摘要
这篇文章是一篇 PBPK/PD 建模教程，题目很直接：How to Build a PBPK/PD Model。它不是讨论某一个新算法，而是把 PBPK 模型从基础结构、参数依据、被动/主动过程、建模步骤，到 ciprofloxacin 的 PBPK/PD 案例串成一套可执行路径。
文章最适合反复看的地方，是它把 PBPK 建模拆成几个层次：organism properties、drug properties、administration protocol/formulation properties，再把 passive processes 和 active processes 分开处理。这样读下来，PBPK 不再只是一个“全身模型”，而是一套把先验生理知识、体外/体内数据和药物机制组合起来的建模框架。
案例部分用 ciprofloxacin 展示了典型路径：先用 200 mg i.v. 数据建立吸收无关的分布和清除模型，再加入 750 mg p.o. 数据建立口服吸收模型，随后验证 500 mg b.i.d. 和 1,000 mg q.d. 给药方案，最后把 lung interstitial concentration 接到 adaptive Emax 模型上模拟 E. coli 杀菌效应。
引言
PBPK 模型的核心优势，是它显式表示器官和组织。whole-body PBPK model 通常包括 heart、lung、brain、stomach、spleen、pancreas、gut、liver、kidney、adipose tissue、muscle、bone、skin 等组织，并用 arterial/venous blood compartments 连接。
每个组织不只是一个盒子，而是带有血流、体积、组织-血浆分配、膜通透性、代谢/转运等属性。因此 PBPK 可以预测 plasma concentration，也可以预测难以直接测量的 target tissue exposure。
文章强调，PBPK/PD 的价值在于把 PBPK 模拟出的 on-target 或 off-target tissue concentration 作为下游 PD 模型输入。这样模型不只停在 ADME，而是可以连接到疗效、毒性或疾病过程。
模型建立的三个信息块
第一块是 organism properties。 包括 organ volumes、tissue composition、surface area、blood flow rates 和 expression levels。这些参数依赖物种和人群，因此在儿童、肝肾功能损伤、疾病状态或其他特殊人群建模时，要改变的是生理参数，而不是随意改药物参数。
第二块是 drug properties。 其中 physicochemical properties 包括 molecular weight、lipophilicity、solubility 和 pKa；drug biological properties 包括 fraction unbound、partition coefficients、permeability，以及 active processes 的 Km、Vmax、Kd 等。这些参数一部分可实测，一部分由模型从理化性质推算。
第三块是 administration protocol and formulation properties。 包括 dose、dosing regimen、route of administration、formulation release、food intake、gallbladder emptying、exercise、enterohepatic circulation 等。尤其对口服药，制剂释放、溶解、肠道转运和肠道通透性会直接影响吸收。
被动过程：分布和通透性不是小细节
PBPK 里很多被动过程会由理化性质推算，例如 membrane permeability 和 tissue-plasma partition coefficient。文章提醒，lipophilicity 等体外测量值是在特定实验体系下得到的，未必完全等价于体内生物环境中的行为，因此常常作为 surrogate parameter 使用。
一个重要提醒是：不同 distribution models 可能给出相似的 plasma concentration，却预测出明显不同的 tissue concentration。这对 target site exposure 很关键。只用血浆数据验证模型时，可能看不出组织暴露预测的不确定性。
所以，如果建模目的涉及脑、肺、肝、肿瘤或其他组织暴露，distribution model 的选择就不是技术细节，而是模型结构假设。没有组织浓度数据时，最好通过敏感性分析或替代结构评估这种不确定性。
主动过程：代谢、转运和靶点结合需要额外证据
文章把 active processes 和 passive processes 分开，是因为二者的参数化逻辑不同。被动过程常能从理化性质和组织组成模型推算；但代谢、主动转运、靶点结合这类过程通常不能纯靠先验公式预测。
active processes 常用 first-order kinetics 或 Michaelis-Menten kinetics 表示。关键参数包括 intrinsic clearance、Km、Vmax，以及 receptor binding 的 kon、koff 或 Kd。对于肝清除，可以从 recombinant CYPs、human hepatocytes 或 human liver microsomes 的体外实验做 IVIVE，并结合每克肝组织的 microsomal protein、hepatocyte number 或 enzyme abundance 放大到 whole-organ level。
文章还提到 tissue-specific gene/protein expression 可以帮助把 active processes 放到不同器官中。它的思路是用相对表达量描述不同组织中的酶或转运体丰度，从而让代谢或转运不只发生在 liver/kidney 这两个传统器官。
建模流程：先 i.v.，再 p.o.
