本文的工作由 Applied BioMath 团队完成，随后该公司被 Certara 收购，现在已经成为 Certara QSP 业务的一部分。Certara 是全球定量药理与模型引导药物研发（MIDD）领域的头部公司，开发了 Phoenix、Simcyp、Certara IQ 和 Pinnacle 21 等涵盖 NCA、PopPK、PBPK、QSP及临床申报的软件平台
1 摘要
1、文章使用了两种 HER2 ADC（T-DM1 和 T-Dxd）进行模型开发、校准和验证。模型整合了药物特异性实验数据，包括体外细胞分布数据、PK 和 TGI 数据，以及系统特异性性数据，如 HER2 的特性、肿瘤生长速率和体积
2、该模型纳入了细胞内水平的机制细节，以解释 ADC 加工和有效载荷释放的不同机制。它描述了 ADC、抗体和有效载荷在肿瘤内外分布的情况，包括与非肿瘤靶点和靶向清除剂的结合
3、该模型应用于人体，并进行了虚拟临床试验，成功预测了 T-DM1 和 T-Dxd 治疗 HER2 阳性乳腺癌的无进展生存期，包括基于 HER2 表达状态的疗效差异
2 模型结构
2.1 体外细胞模型
1、体外模型旨在描述体外培养系统中细胞水平发生的动力学过程，如 Fig1 左侧的肿瘤细胞模型（Tumor Cell Model）。该模型描述了 ADC 加入培养基后脱偶联、抗体抗原结合、内化、溶酶体降解等过程
2、为了辅助参数化，该模型使用多个体外数据集进行了校准，并一项独立研究数据进行了验证如 BT474 癌细胞实验（上一篇文章 T-DM1 研发 PK-PD 建模过程汇总 中临床前研究有这部分数据）
2.2 体内小鼠模型建立
2.2.1 小鼠体内 ADC 血浆药代动力学模型
就是一个二室模型（中心室、外周室以及中心室与肿瘤间 ADC、抗体、payload之间的交流分布）
2.2.2 小鼠肿瘤生长抑制模型
上面简书文章 TGI 有详细描述，这里略过
2.3 人体模型开发与分析
2.3.1 对癌症患者血浆中的 ADC、总抗体和 payload 的 PK 进行建模
1、人药代动力学整个建模过程如 Fig1 所示
2、ADC 人体药代动力学模型的参数来源于文献数据或体外模型拟合结果。该人体药代动力学模型用于模拟 ADC、总抗体和有效载荷的药代动力学，并与 I 期临床研究数据进行比较（校准）
2.3.2 预测 HER2 乳腺癌患者的肿瘤生长抑制情况
使用经校准的 T-DM1 和 T-Dxd 人体 PK 模型预测肿瘤有效载荷浓度，并将其与 TGI 关联起来。针对 HER2 阳性乳腺癌，人体模型参数化如下：（a）临床中观察到的乳腺癌指数和线性生长速率；（b）模拟每个细胞20,000和100万个受体的HER2表达水平，分别近似于HER2 1+和3+患者；（c）初始和最大肿瘤负荷设置为临床观察到的/合理的值。药物效应参数，包括转导延迟、最大杀伤率和半数最大杀伤率浓度，直接取自小鼠模型估计值
2.3.3 PRCC 和虚拟临床试验模拟
1、对抽样参数集（n = 1000）进行 T-DM1 给药，剂量为 3.6 mg/kg，每 3 周一次，共给药 4 次，并以肿瘤体积 AUC 作为输出值来确定偏相关性。该分析用于指导虚拟临床试验模拟中参数的选择
2、基于全局敏感性分析的结果，文章选择指数倍增时间、线性增长率、最大杀伤率和半数最大杀伤率浓度作为构建虚拟人群时需要改变的参数
3、T-DM1 虚拟患者模拟：对95例HER2阳性转移性乳腺癌（MBC）患者进行了模型模拟，这些患者每3周接受一次3.6 mg/kg的T-DM1治疗，持续14个月。对HER2+受体高表达（1e6）和低表达（2e4）的患者进行了模拟，并分别分析了两组的结果
4、T-DXd 的虚拟患者模拟：184例 HER2+患者接受了 T-DXd 治疗，剂量为5.4 mg/kg，每3周一次，疗程20个月。为模拟III期临床试验，373例HER2低表达患者接受了T-DXd治疗，剂量为5.4 mg/kg，每3周一次，疗程29个月。每个采样参数的变异系数均经过校准，以匹配临床试验数据中观察到的药效学（PD）
