摘要
这篇文章讨论一个很实用的问题：PBPK model 能不能被压缩成更简单的 compartmental PK model，以及这种压缩在真实药物案例中到底有多可靠。
作者用 lumping method 把全身 PBPK 模型中的多个组织和器官合并成 lumped model，再把它和传统 compartmental PK model 放在一起比较。研究对象不是一个模拟玩具例子，而是 20 个已经批准或已有文献模型的真实药物，覆盖不同清除、分布、治疗类别和 BDDCS 分类。
核心结论可以先记住一句：PBPK 到 lumped model 的压缩总体比较稳，尤其是 clearance 和 central exposure；但 lumped model 再对应到经验性 compartment model 时，peripheral compartment 的解释会变得不那么直接。
引言
PBPK 模型的优点是生理结构清楚：器官体积、血流、组织分配、代谢和排泄都可以显式写进模型。它适合解释机制、跨物种外推、特殊人群预测和 DDI 等问题。但 PBPK 也有一个现实缺点：参数多、结构复杂，很多时候不容易和临床常用的 compartmental PK model 对上。
compartmental PK model 则相反。它通常用一室、二室或三室结构拟合浓度-时间数据，参数更少，也更适合日常 NCA、PopPK 和暴露-效应分析。但它的 central compartment、peripheral compartment 并不是实际器官，更多是数学上的经验性合并。
这篇文章夹在两者之间，问的是：如果把 PBPK 的器官按动力学和生理相似性合并，得到一个 lumped model，那么这个中间模型能否帮助我们理解 PBPK model 和 compartmental model 之间的关系？
研究问题
文章的研究问题并不是“PBPK 和 compartment model 哪个更好”，而是更细一点：两类模型之间是否兼容，哪些 PK 量兼容，哪些地方不兼容。
作者主要比较三类指标：
1. 浓度-时间曲线和 AUC。 包括 PBPK central exposure、lumped central compartment、compartment model central compartment，以及 PBPK peripheral tissues、lumped non-eliminating tissues、compartment model peripheral compartment。
2. PK 参数。 重点看 clearance、central volume 和 peripheral volume。
3. 分布相关关系。 例如 Vd/fu 与 AUC accuracy，用来判断 lumped model 和 compartment model 的差异是否有系统性原因。
方法：从 PBPK 到 lumped model
lumping method 的基本思想很直观：如果多个组织在模型中承担相似的动力学角色，就可以把它们合并成一个较大的“合并组织”。但关键是合并不能随便加，要让血流、体积和组织分配这些量在数学上保持一致。
这篇文章中，arterial blood、venous blood 和 lungs 被合并成 lumped central compartment, LCEN。adipose、bone、brain、muscle、heart、rest of body 和 skin 等非消除组织被合并成 non-eliminating tissues, NET。liver、kidney 这类消除器官保留独立结构，spleen 和 gut 因为与 liver 的输入输出关系相关，也没有简单并入 NET。
合并后的体积和血流量用组织体积、组织血流量相加得到；合并后的 partition coefficient 则按组织体积加权计算。这样 lumped model 不是重新拟合出来的经验模型，而是从 PBPK 参数体系中推导出来的简化模型。
20 个真实药物案例怎么比较
作者选了 20 个 model compounds，尽量覆盖不同的 systemic clearance、volume of distribution、治疗类别和 BDDCS 分类。每个药物先基于文献 PBPK model 进行模拟，再转成 lumped model，并与 compartmental PK model 进行比较。
模拟部分使用 mrgsolve，NCA 参数计算使用 Phoenix WinNonlin。这里值得注意的是，作者并不是只看一条曲线像不像，而是把 central/peripheral AUC、CL、Vc、Vp 都拆开比较。这样的好处是能看出哪里只是表面曲线相似，哪里是真的参数含义接近。
结果：central exposure 与 clearance 最稳
central compartment 相关结果相对乐观。PBPK central compartment 与 LCEN lumped compartment 的 AUC 在 20 个药物中有 18 个落在 2-fold 范围内，比例为 90%。例外是 clozapine 和 amlodipine。
但当 LCEN lumped compartment 再和 compartmental PK model 的 central compartment 比较时，2-fold 范围内的药物变成 14/20，比例为 70%。例外包括 midazolam、telmisartan、paracetamol、artemether、fluoxetine 和 theophylline。这说明 PBPK 到 lumped 的理论压缩更稳定，而 lumped 到经验性 compartment model 的对应关系会受到拟合结构和数据特征影响。
