摘要
这篇文章讲的是一个很有实践价值的 PBPK 用法：如何把一组抗疟药 PBPK 模型变成持续支持研发决策的策略，而不是只做一次性的模拟报告。
MMV、Certara UK 和 Monash University 合作建立了 20 个抗疟药 PBPK 模型，覆盖常用 legacy antimalarials 和两个进入 II 期开发的新化合物 MMV048、DSM265。这些模型基于标准化体外 DMPK assays 和文献临床数据构建，并在 MMV 的抗疟药研发中应用超过 5 年。
文章最核心的内容，是展示 PBPK 如何支持抗疟组合疗法中的 DDI 风险评估、剂量调整和组合伙伴选择。三个案例分别是：pyronaridine 的 perpetrator/victim DDI 风险、rifabutin 对 artemether-lumefantrine 的诱导影响、DSM265 与 MMV048 的 UGT1A1 介导 DDI 风险。
引言
疟疾治疗高度依赖联合用药。WHO 推荐的 uncomplicated Plasmodium falciparum malaria 治疗方案主要是 artemisinin-based combination therapies, ACTs。未来理想目标是更简洁的 fixed-dose combinations, FDCs，甚至 single-dose FDCs。
问题是，联合用药天然带来 DDI 风险。一个抗疟药既可能是 victim，被另一个药改变暴露；也可能是 perpetrator，影响合用药或伴随治疗药物。疟疾患者还常伴随 TB、HIV、妊娠、儿童用药等复杂场景，因此只靠已有临床 DDI 研究很难覆盖所有问题。
PBPK 的价值就在这里：把体外 DMPK、临床 PK、酶/转运体机制和虚拟人群放在一起，定量评估未测试过的组合和临床情境。
研究方法
作者为一组抗疟药建立 PBPK compound files，包括 artemether、dihydroartemisinin、lumefantrine、piperaquine、pyronaridine、mefloquine、amodiaquine/desethylamodiaquine、sulfadoxine、pyrimethamine、atovaquone、proguanil/cycloguanil、chloroquine、azithromycin、doxycycline、quinine、primaquine/carboxyprimaquine、tafenoquine，以及开发中化合物 MMV048、DSM265/DSM450。
模型开发的关键输入包括 LogD7.4、pKa、Papp、plasma protein binding、B:P ratio、Fu,mic、HLM CLint、aqueous/biorelevant solubility。对于 DDI 模拟，还包括 CYP/UGT inhibition、induction 和 reaction phenotyping。
只有当模型完成 verification 并被认为 fit-for-purpose 后，才用于回答研发问题。文章采用的 DDI 临床意义阈值是：合用后 AUC 或 Cmax exposure ratio 对 inducer 情况 ≤0.8，对 inhibitor 情况 ≥1.25，即认为可能具有临床意义。
模型库和 DDI flag
文章一共建立并验证了 24 个 model files，包括必要时的代谢物文件。对于 legacy antimalarials，很多药已经临床使用多年，但缺少现代药物开发中常见的完整 DMPK 数据包。因此，作者一方面利用文献临床数据，另一方面补充标准化体外实验，用统一方法填补关键数据缺口。
Table 1 的思路很实用：先用体外数据给每个药物打 victim/perpetrator qualitative flags，再用 PBPK 把 perpetrator 的动态未结合浓度与 Ki、诱导参数或转运体抑制数据联系起来，定量判断 DDI liability。
例如 lumefantrine 是 CYP3A4 substrate，并且可作为 CYP2D6 inhibitor；pyronaridine 是多 CYP substrate，同时有 CYP2D6 和 P-gp inhibitor 风险；pyrimethamine 的 victim pathway 信息不完整，但可作为 OCT2/MATE inhibitor 文件使用。这类整理本身就是一个很好的模型资产库。
