T cell engager 实体瘤 QSP 模型：三元复合物、钟形效应与虚拟患者

T cell engager（TCE）在实体瘤中的开发难点，不只是“能不能把 T 细胞拉到肿瘤细胞旁边”。 真正影响疗效的是一组联动因素：肿瘤抗原表达、CD3 结合、T 细胞浸润、Treg 抑制、肿瘤生长速度、抗体暴露，以及这些因素最终能否在肿瘤局部形成足够稳定的 TCE-肿瘤细胞-T 细胞三元复合物。

这篇 AAPS Journal 文章建立了一个用于实体瘤 TCE 治疗的 quantitative systems pharmacology（QSP）模型。模型以既有的全身肿瘤免疫 QSP 模型为基础，加入 CEA/CD3 双特异性 TCE 模块，并以 cibisatamab（CEA-TCB，RO6958688/RG7802）作为案例，模拟转移性结直肠癌患者接受 TCE 单药治疗时的应答差异。

1. 这篇文章要解决的问题

TCE 的基本设想很直接：一端结合肿瘤相关抗原，另一端结合 T 细胞 CD3，把效应 T 细胞拉近肿瘤细胞，并触发细胞毒性杀伤。这个机制在血液肿瘤中已经有成功先例，例如 CD19/CD3 双特异性抗体 blinatumomab；但在实体瘤中，疗效转化更困难。

实体瘤的问题在于局部微环境更复杂。T 细胞未必能充分进入肿瘤，肿瘤抗原表达常有异质性，Treg 等免疫抑制成分会改变效应 T 细胞状态，肿瘤本身还在持续增长。单看某一个体外杀伤实验，通常很难判断临床患者为什么有的应答、有的不应答。

文章选择结直肠癌作为应用场景，重点关注 CEA 阳性实体瘤。CEA-TCB/cibisatamab 靶向肿瘤细胞 CEA，同时结合 T 细胞 CD3。已有实验显示，高 CEA 表达细胞系更容易被 CEA-TCB 杀伤，但“CEA 高就一定有效”并不能解释真实患者中的全部差异。因此，作者用 QSP 模型把分子结合、细胞杀伤、T 细胞迁移、肿瘤生长和虚拟患者差异放在同一个框架下分析。

2. 模型结构：从免疫肿瘤 QSP 扩展到 TCE

作者使用的是一个先前发表过的免疫肿瘤 QSP 模型，该模型最初用于研究抗 PD-1 治疗。模型把人体简化为四个主要隔室：中心室（血液）、外周组织、肿瘤和肿瘤引流淋巴结。系统由 ODE 和代数方程组成，包含癌细胞、T 细胞、免疫检查点、抗体 PK、抗原呈递等模块。

加入 TCE 后，模型总规模达到 68 个 ODE 和 105 个代数方程。这个规模说明它并不是简单的 PK/PD 曲线拟合，而是一个细胞和分子层面的机制模型。药物 PK 被接入原有抗体 PK 模块；TCE 在肿瘤局部与 CEA、CD3 发生结合；效应 T 细胞（Teff）和调节性 T 细胞（Treg）都可表达 CD3，因此二者都被纳入 TCE 结合与激活过程。

模型案例聚焦 cibisatamab。该分子对肿瘤 CEA 为二价结合，对 T 细胞 CD3 为单价结合。作者用已发表临床数据拟合 80、160、200、300、400 mg 剂量水平下的血浆浓度，用体外细胞杀伤数据校准 TCE 模块，再把模块放回全身 QSP 框架中做虚拟患者模拟。

3. TCE 模块：关键是功能性三元复合物 biTTC

TCE 模块描述的是肿瘤隔室内的结合事件。TCE 可以先结合肿瘤细胞表面的 CEA，形成 CEA-TCE 二聚体；也可以先结合 T 细胞表面的 CD3，形成 CD3-TCE 二聚体；还可以同时连接 CEA 和 CD3，形成三元复合物。

作者区分了两类三元复合物。第一类是功能性二价 TCE 三元复合物（biTTC），代表 TCE 在肿瘤细胞和 T 细胞之间形成相对稳定的桥接结构。第二类是非功能性的单价三元复合物（moTTC），模型中默认其对 T 细胞激活贡献很小。biTTC 的密度随后通过 Hill 方程转化为 TCE 诱导的肿瘤细胞杀伤效应。

模型中有几个很关键的结合参数。CD3-TCE 结合由 CD3 结合速率、解离速率和 CD3 表达量决定；CEA-TCE 结合由 CEA 结合速率、解离速率、CEA 表达量和抗体内在跨臂结合效率 λ 决定。λ 可以理解为二价结合结构在空间和构象上形成稳定桥接的能力。对于低或中等 CEA 表达的肿瘤细胞，λ 的影响会更明显；对于 CEA 表达很高的细胞，抗原密度本身已经提供了较多结合机会，λ 的边际影响会下降。

