摘要
这篇文章问的是一个很“PBPK 内行”的问题：如果想更准确预测口服药的肠道首过代谢，仅仅把肠道 CYP3A4 表达量写得更精细，够不够？ 作者的答案很明确：不够。他们先系统综述了人类肝脏和胃肠道的 CYP3A 绝对蛋白表达，据此建立一个新的 CYP3A4 expression profile；再把这个新 profile 与两个既有 profile 一起，放进 7 个 CYP3A4 底物 的 PBPK 模型里比较，看看是否能更好预测肠道首过和生物利用度。
结果很有意思。作者一共比较了 3 套 CYP3A4 表达谱 x 7 个底物 = 21 个模型，底物包括 alfentanil、alprazolam、felodipine、midazolam、sildenafil、triazolam、verapamil。结论不是“新表达谱最好”，而是更现实的一句：没有任何一套 expression profile 能单独把 GI first-pass 预测好；大多数情况下，仍然需要把 Pmucosa 作为化合物特异性参数进行优化。也就是说，肠道 CYP3A4 表达量很重要，但还不足以支撑纯 bottom-up 地预测首过代谢。
引言
这篇文章的背景其实很关键。对于很多 CYP3A4 底物，PBPK 在预测肝脏首过或整体暴露时已经相当成熟，但一到 肠道首过代谢，模型就容易出问题。常见表现就是：GI metabolism 被低估，于是口服生物利用度被高估，后续 DDI 模拟也会跟着偏。
作者把这个问题拆成了三个核心不确定因素：肠道酶表达量、enterocyte 内游离分数 fu,g、以及 Pmucosa。这篇文章聚焦的是第一个问题，但真正想检验的是：如果把肠道 CYP3A4 表达量做得更接近“真实生理”，是不是就能省掉后续对 Pmucosa 的经验性优化。
这也是我觉得它值得单独记一篇的原因。它并不是在介绍一个新药模型，而是在挑战一个很常见的直觉：模型不准，是不是只要把酶表达数据换得更准就行。这篇文章最后给出的答案并不浪漫，但很实用。
研究方法
方法设计分成两步。第一步，作者做了一个 系统综述，收集人类肝脏和胃肠道中 CYP3A 家族绝对表达量 的公开数据。数据库整理用的是 Excel，图上数据用 WebPlotDigitizer 4.5 提取，统计分析和绘图用 R 4.2.1，PBPK 建模平台是 PK-Sim 11.1，NCA 用的是 Phoenix WinNonlin 8.3.5。
系统综述里，作者最初选入的测量值分别有 CYP3A4 356 条、CYP3A5 257 条、CYP3A7 48 条、CYP3A43 27 条。但因为不同实验系统之间差异很大，最终只保留了 microsomal data 来做分析，并区分到 liver、duodenum、jejunum、ileum 四个层级。那些没有明确小肠分段信息的数据、以及无法可靠做 scaling 的系统则被排除。这样做的好处是更整齐，坏处是数据会变少，但作为 PBPK 输入反而更可控。
第二步，作者把得到的新表达谱，与两套既有表达谱一起塞进 PBPK 模型里比较。三套 profile 分别是：PK-Sim 当前内置的 Meyer et al. profile、Cordes and Rapp 的 gene-expression profile、以及这篇文章基于蛋白水平系统综述建立的新 profile。作者没有重写模型结构，而是直接在既有的 7 个 CYP3A4 底物模型中只替换 expression profile，因此总共形成 21 个模型。这点很重要，因为它把比较焦点尽量限制在“表达谱本身”上。
在每个模型里，作者进一步检验：仅替换 expression profile 是否已经足够，还是仍然要优化 Pmucosa。参数优化主要用 Levenberg-Marquardt，只有 felodipine 因为优化时间过长，改用了 Monte Carlo。换句话说，这篇文章真正比较的是两件事的组合效果：不同肠道 CYP3A4 表达谱，以及 是否优化 Pmucosa。
评价标准也很清楚。作者用两个终点来评估肠道首过预测是否更好：一是 interstudy bioavailability，计算模拟与观察的比值 BAR，越接近 1 越好；二是比较观察与模拟的 AUC，并计算 GMFE。此外，还统计 AUC 比值落在 0.80-1.25（bioequivalence 口径）和 0.50-2.00（twofold 口径）内的比例。作者还强调一个挺好的原则：如果两个模型效果一样，优先选参数更少的那个。
结果
系统综述部分先给出了一组非常值得记的数字。作者发现，成人肝脏中最丰富的 CYP3A 亚型是 CYP3A4，几何均值 2.288 μmol/L；其后依次是 CYP3A7 0.162 μmol/L、CYP3A5 0.134 μmol/L、CYP3A43 0.035 μmol/L。在小肠里，CYP3A4 表达从近端向远端递减：duodenum 0.232 μmol/L、jejunum 0.147 μmol/L、ileum 0.076 μmol/L。这个趋势很符合我们对肠道代谢梯度的直觉。
更重要的是，这个新 profile 虽然比 Meyer 的肠道相对表达略高，但并没有夸张到离谱。作者提到，相对于肝脏，系统综述 profile 的十二指肠 CYP3A4 约为肝脏的 10%，而 Meyer profile 约为 7%；相比之下，Cordes and Rapp profile 可高到约 70%，这虽然在模型表现上有时会减少对 Pmucosa 的依赖，但生理合理性就弱一些。
真正决定文章结论的是 PBPK 比较结果。总体上看，作者发现 没有任何一套 expression profile 能直接把所有底物的肠道首过预测到位。从 AUC 来看，所有模型的 GMFE 都在 1.04-1.65 之间，说明整体并不差；但如果进一步看哪种做法更稳定，答案大多是：优化 Pmucosa 之后更好。
