第一節　臨床前研究對Ⅰ期臨床試驗設計的作用

新藥Ⅰ期臨床研究是藥物臨床試驗的起始和關鍵階段，臨床前研究數據對于Ⅰ期臨床試驗設計能夠發揮極其重要的作用。本章節闡述非臨床資料與臨床方案設計的關聯性，重點介紹如何全面、科學地分析臨床前研究資料（包括動物實驗和體外實驗數據），以支持有效、安全的Ⅰ期臨床試驗研究設計。

新藥研發是一個漫長而艱辛的過程。按照藥物研發的時間順序，這一過程包括藥物發現、臨床前研究和臨床研究。其中，新藥Ⅰ期臨床試驗是藥物臨床研究的起始和關鍵階段。近10年來，雖然基因組學、轉化醫學等新技術和理念為藥物研發注入新動力，然而新藥上市率緩慢增長而研發成本持續增加的情況沒有發生本質性的改變，在這種投入和產出比繼續失衡的嚴峻形勢下，人們對新藥早期臨床試驗（Ⅰ和Ⅱa期）投入前所未有的關注和重視。目前，新藥早期臨床試驗研究正在從傳統的經驗模式逐漸向基于機制的數據密集型研發模式轉變?，F階段面臨的具有普遍意義的臨床藥理學問題包括：①如何提高人體首次試驗中各種生物活性劑量預測的準確性；②如何降低人體首次試驗的安全性風險；③如何提高從健康人到患者體內暴露和效應預測的準確性等。

在此過程中，臨床前研究數據對于Ⅰ期臨床試驗設計能夠發揮極其重要的作用。本章節將介紹臨床前研究資料與Ⅰ期臨床設計的關聯性，闡述如何利用候選藥物的理化性質、體外研究和模型動物的研究結果，實現從體外到體內、從動物到人類的外推，從而為新藥Ⅰ期臨床試驗提供支持。為了避免歧義，如果沒有特殊說明，本節中的Ⅰ期臨床試驗特指創新藥的首次人體試驗。

（一）臨床前研究資料關注要點

新藥的臨床前研究涉及藥學、藥效學、安全性和藥動學研究等眾多內容。對于如何開展臨床前研究，我國藥品監督管理部門在2005年左右即頒布了一系列指導原則，并在2014年根據新藥研發的最新進展予以修訂和重新頒布，本文在此不再贅述。根據我國藥品審評資料要求，臨床前研究數據和其他藥物申報資料通常被歸納為下列4類：綜述資料、藥學研究資料、藥理毒理研究資料和臨床試驗資料（表2-1）。這些資料從各個方面初步闡明藥物的藥學性質、藥理毒理特征等重要信息。其中，與藥物的作用機制/靶點、劑量-（藥理和毒理）效應關系有關的臨床前研究數據對于人體Ⅰ期試驗設計具有特別重要的意義，下文將逐一進行闡述。

1.非臨床藥動學研究

非臨床藥動學研究是通過體外和體內研究方法，闡明藥物在不同種屬動物中的吸收、分布、代謝和排泄特征，為后續的人體臨床試驗提供借鑒和參考。通常，非臨床藥動學的主要內容包括在嚙齒類、犬類和/或靈長類動物中開展的體內藥物吸收、分布、代謝和排泄研究，以及在體外系統中開展的酶和轉運體研究（備注：體外系統包括動物源性和人源性肝細胞、肝微粒體、肝細胞胞質、S9、rhCYP和rhUGT重組酶、Caco-2和MDCK細胞等）。

通過上述體內和體外研究，可以獲得藥物在不同種屬動物或體外系統中的吸收、分布、代謝和排泄等關鍵數據。這些數據包括與藥物吸收有關的膜滲透系數（P _eff）；與分布有關的全血/血漿濃度比（B/P）、組織分配系數（K _p）、血漿中的游離藥物分數（fu_P）等；與代謝和轉運有關的酶和轉運體的動力學參數，包括米氏常數（K _m）、酶和轉運體的最大反應速率（V _max、J _max）、固有清除率（Cl_int）等，以及在不同種屬動物中獲取的藥動學與藥物分布、代謝、排泄數據等。基于上述體外和體內試驗數據，采取各種估算方法，即可以預測人體的主要藥動學參數和不同劑量下的系統暴露等。

2.非臨床藥效學研究

非臨床藥效學研究是新藥臨床前研究的核心內容，是支撐新藥開發的基礎和信心來源。全新或作用機制不明的試驗藥物在療效探索和確證性臨床試驗中往往具有較高的失敗風險。目前，超過一半的到達Ⅲ期試驗階段的藥物因缺乏療效而失敗。然而，大量新藥研發案例表明，很多在臨床前試驗中顯示的藥效在臨床評估過程中是不可復制的?，F階段，轉化醫學推動生物標志物在新藥研究中的應用，使得基于疾病靶標、生物標志物的臨床試驗設計成為可能。比較理想的創新藥的藥效學研究策略是首先在臨床前階段通過體外和動物實驗確定藥物對靶標的作用，然后確定在安全劑量范圍內靶標作用可引起的生物學效應，最后確定靶標作用在患者中的療效信號，并全面評估真實環境中的臨床潛力。

