摘要
这篇发表于 CPT: Pharmacometrics & Systems Pharmacology 的 white paper，本质上不是展示某一个 PBPK 成功案例，而是试图回答一个更基础、也更现实的问题：什么样的 PBPK 模型才算真正 fit-for-purpose，足以支持研发决策和监管判断。作者指出，PBPK 在 DDI、特殊人群、临床豁免和给药方案优化中的应用越来越广，但现实问题是，很多递交给监管机构的 PBPK 分析并没有达到其 intended context of use 所需要的资格确认强度。因此，这篇文章真正提供的是一套从 建模目标界定、数据汇总、模型建立、模型评价、模型应用到监管文档撰写 的完整实践框架。
引言
PBPK 这些年已经从“有用的机制模型”逐步变成监管讨论中的常客。无论是 DDI 风险评估、儿科和肝肾功能不全外推、首个人体剂量推演，还是临床试验豁免，PBPK 都在不断扩展自己的应用边界。但这篇文章提醒得很直接：PBPK 被广泛使用，并不等于 PBPK 已经被同样广泛地高质量使用。
作者引用 EMA 以及其他监管机构的审评经验指出，很多 PBPK 递交材料的主要短板并不在“有没有模型”，而在于模型目标界定不清、适用场景没说透、验证与适用性评估不够、技术文档不完整。所以这篇 white paper 最值得看的地方，不是它重复 PBPK 的价值，而是它把 PBPK 怎么做才更像一个可以被信任的证据体系 讲清楚了。
研究方法
这不是单一实验研究，而是一篇面向实践的 PBPK best-practice 指导文章。其方法学主线非常清楚：先按照 ICH M15 的思路定义 Question of Interest（QoI）、Context of Use（CoU）、模型影响力和错误决策后果，再决定模型开发和评价所需的证据强度。
在数据层面，作者要求系统汇总几类关键信息：系统参数（生理、解剖、种属和人群特征）、药物参数（渗透性、溶解度、血浆蛋白结合、血浆/血细胞分配、组织分配、CLint、Vmax、Km、fm、Ki、EC50、Emax 等）、制剂信息（尤其是 PBBM/PBPK 场景下的溶出、粒径和析出行为），以及临床/非临床 PK 数据。文中还特别强调，模型建立时要把给药途径、给药条件、样本分析方法、研究对象特征和参考化合物信息写清楚，因为这些内容直接决定后续验证是否成立。
在模型建立部分，作者推荐的经典路径是：先用 IV 数据建立分布和清除骨架模型，再逐步叠加口服吸收和首过过程。其中需要根据问题复杂度选择 bottom-up、middle-out 或 top-down 思路，并对 perfusion-limited / permeability-limited 分布结构、肝代谢和肾排泄参数、转运体过程、蛋白结合和非线性机制做出明确说明。对于 DDI 问题，文中明确把 fm、Ki、EC50、Emax 等参数列为最关键的模型输入之一。
模型建立框架
这篇文章最有价值的贡献之一，是它把 PBPK 的工作过程拆成了几个必须连续完成的环节：planning、data compilation、model development、model evaluation、model application、reporting。这看起来像流程图，但本质上是在强调：PBPK 不是“把参数丢进软件里跑一下”，而是一套有前提、有边界、有证据链的建模活动。
其中 planning 阶段最重要的是先把问题问对。作者反复强调，如果 QoI 和 CoU 没定义清楚，后面的验证再漂亮也可能是偏题。比如，一个只想支持内部剂量探索的模型，与一个想替代临床 DDI 研究、用于监管标签建议的模型，所需的评价强度根本不是一回事。
关键案例与参数修正
文中给了一个很实用的例子：某个 SAR compound 的模型最初基于体外数据设定 fm(CYP3A4)=0.90，但这样会高估与 itraconazole 的临床 DDI。作者在确认 victim 和 perpetrator 的独立 PK 都能被合理描述后，将 fm(CYP3A4) 从 0.90 调整到 0.57，其余 0.43 归入非 CYP 通路，而总 CLint 不变。这个例子特别好，因为它没有把“参数优化”说成神秘黑箱，而是说明：当体外信息不足以支撑临床 DDI 预测时，可以在明确证据链和边界条件的前提下，利用临床 DDI 数据去修正 fm。
