CYP3A4/5 TDI DDI 预测：HLM、HHEP 与 mechanistic static/PBPK 怎么取舍

摘要

这篇文章讨论的是一个很实际的 DDI 判断问题：体外测到 CYP3A4/5 time-dependent inhibition 以后，怎样把 HLM 或 HHEP 的 TDI 参数放进 mechanistic static model 或 PBPK model，才不至于把临床风险严重高估，或者更糟糕地漏判。

作者用 15 个已有临床 CYP3A DDI 结果的药物做比较，体外体系包括 HLM buffer、HLM + GSH、HHEP buffer、HHEP + plasma，参数处理包括 total KI 和 unbound KI,u，模型则比较 mechanistic static net effect model 1、net effect model 4 以及 dynamic PBPK。

我读下来最想记住的一点是：预测 DDI 不能只看 AFE、GMFE、RMSE 这些统计指标好不好看，还要看 false negative 会不会增加。对 DDI 风险判断来说，漏判往往比高估更危险。

研究问题

CYP3A4/5 是药物代谢里最重要的一组酶之一。若 perpetrator drug 对 CYP3A4/5 产生 time-dependent inhibition，酶活恢复取决于新酶合成，不会像普通 reversible inhibition 那样随着游离抑制剂下降马上消失。文章提到 CYP3A4/5 的恢复半衰期大约是肝脏 36 小时、肠道 24 小时，所以 TDI 对临床 DDI 的持续性很关键。

传统上，CYP3A TDI 常用 pooled HLM 加 midazolam probe substrate 来做。问题是，HLM TDI 参数放进模型后经常会高估临床 DDI，这可能导致不必要的临床 DDI 试验，或者给合并用药限制加上过度保守的标签。于是作者想比较：换成 HHEP、给 HLM 加 GSH、给 HHEP 加 plasma、或者改用 unbound KI，到底能不能改善预测。

研究方法

研究选择了 15 个体外 CYP3A4/5 TDI 阳性药物，其中包括 2 个内部候选药物和 13 个上市药物。临床参照终点是口服 CYP3A probe drug 的暴露变化，优先使用 midazolam，也包括 everolimus。作者按临床 AUCR 把药物分成四类：无相互作用 <1.25、弱 1.25 到 <2、中等 2 到 <5、强 >5。

HLM 实验采用 20-fold dilution 方法，测试有无 5 mM GSH。GSH 的想法是捕获 P450 形成的 reactive intermediates，模拟体内对反应性代谢物的保护。HHEP 实验则比较 buffer 与 human plasma 条件，plasma 的想法是让体外孵育环境更接近体内。

体外参数方面，作者拟合 KI 和 kinact，并进一步用孵育体系中的游离分数校正得到 KI,u。HLM 用 fu,mic，HHEP buffer 用 fu,hep，HHEP plasma 用 fu,p。模型方面，静态模型纳入 reversible inhibition、TDI、induction、肝肠贡献和吸收相关因子；PBPK 使用 Simcyp 21.1，把抑制剂浓度随时间变化纳入模拟。

静态模型里一个重要差别是浓度假设。Net effect model 1 使用 organ entry 相关的最大未结合浓度，更偏保守；net effect model 4 使用 average unbound organ exit concentrations，更接近可作用于组织酶的平均暴露。这也是文章最后反复强调的判断点。

体外 TDI 参数的变化

从体外体系看，HHEP buffer、HHEP plasma 和 HLM + GSH 相比传统 HLM buffer，按 total KI 计算的 CYP3A4/5 inactivation potency 整体有降低趋势。换句话说，这些更“生理化”的体系会让药物看起来没那么强的 TDI。

但一旦校正孵育体系中的非特异结合，用 KI,u 来看，结果就更微妙：HHEP plasma 与 HLM buffer 的 potency 更接近；而 HHEP buffer 和 HLM + GSH 仍显示较低 potency。这个结果提醒我，体系差异和 binding correction 会交织在一起，不能只看 total KI 的表观变化。