根據藥物的作用機制，非臨床藥效學的研究內容和方法有很大不同。例如，某試驗藥物是一種針對表皮生長因子受體（EGFR）突變的選擇性EGFR抑制劑。其藥效學研究不僅應包括一般的抗腫瘤活性研究，如不同劑量的試驗藥物對于動物模型中目標腫瘤的抑制效應，還應包括EGFR野生、EGFR突變細胞株以及非EGFR突變細胞株的體外研究，以評價藥物對EGFR突變細胞株的選擇性抑制活性（IC₅₀）。此外，由于藥物或活性代謝物的濃度數據是產生、決定或闡明藥效的基礎，還應在有效劑量下開展模型動物的藥動學研究。上述研究數據對于藥物在人體起效劑量的預測、劑量遞增的設計等均具有重要意義。

需要特別說明的是，在運用臨床前藥效學數據支持Ⅰ期臨床試驗設計時，首先需要確認試驗藥物在動物和人類中的作用機制是否相同、相似或者存在差異。如果模型動物與人體具有相同的作用靶點（如DPP-4抑制劑）、可能相同或相近的疾病發生機制，此時可以考慮通過合理的方法將動物藥效學數據外推至人體；反之，如果模型動物的發病機制與人類不同、不確定或者相近，但在藥理靶點的表達或親和力方面存在一定差異，此時則無法或難以利用動物藥效學數據支持人體試驗設計。

3.非臨床毒理學研究

非臨床毒理學研究旨在描述試驗藥物在不同種屬動物中的毒性反應的性質、程度，以及與給藥劑量的相關性等。非臨床毒理學的研究內容很多，包括一般毒理學試驗，急性毒性試驗，長期毒性試驗，遺傳毒性、生殖毒性、致癌性試驗，以及過敏性（局部、全身和光敏毒性）、溶血性和局部（血管、皮膚、黏膜、肌肉等）刺激性等特殊安全性試驗。此外，為了獲取毒性劑量下藥物在體內的暴露情況，建議在急性和長期毒性試驗中伴隨開展毒物代謝動力學研究，這是評價藥物對靶器官效應（毒性）的重要依據。

為了保證臨床試驗中志愿者的安全，需要完成上述非臨床毒理學研究后才可以開展臨床試驗。然而，鑒于新藥研發的高風險和高投入，可以選擇用不同給藥期限的長期毒性試驗來支持不同階段的臨床試驗。通常，嚙齒和非嚙齒動物連續給藥至少2個給藥循環或4周的重復給藥毒理學試驗結果可以支持為期4周的Ⅰ期臨床試驗。更長給藥期限或給藥頻率的長期毒性試驗可以在Ⅰ/Ⅱ期臨床試驗實施期間同步進行。然而，原則上支持試驗藥物進行Ⅰ/Ⅱ期臨床試驗的長期毒性試驗的給藥期限不應短于臨床試驗周期，給藥間隔不能長于臨床試驗中的最短給藥間隔。上述臨床前安全性研究數據是在探索不同給藥方案時需要特別注意的一個安全性問題。

（二）從體外、動物研究數據外推至人體Ⅰ期臨床試驗

總體研究思路是在進行首次人體試驗設計時，我們需要整合和綜合分析臨床前的各種研究數據。圖2-1總結了從體外、動物研究外推至人體Ⅰ期臨床試驗時需要關注的重要信息：①藥動學（pharmacokinetics，PK）研究，包括不同種屬動物體內的吸收（absorption，A）、分布（distribution，D）、代謝（metabolism，M）和排泄（excretion，E）特征；體外系統代謝穩定性數據。②藥效學（pharmacodynamics，PD）研究，包括作用機制；模型動物中的藥效學數據；產生藥效的劑量-暴露數據；與藥效相關的特異性生物標志物。③毒理學研究，包括毒性反應的性質、靶器官，以及毒性反應與藥物劑量和暴露之間的關系。

上述體外研究、動物體內研究數據是預測藥物在人體暴露和效應（療效/安全性）的前提基礎。在創新藥的臨床評價過程中，通過轉化PK/PD模型可以有效整合這些數據，從而指導首次人體試驗設計。需要說明的是，在進行外推時，應該特別關注體外和體內，以及動物和人類的種屬差異，如靶點表達量、藥物對靶點的親和力及血漿蛋白結合率等方面可能存在的不同。另外，由于創新藥的獨特性及跨物種、跨環境外推所必須作出的許多不同假設，很難建立適用于所有藥物的標準的統一方法。

