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

Dit artikel introduceert single-cell fysiologisch gebaseerde farmacokinetische (scPBPK) modellen die expressie-afhankelijke processen en gewichtsfuncties gebruiken om de heterogeniteit van drugconcentraties op celniveau te voorspellen en inzicht te geven in cel-specifieke farmacokinetiek.

De kern

De "Super-Resolutie" Camera voor Medicijnen: Hoe één cel een wereld kan zijn

Stel je voor dat je een medicijn neemt, zoals een pijnstiller of een kankermedicijn. Traditioneel kijken artsen en wetenschappers naar het medicijn alsof het door een grote, homogene soep stroomt. Ze zeggen: "Oké, dit medicijn zit nu in je lever, en overal in die lever is de hoeveelheid medicijn precies hetzelfde."

Maar dat is niet waar. Een lever is geen soep; het is een drukke stad met miljoenen individuele huizen (cellen). En in die stad is het niet overal even druk of even goed verlicht. Sommige huizen hebben een enorme voorraadkast (veel enzymen), andere hebben er nauwelijks een.

Dit artikel introduceert een nieuw soort rekenmodel, genaamd scPBPK (single-cell Physiologically-Based Pharmacokinetic). Laten we dit uitleggen met een paar simpele analogieën.

1. De Oude Manier: De "Grote Soep" (sPBPK)

Vroeger gebruikten wetenschappers modellen die we "standaard PBPK" noemen.

• De Analogie: Stel je voor dat je een bakje soep hebt. Je roert er een lepel suiker doorheen. Je neemt een slok en zegt: "De hele soep is nu even zoet."
• Het probleem: In het lichaam is dat niet zo. Als je medicijnen neemt, kunnen ze in de ene cel veel werk doen, terwijl ze in de buurcel nauwelijks iets bereiken. De "soep"-theorie ziet deze verschillen niet.

2. De Nieuwe Manier: De "Individuele Huizen" (scPBPK)

De auteurs van dit artikel hebben een nieuwe manier bedacht om te kijken naar medicijnen: op het niveau van één enkele cel.

• De Analogie: In plaats van naar de hele soep te kijken, kijken we nu naar elk individueel huis in de stad. We vragen: "Hoeveel medicijn zit er precies in dit huis? En hoeveel in dat huis?"
• De "Gewichtsfunctie": Hoe weten ze hoeveel medicijn er in een huis zit? Ze gebruiken een slimme truc. Ze kijken naar de "uitdrukking" van genen (alsof ze kijken hoeveel werkkrachten er in een fabriek werken). Ze gebruiken een wiskundig patroon (een verdeling) om te voorspellen dat sommige cellen supersterk zijn (veel werkkrachten) en andere zwak. Dit noemen ze een "gewichtsfunctie".

3. Twee Voorbeelden uit het Dagelijkse Leven

De auteurs testen hun nieuwe model met twee verschillende medicijnen om te zien hoe dit werkt in de praktijk.

Voorbeeld A: AZD1775 (De "Poortwachter")

• Het Scenario: Dit medicijn moet de bloed-hersenbarrière (BBB) passeren om in je hersenen te komen. De BBB is als een strenge poortwachter met drie verschillende deuren: twee deuren die het medicijn eruit duwen (pompen) en één die het erin trekt.
• Wat het model laat zien: Omdat elke cel in de hersenen een andere hoeveelheid poortwachters heeft (sommige hebben 10 deuren, andere 100), is het resultaat heel chaotisch.
• De Uitkomst: In sommige cellen zit er veel medicijn, in andere bijna niets. Het is alsof je een regenbui hebt, maar sommige huizen krijgen een overstroming en andere blijven droog. Dit is gevaarlijk: als je kankercellen in je hersenen wilt doden, maar ze zitten in een "droog" huisje, werkt het medicijn niet.

Voorbeeld B: Midazolam (De "Snelle Verwerker")

• Het Scenario: Dit is een slaapmiddel dat in de lever wordt afgebroken. De levercellen werken als een super-snelle wasmachine die het medicijn direct "wast" (metaboliseert).
• Wat het model laat zien: Hier is het transport van het medicijn naar de cel zo snel, dat het verschil in "wasvermogen" (hoeveel enzymen een cel heeft) er niet toe doet. Het medicijn wordt zo snel opgenomen en verwerkt, dat alle cellen evenveel medicijn binnenkrijgen.
• De Uitkomst: Hier is er geen grote chaos. Het is alsof de wasmachine zo snel draait dat het niet uitmaakt of je 1 of 100 wasmiddelen gebruikt; de was wordt toch even schoon.

