兒童他克莫司個體化給藥模型的研究進展

關鍵詞他克莫司；個體化給藥；給藥模型；兒童；器官移植；藥動學

他克莫司是一種大環內酯類鈣調磷酸酶抑制劑，是預防移植后免疫排斥反應的一線治療藥物。他克莫司通過與細胞質蛋白受體FKBP-12結合，從而抑制T淋巴細胞鈣調磷酸酶活性、T淋巴細胞活化及白細胞介素2等炎癥因子的產生，進而發揮免疫抑制功效[1]。他克莫司在不同群體中存在著較大的個體內、個體間變異，使其臨床應用受到一定限制。他克莫司個體化治療藥物監測（therapeuticdrugmonitoring，TDM）共識已將該藥在體內暴露的個體內變異作為預測腎移植治療效果的生物標志物[2]。而針對其個體間變異，則需要通過常規TDM來調整給藥劑量，以維持血藥濃度處于“治療窗”內，從而避免藥物暴露不足或暴露過量。近年來，他克莫司已廣泛運用于實體器官移植、狼瘡性腎炎、潰瘍性結腸炎等疾病的治療[2]。研究發現，個體間變異主要表現為他克莫司暴露不足和（或）非免疫介導的損傷，如他克莫司血藥濃度過高引起的腎毒性[3]；而個體內變異則主要體現在血藥濃度的波動性上，往往與較差的預后相關，這種變異特征在兒科患者中更為明顯。在兒童的生長發育過程中，藥物在體內的吸收、分布、代謝、排泄在不斷變化[4]；此外，兒童體內藥物轉運體和代謝酶不同的表達水平[5]，以及兒童不同的疾病狀態，均可能影響他克莫司在靶部位的暴露量，進而影響其治療效果和安全性[6]。因此，加強兒童患者他克莫司個體化TDM和用藥指導尤為重要。

隨著他克莫司藥動學（pharmacokinetics，PK）、藥效學（pharmacodynamics，PD）、藥物基因組學（pharmacogenomics，PG）的深入研究，整合了PK/PD/PG的個體化預測模型已相繼被報道[7―8]。本文擬對近十年來國內外兒童使用他克莫司的個體化用藥模型進行綜述，旨在系統梳理現有模型的特點及臨床實用價值，從而助力兒童他克莫司個體化給藥方案的優化。

1 兒童他克莫司個體化給藥模型

1.1 基于群體藥動學的他克莫司個體化給藥模型

基于TDM的個體化給藥劑量的優化需要患者的PK參數，經典的PK分析通常需要受試者的密集采樣數據。然而，在真實世界中，從個體患者獲得的血藥濃度數據是有限的。群體藥動學（populationpharmacokinetics，PPK）可通過臨床稀疏采樣點數據分析來獲得代表患者群體的PK特征參數[8]，以及鑒別影響PK的生理、病理等因素。基于PPK構建兒童他克莫司個體化給藥模型的方法目前已比較成熟。他克莫司的PK受年齡和CYP3A5基因型的影響，其中CYP3A5*1/*1和CYP3A5*1/*3為快代謝型，CYP3A5*3/*3為慢代謝型[4]。眾所周知，基于體重、年齡、體表面積給藥是兒童常見的劑量計算方式。一項為期30d、納入了53例兒童實體器官移植者的隨機對照研究發現，基于年齡分層和CYP3A5基因型指導的他克莫司給藥方案可以使患兒的他克莫司血藥濃度更早達到有效治療窗[7]。也有研究者將體重作為協變量納入PPK模型，結果發現，與體重較高的患兒相比，體重較低患兒需要的他克莫司標準化起始劑量更高[8]。Khamlek等[9]對21項發表于1995－2020年的在兒童肝移植/腎移植患者中使用非線性混合效應模型進行的他克莫司PPK研究進行了系統綜述，結果發現，大多數研究采用一室模型來描述他克莫司的PK特征，體重、移植后天數、CYP3A5基因型以及紅細胞壓積是預測他克莫司體內清除率的常見協變量；大多數研究采用內部驗證來評估PPK模型的預測能力，有29%的研究進行了外部驗證，這也凸顯了未來研究中加強模型驗證的必要性。Kassir等[10]基于30例患者的他克莫司血藥濃度數據開發了首個最大后驗貝葉斯估計器，用于預測兒童肝移植患者的他克莫司暴露量。該模型引入了體重作為異速縮放因子，能精確估算他克莫司的清除率，并據此制定了最優采樣策略，即在服藥后4h內采集3～4個血樣，就能準確估算他克莫司的暴露曲線下面積（areaunderthecurve，AUC）0－12h。筆者所在課題組前期已開發出基于真實世界數據的他克莫司治療兒童腎移植[11]、肝移植[12]、狼瘡性腎炎[13]等PPK模型，通過定量考察患兒的病理、生理因素，結合他克莫司谷濃度，準確預測個體PK參數，推動了他克莫司兒童個體化給藥的進程。