1.人體PK預測

在開展首次人體試驗之前，采用離體器官、細胞或代謝酶系統獲得的體外數據及動物藥動學數據，通過體外模型和計算機模擬等方法可以推算出人體PK參數，如清除率（Cl）、表觀分布容積（V _d）、消除相半衰期（t_1/2）、口服生物利用度（F）及藥物暴露（AUC和C _max）等。人體PK預測是一個比較復雜的過程，開展人體PK預測通常需要下列關鍵數據：①動物源性和人源性材料中的體外ADME數據，尤其是與藥物消除機制有關的研究數據；②至少2～3個嚙齒和非嚙齒動物的體內PK結果等。由臨床前體外和體內PK參數推算人體PK參數是計算人體各種活性劑量的重要基礎，有多種推算方法可供選擇?？筛鶕囼炈幬锏腜K特點，從中選擇1種或多種方法進行推算。目前，常用的PK推算方法有異速增長模型推算法（allometric scaling，AS）、體外-體內外推法（in vitro-in vivo extrapolation，IVIVE）和生理藥動學（physiologically based pharmacokinetic，PBPK）。

（1）AS：

AS是目前應用最廣泛的一種預測人體PK參數的方法。其理論基礎是哺乳動物具有相似的生理解剖結構和基礎代謝速率，其體內的許多生理參數都與體重（body weight，BW）相關。這種關系往往不是直接成正比，可以用下列冪函數來表示，即Y=a×BW b。其中，Y代表預測的目標參數如Cl和V _d，a代表截距，BW代表體重，b代表方程系數。在實際應用中，即以不同動物種屬的體重或體表面積的對數值為橫坐標，以其PK參數的對數值為縱坐標，用線性回歸法推算人體相應的PK參數如Cl和V _d。為了保證估算的準確性，建議采用3種以上動物的PK參數進行估算。

AS是一種基于經驗的研究方法，無法反映不同動物在代謝方面可能存在的種屬差異。根據既往研究經驗，認為AS比較適用于推算以腎小球濾過為主要消除機制的藥物的清除率；對于肝代謝是主要消除機制的藥物，可采用基于體外肝微粒體、離體肝細胞或重組酶的IVIVE。當藥物的體內PK機制比較復雜時（如藥物的消除包括膽汁分泌和腎排泄等非肝臟途徑時），建議采用更加全面、基于機制的PBPK進行PK參數的外推和估算。

（2）IVIVE：

這種方法基于體外數據預測體內PK參數，這是一個從簡單體系外推至復雜體系的過程，因此其預測必然伴隨著各種假設。以人體肝清除率（Cl_H）的預測為例，其應用的基礎假設是試驗藥物的主要消除機制是肝臟代謝，忽略膽汁分泌和腎排泄等非肝臟消除機制。IVIVE采用肝臟清除的充分攪拌模型來整合固有清除率、血漿蛋白結合率和血流量，在加入藥物的條件下培養肝微粒體、人源性肝細胞或者人體表達的酶，然后在低于飽和度的情況下清空藥物和生成的代謝物，以計算V _max和K _m或者V _max/K _m值，獲得體外肝臟固有的代謝清除率Cl_H，int，再乘以縮放因子估算最終的Cl_H。

與AS相比，IVIVE用于預測人體PK參數存在明顯的優勢，即使用的細胞或組織可以直接來自人體，因此在一定程度上避免種屬差異對預測的影響，并可以明確不同機制對藥物體內處置的貢獻。然而這種方法也存在一些缺點，包括體外和體內的固有差異；不同實驗方法、不同實驗室獲得的體外數據存在很大的變異性等。例如，有文獻報道稱，CYP2C9、CYP2D6、CYP2E1和CYP3A4在不同實驗室的酶活性測定數據具有非常明顯的差異，有些酶的活性差異甚至高達5倍以上。

（3）PBPK：

PBPK模型是建立在機體的生理、生化、解剖和藥物的熱力學性質基礎上的一種整體模型，是一種“自下而上”（bottom-up）的研究方法。PBPK預測人體清除率的基本原理與IVIVE有一定的相似之處，也是基于各種體外研究數據實現從體外到體內、從動物到人體的外推。不同之處在于PBPK采用的是一個整體模型，將每個組織、器官或體液作為一個房室看待，房室間借助血液循環連接。每個模型房室的構建需要2個方面的數據：①機體的系統參數，如器官大小、血流速度等生理學、解剖學參數，酶和轉運體活性等生化參數，以及健康和特定人群的人口統計學數據；②藥物參數，如脂溶性、電離性等熱力學性質參數，以及膜通透性、血漿蛋白結合率、組織親和力等藥物與機體相互作用的參數等。在此基礎上通過Monte Carlo模擬預測藥物的人體PK參數和動態的血藥濃度-時間曲線。

