支持ADC藥物開發的PK/PD轉化框架

近年來，抗體-藥物偶聯物（ADC）的獲批從根本上改變了某些血液系統惡性腫瘤和實體瘤的治療模式與標準治療方案。ADC將單抗的特異性和細胞毒類藥物的高活性通過連接子結合在一起，旨在提高細胞毒性藥物的治療指數。這類產品在設計非臨床到臨床的轉化策略時，有幾項重要考慮因素。首先，動物模型在預測人體對ADC反應方面的相關性。其次，ADC的PK與PD之間的相互作用——即藥物在靶點處的濃度如何影響治療結果，這方面需要復雜的建模技術。最后，理解ADC的免疫原性潛力，包括抗藥抗體的生成，對于預測其臨床療效和安全性同樣重要。

鑒于ADC的獨特結構和作用機制，其非臨床安全性評估較為復雜。ADC的安全性不僅取決于藥物的藥理學作用，還與其生物物理和生化特性、免疫原性風險以及非靶向作用有關。這種復雜性要求對ADC的各個組成部分（抗體、連接子和載荷）有深入的了解，因為它們對ADC的毒理學特點分別有不同的貢獻。非臨床PK/PD特征對于ADC同樣重要。ADC的PK特征受抗體組分的穩定性、解離、連接子的可切割性以及載荷的物理化學性質的影響。因此，非臨床PK/PD研究必須精心設計，以表征ADC的體內特性，然后利用定量建模來預測人體的PK行為、生物分布和ADC的消除。定量PK/PD建模整合了各種非臨床研究的數據，可用于有效劑量預測和某些安全風險緩解。

ADC開發是一項多學科的工作，需要將非臨床安全性、藥理學和PK/PD建模戰略性地整合在一起，以成功地從實驗室轉化為臨床應用。ADC開發所涉及的復雜性強調了對強大藥理學和疾病理解的需求，借助先進的分析和建模工具來預測人類反應并優化治療結果。本文旨在提供一個ADC 的PK/PD轉化框架（如下圖所示）。

分析方法/分析物

ADC藥物具有復雜的分子結構，融合了小分子藥物和大分子藥物的特性。根據偶聯方法的不同，ADC藥物產品可以是均質或異質的混合物，這些混合物不僅在于連接的載荷分子數量不同，載荷連接的蛋白結合位點也可能存在差異。此外，ADC在體內的降解和代謝過程會進一步增加其復雜性。這會導致初始載荷/抗體比（DAR）分布的改變，原因是藥物載荷的脫落，以及新藥物形式的產生，如代謝物、連接子和連接子-藥物、與內源性分子（如白蛋白、半胱氨酸）形成的加合物，以及與可溶性/脫落的靶抗原和其他抗體形成的復合物。由于DAR分布可能在體內持續變化，并可能影響ADC的清除、分布和活性，因此建立合適的檢測方法至關重要。通常，利用親和捕獲LC-MS生物分析法來表征DAR分布。除了DAR分布外，這些分析方法還可以提供關于藥物載荷脫落機制的證據，例如對于采用馬來酰亞胺化學偶聯的ADC，會發生馬來酰亞胺交換以及與白蛋白或半胱氨酸形成加合物。

鑒于ADC給藥后濃度和組成的異質性和復雜變化，通常在非臨床和臨床研究中測量3種不同的分析物，以表征ADC的藥代動力學特性，即偶聯物（以偶聯載荷或偶聯抗體測量）、總抗體（完全偶聯、部分偶聯和未偶聯抗體）和未偶聯載荷，如下表所示。

PK轉化

對于單抗，典型的PK預測方法通常是基于單一種屬進行異速縮放，其中以猴為主。單抗基于體重的縮放指數范圍為0.75到1。相比之下，小分子藥物的人體PK預測涉及多種放大方法，包括基于代謝的縮放、多種屬異速縮放、含校正因子異速縮放以及基于指數規則的異速縮放。不過，考慮到ADC的PK主要由其抗體部分主導，故縮放策略主要參照單抗。

有研究預測了11種MMAE/DM1 ADC人體PK的預測方法。這些方法包括使用猴的PK數據以及幾種多種屬縮放方法，主要針對ADC的兩個成分：偶聯物和總抗體。大多數方法要么低估，要么高估了人體的清除率（CL），但使用猴的PK數據和CL的縮放指數為1進行的預測的最為準確，而且這一結果在偶聯物和總抗體中是一致的。

