些完全出乎意料的结果。想象一种有前途的抗癌新抗体药物。它在临床前动物模型中表现出温和、可预测的行为。然而，在首次人体试验中，它在低剂量下似乎几乎瞬间从血液中消失。这个药失败了吗？还是这是一个指向更深层生物学过程的线索？
这时，药代动力学建模就变成了一种侦探工作。关键的迹象是*非线性：药物的表观清除率在低浓度时极快，但在高浓度时则减慢到预期速率。这指向一个“可饱和”的消除途径。模型告诉了侦探们要找什么*。他们调查后发现了两个关键差异：首先，人类癌症患者体内药物靶分子的水平远高于动物模型；其次，该抗体与人类靶点的结合紧密程度高出100多倍。这种组合创造了一个巨大的“靶点池”，迅速结合并从循环中清除药物，这一现象被称为靶点介导的药物处置（TMDD）。动物模型由于其低靶点水平和较弱的结合，完全“掩盖”了这种效应。模型不仅解开了这个谜团，还指明了前进的道路：必须调整临床策略，或许采用更高的初始“负荷剂量”来饱和靶点池。建模将一个潜在的灾难转变为一个理性的、可理解的科学挑战。
药代动力学建模的前景是什么？质量平衡和生理学的永恒原则将永远是我们的基础。但我们用来构建模型的工具正在经历一场革命。人工智能世界提供了深度神经网络，它们具有在数据中发现复杂模式的惊人能力。然而，一个“黑箱”AI本身对物理学一无所知；它可以学会拟合数据点，但可能产生生物学上荒谬的解决方案。
令人兴奋的新前沿在于融合这两个世界。物理信息神经网络（PINNs）是一种开创性的方法，在这种方法中，训练神经网络不仅要拟合观察到的数据，还要遵守支配系统的基本微分方程。模型因数据拟合错误以及违反质量守恒定律而受到惩罚。这创造了一个智能的学徒，它具有AI的灵活性，但受到物理学智慧的约束。通过将我们的机制知识直接嵌入学习过程，我们可以创建更智能、更稳健的模型，这些模型可以从更少的数据中学到更多，从而在系统生物医学领域推动预测和理解的边界。
从首次给药到最终前沿，药代动力学模型不仅仅是工具。它们是科学方法在行动中的体现——一种理论、数据和预测之间的动态相互作用，照亮了分子与生命体之间错综复杂的舞蹈。