Introduction to Single-cell Physiologically-Based Pharmacokinetic (scPBPK) Models

本論文は、単一細胞レベルでの薬物動態を解明するため、遺伝子発現のばらつきを反映した重み付け関数を用いた新しい「単一細胞生理学的薬物動態（scPBPK）モデル」を提案し、AZD1775 とミダゾラムの事例を通じて細胞間濃度変動のメカニズムを提示しています。

要約

この論文は、「お薬が体の中でどう動き、特に『1 つの細胞』の中でどう振る舞うか」を予測する新しい計算モデルについて紹介しています。

従来のモデルは「臓器全体」を一つの大きな容器として見ていましたが、この新しいモデル（scPBPK）は、「臓器を構成する何億という細胞の一つ一つ」を個別に追跡できるようになり、まるで「細胞レベルの天気予報」ができるようになったようなものです。

以下に、難しい専門用語を使わず、身近な例え話を使って解説します。

---

1. 従来のモデル vs 新しいモデル：「大規模な工場」と「個別の作業員」

• 従来のモデル（sPBPK）：
  これまでの薬の動きをシミュレーションするモデルは、肝臓や脳を「大きな工場」として捉えていました。「工場全体で薬がどれくらい処理されたか」はわかりますが、「工場のどの作業員が、どのくらい一生懸命働いたか」までは見えませんでした。 全員が同じペースで働いていると仮定していたのです。

• 新しいモデル（scPBPK）：
  この論文で紹介されている新しいモデルは、「工場の一人ひとりの作業員（細胞）」に目を向けます。
  実際には、作業員によって「薬を分解する酵素（道具）」の数が違います。ある人は道具を 100 個持っていて、ある人は 1 個しか持っていないかもしれません。このモデルは、「道具の数のバラつき（個人差）」を計算に組み込むことで、細胞一つ一つが薬をどう受け取り、どう処理するかを予測します。

2. 2 つの具体的な実験：「脳への侵入」と「肝臓での分解」

著者たちは、この新しいモデルを使って 2 つの異なるお薬（AZD1775 とミダゾラム）の動きをシミュレーションしました。結果は驚くほど違いました。

① AZD1775（脳腫瘍治療薬）：「混雑したゲート」の例

• 状況： この薬は脳に入ろうとしますが、脳には「血液脳関門（BBB）」という厳重なゲートがあります。ここには「薬を追い出すポンプ（P-gp など）」が働いています。
• 細胞のバラつき： このポンプの数は、細胞によって大きく異なります（ある細胞はポンプが大量にあるが、ある細胞はほとんどない）。
• 結果： モデルによると、細胞によって薬の濃度に大きな差が出ました。
  • ポンプが少ない細胞：薬が大量に溜まる。
  • ポンプが多い細胞：薬がほとんど入ってこない。
  • 教訓： 治療がうまくいかない場合、それは「薬が足りない細胞」がいるからかもしれません。このモデルを使えば、「なぜ特定の細胞だけ薬が効かないのか」を特定し、対策を練れるようになります。

② ミダゾラム（麻酔薬）：「高速道路」の例

• 状況： この薬は肝臓で分解されます。分解する酵素の量も細胞によってバラバラです。
• 結果： 意外なことに、細胞間の薬の濃度差はほとんどありませんでした。
• 理由： 薬が細胞の中に入るスピード（高速道路）が、分解されるスピードよりも圧倒的に速かったからです。たとえ分解する酵素の数がバラバラでも、薬が次々と流れ込んでくるため、細胞内の濃度は均一になってしまいます。
  • 教訓： 薬の動き方（入ってくる速さ vs 分解される速さ）によって、細胞レベルの差が現れるかどうかが決まることがわかりました。

3. この研究の何がすごいのか？

• 「細胞の個性」を計算に組み込んだ：
  以前は「平均値」で計算していましたが、今回は「細胞ごとの個性（遺伝子やタンパク質の量の違い）」を反映させました。これは、最近の「シングルセル解析（1 細胞ごとの遺伝子解析）」という技術の進歩とセットで使える画期的なステップです。
• 治療の失敗を防ぐヒントになる：
  もし「がん細胞の 10% だけが薬の濃度が低くて生き残っている」なら、その 10% を狙う新しい治療法を考えられます。逆に、「すべての細胞に均一に薬が届いている」なら、今の治療で OK と判断できます。
• 未来への架け橋：
  このモデルは、将来的に「薬が細胞に届くこと（PK）」と「細胞がどう反応するか（PD）」を結びつけるための第一歩です。

まとめ

この論文は、**「お薬の動きを、臓器全体という『大きな箱』で見るのではなく、細胞という『小さな箱』の一つ一つで見る」**という新しい視点を提供しました。

まるで、「大勢の観客がいるスタジアム全体」ではなく、「一人ひとりの観客がいつ、どこで、何をしているか」まで詳しく把握できるようになったようなものです。これにより、より効果的で、副作用の少ない、個別化された治療法の開発が期待されています。

技術概要

以下は、提示された論文「Introduction to Single-cell Physiologically-Based Pharmacokinetic (scPBPK) Models」の技術的な詳細な要約です。

1. 背景と課題 (Problem)

従来の生理学的薬物動態（PBPK）モデル、特に標準的な PBPK（sPBPK）モデルは、臓器を均質なコンパートメント（血管、間質、細胞内を一つにまとめたものなど）として扱い、薬物の動態を記述する上で重要な役割を果たしてきました。しかし、これらのモデルは組織内の「細胞レベルの不均一性（ヘテロジニティ）」を捉えることができません。