Waarom is dit belangrijk?

Dit nieuwe model is als het overgaan van een wazige foto naar een 4K-camera.

1. Geen verrassingen meer: Als een arts weet dat een medicijn in 20% van de cellen niet werkt (omdat die cellen "te weinig poortwachters" hebben), kan hij of zij de dosis aanpassen of een ander medicijn kiezen.
2. Koppelen aan DNA: Omdat dit model werkt met gen-uitdrukking (zoals bij scRNA-seq, een moderne techniek om DNA te lezen), kunnen artsen in de toekomst zeggen: "Jouw specifieke genen zorgen ervoor dat je medicijn X niet goed werkt in je levercellen."
3. Toekomstvisie: Dit is de eerste stap. De volgende stap is om te kijken hoe deze cellen reageren op het medicijn (niet alleen hoeveel er binnenkomt, maar wat ze er mee doen).

Kort samengevat:
Deze paper zegt: "Stop met kijken naar het gemiddelde. Het lichaam is een stad van individuele huizen. Soms is het medicijn in het ene huis een overvloed, en in het andere een schaarste. Met dit nieuwe model kunnen we eindelijk zien wie wat krijgt, zodat we medicijnen preciezer kunnen maken."

Technische samenvatting

Probleemstelling

Traditionele fysiologisch gebaseerde farmacokinetische modellen (sPBPK) zijn decennialang een hoeksteen geweest in de mechanistische farmacologie en geneesmiddelenontwikkeling. Deze modellen beschrijven de kinetiek van geneesmiddelen in organen als homogene compartimenten (bijvoorbeeld vasculair, interstitieel en intracellulair). Hoewel ze nuttig zijn voor het ontwerpen van therapeutische regimes, missen ze de capaciteit om heterogeniteit op celniveau te modelleren.

Gezien de snelle vooruitgang in multi-omische technologieën (zoals scRNA-seq), die grote datasets over transcriptomische en proteomische variabiliteit tussen individuele cellen genereren, is er een duidelijke kloof: er bestaat nog geen methodiek om deze cellulaire variabiliteit te integreren in farmacokinetische modellen. Zonder dit inzicht is het moeilijk om te voorspellen hoe specifieke celtypen of individuele cellen binnen een weefsel geneesmiddelen verwerken, wat essentieel is voor het begrijpen van therapiefalen of variabele responsen.

Methodologie

De auteurs introduceren een nieuw raamwerk: Single-cell Physiologically-Based Pharmacokinetic (scPBPK) modellen. De kern van deze methodologie bestaat uit de volgende stappen:

1. Identificatie van Expressie-afhankelijke (ED) Processen:
   Het model onderscheidt processen die afhankelijk zijn van de expressie van specifieke eiwitten of genen (zoals membraantransport of metabolisme) van processen die dat niet zijn. Deze ED-processen zijn de bron van cellulaire heterogeniteit.

2. Modellering van Heterogeniteit met Weegfuncties:
   Om variabiliteit in te bouwen, wordt voor elke ED-proces een weegfunctie (weighting function) geïntroduceerd. In plaats van één gemiddelde waarde voor een enzym (bijv. $V_{max}$), krijgt elke individuele cel een unieke waarde.

   • De auteurs gebruiken een Negatieve Binomiale (NB) verdeling voor deze weegfuncties, een statistische verdeling die veel wordt gebruikt in de analyse van scRNA-seq data.
   • Parameters zoals $\mu$ (gemiddelde) en $\theta$ (dispersie) worden gebruikt om de variabiliteit te definiëren.

3. Structuur van het Model:
   Het organmodel wordt opgesplitst in drie subcompartimenten (vasculair, interstitieel, intracellulair). Het intracellulaire compartiment wordt vervolgens gesplitst in:

   • Individuele cellen: Een set van $n_{sc}$ cellen, elk met een unieke $V_{max,i}$ of transportcapaciteit bepaald door de weegfunctie.
   • Bulk cellen: Een representatief compartiment voor de resterende cellen ($n_{bulk}$), zodat de totale kinetiek van het orgaan behouden blijft.