與AS和IVIVE這兩種方法相比，PBPK的突出特點是能夠將目標人群的變異性與PK數據進行有效整合。近年來，PBPK模型廣泛應用于藥物發現和開發的各個階段，特別是在利用非臨床數據進行不同種族、特殊人群劑量預測方面表現出巨大的應用價值。然而，由于人體系統的復雜性和多樣性，PBPK模型也存在許多局限和不足。例如，轉運體和CYP450酶在各種屬、各組織器官的表達尚未清晰；缺少人血腦屏障、各腦室的詳細生理參數等。此外，PBPK模型的結構復雜，以往研究人員需要采用MATLAB、NOMMEN等軟件編寫程序代碼以實現機制性模型的構建。目前，商業化的PBPK軟件如GastroPlus（Simulations Plus Inc.）、Simcyp Simulator（Simcyp Ltd.）等在很大程度上簡化了建模過程，促進了PBPK在新藥研發中的應用和推廣。

（4）清除率、表觀分布容積和生物利用度等PK參數：

上文介紹了AS、IVIVE和PBPK等PK參數預測方法，下面將闡述如何利用這些方法實現對清除率、表觀分布容積和生物利用度這3個主要PK參數的預測。

1）清除率（Cl）的預測：

目前，有多種方法可以用于預測人體清除率，最為常用的是上文介紹的3種方法，即AS、IVIVE和PBPK。AS是一種基于經驗的研究方法，近年出現一些新的AS校正方法，如指數法則（rule of exponents，ROE）、游離分數校正截距法（fu corrected interceptmethod，FCIM）和肝血流量校正法（hepatic blood flow，HBF）等。這些方法在AS原理的基礎上引入腦重量（brain weight，BrW）、最大生命值（maximum life-span potential，MLP）等生理常數，在不同的設定條件下使用提高估算結果的準確性。下面以ROE為例進行說明。對于 Cl=a×BW b，當0.55＜b≤0.71時，可直接采用上述公式；當0.71＜b≤1時，應引入 MLP，公式校正為 MLP×Cl=a×BW b；當 1＜b≤1.3時，則公式用 BrW 校正為 BrW×Cl=a×BW b。 如果b=0.55或者b＞1.3，則提示AS不適用于該藥物。需要指出的是，當肝代謝是藥物的主要代謝機制或者多種代謝機制并存時，試驗藥物在動物和人體內的消除途徑或主要代謝酶可能不同或存在較大差異，此時AS估算的準確性往往難以盡如人意。

IVIVE預測人體肝清除率是基于肝臟的2個特性：一個是清除率的相加性；另一個是應用充分攪拌模型（well-stirred model）等體外模型能夠整合體外固有清除率、血漿蛋白結合率和血流量等肝臟的生理參數。人體肝清除率的表達公式見式（2-1）。

其中，Cl_b，H是肝清除率，Q _H是肝血流量，fu_B是全血中的游離藥物分數，Cl_H，int是肝固有清除率。充分攪拌模型是一個穩態模型，該模型有下列假設：藥物代謝酶在肝內為均勻分布，藥物在肝臟的分布取決于肝灌流，不存在擴散屏障，且只有游離藥物可以跨膜并占據酶代謝活性位點；假設藥物在肝臟中瞬間達到動態平衡，藥物通過肝臟時濃度下降的唯一原因在于消除。此時，通過體外數據預測人體清除率的基本步驟如下：①采用體外系統（肝微粒體、肝細胞和/或重組酶）獲得藥物的體外代謝動力學參數（V _m、K _m），當藥物濃度遠低于K _m時，V _m/K _m值即為每個孵育單位的肝固有清除率；②乘以所選的體外系統的轉換因子，例如，每克肝中的微粒體蛋白量（MPPGL）、每克肝中的肝細胞數目（HPGL）等，即獲得整個肝臟生理代謝的固有清除率（Cl_H，int）；③采用合適的肝臟模型（考慮血漿蛋白結合、全血/血漿比和肝血流速度等因素）估算肝清除率（Cl_b，H）；④加上預測的腎清除率（可采用AS估算），即可獲得總清除率的預測值。對于多數在肝臟代謝而不經膽汁分泌的藥物，IVIVE預測是比較準確的。然而當轉運蛋白以及膜滲透性成為肝臟消除速率的限速步驟時，體內的肝臟代謝過程不能在體外系統完全實現，此時藥物的體內代謝過程更加復雜，預測時需要考慮的因素更多。

PBPK預測人體清除率的基本原理與IVIVE有相同之處，也是基于各種體外研究數據實現從體外到體內、從動物到人體的外推。不同之處在于PBPK是一個整體模型，能夠整合目標人群的人口統計學（性別、年齡、體重和基因信息）、生理系統參數（器官大小、血流速度、酶和轉運體活性）和藥物參數（脂溶性、電離性、血漿蛋白結合率）、體外系統（肝微粒體、肝細胞、重組酶等）、代謝動力學數據，在此基礎上通過Monte Carlo模擬預測藥物的人體清除率。