这个设定也解释了一个容易被忽略的问题：TCE 药效不是简单由“抗原亲和力越强越好”或“CD3 亲和力越强越好”决定。过强的单点结合可能稳定形成二聚体，反而占用可形成有效桥接的分子，降低功能性三元复合物形成效率。

4. 模块校准：先从体外数据建立杀伤关系

作者先把 TCE 模块作为一个肿瘤隔室 mini-model 使用，用体外实验数据校准 biTTC 密度到肿瘤细胞裂解比例之间的 Hill 关系。校准参考了 Bacac 等和 Lehmann 等关于 CEA-TCB 的实验结果，包括固定 E/T ratio 条件下 PBMC 或 CD8+ T 细胞与肿瘤细胞共培养、加入不同浓度 TCE 后观察肿瘤细胞杀伤。

文章提到，CEA-TCB 的体外活性与 CEA 表达量高度相关。模拟中，当加入 20 nM CEA-TCB、E/T ratio 为 10:1 时，肿瘤细胞裂解比例随 CEA 结合位点数增加而上升，并且大约需要 1.0E+4 sites/cell 的 CEA 表达阈值才能出现明显杀伤。作者还模拟了 MKN45、LS174T、HT-29、CCD-841 等 CEA 表达不同的细胞系，整体趋势与实验观察一致。

这种校准避免了直接假设“给药后杀伤多少”。模型先把体外可观测的细胞杀伤结果连接到更底层的中间变量：biTTC 形成密度。随后在虚拟患者中，biTTC 密度会受到药物 PK、肿瘤 CEA 表达、T 细胞数量、Treg 数量和亲和力参数共同影响。

5. 剂量和复合物：TCE 的钟形浓度-效应关系

模型再现了 TCE 典型的 bell-shaped concentration relationship。低浓度时，药物不足以把足够多的 T 细胞和肿瘤细胞连接起来，因此肿瘤杀伤低。中等浓度时，功能性 biTTC 形成达到高水平，杀伤效应增强。浓度进一步升高后，药物可能分别饱和 CEA 和 CD3 结合位点，更多形成单侧二聚体或非功能性复合物，反而不利于有效桥接。

这一点对剂量选择尤其重要。传统小分子或单抗模型中，通常默认暴露增加会带来更强效应或接近平台；TCE 则可能存在高浓度下桥接效率下降的情况。当然，这不意味着临床剂量一定越低越好，而是提示剂量评估应关注肿瘤局部功能性三元复合物，而不能只关注血浆暴露或受体占有率。

模型还提示，CD3 亲和力的优化需要谨慎。对于低 CEA 或中等 CEA 表达场景，更高的 CD3 亲和力不一定提高 biTTC，反而可能促成稳定的 CD3-TCE 二聚体，减少可参与有效三元复合物形成的分子。提高 λ 可以部分降低 CD3 亲和力带来的复杂影响，但两者仍需要结合分子格式和靶抗原表达一起考虑。

6. 虚拟患者：1750 个可行患者的应答分层

在全身 QSP 模型中，作者先生成 2000 个虚拟人。每个虚拟人的参数组合来自文献、临床或生理合理范围，包括肿瘤生长率、TMB、CEA 表达、CD3 表达、T 细胞密度、Treg 密度、抗体结合参数等。模拟过程中，有 1750 个虚拟患者达到预设初始肿瘤大小且生理状态可行，其余 250 个被排除。

随后模型模拟这些虚拟 mCRC 患者接受 cibisatamab 治疗，条件参考 NCT02324257 临床研究。作者比较了每周 60 mg 与 600 mg 剂量，发现整体应答率差异小于 1%，与临床观察方向一致，因此后续分析主要采用每周 60 mg 给药。应答分类依据 RECIST v1.1，将患者分为 PR/CR、SD 和 PD。

在 400 天时，模型预测 1750 个虚拟患者中有 130 例 PR/CR，占 7.4%；123 例 SD，占 7.0%；1497 例 PD，占 85.5%。部分患者的肿瘤变化不是单调过程：有些先增长后缩小，有些先应答后再进展。这说明模型捕捉到的不只是终点应答，还包括免疫杀伤与肿瘤增长之间的时间竞争。

需要注意，作者也明确指出，目前预测的总体应答率不能与小样本、短期临床数据做强定量比较。该模型更适合用于提出机制假设和识别潜在预测因子，而不是直接替代临床疗效估计。

7. 敏感性分析：哪些因素最像预测标志物

作者使用 Latin hypercube sampling 生成参数组合，并用 partial rank correlation coefficient（PRCC）评估参数对模型输出的影响。输出包括肿瘤体积、肿瘤内 Teff/Treg 比值、血液 CD8+ T 细胞克隆性等。

