支持ADC藥物開發(fā)的PK/PD轉化框架研究
文章來源公眾號：藥理毒理開發(fā) 作者：曾子像
近年來，抗體-藥物偶聯(lián)物（ADC）的獲批從根本上改變了某些血液系統(tǒng)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(shù)。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(wěn)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(shù)據(jù)，可用于有效劑量預測和某些安全風險緩解。
ADC開發(fā)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(zhàn)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(fā)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(yōu)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(jù)偶聯(lián)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(shù)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(xù)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(jù)，例如對于采用馬來酰亞胺化學偶聯(lián)的ADC，會發(fā)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(lián)物（以偶聯(lián)載荷或偶聯(lián)抗體測量）、總抗體（完全偶聯(lián)、部分偶聯(lián)和未偶聯(lián)抗體）和未偶聯(lián)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(shù)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(shù)規(guī)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(shù)據(jù)以及幾種多種屬縮放方法，主要針對ADC的兩個成分：偶聯(lián)物和總抗體。大多數(shù)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(shù)據(jù)和CL的縮放指數(shù)為1進行的預測的最為準確，而且這一結果在偶聯(lián)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(xiàn)高偶聯(lián)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(shù)據(jù)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(fā)現(xiàn)，F(xiàn)IH劑量確定方法雖然主要基于毒理學終點，但也呈現(xiàn)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(fā)現(xiàn)，基于食蟹猴HNSTD的1/6或嚙齒動物STD10的1/10，并根據(jù)體表面積（BSA）進行換算，通常能夠在Ⅰ期臨床試驗中實現(xiàn)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(shù)（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。已上市11款ADC產品臨床起始劑量設計推演
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(fā)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(tǒng)藥理學建模方法）（Scheuher等人，2023）。
Griffin等人提出使用種屬間體形大�。ㄈ珞w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(shù)據(jù)較少，僅需相關小鼠異種移植模型中的有效劑量數(shù)據(jù)，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(fā)現(xiàn)的早期階段，用于優(yōu)先選擇分子并評估劑量可行性，以避免進一步開發(fā)那些可能需要過高臨床劑量的ADC。
Jumbe等人開發(fā)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(fā)。為了將PK/PD模型從小鼠轉化為人體，小鼠的PK參數(shù)被預測的人PK參數(shù)所替代，而估計的藥效學參數(shù)則假設在小鼠和人類之間是相同的。人體PK參數(shù)可以通過從食蟹猴的PK數(shù)據(jù)進行異速縮放預測。通過模型模擬不同劑量和方案以實現(xiàn)疾病穩(wěn)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(xiàn)疾病穩(wěn)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(xiàn)腫瘤縮�。˙etts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(shù)據(jù)，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(tǒng)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(fā)了一個multiscale mechanistic ADCs的PK/PD模型，該模型整合了多個維度，以實現(xiàn)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(tǒng)循環(huán)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(fā)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(fā)需要更多時間和資源，但其建�？蚣鼙徽J為可以通過替換相關參數(shù)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(yōu)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(shù)的動態(tài)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(fā)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(shù)的影響，能實現(xiàn)準確描述血小板計數(shù)的動態(tài)變化以及3級及以上血小板減少癥的發(fā)生率。同樣，Ait-Oudhia等（2017）還開發(fā)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(lián)抗體和未偶聯(lián)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(shù)據(jù)，探索了基于猴數(shù)據(jù)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(lián)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(fā)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。