2）表觀分布容積（V _d）的預測：

表觀分布容積反映藥物分布的程度，由藥物在血漿和組織中的結合情況（親和力）決定。通常認為只有游離的藥物可以擴散通過膜，因此藥物在組織中的分布受到血漿蛋白結合率的影響。表觀分布容積的構成可以用式（2-2）表示：

其中，V是表觀分布容積，V _p是血液體積，V _TW是外周組織體積，fu是血液中的游離藥物分數，fu_T是組織中的游離藥物分數。藥物與各組織器官的親和力有很大不同，這取決于藥物的理化性質和結構以及器官組分類型。通過測定藥物與血漿、組織勻漿和細胞膜的結合率、log P等一系列體外參數，可以預測藥物在體內的分布容積。文獻報道的分布容積預測方法很多。其中，盡管AS忽略人體各個器官對于藥物分布的影響，但其在預測人體分布容積上仍是一個比較有效的方法，這可能與體積和體重存在良好的相關性有關。此外，文獻報道的表觀分布容積的其他預測方法還包括?ie-Tozer法、PBPK估計法等。近年來，PBPK在表觀分布容積預測方面引起很大關注。其理論依據是各個器官的組分類型和比例在不同的哺乳動物中沒有明顯不同，因而假定動物的組織/血液分配比（K _p）數據經過血漿蛋白結合校正后可適用于人類，在此基礎上基于計算機進行預測。

3）生物利用度的預測：

生物利用度（bioavailability，F）反映藥物通過不同的給藥途徑吸收進入體內的速度和程度。藥物吸收特別是胃腸吸收是涉及藥物的理化性質、制劑、胃腸轉運和肝臟代謝等多種因素等的一個復雜過程。藥物口服進入胃腸道后，首先經過溶解、崩解等過程釋放藥物，然后經過腸壁再通過門靜脈到達肝臟，最后吸收進入體循環系統。這是一個動態的連續過程，受到包括飲食在內的很多生理因素的影響。整體生物利用度可以分解為在每個部位損失后殘余部分的累積，即F=F _a×F _g×F _H。其中，F _a代表從制劑中釋放的藥物，F _g代表經過腸道代謝后剩余的藥物，F _H代表經過肝臟首關代謝后剩余的藥物。

相對于分布和消除的預測，生物利用度的預測并不成熟，到目前為止尚未形成科學且統一的方法，人們仍在積極探索生物利用度預測的最佳方法。首先，AS不適用于預測藥物的生物利用度，這是由于吸收與體積大小的相關性要遠遠小于分布和消除。此外，大量研究表明動物與人類的生物利用度沒有相關性，因此基于動物數據也是難以準確預測人體F值。目前，在藥物吸收預測方面比較受關注的是PBPK。Simcyp和GastroPlus等商業化PBPK軟件均推出吸收預測模型，下面以Simcyp的ADAM模型加以闡述和說明。ADAM模型將整個胃腸道根據解剖結構分為9個房室，即依次為胃、十二指腸、空腸Ⅰ、空腸Ⅱ、回腸Ⅰ、回腸Ⅱ、回腸Ⅲ、回腸Ⅳ和結腸。從公式F=F _a×F _g×F _H可知，F的預測必須成功解決制劑溶出、胃腸代謝和肝臟代謝這3個方面的問題。F _a的預測主要與制劑因素有關，這些因素包括藥物在胃腸溶液中的溶解度、成鹽形式、顆粒分布等。常見方法是將藥物制劑置于模擬胃腸液（pH、溶液成分等與真實胃腸液相似）中，獲取藥物的體外溶出數據，模擬體內溶出行為。F _g（腸道代謝）的預測需要整合胃腸道的主要生理、生化常數，如胃排空時間、腸壁血流速度、表面積、腸道代謝酶和轉運體含量等。這樣的模型無疑能夠更真實地模擬胃腸環境。在ADAM模型中，當藥物通過每個部分時，一部分被吸收，另一部分被代謝或降解，剩下的則進入下一段，如此等等。隨著時間推移，將各個部分的吸收累加即為腸道的吸收（F _g）。最后是通過肝臟首關效應進行剩余的部分F _H的預測，可以采用1-E _H（E _H是肝臟抽提比，即1-肝清除率/肝血流量）來估算。

在口服藥物的生物利用度預測中，目前最大的瓶頸問題是腸道代謝。經過多年的研究，人們對于肝臟代謝已經有了比較深的認識和了解。然而，對于腸道代謝尚存在很多挑戰，這些挑戰包括不同種屬動物在腸道代謝酶表達的差異、人體腸道藥物代謝酶含量數據的缺乏、代謝酶-轉運體交互作用等。因此，就PBPK腸道吸收模型而言，各人群機體的系統生理、解剖和生物學參數的獲取是需要解決的關鍵問題。

