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

本文介绍了单细胞生理药代动力学（scPBPK）模型，该模型通过引入基于表达量的异质性加权函数，成功将传统群体药代动力学扩展至单细胞尺度，从而能够利用现代组学数据预测药物在细胞内的分布差异。

要点

这篇论文介绍了一种全新的药物研究工具，我们可以把它想象成给药物研发装上了一个"超级显微镜"。

为了让你更容易理解，我们把身体想象成一座巨大的城市，把药物想象成快递员，而传统的药物模型（sPBPK）就像是在看这座城市的宏观地图。

1. 传统模型 vs. 新模型：从“看城市”到“看细胞”

• 传统模型（sPBPK）：
  以前的模型就像看城市的交通图。我们知道有多少车（血液）流进了肝脏区，流出了多少。我们假设肝脏里的所有细胞（就像城市里的所有工厂）都是一样的，它们处理药物的速度也完全一样。这就像假设城市里 100 万个工厂，每个工厂每天生产 100 个零件，非常整齐划一。

  • 缺点：这忽略了现实。实际上，有的工厂（细胞）很忙碌，有的很闲；有的工厂机器（酶）多，有的机器少。

• 新模型（scPBPK）：
  这篇论文提出的“单细胞生理药代动力学模型”（scPBPK），就是把地图放大到了每一个工厂（细胞）的级别。
  它不再假设所有细胞都一样，而是承认：每个细胞都是独特的。就像城市里有的工厂机器轰鸣（药物代谢快），有的工厂在打瞌睡（药物代谢慢）。这个新模型能模拟出这种“参差不齐”的状态。

2. 核心概念：给每个细胞发一张“个性身份证”

在这个新模型里，作者引入了一个叫做"表达依赖过程"（ED processes）的概念。

• 比喻：想象每个细胞里都有一种特殊的“机器”（比如代谢药物的酶，或者把药物运进运出的泵）。
• 问题：这些机器的数量在每个细胞里是不一样的。有的细胞有 100 台机器，有的只有 10 台。
• 解决方案：作者给每个细胞发了一张"个性身份证"（文中称为“权重函数”）。这张身份证是根据真实的基因数据（就像单细胞测序技术 scRNAseq）生成的，它决定了这个细胞里的机器有多强。
  • 这就好比在模拟中，我们不再说“肝脏平均代谢速度是 X"，而是说“细胞 A 的代谢速度是 X+10%，细胞 B 是 X-50%"。

3. 两个真实的“实验”：药物 AZD1775 和 咪达唑仑

作者用两种不同的药物做了实验，结果非常有趣，揭示了两种完全不同的情况：

案例一：AZD1775（一种抗癌药）—— 像“拥堵的关卡”

• 场景：这种药要进入大脑，必须经过血脑屏障（就像城市的海关）。
• 发现：海关里有几个“安检门”（转运蛋白），有的负责把药推出去（排出），有的负责拉进来（吸收）。
• 结果：因为每个细胞上的“安检门”数量不一样（有的细胞安检门多，药进不去；有的少，药容易进），导致每个细胞里的药量差异巨大。
• 比喻：就像一场暴雨，有的街道排水沟很宽（细胞代谢快/排出快），水很快就流走了；有的街道排水沟很窄，水就积得很深。在 AZD1775 的例子中，这种“积水”和“干涸”的差异非常大，有的细胞里药浓度是其他细胞的 4 倍。
• 意义：这意味着，如果只按平均浓度给药，可能一部分癌细胞（积水区）被杀死了，但另一部分癌细胞（干涸区）因为药没进去，依然存活，导致治疗失败。

案例二：咪达唑仑（一种镇静药）—— 像“高速流动的河流”

• 场景：这种药主要在肝脏被代谢（分解）。
• 发现：虽然每个细胞里的“分解机器”（酶）数量确实不一样（有的多有的少），但是药物进出细胞的速度太快了（就像河流流速极快）。
• 结果：尽管机器能力不同，但因为水流太快，药物还没来得及在某个细胞里“堆积”或“耗尽”，就被迅速冲走了。
• 比喻：想象一条湍急的河流，虽然有的河段石头多（酶多），有的石头少（酶少），但因为水流太快，所有河段的水位（药物浓度）看起来几乎是一样的。
• 结论：在这种情况下，传统的“平均模型”依然很准，不需要搞这么复杂的单细胞模型。