案例 1：pyronaridine 的 P-gp 与 CYP3A4 风险
pyronaridine 与 artesunate 组成固定剂量复方 Pyramax，用于治疗 P. falciparum uncomplicated malaria 和 P. vivax malaria blood stage。监管提交过程中有两个问题：pyronaridine 作为 P-gp inhibitor 会不会影响 dabigatran etexilate 或 digoxin；以及 pyronaridine 作为 victim 会不会被 CYP3A4 inducer 明显降低暴露。
模型先用临床 PK 进行验证：单次口服 307 mg free base 和 3.42-8.54 mg/kg 数据分别能在 1.5-fold 和 2.0-fold 内恢复观察暴露；410 mg free base q.d. 三次给药后 PK 参数也在 1.6-fold 内。
用体外 P-gp inhibition 数据模拟后，pyronaridine 对 dabigatran etexilate 和 digoxin 的影响很小：dabigatran Cmax ratio 1.03、AUC ratio 1.03；digoxin Cmax ratio 1.02、AUC ratio 1.01。即使把 Ki 降低最多 15 倍做 worst-case sensitivity analysis，DDI 也仍然较低。
但 rifampicin 情况完全不同。600 mg q.d. rifampicin 与 pyronaridine 合用后，模型预测 pyronaridine 暴露显著下降：Cmax GMR 0.42，AUC GMR 0.13，相当于 AUC 降低约 87%。这提示 CYP3A4 强诱导剂可能带来疗效不足风险。
案例 2：rifabutin 对 artemether-lumefantrine 的影响
malaria 与 TB 共病在非洲等地区非常现实。rifampicin 是强 CYP inducer，和很多 CYP 代谢药物合用会降低暴露；rifabutin 是中等 CYP3A4 inducer，可能是某些场景下的替代选择。但 rifabutin 与 artemether-lumefantrine, AL 的相互作用没有临床研究。
模型模拟了 rifabutin 300 mg q.d. 连续 28 天，从 AL 治疗前 10 天开始给药；AL 标准方案为 artemether 80 mg + lumefantrine 480 mg b.i.d.，3 天 6 次给药。
结果显示，rifabutin 对 AL 暴露影响显著：artemether AUC ratio 0.49、Cmax ratio 0.36；lumefantrine AUC ratio 0.55、Cmax ratio 0.61。这主要指向疗效不足和耐药选择风险。
作者没有简单建议加大单次剂量，因为 lumefantrine 存在 Cmax 相关安全性考虑，如 QTc prolongation，同时更高剂量下肠道吸收可能饱和。更合理的模拟方案是延长疗程：从标准 3 天 6 次延长到 5.5 天 11 次，在 rifabutin 合用时可获得接近 AL 单独给药的总 AUC。
案例 3：DSM265 与 MMV048 的 UGT1A1 DDI
第三个案例发生在新化合物开发过程中。MMV048 主要由 UGT1A1 代谢，fraction metabolized fm = 0.9；DSM265 的主要代谢物 DSM450 在体外抑制 UGT1A1，Ki 约为 1 μM。问题是：MMV048 与 DSM265 组合成 FDC 时，是否需要调整 MMV048 剂量。
模拟方案为 MMV048 120 mg 单剂量与 DSM265 400 mg 单剂量合用。结果显示，MMV048 的 AUC 和 Cmax ratio 约为 1，提示体内 DDI 不显著。
作者进一步做 sensitivity analysis：把 DSM450 的 fu 提高 10 倍，同时把 Ki 降低 10 倍，仍然只得到 AUC ratio 约 1.1。这给项目团队的实际结论是：这两个药合用时不需要 MMV048 剂量调整。
跨研发阶段的 PBPK 策略
这篇文章最值得学习的是 Figure 5 展示的跨阶段策略。PBPK 不是等到临床后期才做，而是从 preclinical candidate selection 就开始：每个 candidate 都基于可用 physicochemical 和 in vitro DMPK data 建立模型。