2.人體PD預測

PD預測可以借鑒上文所述的PK預測策略，兩者有相同也有不同。相同之處在于，PD預測同樣需要考慮體外-體內差異、不同動物之間及動物-人類之間的差異。但是就復雜性而言，體內PD預測所面臨的挑戰要遠遠超過PK預測。根據受體占據理論，藥物作用的強度與占據受體的數量成比例。當所有受體均被藥物占據時，即產生最大的藥效。因此，藥物效應包括2個主要部分，即藥物與主要靶點的相互作用，以及靶點占據和觀測的反應之間的級聯反應。前者通常可以通過體外實驗獲得，采用動物源性和人源性受體、細胞或組織開展的體外藥理學試驗是判斷種屬差異的一個好選擇。然而，體外系統無法評估靶點激活后產生的生物學效應，這些研究只能在模型動物中開展。目前，許多機制性動物PD模型可以用于人體PD預測。表2-2列出腫瘤、糖尿病等治療領域藥物的幾種動物PD模型、生物學終點指標。另外，轉化醫學的快速發展使得生物標志物研究蓬勃發展。在新藥早期臨床評價中，如果能夠使用特異性的生物標志物，無疑對于藥效評價是極其有益的。

根據前文所述，我們可以看出雖然藥物的作用機制和治療領域不同，但PK預測的目標總是圍繞清除率、分布容積等參數。然而藥物的PD特征會隨著藥理靶點不同而隨之變化。通常體內PD特征評價涉及2個方面的內容，一是藥物的特異性參數，二是機體的系統參數。后者描述的是機體的生理、病理狀態，涉及藥物與其藥理靶點的相互作用。所以PD預測需要特別考慮目標靶點在不同動物之間及動物-人類之間的差異，以及疾病機制在不同種屬之間的區別。例如，對于抑郁癥等疾病，經典的小鼠強迫游泳抑郁模型中動物的情緒反應和人類抑郁之間可能有本質不同。因此，歸納、比較和總結試驗藥物在不用種屬動物中的濃度-效應（不良反應或藥效）關系并分析差異的內在原因，對于PD預測無疑具有重要意義。

PD和PK是兩個密切相關的動力學過程。我們知道，在很多情況下作用部位的藥物濃度是無法直接測定的。因此，當藥物在體內的吸收、分布、代謝和排泄過程已經清楚的基礎上，可以通過PK/PD的研究方法，結合血中的藥物濃度與靶部位的藥物濃度從而預測藥物效應。根據藥物效應的方式，PD在體內的時間動力學變化可分為直接和間接過程，這些過程可以采用一些經驗和機制性PK/PD數學模型來進行描述。對于直接效應模型，濃度與效應以可逆模式被聯系起來，效應與濃度直接相關，在觀測到C _max的同時可觀測到最大效應（E _max），兩者之間沒有延遲，表現為濃度-時間曲線與效應-時間曲線的趨勢一致。典型的直接效應模型是Sigmoid E _max模型（Hill方程）。 Sigmoid

E _max是根據受體占據理論描述濃度-效應的米氏方程，方程見式（2-3）。

其中，E _max是藥物所能產生的最大效應；EC₅₀是產生50%的最大效應時的藥物濃度；γ是Hill方程系數，是影響曲線斜率、陡峭程度的參數；C是藥物濃度。有也可沒有藥理意義，也可以是非整數。雖然Sigmoid E _max模型是一個基于經驗的模型，但它引入最大效應這一重要概念。模型中的E _max和EC₅₀值可以從體外藥物受體相互作用實驗預測獲得。除Sigmoid E _max模型外，描述藥效學的直接模型還有線性模型、對數線性模型等。

事實上，在許多情況下藥物效應與血中的藥物濃度之間并不存在直接的關系，血藥濃度達到峰值時，其產生的藥效經常會出現延遲。造成延遲的原因比較復雜，有2個基本解釋：一個說法是藥物效應是藥物作用的直接結果，但作用部位不在血漿隔室或其附近血液灌流充分的器官，而是在一個藥物濃度變化滯后于血藥濃度變化的組織或器官之中。此時反映藥物到達預期藥理作用部位需要一定時間。另一個說法是藥物并不產生直接的藥理效應，而是通過改變一些參與機體生理效應調節的內源性活性物質的合成（或分泌）和降解過程而發揮作用。Sheiner等提出的生物相概念較好地解釋了這一現象，其核心思想是將經典的房室模型進行擴展，提出一個假設的“效應”室。生物相模型中的這個虛擬的效應室可能是一個特定的組織或器官，如眼、皮膚、消化道、肺臟、中樞神經系統、淋巴系統或腫瘤組織等，也可能是藥物的某種活性代謝產物、結合或游離態的藥物等。效應室中的濃度往往是難以測定的，其方程描述見式（2-4）。