4. 为什么这很重要？（未来的展望）

这篇论文不仅仅是在玩数学游戏，它解决了现实中的痛点：

1. 解释“治疗失败”：为什么同样的药，对有些人有效，对有些人无效？可能是因为那些“无效”的人体内，有一群特殊的细胞（比如肿瘤细胞），它们的“安检门”特别严，挡住了药物。scPBPK 模型能帮我们找到这群“捣乱”的细胞。
2. 精准医疗：未来，医生可能不再只给病人开“平均剂量”的药。通过这种模型，我们可以预测哪些细胞会“吃不饱”（药量不足），从而设计更聪明的给药方案，专门针对那些难搞的细胞。
3. 连接基因与药物：现在的基因测序技术（单细胞测序）能告诉我们每个细胞的基因长什么样，但这个模型能把这些基因数据直接翻译成“药物在细胞里怎么跑”。它是连接基因世界和药物世界的桥梁。

总结

简单来说，这篇论文说：以前我们看药物在身体里怎么跑，是看“平均数”；现在，我们要看“每一个细胞”的个性。

虽然有时候（像咪达唑仑那样）平均数就够了，但在很多复杂情况（像抗癌药进大脑）下，只有看清每个细胞的“小脾气”，我们才能真正治好病，避免药物在身体里“有的地方太多，有的地方太少”的尴尬局面。

技术摘要

这是一份关于单细胞生理药代动力学（scPBPK）模型的预印本论文的详细技术总结。该研究旨在将传统的群体水平 PBPK 模型扩展到单细胞水平，以揭示药物在细胞尺度上的分布异质性。

以下是该论文的详细技术总结：

1. 研究背景与问题 (Problem)

• 现有局限： 传统的生理药代动力学（sPBPK）模型虽然已成为药物开发和机制药理学的基础，但它们通常将组织视为均一的房室（如血管、间质、细胞内），或者将组织内的细胞视为同质群体。这掩盖了细胞间的异质性。
• 科学缺口： 随着单细胞多组学技术（如 scRNA-seq）的飞速发展，研究人员已经能够获取基因和蛋白表达的单细胞水平数据，但缺乏相应的计算框架来将这些数据整合到药代动力学（PK）模型中，以预测单细胞内的药物浓度。
• 核心问题： 如何构建一种模型，能够利用表达依赖（Expression-Dependent, ED）过程的变异性（如药物代谢酶或转运蛋白的表达差异），来模拟和预测药物在单个细胞内的动力学行为，而不仅仅是组织平均水平。

2. 方法论 (Methodology)

作者提出了一种从 sPBPK 模型向 scPBPK 模型转化的通用框架，核心在于引入表达依赖（ED）过程和加权函数。

• 模型结构创新：

  • 多房室结构： 针对包含 ED 过程的器官（如肝脏或血脑屏障），将传统的单房室或双房室结构细化为3 亚房室结构：血管（Vascular）、间质液（Interstitial Fluid, IF）和细胞内（Intracellular, IC）。
  • 单细胞与批量细胞分离： 在细胞内（IC）房室中，明确区分单细胞（Single Cells, $n_{sc}$）和批量细胞（Bulk Cells, $n_{bulk}$）。
    • 单细胞部分：每个细胞拥有独立的动力学方程，其关键参数（如最大代谢速率 $V_{max}$ 或转运速率）通过加权函数体现异质性。
    • 批量细胞部分：代表剩余的同质细胞群体，用于保持质量守恒。
  • 质量守恒： 确保单细胞和批量细胞的总转运速率和总清除率等于原始 sPBPK 模型中的总速率。

• 表达依赖（ED）过程与加权函数：

  • 识别关键的 ED 过程（如药物代谢酶 CYP3A4 的活性，或转运蛋白 P-gp/ABCG2 的活性）。
  • 引入加权函数（$W_i$）：该函数决定了每个单细胞中 ED 过程参数的具体数值（例如 $V_{max,i} = \frac{V_{max}}{n_{tot}} \times W_i$）。
  • 分布假设： 使用**负二项分布（Negative Binomial Distribution, NB）**作为加权函数。这是单细胞 RNA 测序（scRNA-seq）数据分析中常用的统计分布，能够很好地描述基因表达数据的离散性和过离散性。参数包括均值（$\mu$）和离散度（$\theta$）。