文章给出的最佳实践很实用：优先从 i.v. administration model 开始。原因很简单，i.v. 数据不受 GI absorption 影响，可以更干净地识别 distribution 和 clearance。
建立 i.v. 模型时，先选择 organ/plasma partition coefficient 的计算方法，也就是 distribution model；再用 i.v. plasma concentration-time data 比较不同分布模型，并估计 clearance parameters。必要时，可以用 mass balance data 帮助区分不同 elimination pathways。
如果仅靠分布模型和少量参数调整无法解释 i.v. 数据，文章建议把它视为机制缺失的信号，而不是盲目调参。可能需要加入 active transport、binding partner、saturable clearance 或其他结构假设。对于 Michaelis-Menten 这类非线性过程，最好有不同剂量数据，否则 Km 和 Vmax 很难被可靠识别。
i.v. 模型建立后，再做 p.o. 或其他 extravascular route。此时原则是：不要再改已经用于分布、代谢和排泄的参数，只调整与吸收相关的参数，例如 intestinal permeability、formulation release、meal events、solubility 或 enterohepatic recycling。
模型评价：fit for purpose，而不是只看拟合好看
文章反复强调，模型评价要取决于建模目的。常见检查包括 simulated vs. observed concentration-time profiles 的视觉比较，也可以比较 Cmax、tmax、AUC、t1/2，或使用 RMSD、AUC error、concordance correlation coefficient 等指标。
更重要的是一致性检查：同一个药物的 drug-dependent parameters 和 distribution/permeability calculation methods 应该跨物种、剂量和给药方案保持一致。如果不能一致，就要给出生理或机制解释。
模型还应该做 sensitivity analysis 或 best-/worst-case scenarios，尤其针对 active processes、结构不确定或实验误差较大的参数。这样才能判断模型结论是不是对某个不确定输入过度敏感。
ciprofloxacin 案例：从 PBPK 到 PBPK/PD
案例使用 ciprofloxacin, CIP。基本理化参数包括 logP 0.95、acid pKa 6.1、base pKa 8.6、MW 331 g/mol、effective MW 314 g/mol、human fu 0.67、solubility 6.18 mg/ml。这些参数先输入 PBPK 软件，用来建立初始吸收和分布模型。
清除和排泄方面，模型假设 CIP 经 CYP1A2 代谢、肝胆汁分泌，以及显著肾排泄。参数包括 CYP1A2 intrinsic clearance 17 ml/min、biliary secretion 1.03 ml/min/kg、GFR-specific renal excretion 0.266 ml/min/g organ、tubular secretion 0.57 l/min。由于 CIP 显示 dose-linear PK，这些过程用 first-order kinetics 表示。
建模顺序上，作者先用 200 mg i.v. 数据建立分布、代谢和排泄模型；然后用 750 mg p.o. 数据加入口服吸收，其中 tablet dissolution 用 Weibull function 表示，time to 50% dissolution 为 4 min，lag time 为 0 min，shape 为 0.8，transcellular intestinal permeability 为 1E-06 cm/min，小肠 transit time 为 4 h。
模型随后用于验证 500 mg b.i.d. 和 1,000 mg q.d. 的口服给药方案，并能描述这些剂量下的 plasma PK。这个模型就可以进一步用于不同给药方案、虚拟人群或特殊人群外推。
PD 连接：用肺间质浓度驱动 Emax 模型