不過，與微管蛋白抑制劑不同，DNA損傷劑，無論是直接與DNA結合（如Loncastuximab tesirine），還是通過拓撲異構酶I抑制間接作用（如Trastuzumab deruxtecan和Sacituzumab govitecan），其PK轉化則不那么明確。對于Loncastuximab tesirine，其轉化為人的PK接近1，與微管抑制劑類似。對于Trastuzumab deruxtecan和Sacituzumab govitecan，則比較有趣。這兩種ADC均通過鏈間二硫鍵實現高偶聯率（DAR，7-8個載荷/單抗），分別使用可切割的連接子mc-GGFG-AM和CL2A。對于Trastuzumab deruxtecan，基于從猴預測人體清除率比實際觀察到的更慢。相反，Sacituzumab govitecan在人中的清除率與預測相似或略快。對于這些新型高DAR ADC（包括對連接子化學差異的理解），需要更多數據來了解從非臨床到臨床的PK轉化。

首次用于人體（FIH）的劑量計算

鑒于ADCs結構復雜，包含大分子和小分子成分，因此在估算FIH劑量時，兼顧小分子藥物和生物制品策略。Sabre等人在對20個ADC的IND評估時發現，FIH劑量確定方法雖然主要基于毒理學終點，但也呈現一定的多樣性。這些標準包括采用典型的小分子毒理學終點，例如在10%動物引起嚴重毒性的劑量（STD10），以及采用大分子毒理學終點，例如最高非嚴重毒性劑量（HNSTD）或未觀察到不良效應水平（NOAEL）（Saber和Leighton，2015）。

同樣，在確定ADCs的人體等效劑量時，也采用了不同的換算方法。對于小分子藥物，通常采用體表面積（BSA）進行換算；而對于大分子藥物，則常采用體重（BW）進行換算。最終，Sabre等人發現，基于食蟹猴HNSTD的1/6或嚙齒動物STD10的1/10，并根據體表面積（BSA）進行換算，通常能夠在Ⅰ期臨床試驗中實現安全且有效的劑量遞增。

不過，Sabre等人的這項研究中，ADCs的載荷主要集中在美登素或單甲基奧瑞他汀，對于其它載荷是否也適用呢？Saber等人對含其他載荷的ADC（如DNA損傷劑）的FIH起始劑量也進行了研究，與美登素/奧瑞他汀類不同，建議采用更大的安全系數（如1/10 HNSTD），以確保患者安全。對于其他一些較老的ADCs，如Gemtuzumab ozogamicin和Inotuzumab ozogamicin，其FIH劑量的確定采用了NOAEL（EMA，2008，2017）。此外，有時還會采用PK/PD模型來確定劑量。

筆者之前也寫過一篇《已上市11款ADC產品臨床起始劑量設計推演》，有興趣可以翻看。

臨床有效劑量預測

近年來，針對ADCs預測人體有效劑量的方法不斷發展，從基于體重的經驗方法（Griffin等人，2022），到semi-mechanisticPK/PD建模方法（Li等人，2023），再到more mechanism-based的方法（如multiscale mechanistic PK/PD或定量系統藥理學建模方法）（Scheuher等人，2023）。

Griffin等人提出使用種屬間體形大小（如體表面積或體重）將小鼠有效劑量換算為臨床有效劑量（Griffin等人，2022）。研究顯示，基于體重的劑量換算方法能夠較為合理地預測人體有效劑量。在9種ADC中，有6種（77.7%）的預測值在臨床有效劑量的2倍和3倍范圍內。與此一致，在12種獲批的ADC中，使用基于體重的方法，分別有67%和83%的ADC的臨床有效劑量預測值在臨床批準劑量的2倍和3倍范圍內。這種方法所需數據較少，僅需相關小鼠異種移植模型中的有效劑量數據，但其預測準確性通常低于其他兩種方法。該方法通常用于藥物發現的早期階段，用于優先選擇分子并評估劑量可行性，以避免進一步開發那些可能需要過高臨床劑量的ADC。

Jumbe等人開發了一個semi-mechanistic腫瘤生長抑制（TGI）模型，用于描述小鼠異種移植模型中對T-DM1的抗腫瘤反應（Jumbe等人，2010）。該模型包含多個腫瘤傳遞室，以考慮ADC藥代動力學與腫瘤生長抑制之間的延遲，藥物的殺傷效應由外周ADC濃度引發。為了將PK/PD模型從小鼠轉化為人體，小鼠的PK參數被預測的人PK參數所替代，而估計的藥效學參數則假設在小鼠和人類之間是相同的。人體PK參數可以通過從食蟹猴的PK數據進行異速縮放預測。通過模型模擬不同劑量和方案以實現疾病穩定（即腫瘤停滯），可以估計人類有效劑量和方案。由于癌癥患者的腫瘤倍增時間遠慢于小鼠異種移植模型，這種方法比較保守，使用PK/PD轉化模型實現疾病穩定的預測被認為在人體中至少是最低限度有效的，可能實現腫瘤縮小（Betts等人，2020）。該模型已通過T-DM1有效劑量預測的臨床驗證（Haddish-Berhane等人，2013），并被用于將PF-06804103（Betts等人，2020）和一種針對惡性實體瘤的間皮素靶向ADC從臨床前轉化到臨床（Li等人，2023）。