这里真正值得记住的不是具体数值，而是这个逻辑：模型 refinement 可以做，但必须建立在独立 PK 行为先被解释清楚、修正对象具有机制意义、修正后改善的是既定 CoU 下的预测能力。否则所谓“优化”很容易退化成纯拟合。
模型评价与适用性判断
这篇文章另一个很强的地方，是它把常被混用的几个词分开了：verification、validation、applicability assessment。作者认为，模型评价不是一个单点动作，而是贯穿开发全过程的迭代过程。
Verification 解决的是技术实现对不对，包括方程、代码、软件环境和版本控制；validation 解决的是模型对真实生物系统的描述够不够准；而 applicability assessment 解决的则是一个更尖锐的问题：这个已经验证过的模型，能不能真的回答当前这个 QoI。这三者缺一个，监管上都可能卡住。
作者还特别反对一种常见偷懒方式：只拿几张 observed-versus-predicted 图就宣布模型可用。按照文中的逻辑，评价强度必须和模型风险匹配。如果模型将直接影响标签建议、试验豁免或关键临床决策，那么它需要的不只是外观上的“预测不错”，还要有完整的不确定性分析、敏感性分析、适用范围说明和局限性讨论。
监管与最佳实践
从监管角度看，这篇文章的核心态度其实很鲜明：监管机构并不反对 PBPK，真正的问题是很多 PBPK 递交件没有把“为什么值得信”讲清楚。因此作者强调，所有建模工作都应该在一开始就和 ICH M15 assessment table 的思路对齐，把问题背景、CoU、QoI、模型风险、证据层级和预期影响预先写清楚。
文章建议的最佳实践可以概括为：先定义问题，再匹配数据，再建立结构，再分层验证，再判断适用范围，最后把整个证据链透明地写进 analysis plan 和 analysis report。对于需要用于监管交流的模型，作者还强调必须完整说明 虚拟人群设定、给药场景、模拟结果、不确定性/变异性处理，以及模型局限性。
讨论
如果把这篇文章压缩成一句话，我觉得它真正想纠正的是一种思维误区：PBPK 的难点从来不只是“建出模型”，而是“证明这个模型在当前用途下足够可信”。这也是为什么文中花了这么多篇幅在 QoI、CoU、风险分级、适用性评估和文档化上，而不是只讲软件功能或参数列表。
对做 PBPK 的人来说，这篇文章的现实意义很大。它提示我们，模型的价值不取决于你用了多少复杂机制，而取决于这些机制是否真的服务于当前问题。同样，参数 refinement 也不是不能做，但必须能够回答“为什么改、改了什么、证据是什么、改完是否更适合当前 CoU”。从这个角度看，这篇文章其实是在给 PBPK 建模增加一种更接近审评思维的纪律性。
另外，这篇文章也隐含了一个很重要的行业信号：随着 ICH M15 推进，未来 PBPK 递交材料大概率会更强调术语统一、证据链透明和可审评性。也就是说，今后的 PBPK 工作不只是模型做得对，还要说得明白、写得完整、边界交代清楚。
结论
总体来看，这篇文章给出的不是某个单一技术细节，而是一套 PBPK fit-for-purpose 的实践框架：先明确定义建模问题和使用场景，再围绕该场景组织参数、结构、验证和应用证据，最后以监管可审评的方式把整套逻辑写清楚。对 PBPK 工作而言，这篇文章最值得记住的并不是“PBPK 很重要”，而是PBPK 只有在目标明确、证据成链、适用性被证明时，才真正有资格成为决策证据。
原文信息
Best Practices in Physiologically Based Pharmacokinetic (PBPK) Modeling. CPT: Pharmacometrics & Systems Pharmacology. First published July 4, 2026. DOI: 10.1002/psp4.70295.