近年、シングルセル RNA シーケンシング（scRNA-seq）などのマルチオミクス技術の進歩により、遺伝子やタンパク質の発現量に細胞間で大きなばらつきがあることが明らかになっています。薬物代謝酵素や膜輸送体の発現量は細胞ごとに異なるため、薬物の細胞内濃度も細胞間で大きく変動する可能性があります。しかし、従来の sPBPK モデルではこの「発現依存性（Expression-Dependent: ED）」のプロセスを考慮した単一細胞レベルの動態を解析する枠組みが存在しませんでした。

2. 方法論 (Methodology)

著者らは、標準 PBPK モデルを拡張し、単一細胞の動態を記述できる**「単一細胞 PBPK（scPBPK）モデル」**の枠組みを提案しました。

• モデル構造の拡張:

  • 従来の臓器コンパートメントを、血管、間質液、細胞内という 3 つのサブコンパートメントに分解します。
  • 特に「細胞内コンパートメント」を、「単一細胞（Single cells）」と「バルク細胞（Bulk cells）」に分割して記述します。
  • 単一細胞は、特定の遺伝子発現量に基づいて個別の動態パラメータを持つ個体として扱われ、バルク細胞は残りの細胞集団を代表する平均的な挙動として扱われます。

• 発現依存性（ED）プロセスの導入:

  • 薬物代謝（$V_{max}$）や膜輸送などのプロセスを「発現依存性（ED）」プロセスとして定義します。
  • 各 ED プロセスのパラメータ（例：代謝酵素の最大速度 $V_{max,i}$）は、細胞ごとの発現レベルに応じて変動します。
  • この変動を表現するために、**重み付け関数（Weighting Function）を導入します。本研究では、scRNA-seq データ解析で一般的に用いられる負の二項分布（Negative Binomial Distribution, NB）**を用いて、細胞間の発現量のばらつきをシミュレートしました。

• 物質収支の保存:

  • 単一細胞とバルク細胞に分割しても、臓器全体の薬物輸送量や代謝クリアランスの総量は保存されるように方程式を設計しています。
  • 全細胞数（$n_{tot}$）を定義し、その中でシミュレーション対象の単一細胞数（$n_{sc}$）とバルク細胞数を設定します。

• 適用事例:

  1. AZD1775（脳腫瘍治療薬）: 血液脳関門（BBB）における 3 つの ED 輸送プロセス（P-gp 排出、ABCG2 排出、OATP1B1 取り込み）を考慮した脳モデル。
  2. ミダゾラム（MDZ）: 肝臓における CYP3A4/5 による代謝（1 つの ED プロセス）を考慮した最小 PBPK（mPBPK）モデル。

3. 主要な貢献 (Key Contributions)

• scPBPK モデルの概念の確立: 従来の sPBPK モデルから、細胞内の不均一性を明示的に扱える scPBPK モデルへ移行するための数学的枠組みと ODE（常微分方程式）体系を初めて提示しました。
• オミクスデータとの統合: scRNA-seq データで一般的に使用される統計分布（負の二項分布）を薬物動態モデルのパラメータ変動に直接適用し、現代のオミクス技術と薬物動態解析を架橋しました。
• 輸送と代謝の競合関係の解明: 膜輸送速度と代謝速度の比率が、細胞内濃度の不均一性にどのような影響を与えるかを理論的に示しました。

4. 結果 (Results)

シミュレーション結果は、薬物と臓器の特性によって細胞内濃度の不均一性が大きく異なることを示しました。

• AZD1775（脳モデル）:

  • BBB を介する輸送プロセスが ED であるため、細胞間の薬物濃度に大きな不均一性が観察されました。
  • 4 つのクラスター（それぞれ 2500 細胞）でシミュレーションしたところ、最大濃度においてクラスター間で約 4 倍の濃度差が生じました。
  • 負の二項分布のパラメータ（平均と分散）のランダム化により、細胞集団内の広範なばらつきが再現されました。

• ミダゾラム（肝臓モデル）:

  • 肝細胞内の代謝（ED プロセス）に細胞間のばらつき（$V_{max}$ の変動）を導入しましたが、細胞内濃度にはほとんど不均一性が観察されませんでした。
  • 理由: 肝臓における膜間質液から細胞内への物質移動係数（$h_2$）が、代謝速度（$V_{max}$）に比べて非常に大きいため、細胞間の代謝能力の差が迅速に均質化され、濃度勾配が生じなかったためです。
  • ただし、$h_2/V_{max}$ の比率を変化させた解析では、この比率が約 0.01 の時に濃度分散が最大となり、輸送と代謝のバランスが細胞内濃度の不均一性を決定づけることが示されました。

5. 意義と将来展望 (Significance)

• 治療失敗のメカニズム解明: 特定の細胞サブセット（クラスター）において薬物濃度が効果閾値（EC50 など）に達しない場合、治療失敗が起きる可能性があります。scPBPK モデルは、どの細胞集団が低濃度になり、その原因が輸送なのか代謝なのかを特定するツールとなります。
• 個別化医療への貢献: 細胞レベルの薬物動態を予測することで、より精密な投与設計や、特定の細胞集団を標的とした治療戦略の立案が可能になります。
• PK/PD モデルへの展開: 将来的には、この scPBPK モデルを単一細胞の薬力動態（scPD）モデルと結合し、「scPBPK/PD モデル」を構築することで、細胞ごとの薬物応答とそのメカニズムを包括的に理解できる基盤となります。
• 実験的制約の克服: 現在、生体内の単一細胞における薬物濃度を直接測定する技術は限られていますが、scPBPK モデルは既存のバルクデータとオミクスデータを統合することで、このギャップを埋める計算機科学的アプローチを提供します。

結論として、本研究は単一細胞レベルの薬物動態を定量化するための新しいパラダイムを提示し、システム薬理学（QSP）とオミクス科学の融合を促進する重要な一歩となりました。