clearance 是三类模型中最一致的参数。20 个药物里有 19 个在 PBPK、lumped 和 compartment model 之间保持 2-fold 内一致，只有 alfentanil 是例外。这个结果也符合直觉：CL 更接近系统总消除能力，通常比 peripheral volume 这类结构解释更稳。
peripheral compartment 的解释最要小心
peripheral exposure 的结果更有意思。PBPK 的各组织 AUC 与 NET lumped compartment 的 AUC 在 19/20 个药物中位于 2-fold 范围内，说明从 PBPK 合并到 NET 本身是可行的，只有 metoprolol 是明显例外。
但 NET 再和 compartmental model 的 peripheral compartment 比较时，差异明显变大。对于二室模型药物，多数案例中 NET 与 peripheral compartment 的 AUC 或体积并不能简单一一对应。这提示我们：传统二室模型里的 peripheral compartment 不能直接等同于 PBPK 中所有非消除组织的总和。
这点对建模解释很重要。PopPK 或 compartment model 里的 Vp 可能只是为了拟合曲线形状而存在，它反映的是混合的分布过程，并不一定能直接翻译成某一组真实组织体积或组织暴露。
快速对照表
| 比较对象 | 主要结果 | 我会怎么理解 |
|---|---|---|
| PBPK central vs LCEN | 18/20 在 2-fold 内 | PBPK 压缩成 central lumped compartment 比较可靠 |
| LCEN vs compartment central | 14/20 在 2-fold 内 | central 仍有较好对应，但不完全等价 |
| PBPK tissues vs NET | 19/20 在 2-fold 内 | 非消除组织合并本身大体成立 |
| NET vs compartment peripheral | 多数二室案例差异较大 | peripheral compartment 更像经验拟合结构 |
| CL | 19/20 在三类模型间一致 | 清除参数最稳，跨模型解释相对安全 |
| Vc / Vp | PBPK vs lumped 较稳，lumped vs compartment 差异较多 | 体积分布参数要结合模型结构解释 |
为什么会有例外
例外案例提醒我们，lumping method 虽然漂亮，但不是万能压缩器。不同药物的组织分配、蛋白结合、血流限制、消除器官贡献、采样窗口和 compartment model 拟合策略都会影响最后的对应关系。
metoprolol、clozapine、amlodipine 等例外说明，当某些组织分配行为或模型结构更复杂时，简单的合并可能无法完全保留原 PBPK 模型中的暴露特征。alfentanil 的 CL 差异则说明，哪怕是通常稳定的清除参数，也可能受原始模型设定或 compartment model 估计方式影响。
我觉得这里最实用的态度是：lumped model 适合用来理解和诊断模型关系，不适合把所有 compartment 参数都强行赋予生理含义。
讨论
这篇文章最有价值的地方，是给 PBPK 和 compartmental PK model 之间搭了一座中间桥。以前我们常说 PBPK 更 mechanistic，compartment model 更 empirical，但实际工作中经常需要在两者之间切换：早期用 PBPK 做机制预测，临床数据出来后又用 compartment model 或 PopPK 做估计和沟通。
lumping method 提供了一种检查方式：如果 PBPK 简化成 lumped model 后仍能保留 AUC、CL 和关键体积关系，那么说明 PBPK 的主要动态行为比较稳定；如果 lumped model 和 compartment model 差异很大，就要进一步判断差异来自结构假设、参数估计还是数据本身。
文章也很诚实地写出了限制。这里的 PBPK 模型主要是 perfusion rate-limited tissue model，模拟场景也集中在单剂量和特定给药条件下。对于 permeability rate-limited tissue、复杂给药路径、多剂量稳态或特殊人群，是否仍能得到类似结论，还需要更多验证。
结论
如果把这篇文章压缩成一句话，我会写成：lumping method 可以把 PBPK 的生理结构压缩成可解释的中间模型，从而帮助判断 PBPK model 与 compartmental PK model 在 AUC、CL 和分布参数上的兼容性。
它最适合用来回答“这个 PBPK 模型的主要行为能不能被低维模型表达”，以及“compartment model 的参数能不能被谨慎地连接回生理结构”。但尤其对 peripheral compartment，解释时要留一层余地。
我的几点启发
1. PBPK 简化不是简单删器官。 合并组织时要保留体积、血流和分配系数的数学一致性，否则简化后的模型没有解释价值。
2. central exposure 和 CL 更适合跨模型比较。 这两个量在 PBPK、lumped 和 compartment model 之间最稳定。
3. peripheral compartment 不要过度生理化。 二室模型里的 peripheral compartment 很多时候是经验性结构，不能直接等同于一组真实组织。
4. lumped model 很适合做模型诊断。 它能帮助判断差异到底来自 PBPK 结构、组织合并方式，还是 compartment model 的拟合假设。
5. 对 PBPK 到 PopPK 的衔接很有启发。 如果后续要把 PBPK 预测、临床 PopPK 和剂量选择放在一起，lumping method 是一个很值得保留的中间解释工具。