值得注意的是，上述PK/PD轉化模型是適合特定目的且semi-mechanistic的。該模型只需要藥代動力學和體內腫瘤生長/縮小數據，并在經驗的基于體型大小的方法和full-fledge mechanistic模型（如multiscale定量系統藥理學模型）之間提供了一種折衷。它在從小鼠模型轉化為人體時，沒有考慮種屬間在靶點表達/分布、ADC及其載荷在作用靶部位的PK、腫瘤穿透、腫瘤生長速率和異質性方面的差異。Shah等人開發了一個multiscale mechanistic ADCs的PK/PD模型，該模型整合了多個維度，以實現ADC療效從臨床前到臨床的轉化（Shah等人，2012）。該模型包括四個子模塊：1）一個藥代動力學模型，描述ADC及其釋放載荷在系統循環中的代謝和清除；2）一個腫瘤相關模型，描述ADC擴散到腫瘤情況；3）一個細胞模型，描述ADC與靶點的結合、內吞、細胞內載荷釋放、載荷與靶點的結合、從腫瘤細胞外排或擴散（如果有旁觀者效應）；4）在小鼠異種移植模型中，由腫瘤載荷濃度引發藥物殺傷效應的腫瘤生長抑制。通過納入人體藥代動力學以及相關患者人群中的臨床相關腫瘤體積、腫瘤生長速率和靶點表達，將建立的臨床前模型轉化為臨床應用。這種模型已成功預測了brentuximab vedotin（Shah等人，2012）、inotuzumab ozogamicin（Betts等人，2016）、T-DM1和trastuzumab deruxtecan（T-DXd）的臨床療效（Scheuher等人，2023）。盡管該模型較為復雜，開發需要更多時間和資源，但其建模框架被認為可以通過替換相關參數來適應其他ADC，并用于促進ADC設計、候選藥物選擇、臨床有效劑量預測、FIH劑量遞增選擇以及臨床劑量方案優化。

PK/PD安全性轉化

血液學毒性（如血小板減少癥和中性粒細胞減少癥）是ADC藥物常見不良事件，通常需要進行劑量調整（暫停或減少劑量），直到血小板或中性粒細胞恢復。為了表征ADC給藥后血液細胞計數的動態變化，已開展了許多臨床和臨床前PK/PD模型的建立工作。

例如，Ait-Oudhia等（2017）開發了臨床semi-mechanistic PK/PD模型，用于表征T-DM1和PCA062（抗P-鈣粘蛋白-DM1 ADC）對患者血小板計數的影響，能實現準確描述血小板計數的動態變化以及3級及以上血小板減少癥的發生率。同樣，Ait-Oudhia等（2017）還開發了一個臨床前PK/PD模型，用于研究小鼠中T-DM1的血小板減少癥和中性粒細胞減少癥。通過建模，評估了ADC及其相關成分（如總抗體、偶聯抗體和未偶聯載荷）的血藥濃度和血液毒性的關系。結果顯示，T-DM1的濃度是導致血小板減少癥和中性粒細胞減少癥的物質基礎，與臨床一致。

對于從臨床前動物模型到人體的骨髓抑制外推，建議對小分子抗癌治療藥物進行種屬差異校正，包括蛋白結合和通過粒細胞/巨噬細胞集落形成單位（CFU-GM）實驗確定的敏感性。比如，MMAE血漿蛋白結合就具有種屬依賴性，大鼠和人類的結合水平較高（67.9%-82.2%），而小鼠和猴的結合水平較低（17.1%-28.5%）。

Jie等利用4種不同的vc-MMAE ADC治療后的PK和PD數據，探索了基于猴數據預測患者血液學毒性的潛力。在該研究中，首先建立了抗體偶聯MMAE（acMMAE）的PK模型，以預測食蟹猴和癌癥患者的濃度時間曲線。采用acMMAE濃度，分別開發了臨床前和臨床semi-mechanistic中性粒細胞減少癥模型。結果顯示，可以用猴預測ADC的人體血液學毒性，以支持候選藥物選擇并制定臨床風險緩解策略。

參考資料doi: 10.1080/00498254.2024.2351044

藥理毒理開發1-6群已滿，7群還有名額，進群的加微信，備注姓名+企業名稱+專長領域。比如王**+A企業+注冊或毒理。名額有限，已經在1-6群的朋友就不要跨群了。