1.2 基于生理藥動學的他克莫司個體化給藥模型

基于生理藥動學（physiologicallybasedpharmacokinetics，PBPK）的建模與模擬可將機體的解剖學、生理學、生物化學參數與化合物的理化信息整合，用數學方程描述復雜化合物在機體內的吸收、分布、代謝、排泄過程[14]。與PPK自上而下的建模方法相反，PBPK為自下而上建模，可將表征系統的特征與其他由觀測獲得的變量相整合，從而預測藥物的劑量-暴露-效應關系[15]。與傳統PK模型相比，PBPK模型可整合隨年齡和性別變化的生理、解剖、酶活性和轉運體表達等參數。由于PBPK模型明確考慮了不同器官和組織的血流量，因此可以獲得各個部位濃度-時間曲線的定量特征，不僅可以估計血漿中的藥物暴露量，還可預測作用部位的藥物濃度[16]。這一特征在特殊人群（如新生兒）的PK研究中尤為重要——由于新生兒體內的細胞色素P450（cytochromeP450，CYP）3A4、CYP1A2、葡萄糖醛酸結合酶等代謝酶活性不足[17]，因此需要在構建與年齡相關的PK模型時特別考慮上述因素。此外，PBPK模型還可結合機體血流動力學變化和病理生理學特征用于構建藥物-疾病模型[18]。因此，PBPK模型在預測和優化兒童他克莫司給藥方案中展現出獨特的優勢。國外研究者開發了兩種兒童腎移植患者他克莫司個體化劑量預測模型——PK模型及PBPK模型，結合了藥物吸收及清除的晝夜節律參數，結果發現，與傳統PK模型相比，PBPK模型能更好地預測他克莫司在兒童腎移植患者各組織中的分布濃度[19]。

此外，PBPK模型還可預測藥物在組織中的濃度與藥物不良反應的相關性，量化藥物濃度與安全性之間的關系，從而減少藥物不良反應的發生。這一方法在兒科用藥中尤為關鍵——當使用他克莫司這類窄治療指數藥物時，PBPK模型可以幫助臨床醫生為患兒個體化調整劑量，在保證療效的同時最大程度地降低毒性風險。Cai等[20]通過構建PBPK模型結合反向劑量法，計算并模擬了不同生理病理狀態下他克莫司的腎臟藥物濃度；由于肝功能不全可導致血漿蛋白合成減少、有效循環血容量下降[2]，結合他克莫司藥物性質與疾病嚴重程度，預期藥物清除率和首過消除都可能有不同程度的降低或減少，因此該研究基于不同CYP3A5基因型以及Child-PughA、B、C3個等級，開發了PBPK模型來預測不同肝功能狀態患者的他克莫司腎毒性閾值，以助力臨床安全用藥。此外，他克莫司與影響CYP3A4/5酶代謝或P-糖蛋白（P-glycoprotein，P-gp）轉運的藥物合用時，還需考慮是否會發生藥物相互作用。由于P-gp和CYP3A具有相似的底物特異性，因此抑制腸壁和肝臟中P-gp的表達可影響CYP3A底物的暴露[21]。需要聯合用藥的患者，體內PK可受藥物相互作用的影響，使血藥濃度超過最大耐受量或低于最小有效量，導致藥物中毒或療效不佳。Zhang等[22]通過PBPK模型預測五酯膠囊與他克莫司的藥物相互作用，同時考量五酯膠囊主成分五味子酯甲和五味子甲素對CYP3A4/5的抑制作用，并將五酯膠囊、五味子酯甲和五味子甲素分別納入PBPK模型，最終闡明了他克莫司與五酯膠囊的藥物相互作用機制并進行了PK評價。