2.3.4 无进展生存期预测
1、根据 T-DM1 和 T-Dxd 虚拟临床试验和实体瘤疗效评价标准（RECIST）预测无进展生存期 PFS
2、预测 PFS 与已发表的 T-DM1 和 T-Dxd 临床试验数据进行比较
3 结果
3.1 模拟 T-DM1 和 lys-smcc-DM1 在癌细胞中的细胞分布
1、文章建立了一个细胞模型，用于表征 T-DM1 及其释放的有效载荷在靶肿瘤细胞中的体外分布。FigS1B 展示了模型模拟结果与实验观察结果的对比，这些结果用于模型校准和验证
2、Fig3 比较了 BT-474EEI、SK-BR-3和MCF7-neo/HER2乳腺癌细胞中T-DM1孵育的模拟曲线与该实验的观察结果。该模型能够很好地预测所有细胞系中细胞内和细胞外物质的浓度-时间曲线
3.2 建立 T-DM1 和 T-Dxd 的小鼠药代动力学模型并预测 T-DM1 的肿瘤有效载荷浓度
1、在非肿瘤小鼠中，T-DM1 和 T-Dxd 的 ADC 和总抗体 PK 数据均能被模型很好的描述（FigS4）。从 A 和 B 图看，T-Dxd 的脱偶联速度远低于 T-DM1，这表明 T-Dxd 的连接子在循环中更稳定
2、将 T-DM1 的小鼠血浆 PK 模型与肿瘤摄取机制模型和细胞模型相结合，用于预测异种移植小鼠体内 DM1 的肿瘤浓度。Fig4 显示了拟合小鼠注射 T-DM1 后血浆和肿瘤中 DM1 浓度随时间变化曲线的拟合结果
3.3 在小鼠体内模拟给予 T-DM1 和 T-DXd 后肿瘤生长抑制的情况
Fig4(最后一个图)展示了该模型对BT474-EEI小鼠异种移植研究中T-DM1给药后以及N87小鼠异种移植研究中T-DM1和T-DXd给药后TGI数据的拟合情况
3.4 预测癌症患者血浆中T-DM1和T-DXd的药代动力学及其释放的有效载荷
该人体 PK 模型无需估算任何参数，即可预测 T-DM1 和 T-Dxd 所有分析物（ADC、总抗体和有效载荷，Fig5）的临床血浆 PK 数据。该模型能够捕捉到剂量递增数据中由于靶点介导的药物处置而导致的ADC的非线性变化（C图和D图）
3.5 预测 T-DM1 和 T-Dxd 治疗 HER2 阳性乳腺癌患者后肿瘤生长抑制情况
1、Fig6显示了 T-DM1 和 T-Dxd 以 0.3-6.4 mg/kg 剂量静脉给药后，其血浆药代动力学、肿瘤总载药浓度和肿瘤生长抑制率（TGI）的人体模型模拟结果
2、模拟结果预测 T-DM1 和 T-Dxd 的 ADC 非常相似，但是 T-Dxd 能将更高浓度的载药输送到肿瘤，因此在相同剂量下，其预测疗效优于 T-DM1
3.7 利用虚拟临床试验模拟预测 T-DM1 和 T-Dxd 在 HER2 阳性乳腺癌患者中的无进展生存期
1、T-DM1 采用 3.6mg/kg IV Q3W 的方式进行模拟，用于计算 HER2 高表达和低表达 6-14 个月的 PFS 概率（Fig7A）。T-Dxd 采用 5.4mg/kg IV Q3W 的方式进行模拟（Fig7B）
2、模型预测的 PFS 与 T-DM1 和 T-Dxd 的临床试验数据一致性良好。模型预测的 T-Dxd 的PFS 更长，并且能够区分两种 ADC 中 HER2 高表达和低表达的患者
4 讨论
4.1 为什么需要一个用于 ADC 的平台型 QSP 模型
1、经验 PK/PD 模型已经被证明在 ADC 的临床前和临床开发中非常有用，能够最大限度地利用实验数据获取信息，同时最大限度地减少资源消耗。然而，这些模型在预测不同靶点的疗效和指导设计参数方面存在局限性
2、为了理解 ADC 的复杂性，需要更多机制性的方法，描述生物系统与药物之间动态相互作用的 QSP 模型。这些模型的关键特征是明确区分了“药物”参数和“系统”参数。对于 ADC 而言，系统参数包括肿瘤细胞和正常细胞上的受体表达、内化或周转率以及肿瘤生长速率，这些参数可以从文献或者既往实验中获得。药物特异性参数包括 PK 参数（例如半衰期）和药理学参数（例如靶点亲和力和ADC的疗效）。因此，QSP 模型包含足够的机制细节，能够理解对 ADC 性能至关重要的过程，并进行多尺度预测