4. Behoud van Massa en Kinetiek:
   Een cruciaal aspect is dat de som van de processen in de individuele cellen en de bulk cellen gelijk moet zijn aan de totale processen in het oorspronkelijke sPBPK-model. Dit garandeert dat de totale klaring en transport in het orgaan niet verandert, alleen de verdeling ervan.

5. Validatie met Case Studies:
   Het model werd getest op twee geneesmiddelen:

   • AZD1775: Een WEE1-kinase-remmer met drie ED-processen aan de bloed-hersenbarrière (BBB) (2 efflux-pompen: Pgp, ABCG2; 1 opname-transporteur).
   • Midazolam (MDZ): Een CYP3A4/5-substraat met één ED-proces (metabolisme) in hepatocyten.

Belangrijkste Bijdragen

• Conceptuele Doorbraak: Dit is de eerste presentatie van een wiskundig raamwerk dat sPBPK-modellen uitbreidt naar het enkele-celniveau, waardoor een brug wordt geslagen tussen systemische farmacokinetiek en single-cell 'omics'.
• Integratie van scRNA-seq Statistiek: Het gebruik van de Negatieve Binomiale verdeling om biologische variabiliteit in farmacokinetische parameters te vertalen, maakt het model direct compatibel met bestaande transcriptomische datasets.
• Behoud van Fysiologische Realisme: Door het splitsen van compartimenten in "single cell" en "bulk" te combineren met behoudswetten, blijft het model fysiologisch consistent terwijl het cellulaire variabiliteit toelaat.

Resultaten

De simulaties leverden verschillende inzichten op, afhankelijk van het geneesmiddel en de dominante processen:

1. AZD1775 (Hoge Heterogeniteit):

   • Het model voorspelde een grote variabiliteit in de intracellulaire concentraties van AZD1775 in hersencellen.
   • Door de variatie in de expressie van de transportpompen (ED-processen) aan de BBB, varieerden de concentraties tussen individuele cellen met een factor van ongeveer 4.
   • Dit illustreert dat transport-gedreven processen, die gevoelig zijn voor expressievariatie, leiden tot aanzienlijke verschillen in celinterne blootstelling.

2. Midazolam (Lage Heterogeniteit):

   • In tegenstelling tot AZD1775 toonde het MDZ-model geen significante variabiliteit in intracellulaire concentraties, ondanks variatie in de metabolische capaciteit ($V_{max}$) tussen cellen.
   • Oorzaak: De massatransfercoëfficiënten ($h_2$, transport tussen interstitieel en intracellulair) waren zeer hoog ten opzichte van de metabolische snelheid. Dit betekent dat het transport van het geneesmiddel de cellen veel sneller binnenkomt dan het wordt gemetaboliseerd, waardoor de concentraties tussen cellen "gehomogeniseerd" worden.
   • Biphasische Relatie: De auteurs toonden aan dat de variantie in concentraties een biphasische relatie heeft met de verhouding $h_2/V_{max}$. De maximale variatie treedt op bij een specifieke verhouding (ongeveer 0,01). Bij zeer lage verhoudingen is er te weinig drug in de cel, en bij zeer hoge verhoudingen is het transport zo snel dat variatie wordt uitgesmeerd.

Significantie en Toekomstperspectief

Deze studie biedt een krachtig instrument om cellulaire farmacokinetische heterogeniteit te karakteriseren. De implicaties zijn groot voor de geneesmiddelenontwikkeling:

• Behandeling van Therapiefaal: Het model kan helpen identificeren of een subgroep van cellen (bijv. tumorcellen) suboptimale geneesmiddelconcentraties bereikt, wat leidt tot therapiefalen. Dit stelt onderzoekers in staat om strategieën te ontwikkelen die specifiek gericht zijn op die resistente celsubgroepen.
• Mechanistisch Inzicht: Het kan de onderliggende oorzaak van variatie ontrafelen (bijv. is het transport of metabolisme?).
• Koppeling aan Farmacodynamiek (PD): Het raamwerk is ontworpen om in de toekomst gekoppeld te worden aan single-cell farmacodynamische modellen (scPBPK/PD), waardoor het mogelijk wordt om zowel de concentratie als de respons van individuele cellen te voorspellen op basis van hun moleculaire profiel.

Kortom, scPBPK-modellen vormen een noodzakelijke eerste stap om de complexe interactie tussen geneesmiddelen en de cellulaire diversiteit van ziekteprocessen kwantitatief te begrijpen.