1.3 基于機器學習的他克莫司個體化給藥模型

近年來，隨著人工智能的蓬勃發展，將人工智能與PK相結合以探索復雜的生物學過程已成為一種新的趨勢。機器學習（machinelearning，ML）是人工智能的一個分支領域，可通過復雜的算法（包括決策樹、支持向量機、神經網絡、貝葉斯方法等）對大數據進行訓練并提高預測性能，目前已廣泛應用于計算機視覺、醫學、金融等各大領域[23]。將ML算法與PK參數（如表觀分布容積、清除率等）相結合，可對有限的PK/PD數據進行分析和優化。Lee等[24]比較了決策樹、隨機森林、XGBoost3種算法的預測性能，最終選擇準確性較高的XGBoost作為ML分類模型的最終算法。該研究發現，與傳統單一模型相比，ML分類模型顯示出更穩定的預測效能。目前，ML算法已被開發用于成人與兒童使用他克莫司的劑量預測。一項基于3個移植中心、包含2551例腎移植患者的隊列研究數據構建的ML模型，按照“二八原則”分為驗證集和訓練集，運用了10種ML算法建模，結果顯示ETR回歸算法在訓練集和驗證集中均表現出良好的性能，對于中國腎移植患者圍手術期他克莫司的劑量預測更準確[25]。有研究發現，XGBoost算法在大樣本估算中能精確預測他克莫司血藥濃度的AUC（相對偏差＜5%，相對均方根誤差＜10%），性能優于最大后驗貝葉斯估計[26]。一項基于13種ML算法預測兒童肝移植患者他克莫司血藥濃度的研究發現，在調整協變量后，Ridge模型顯示出最優預測性能[27]。此外，ML算法在藥物毒理學領域也有廣闊的應用前景，包括用于藥物毒性預測的定量結構關系模型構建、不良結局通路分析、藥物不良反應預測等[28]。

1.4 基于多元線性回歸的他克莫司個體化給藥模型

多元線性回歸（multiplelinearregression，MLR）是通過調整混雜因素并計算相關系數來探索多個暴露量與結局之間相關性的統計分析方法[29]。在他克莫司的PK建模與模擬中，MLR展現出了獨特的優勢，不僅能夠評估多個因素對血藥濃度的綜合影響，還可以有效量化各種生物標志物與血藥濃度之間的相關性。國外研究團隊運用MLR分析方法，深入探討了兒童造血干細胞移植后使用他克莫司治療，從靜脈注射轉換為口服給藥過程中影響血藥濃度的關鍵因素，結果顯示，性別和合并使用特定抗真菌藥物（如伏立康唑或伊曲康唑）是顯著影響他克莫司血藥濃度的因素[30]。國內研究者對118例接受他克莫司治療的難治性腎病綜合征患兒的個體數據進行了回顧性分析，通過構建MLR模型后發現，體重、合并用藥及CYP3A5基因多態性是影響他克莫司血藥濃度的主要因素[31]。也有研究者通過構建MLR模型分析了β-地中海貧血患兒在造血干細胞移植后使用他克莫司后的血藥谷濃度與他克莫司療效的關系，但并未發現兩者之間存在顯著相關性[32]。兒科人群的建模應基于對患兒生長發育、病理生理狀態、藥物代謝酶等多種復雜因素的綜合分析[33]，MLR在該人群中的建模是否有優勢尚不明確，針對兒童他克莫司多種給藥模型的性能預測、穩定性考察可作為今后的研究方向。