其中，C _p代表血中的藥物濃度；k_1e代表藥物從中央室消除的一級速率常數；k _e0代表藥物從效應室消除的消除速率常數，其大小主要與血藥濃度和藥效學之間的滯后程度有關；C _e代表效應室的藥物濃度。如前文所述，在很多情況下藥物是通過改變一些參與機體生理效應調節的內源性活性物質的合成（或分泌）和降解過程而發揮作用的。此時，可以采用間接效應模型（indirect responsemodel，IDR）來描述這一過程。經典的方程見式（2-5）。

其中，R是藥物效應，k _syn是零級合成速率常數，k _deg是一級降解速率常數。根據藥物的作用機制，IDR模型有4種形式，即抑制生成、抑制降解、激活生成、激活降解。此外，還有很多PD模型可以描述不同機制的藥物間接效應，如靶點介導藥物處置模型（TMDD）、晝夜節律模型（circadian model）、轉導模型（transduction model）等。

基于體外、動物PD數據進行體內PD預測時，需要考慮體外-體內、動物-人類種屬等可能存在的差異。需要考慮的因素主要包括血漿蛋白結合率、藥理靶點親和力和表達情況、組織分布和活性代謝產物等。對于血漿蛋白結合率高的小分子藥物，在不同動物種屬血漿中的游離藥物分數通常差別很大，此時必須進行游離藥物分數校正。另外，對于小分子和生物制品藥物，都應該考慮藥物與藥理靶點之間相互作用的種屬差異。在藥物發現和先導化合物優化過程中，如果能夠確認體外和體內效應強度參數之間的關系，無疑可以增加此時數據外推的可信性，否則應校正可能存在的差異。由于藥物的藥理效應受到藥物從體循環系統輸送至作用靶點這一分布過程的影響，因此，如果可能的話，在描述藥物輸送至靶點的時間過程時，最好能夠測定靶組織中的藥物濃度。此外，了解藥物在體內的代謝情況也是非常重要的，因為活性代謝產物可能對藥效有貢獻，從而使得濃度-效應關系更加復雜。

3.人體安全性預測

藥物在人體的安全性評價是新藥Ⅰ期臨床試驗的主要目的之一。創新藥早期臨床評價存在許多潛在風險，包括對試驗藥物了解不足、試驗設計方案不合理和試驗實施質量不高等，因此試驗開始前必須對風險要素進行評估，并制定風險控制計劃。與PK和PD預測相比，從動物到人體的安全性外推具有更大的不確定性和挑戰。本節將從作用機制、靶標性質和動物模型的相關性3個方面來說明在進行人類安全性外推時，體外和非臨床動物研究數據的關注要點。

（1）作用機制：

主要或次要機制是否采用動物源性或人源性細胞、器官材料，候選藥物的作用機制對于人類是否具有可轉化性；受體在動物組織中的分布、一般藥理學和毒理學研究等體外研究數據是否能夠證明作用機制對于人類靶器官的選擇性。

（2）靶標性質：

靶標的結構、組織分布（包括在人類免疫系統細胞內/上的表達）、細胞特異性、疾病特異性；靶標和伴隨靶標作用的性質及強度（程度、幅度、持續時間和可逆性）等，靶標在動物、健康人和患者中的潛在差異；靶標在相關動物種屬和人類中的基因多態性差異，以及對藥理學作用的影響。

（3）動物模型的相關性：

模型動物毒理學試驗中的靶器官毒性反應、性質等，判斷動物和人類在毒性反應中的相關性，評估人類發生藥物相關嚴重毒性的風險。根據既往研究案例，中樞神經系統的毒性反應在臨床前后的一致性較差，在動物中發現的共濟失調和癲癇等毒性反應較少在人類臨床試驗中重現。除過敏外，免疫系統的不良反應在人類試驗中也較少出現。相關性較好的器官是心血管、血液和胃腸道系統，后兩者的安全性外推常用于抗腫瘤藥、抗感染藥。

對于Ⅰ期臨床試驗設計而言，除上文重點闡述的非臨床藥動學、藥效學和毒理學研究數據外，其他資料如藥物研發立題依據、藥物的理化性質（log P、MW）、同類藥物的臨床前/臨床研究文獻等也同樣具有重要的價值和意義。此外，雖然新藥的非臨床研究涉及的研究內容很多，但各個研究之間不是彼此孤立的，而是密切聯系、相互支撐的。例如，在藥效學和毒理學評價中伴隨進行藥動學研究，獲得藥物和/或活性代謝物的濃度數據及其相關藥動學參數，可提供藥物對靶器官效應（藥效或毒性）的依據，是產生、決定或闡明藥效或毒性大小的物質基礎。綜合分析臨床前研究的體外和體內數據，結合藥效學和毒理學資料，可以為Ⅰ期臨床試驗設計提供有力支持。

（王洪允）

參考文獻

［1］CFDA.藥物非臨床藥代動力學研究技術指導原則.［2020-10-12］.http：//www.cde.org.cn/zdyz.do？method=largePage&id=21e45c8c5bacf662.