进入 translational 阶段后，模型用于 bottom-up PK prediction、victim/perpetrator DDI liability 早期评估，并在 healthy volunteer 数据出现后进行 verification/refinement。进入 product development 后，模型用于 regulatory submission、clinical DDI waiver、patient population 预测，以及制剂设计。上市后和 access 阶段，模型还可以支持 marketed compounds 的 DDI risk、新组合、伴随用药和未测试临床情境。
这和传统“一篇文章一个模型”的用法不同。它更像是一个 portfolio-level model repository：模型会随着新数据不断更新，并在不同项目问题中反复被调用。
快速对照表
| 案例 | 问题 | PBPK 结论 | 决策价值 |
|---|---|---|---|
| Pyronaridine + P-gp substrates | 是否显著提高 dabigatran/digoxin 暴露 | AUC/Cmax ratio 约 1.01-1.03 | 降低 P-gp perpetrator 风险担忧 |
| Pyronaridine + rifampicin | CYP3A4 强诱导是否降低 pyronaridine 暴露 | AUC GMR 0.13，Cmax GMR 0.42 | 提示疗效不足风险，需要避免或管理 |
| Rifabutin + AL | TB 合并治疗是否降低 AL 暴露 | artemether AUC 0.49，lumefantrine AUC 0.55 | 支持探索延长 AL 疗程而非简单加大剂量 |
| DSM265 + MMV048 | UGT1A1 inhibition 是否需要 MMV048 调剂量 | 常规模拟 ratio 约 1；worst-case AUC ratio 约 1.1 | 支持两药合用无需剂量调整 |
讨论
这篇文章让我觉得有价值的地方，是它把 PBPK 从“科学建模工具”推进到了“研发运营基础设施”。抗疟药的现实约束很多：legacy drugs 数据包不完整，目标人群包含儿童和孕妇，组合疗法是常态，TB/HIV 等伴随用药风险高，而且全球健康领域未必有资源为每个组合都做完整临床 DDI 研究。
PBPK 在这里的作用不是替代所有临床证据，而是更早识别风险、更合理设计研究、更快排除不重要的 DDI，并帮助在未测试场景中形成可解释的剂量假设。pyronaridine 案例能区分“P-gp 风险很小”和“CYP3A4 强诱导风险很大”；rifabutin + AL 案例能从“会降低暴露”进一步走到“延长疗程可能比加大剂量更合理”。
文章也写清楚了挑战。legacy drugs 缺少 fm、fu、Fu,mic、代谢通路等关键数据；开发中抗疟药往往半衰期长、低清除、高蛋白结合、低溶解度，这些都让体外 DMPK 和 PBPK 参数化更难。因此 sensitivity analysis 和透明模型共享非常重要。
结论
如果把这篇文章压缩成一句话，我会写成：抗疟药 PBPK 的最大价值，不只是预测某个药的 PK，而是建立一个可更新、可复用的模型库，用来持续支持组合疗法、DDI 风险、剂量调整和特殊人群决策。
对全球健康和 neglected tropical diseases 来说，这种策略尤其有意义：数据不完美、资源有限、临床情境复杂时，一个经过验证并持续更新的 PBPK repository 可以让每一次新模拟都建立在前一次知识积累上。
我的几点启发
1. PBPK 模型库比单个模型更有长期价值。 组合疗法研发需要可复用、可更新的 compound files。
2. DDI 风险要同时看 victim 和 perpetrator。 只看一个方向容易漏掉诱导、抑制或转运体风险。
3. 灵敏度分析是 DDI 决策的安全网。 Ki、fu、fm 不确定时，worst-case simulation 比单点预测更可信。
4. 剂量调整不一定等于增加单次剂量。 对 lumefantrine 这类有 Cmax 安全性和吸收饱和考虑的药物，延长疗程可能更合理。
5. 全球健康药物更需要跨阶段 PBPK 策略。 儿童、孕妇、共病和伴随用药场景太多，模型能帮助把有限临床资源用在最关键的问题上。