CIP 案例最后一步，是把 PBPK 模型接到 adaptive Emax PD model。这个 PD 模型描述 E. coli 11775 在不同 CIP 浓度下的 time-kill profiles，包括细菌增长、初始快速杀菌，以及 adaptive resistance 出现后杀菌速率下降。
PD 参数包括 growth rate k = 7.76 h-1、initial kill rate k1 = 10.8 h-1、permanent kill rate k2 = 8.4 h-1、EC50 = 0.0035 mg/l、IC50 = 0.00047 mg/l、z = 0.09 h-1。adaptive resistance 部分包括 lag time 4 h、kecr 10 h-1、ke 0.014 h-1。
连接方式很关键：不是用 plasma concentration 直接驱动 PD，而是使用 lung interstitial concentration 作为感染部位暴露输入。模拟显示，对这个非常敏感的 E. coli strain，1,000 mg q.d. 和 500 mg b.i.d. 在前 24 h 都能使 CFU/ml 下降超过 5 log units。作者解释，这是因为该菌株对 CIP 极敏感，500 mg b.i.d. 已经足以达到最大杀菌。
快速对照表
| 模块 | 文章中的关键点 | 我会怎么用 |
|---|---|---|
| Organism properties | 器官体积、血流、组织组成、表达量 | 特殊人群建模主要改这里 |
| Drug properties | MW、logP、pKa、solubility、fu、Km/Vmax | 区分实测值、推算值和拟合值 |
| Formulation/protocol | 剂量、给药路径、释放、进食、EHC | 口服模型不要污染 i.v. 阶段识别出的分布/清除参数 |
| i.v. model | 先识别 distribution 与 clearance | 最适合作为 PBPK 建模起点 |
| p.o. model | 只调整吸收和制剂相关参数 | 用来建立给药方案、食物效应或制剂问题 |
| PBPK/PD | 用 target tissue concentration 驱动 PD | 比单纯 plasma PK 更接近药效部位 |
讨论
我觉得这篇教程最重要的价值，是把 PBPK 建模从“软件里填参数”拉回到机制假设。每一步都在问：这个参数为什么能改？这个过程有没有证据？这个结构能不能跨剂量、物种、给药方案和人群保持一致？
它也提醒我，PBPK 的强项不是把模型做大，而是把模型做得可解释。很多默认数据库和内置公式会让模型很快跑起来，但真正决定模型可信度的是：哪些参数来自先验生理知识，哪些来自体外实验，哪些是从体内 PK 数据识别出来的，哪些只是为了拟合而调整。
对 PBPK/PD 来说，最关键的一步是选对 PD 输入。CIP 案例使用 lung interstitial concentration 而不是 plasma concentration，体现了 PBPK 与传统 PK/PD 的差别：当作用部位暴露能被合理模拟时，PD 模型可以更靠近真实药效机制。
结论
如果把这篇文章压缩成一句话，我会写成：PBPK/PD 建模的核心不是堆叠器官和参数，而是按目的组织证据，先用 i.v. 数据建立分布/清除，再用 p.o. 数据建立吸收，最后把可信的组织暴露接到合适的 PD 模型上。
这篇文章很适合作为 PBPK 建模流程清单：先确认信息块，再区分被动/主动过程，再建立 i.v. 和 p.o. 模型，最后用外部数据、一致性检查和敏感性分析评估模型是否 fit for purpose。
我的几点启发
1. PBPK 模型从 i.v. 起步最干净。 先把吸收问题拿掉，分布和清除才更容易被识别。
2. 组织浓度预测不能只靠血浆拟合背书。 不同 distribution models 可能给出类似 plasma PK，却给出不同 tissue exposure。
3. 不要随意改生理数据库参数。 只有在特殊人群或明确机制下，改变 organism properties 才有合理性。
4. active processes 要有证据链。 Km、Vmax、enzyme abundance、transporter abundance 或 mass balance data 都比盲目调参更有说服力。
5. PBPK/PD 的亮点在 target site concentration。 如果能把肺、脑、肝或肿瘤等作用部位暴露接到 PD 模型，模型解释力会明显提升。