• 数值模拟：

  • 使用 Python (Spyder IDE) 求解常微分方程组（ODEs）。
  • 模拟设置：通常将单细胞数量设为 10,000 个（分为 4 个簇，每簇 2,500 个），以模拟 scRNA-seq 实验的规模。

3. 案例研究与关键贡献 (Key Contributions & Case Studies)

论文通过两个具体的药物案例验证了 scPBPK 模型：

案例一：AZD1775 (WEE1 激酶抑制剂)

• 场景： 模拟药物穿过血脑屏障（BBB）进入脑肿瘤组织。
• ED 过程： 涉及 3 个表达依赖的转运过程：
  1. P-gp 外排泵（限制入脑）
  2. ABCG2 外排泵（限制入脑）
  3. 未指定的摄取转运体（推测为 OATP1B1，促进入脑）
  • 注：被动扩散（PSB）被视为非表达依赖过程。
• 结果：
  • 模拟显示，由于 BBB 转运蛋白表达水平的巨大细胞间差异，脑细胞内（IC）和间质液（IF）的药物浓度表现出极大的异质性。
  • 不同簇（Cluster）之间的浓度差异可达 4 倍（在最大浓度处）。
  • 某些细胞簇可能达到治疗浓度，而其他簇则远低于有效浓度，这解释了为何群体平均数据可能掩盖治疗失败的风险。

案例二：咪达唑仑 (Midazolam, MDZ)

• 场景： 模拟药物在肝脏中的代谢（CYP3A4/3A5 介导）。
• ED 过程： 仅涉及 1 个表达依赖过程：细胞内代谢（$V_{max}$ 的异质性）。
• 结果：
  • 尽管单个细胞的代谢清除率（Clearance）存在显著差异（由 NB 分布加权导致），但细胞内药物浓度（IC）的异质性却非常低。
  • 原因分析： 肝脏细胞间的物质转运系数（$h_2$，即间质到细胞的扩散）远大于代谢清除速率（$V_{max}$）。快速的物质交换“抹平”了代谢能力的差异，使得细胞内浓度趋于均一化。
  • 关键发现（图 9）： 浓度方差与 $h_2/V_{max}$ 比率呈双相关系。当 $h_2/V_{max}$ 极低时（代谢主导），异质性最大；当比率极高时（转运主导），异质性最小。

4. 主要结果 (Results)

1. 异质性揭示： scPBPK 模型成功揭示了传统 sPBPK 模型无法捕捉的单细胞药物浓度分布。对于转运受限的药物（如 AZD1775），这种异质性尤为显著。
2. 机制解析： 模型能够区分导致浓度异质性的根本原因。例如，在 AZD1775 案例中，异质性源于转运蛋白；而在 MDZ 案例中，尽管代谢酶表达不均，但高转运速率抑制了浓度异质性。
3. 参数敏感性： 确定了 $h_2/V_{max}$ 比率是决定单细胞浓度异质性的关键指标。
4. 模型验证： 两个案例的 sPBPK 基础模型均能准确拟合临床或文献中的血浆及组织浓度数据（AZD1775 血浆/脑 AUC 误差分别为 12.6% 和 3.1%），证明了基础框架的可靠性。

5. 意义与展望 (Significance)

• 连接组学与药代动力学： scPBPK 模型为将现代单细胞多组学数据（scRNA-seq, 蛋白质组学）转化为药代动力学预测提供了计算框架。
• 精准医疗与疗效预测： 该模型有助于识别那些因药物浓度不足（低于 EC50）而可能导致治疗失败的特定细胞亚群（如肿瘤中的耐药细胞），从而指导更精准的给药策略。
• 向药效学（PD）扩展： 这是构建单细胞 PK/PD (scPBPK/PD) 模型的第一步。未来可以将单细胞药物浓度与单细胞药物反应（如信号通路激活、细胞死亡）直接关联，实现真正的定量系统药理学（QSP）。
• 方法论通用性： 提出的框架既可以从头构建，也可以由现有的 sPBPK 模型转化而来，具有广泛的适用性。

总结：
该论文开创性地提出了 scPBPK 建模框架，通过引入表达依赖过程和负二项分布加权函数，成功模拟了药物在单细胞水平的动力学行为。研究不仅展示了药物转运和代谢异质性如何导致细胞内浓度的巨大差异，还揭示了物质转运速率在均化这种差异中的关键作用。这一工具对于理解复杂疾病（如癌症）中的药物反应异质性和优化个体化治疗方案具有重要意义。