［2］CFDA.藥物重復給藥毒性研究技術指導原則.［2020-10-12］.http：//www.cde.org.cn/zdyz.do？method=largePage&id=abf139c330d74064.

［3］CFDA.藥物單次給藥毒性研究技術指導原則.［2020-10-12］.http：//www.cde.org.cn/zdyz.do？method=largePage&id=75c870924b8a52af.

［4］CFDA.藥物刺激性、過敏性和溶血性研究技術指導原則.［2020-10-12］.http：//www.cde.org.cn/zdyz.do？method=largePage&id=d01dbe7c6bafbbff.

［5］CFDA.藥物安全藥理學研究技術指導原則.［2020-10-12］.http：//www.cde.org.cn/zdyz.do？method=largePage&id=d281d6b63f249a51.

［6］CFDA.藥物毒代動力學研究技術指導原則.［2020-10-12］.http：//www.cde.org.cn/zdyz.do？method=largePage&id=355a05d8463f0b7e.

［7］BOXENBAUM H.Interspecies scaling，allometry，physiological time，and the ground plan of pharmacokinetics.JPharmacokinet Biopharm，1982，10：201-227.

［8］ROSTAMI-HODJEGAN A，TUCKER G T.Simulation and prediction of in vivo drug metabolism in human populations from in vitro data.Nat Rev Drug Discov，2007，6（2）：140-148.

［9］BARTER Z E，BAYLISSM K，BEAUNE P H，et al.Scaling factors for the extrapolation of in vivo metabolic drug clearance from in vitro data：reaching a consensus on values of human microsomal protein and hepatocellularity per gram of liver.Curr Drug Metab，2007，8（1）：33-45.

［10］ROWLANDM，PECK C，TUCKER G.Physiologically-based pharmacokinetics in drug developmentand regulatory science.Annu Rev Pharmacol Toxicol，2011，51：45-73.

［11］RING B J，CHIEN J Y，ADKISON K K，et al.PhRMA CPCDC initiative on predictive models of human pharmacokinetics，part 3：comparative assessment of predictionmethods of human clearance.JPharm Sci，2011，100（10）：4090-4110.

［12］LOMBARDO F，WATERSN J，ARGIKAR U A，et al.Comprehensive assessment of human pharmacokinetic prediction based on in vivo animal pharmacokinetic data，part 2：clearance.JClin Pharmacol，2013，53（2）：178-191.

［13］LOMBARDO F，WATERSN J，ARGIKAR U A，et al.Comprehensive assessment of human pharmacokinetic prediction based on in vivo animal pharmacokinetic data，part1：volume of distribution at steady state.JClin Pharmacol，2013，53（2）：167-177.

［14］JONES R D，JONESH M，ROWLAND M，et al.PhRMA CPCDC initiative on predictive models of human pharmacokinetics，part2：comparative assessment of prediction methods of human volume of distribution.J Pharm Sci，2011，100（10）：4074-4089.

［15］CAIH，STONER C，REDDY A，et al.Evaluation of an integrated in vitro-in silico PBPK（physiologically based pharmacokinetic）model to provide estimates of human bioavailability.Int JPharm，2006，308（1-2）：133-139.

［16］PAIX?O P，GOUVEIA L F，MORAIS JA G.Prediction of the human oral bioavailability by using in vitro and in silico drug related parameters in a physiologically based absorptionmodel.Int JPharm，2012，429（1-2）：84-98.

［17］AGORAM B，WOLTOSZW S，BOLGERM B.Predicting the impactof physiological and biochemical processes on oral drug bioavailability.Adv Drug Delivery Rev，2001，50（Suppl 1）：S41-S67.

［18］JAMEI M，TURNER D，YANG J，et al.Population-based mechanistic prediction of oral drug absorption.AAPS J，2009，11（2）：225-237.

［19］GIBBS JP.Prediction of exposure-response relationships to support first-in-human study design.AAPS J，2010，12（4）：750-758.

［20］DANHOFM，DE LANGE E C，DELLA PASQUA O E，etal.Mechanism-based pharmacokinetic-pharmacodynamic（PK-PD）modeling in translational drug research.Trends Pharmacol Sci，2008，29：186-191.

［21］SHEINER L B，STANSKID R，VOZEH S，et al.Simultaneous modeling of pharmacokinetics and pharmacodynamics：application to d-tubocurarine.Clin Pharmacol Ther，1979，25：358-371.

［22］DAYNEKA N L，GARG V，JUSKOW J.Comparison of four basic models of indirect pharmacodynamic responses.JPharmacokinet Biopharm，1993，21：457-478.

［23］SHARMA A，JUSKOW J.Characterization of four basic models of indirect pharmacodynamic responses.J Pharmacokinet Biopharm，1996，24：611-635.