2 他克莫司個體化給藥輔助決策系統

兒科人群個體化給藥需綜合患兒病理生理特征、PK/PD原理、藥物遺傳學等多個因素，并運用統計學方法來描述藥物復雜的體內過程，因此往往需要借助個體化給藥輔助決策系統[34]。近年來，個體化給藥軟件已成為個體化精準給藥的重要工具。目前，基于群體的PK/PD建模與模擬技術已日趨成熟，涉及的專業統計軟件包括NONMEM、PhoenixWinNonlin、MATLAB、Dose‐MeRx、MwPharm++、Edsim++等。其中，NONMEM軟件需要使用者自定義控制文件，并用FORTRAN語言編譯；MATLAB建模與模擬需要一定的編程能力，專業性強，因此在臨床上使用受限[35]；Edsim++軟件允許用戶創建PPK和PK/PD模型，其中PPK建模主要使用KinPop模塊中的迭代兩階段貝葉斯進行，并可將構建的模型導入MwPharm++軟件[36]；DoseMeRx、MwPharm++等軟件納入了多元化藥物計算模型，用戶在使用過程中可選擇不同的算法進行估算[37]。PBPK模型的構建需結合患者生理參數，目前使用最廣泛的軟件包括Simcyp、Gastroplus、PK-Sim，這些軟件均包含預定義的機制模型庫以及與系統參數相關的數據庫[38]，且用戶界面友好、操作簡便。ML算法和MLR分析主要通過R語言和Python等專業統計和數據科學軟件包實現，這些工具的結合大大提高了模型構建、訓練和評估的效率，同時增強了預測的精確度。隨著個體化給藥輔助決策系統的日益完善，由模型引導他克莫司個體化給藥將更加精準。

3 結語與展望

本文對近年來應用于兒童的他克莫司個體化給藥的多種建模方法進行了系統分析，包括PPK、PBPK、ML算法和MLR分析，這些方法在預測他克莫司血藥濃度及優化給藥方案中各具特色。PPK模型在定量表征他克莫司在兒童群體中的PK差異性方面表現出色，尤其適用于臨床稀疏采樣的建模，但其對模型結構和參數的假設可能限制個體化給藥的精確度。PBPK模型可結合兒童特定的生理參數，模擬藥物在器官組織的分布，從而探索藥物在體內的動態過程；但由于需要大量生理生化參數，且還需考慮與兒童年齡相關的代謝酶表達譜，模型復雜度高、應用難度較大。傳統的MLR分析為早期他克莫司劑量預測提供了簡單直觀的工具，但難以處理復雜的非線性關系，預測準確度有限。ML算法展現出處理復雜非線性關系的潛力，但其對大樣本數據的需求和模型可解釋性差的問題可能限制其臨床應用。值得注意的是，這些方法的結合運用取得了較好的效果，如：ML結合PBPK建模可以同時考慮患者的生理因素、藥物代謝特征、典型生物標志物以及血藥濃度，從而實現兒童他克莫司個體化給藥的劑量優化，提高治療的有效性和安全性[39]；ML結合PPK建模可以識別出潛在的患者亞群（如CYP3A5*1/*1、CYP3A5*1/*3、CYP3A5*3/*3基因型）[40]——由于藥物代謝基因的分型不同，上述亞群在相同他克莫司治療劑量下有不同的藥物反應，而ML結合PPK模型有助于識別不同亞群的患者并對其進行精準治療，同時準確預測他克莫司的清除率，優化給藥劑量。綜上所述，結合兒童發育藥理學特點的多種建模方法的綜合運用可能成為未來研究的趨勢，從而為兒童他克莫司的個體化精準治療提供有力支持。