作者写得很具体：在 21 个模型 中，有 16 个模型 在优化 Pmucosa 后，表现出更低的 GMFE，且有更多研究落在 twofold 和 bioequivalence 范围内。这个趋势在使用 Meyer profile 或新建的 systematic-review profile 时尤其明显。也就是说，哪怕你把肠道 CYP3A4 定量做得更像真实人体，化合物本身的黏膜通透相关特征仍然会显著影响首过代谢预测。
不同化合物之间的差异也很值得记。alprazolam 是一个“优化 Pmucosa 收益不大”的例子；而 triazolam 则相反，是“优化后明显变好”的典型。作者举了很直观的数字：在 triazolam 中，BAR 可从 1.982 降到 1.103（Meyer profile）或从 2.140 降到 1.059（systematic-review profile）；在 sildenafil 中，BAR 也能从 3.951 / 3.831 下降到 1.776 / 1.671。这说明问题不是“表达谱完全没用”，而是表达谱只能解释一部分，另一部分仍然是 compound-specific 的。
案例快速对照表
| 底物 | 作者观察到的特点 | 对建模的启发 |
|---|---|---|
| Alprazolam | 优化 Pmucosa 的收益较有限 | 不是所有 CYP3A4 底物都同样依赖这一步 |
| Triazolam | 优化后 BAR 明显改善 | 是“肠道首过被低估”时最典型的示范底物之一 |
| Sildenafil | 优化前 BAR 偏离较大，优化后明显回正 | 说明 expression profile 之外还有强烈的化合物特异性因素 |
| Midazolam / Verapamil | 在部分 profile 下，计算值已接近优化值 | 提示不能把 Pmucosa 优化当作默认必须步骤 |
讨论
这篇文章最有价值的地方，是它没有把问题简单归结为“旧 expression profile 不够准”。作者其实做了一个挺严格的检验：如果 expression profile 真是决定性瓶颈，那么换成新的、基于蛋白绝对定量的 profile 后，模型应该普遍变好，并且不再需要额外优化 Pmucosa。但事实不是这样。
作者最后给出的判断很稳：CYP3A4 expression 确实重要，尤其是肠/肝相对表达；但它并不能单独决定 GI first-pass 的程度。即便把 gut CYP3A4 表达抬得很高，像 Cordes and Rapp profile 那样，在一些底物上对 Pmucosa 的依赖会减弱，但并不会彻底消失；而且那套表达谱本身又显得不够生理可信。这其实就是一个很典型的 PBPK 现实：模型有时可以通过“更强的表达量”来换得更好的拟合，但未必换来更好的生理解释。
作者还顺手给了一个很实操的建议，我觉得值得直接照抄进脑子里：先不要默认优化 Pmucosa，而是先跑一轮不优化的参数识别；如果发现 intestinal metabolism 明显被低估，再谨慎引入这一步，并注意避免参数不可辨识。这个建议很像一条 PBPK 建模纪律，而不是某篇文章的偶然经验。
另外，作者把问题拉回到临床开发阶段也很现实。文章最后强调：如果想在早期就更准地定量 GI first-pass，理想情况下还是应该尽早拿到 IV 数据，哪怕是 microdose。因为在没有临床 IV 参考的情况下，想纯靠 bottom-up 去把 Pmucosa 和肠道代谢程度都猜准，仍然很难。
结论
这篇文章最后其实给了一个很清晰的行业判断：肠道 CYP3A4 表达量不是不重要，而是它还不足以独立解决 GI first-pass prediction。因此，现阶段并不能指望靠一套更“真实”的 intestinal CYP3A4 expression profile，就完全取代对 Pmucosa 这类化合物特异性参数的处理。
作者的建议也很明确：在 PK-Sim 里，现阶段仍可继续使用 Meyer et al. 那套当前内置、且生理上更稳妥的 expression profile；之后再根据具体化合物判断是否需要优化 Pmucosa。从我的角度看，这篇文章最值得记住的一句话就是：GI first-pass 不是一个“只靠酶表达量”就能预测好的问题，它同时还是一个明显受化合物属性支配的问题。
我的几点启发
1. 对 PBPK 来说，更“生理真实”的输入不一定自动带来更好的预测。 有时它只会暴露出还有别的关键参数没有被解释。
2. 如果一个模型总在低估 intestinal first-pass，不要第一反应只去改酶表达。 也要回头看 Pmucosa、fu,g 和化合物自身性质。
3. 这篇文章很适合当“方法学提醒”。 当我们看到某个 CYP3A4 底物 PBPK 需要经验性优化时，不必立刻觉得模型“不机制化”，更合理的判断是：肠道首过本来就是多因素共同决定的。
原文信息
PBPK modeling: What is the role of CYP3A4 expression in the gastrointestinal tract to accurately predict first-pass metabolism?. CPT: Pharmacometrics & Systems Pharmacology. Published online on October 2, 2024; volume 14, issue 1, pages 130-141. DOI: 10.1002/psp4.13249. PMID: 39359052. PMCID: PMC11706425.