4.2 文章是如何着手开发用于评估 ADC 疗效的 QSP模型的
1、文章整合了多种数据类型和已有的知识，用于预测 ADC 的疗效（Fig1）。平台模型的开发最初侧重于使用 T-DM1 和 T-DXd 作为测试 ADC。选择这两种 ADC 的原因在于：它们在公共领域拥有足够的数据用于模型校准/验证；尽管它们于同一靶点（HER2）结合，但他们的细胞内作用机制截然不同，这使得我们可以测试模型的不同组成部分
**2、模型开发采用模块化和多尺度的方法（Fig2），并在每个阶段通过与代表性数据集进行比较来验证模型预测结果。虽然该模型是 HER2 ADC 的数据进行训练的，但只需要替换相关参数，该框架也适用于其他 ADC **
4.3 描述 ADC 的细胞内作用机制
1、首先，文章构建了一个细胞模型来表征 ADC 在靶肿瘤细胞中的分布和有效 payload 释放（FigS1A）。该模型用于描述体外孵育实验，并作为体内模型中肿瘤隔室的基础。与之前的模型相比，该模型旨在更详细地描述细胞内水平的情况，以便充分描述具有不同有效载荷释放和分布机制的 ADC
2、该模型包含了胞外 ADC 的去偶联以及 ADC 与抗体竞争结合靶细胞的过程，而之前的模型未考虑这些因素
3、ADC 与 HER2结合后会被内化，游离受体和结合受体均可被回收至细胞表面。这对 HER2-ADC 尤为重要，因为 HER2 具有较高的回收率，且回收可能发生在有效载荷释放到细胞内部之前
4、T-DM1 进入到癌细胞后，从内体转运至溶酶体，在那里发生蛋白水解降解，释放出具有细胞毒性的 DM1-连接子-赖氨酸代谢物（赖氨酸-MCC-DM1）。相反，T-Dxd 进入到癌细胞后，蛋白酶连接子的切割导致 DXd 有效 payload 在内体中释放。对于 T-Dxd ，模型还包含一个额外的速率常数，用于描述连接子切割介导的有效载荷在体内中的释放。释放的有效载荷可以转运至胞质溶胶，在那里它可以自由地与细胞内靶标结合（赖氨酸-MCC-DM1 的靶标是微管蛋白，DXd 的靶标是 TOPO-1） 。释放的有效载荷物质也可以离开和重新进入肿瘤细胞，这取决于其物理化学性质和对转运蛋白的亲和力
4.4 实施肿瘤摄取机制模型以预测细胞内有效载荷浓度
1、为了准确预测药物在实体瘤中的摄取程度和时间进程，文章引入了一个机制性肿瘤分布模型。该模型利用分子大小决定的渗透性和扩散项，描述了ADC、抗体和 payload 在体循环和肿瘤细胞外间隙的交换
2、肿瘤的大小决定了药物分布的程度，其分布方式包括表面积交换和血管交换，分别代表无血管的微转移瘤和较大的血管化肿瘤
4.5 扩展的人体药代动力学模型，考虑了多个反应池
1、为了描述人体药代动力学，文章建立了一个综合模型，用于从机制上描述抗体药物偶联物（ADC）、抗体（Ab）和有效载荷在全身循环和正常组织中的分布，包括与各种受体结合
2、HER2的胞外结构域也会从细胞表面脱落，并且已证实转移性乳腺癌患者的血清HER2浓度高于健康女性。表达肿瘤靶点的健康细胞和可溶性靶点均可作为ADC（或释放的抗体）的受体，从而降低给定剂量ADC与肿瘤细胞的接触。对于HER2，曲妥珠单抗已证实了这一点，其血清胞外域水平升高与药物快速清除和曲妥珠单抗治疗获益降低相关。此外，与这些细胞结合会导致靶向/脱靶毒性，从而限制抗体药物偶联物（ADC）在临床上的给药剂量
4.6 模型应用及未来发展
1、该平台模型可应用于其他具有不同有效载荷和靶向不同受体的ADC，并可使用ADC发现过程中常规收集的数据或文献中已有的数据（Table1）
2、对于特定有效载荷，重要数据包括对细胞内靶点的亲和力（或效价）以及渗透性数据。为了在早期阶段研究最佳ADC设计，该模型可用于预测和优化细胞内有效载荷浓度，以此作为ADC疗效的替代指标，并与具有相似有效载荷类别和临床结果的竞争性ADC进行比较