模型预测结果

HLM buffer 是传统基线。使用 total KI 时，部分模型统计误差看起来更低，但会出现 underprediction；而使用 KI,u 时，HLM buffer 在多个模型里没有 false negative，虽然预测可能偏保守。文章结论倾向于认为：HLM assay 生成的 unbound KI 是一个稳健的 DDI 风险输入，尤其适合早期避免漏判。

HLM + GSH 的结果没有预期中理想。它能降低某些 overprediction，但代价是 false negative 增加。在 1.25-fold cutoff 下，HLM + GSH across models 的 false negative rate 可达到作者报告的上限范围，PBPK 场景下甚至更明显。因此，GSH supplementation 并没有成为推荐的默认改良方案。

HHEP buffer 的 total KI 在 AFE、GMFE、RMSE 这些统计指标上表现很好，Table 3 中多种模型组合的误差都比 HLM buffer 更低。但文章也指出，HHEP buffer 会产生更多 false negative。对开发决策而言，这就是典型的取舍：统计上更贴近临床均值，不代表作为风险筛查工具更安全。

HHEP + plasma 也没有明显改善。作者认为，plasma supplementation 既没有显著提高 1.25-fold 范围内的预测比例，也没有减少 false negative。换句话说，更接近体内环境的孵育条件，不自动等于更好的临床 DDI 预测。

快速对照表

讨论

这篇文章有意思的地方在于，它没有把“模型预测准确”简化成一个误差指标。对 DDI 来说，最难的是平衡两个方向：overprediction 会带来不必要的临床试验和标签限制；underprediction 则可能让真实风险被放过。如果只追求 AFE 接近 1，很容易喜欢 HHEP buffer total KI；但如果把 false negative 放进决策，HLM KI,u 的保守性反而有价值。

文章还支持一个很实用的模型选择观点：mechanistic static model 不一定只是粗糙筛查工具，关键在于使用什么浓度假设。用 organ exit concentrations 的 net effect model 4 比使用 organ entry concentrations 的 model 1 更合理，这和之前关于 static model 浓度选择的讨论是一致的。

PBPK 的优势不是把所有问题自动解决，而是能把抑制剂浓度随时间变化、给药方案、群体差异、复杂 DDI 机制和不同临床情景放进同一个框架。因此我会把这篇文章理解成：静态模型负责早期保守筛查，PBPK 负责后续定量解释；二者不是互相替代，而是服务于不同决策阶段。

结论

作者最后的结论可以压缩成几句话：HHEP incubation 能让 selected 15 个 CYP3A4/5 TDI inhibitors 的 DDI magnitude 预测更准确，但 HHEP 成本高、操作更复杂，而且可能带来更多 false negative。相反，HLM assay 得到的 unbound KI 能有效预测 DDI magnitude，并且在 1.25-fold cutoff 下 false negative 更少。

模型层面，dynamic PBPK 或使用 organ exit inhibitor concentrations 的 mechanistic static model，比传统 regulatory static model 更能减少过度高估。这对我以后读 CYP3A TDI DDI 文章很有启发：不要只问“哪个体系最像体内”，而要问“这个参数放进哪个模型、用于哪个决策阈值、会不会漏掉真实 DDI”。

我的几点启发

1. DDI 预测的底线是少漏判。 对临床风险排除来说，false negative 比平均误差更关键。

2. Total KI 和 KI,u 不能混着比较。 一旦体系 binding 差异很大，total potency 的直观排序可能误导判断。

3. 体外体系越复杂，不代表预测越好。 GSH 和 plasma 的加入都有合理生物学动机，但最终还要看临床分类表现。

4. Static model 的浓度假设很重要。 Organ exit concentration 可能比 organ entry concentration 更适合 mechanistic static DDI 预测。

5. PBPK 的价值在决策情景。 它不只是为了追求更低误差，而是为了把给药方案、时间过程和人群差异纳入解释。