结果显示，肿瘤生长率、TMB、初始肿瘤直径和肿瘤细胞 CEA 表达与肿瘤体积变化密切相关。TMB 在模型中定义为可激活 T 细胞克隆数量，与常规定义中突变负荷带来的新抗原潜力有关。较高 TMB 对应更强的 Teff 扩增、更高的肿瘤内 T 细胞密度和更高的 Teff/Treg 比值。

在 responder 与 non-responder 比较中，PR/CR 患者具有更高 TMB、更高 CEA 表达、更强 λ、更高 Teff 和 Treg 浸润，以及更高的 Teff/Treg 比值。CD3 在 Teff 或 Treg 上的表达量本身对疗效影响较小；CD3-TCE 的解离速率则呈现一定方向性，即较低 CD3 亲和力反而可能与更好应答一致。

作者还把 1750 个虚拟患者按参数高低分组，计算不同亚组的整体应答率。一个非常强的结果是：TMB 低于中位数或 Teff/Treg 比值低于中位数的虚拟患者中，没有出现 responder。CEA 表达、λ、CD3 结合亲和力、肿瘤内 Teff 和 Treg 密度也会带来明显不同的应答率；MHC II 抗原亲和力以及 Teff/Treg 上的 CD3 表达量影响相对小。

8. 对 TCE 分子设计的启示

文章讨论中强调，稳定的 biTTC 形成对抗肿瘤活性非常重要。对于低抗原表达肿瘤，高 avidity 尤其关键；如果肿瘤抗原结合亲和力过低，即使 λ 较高，biTTC 密度也可能不足。

CD3 亲和力的结论更复杂。过高的 CD3 亲和力可能导致药物优先与 CD3 丰富的淋巴组织结合，影响肿瘤分布；也可能在局部形成稳定 CD3-TCE 二聚体，反而不利于有效三元复合物形成。模型结果支持一种更审慎的设计思路：CD3 端不必一味追求高亲和力，而应结合肿瘤抗原表达、分子格式和安全性共同优化。

λ 的意义也不只是一个抽象参数。它代表双抗两个抗原结合臂形成跨臂结合的效率，受分子结构、臂长、空间取向和抗原表面分布影响。对于中低 CEA 表达患者，λ 更能影响疗效；对于高 CEA 表达患者，抗原密度本身已经提供足够结合机会，λ 的影响相对减弱。

9. 局限性

模型仍有明显边界。首先，moTTC 被近似为不显著激活 T 细胞，但这个假设还需要更多实验验证。其次，Treg 对肿瘤细胞的潜在直接杀伤没有完整加入模型。第三，目前模块主要适用于二价肿瘤抗原结合的 TCE，对于单价 TCE 或其他格式，需要修改方程并重新校准参数。

另一个重要限制来自虚拟患者生成。许多参数在临床上难以直接测量，例如患者真实的 TMB 分布、肿瘤内 Teff/Treg 密度、肿瘤靶抗原表达异质性、抗原呈递能力等。如果参数范围和分布依赖文献外推或动物实验，预测的总体应答率就不能被过度解读。

实体瘤微环境还有空间异质性，而该模型主要以隔室和平均浓度/密度描述过程。对于 TCE 这种依赖细胞接触和局部桥接的疗法，空间分布、肿瘤间质屏障、血管渗透性和局部免疫排斥都可能影响实际疗效。

10. 小结

这项工作的主要贡献，是在一个全身免疫肿瘤 QSP 模型中加入 TCE 模块，并把它应用到 CEA/CD3 TCE 治疗转移性结直肠癌的场景。模型连接了三个层面：分子层面的 TCE-CEA-CD3 结合，细胞层面的 Teff/Treg 与肿瘤杀伤，全身层面的 PK、肿瘤增长和虚拟患者差异。

几个结论值得保留：

• TCE 疗效更接近“功能性三元复合物驱动”，而不是单纯“暴露驱动”。
• TCE 可出现钟形浓度-效应关系，高浓度不必然带来更强桥接和杀伤。
• CEA 表达存在阈值意义，低于约 1.0E+4 sites/cell 时模型预测应答较差。
• TMB、肿瘤内 Teff/Treg 比值和 CEA 表达是较有价值的候选预测因子。
• CD3 亲和力优化需要谨慎，过强结合可能不利于形成有效三元复合物或肿瘤分布。
• 虚拟患者模拟适合提出机制假设和试验测量建议，但不能替代充分临床验证。

对 TCE 或其他细胞连接型疗法而言，这类 QSP 模型的应用场景很明确：用于整理机制、提出 biomarker 组合、支持分子属性权衡，并帮助临床前到早期临床阶段的剂量和人群假设更具体。