李 敏，李思澤，姚 莉，相小強

（復旦大學藥學院，上海 201203）

藥源性肝損傷（drug-induced liver injury，DILI）是一種常見的藥物不良反應，嚴重時可造成患者急性肝衰竭和死亡。DILI是近年來上市藥物被召回的重要原因之一，也是藥物標簽更改、增加黑框警告的常見原因之一。目前市場上仍有＞1000種藥物具有肝毒性風險［1］。DILI已成為藥物開發(fā)、監(jiān)管和使用人員所關(guān)心的重要安全性問題。

目前，全球DILI的發(fā)生率約為19/100 000［2］，我國總?cè)丝谥械陌l(fā)生率約為23.8/100 000［3］，高于全球水平。主要原因在于我國人口基數(shù)大、臨床藥物種類多（包含西藥和中藥等）、不規(guī)范用藥情況普遍及醫(yī)務人員和公眾對DILI的認知不足等［4-5］。而且我國DILI患者中有87%為急性DILI，容易發(fā)展為急性肝衰竭。但目前DILI治療方法并不多，僅能及時發(fā)現(xiàn)并停用可疑藥物，給予保肝和抗炎治療［5-6］。

雖然大部分患者治愈及好轉(zhuǎn)率＞90%［5］，但DILI尚存在難以及時診斷和鑒別的問題，且DILI的治療滯后易為患者帶來很大危害。為避免上市藥物發(fā)生肝毒性反應，藥物肝毒性已成為藥物研發(fā)和臨床應用過程中倍受關(guān)注的重要安全性問題。在藥物研發(fā)階段，藥物是否具有肝毒性及肝毒性程度可通過動物實驗和臨床試驗進行判斷或預測，其中動物實驗一般以實驗動物的肝病理變化作為判斷指標，而臨床試驗則一般以血清谷丙轉(zhuǎn)氨酶（glutamic-pyruvic transaminase，GPT）或谷草轉(zhuǎn)氨酶（glutamic-oxaloacetic transaminase，GOT）≥3倍正常值上限，作為肝損傷發(fā)生的早期敏感信號和判斷標準［5-7］。

由于動物與人體對藥物毒性具有一定的種屬差異，動物實驗結(jié)果往往不能反映藥物對人體的毒性。Fasiglifam（TAK-875）是一種治療糖尿病的候選藥物，嚙齒動物的毒性實驗結(jié)果表明，該藥不會誘發(fā)動物肝損傷，但在進入臨床Ⅲ期試驗后發(fā)現(xiàn)，治療組出現(xiàn)GPT≥3倍正常值上限的概率比安慰劑組高，且劑量越大產(chǎn)生肝毒性的概率越高，因此該藥的研發(fā)被中斷［8］。臨床試驗中一旦出現(xiàn)肝損傷信號，該藥物的臨床試驗即需停止，這就意味著藥物研發(fā)的前期努力付之東流。藥物即使能夠成功上市，并不代表該藥的肝毒性監(jiān)管就此結(jié)束。曲格列酮在被批準用于治療2型糖尿病后不久，即因其肝毒性而退出市場。但在體外毒性試驗、動物實驗和臨床試驗中，均未發(fā)現(xiàn)其具有肝毒性，主要原因在于此診斷肝損傷的標準仍具有局限性［9］。

雖然生物標志物（如GPT）已經(jīng)是DILI早期預警信號，但仍不能在藥物研發(fā)過程中對DILI進行早期預測和診斷。由于動物研究倫理要求變高且效率低，依靠動物實驗判斷藥物肝毒性的方法不再成為DILI研究的首選。同時，不同種屬間的肝毒性差異也為DILI的準確判斷帶來許多困難。因此，歐盟與美國出臺了一系列政策鼓勵以非動物實驗作為評價藥物安全性的方法［10］。眾多研究者將藥物肝毒性的判斷和預測從傳統(tǒng)的動物實驗，轉(zhuǎn)向基于細胞或細胞器的分子生物學實驗和基于數(shù)學模型的非生物學實驗的替代方法。基于數(shù)學模型的肝毒性預測方法，主要包括基于化合物結(jié)構(gòu)定量構(gòu)效關(guān)系（quantitative structure-activity relationship，QSAR）模型、基于毒理基因組學模型和基于人生理藥動學（physiologically based pharmacokinetic，PBPK）模型的方法。不少以QSAR模型為基礎(chǔ)的計算工具和軟件已經(jīng)上市應用，如Toxmatch?，Toxtree和ADMET predictor?等。以PBPK模型為基礎(chǔ)的肝毒性預測工具如DILIsym?，也已經(jīng)開始應用。

本文介紹目前3類基于數(shù)學模型預測藥物肝毒性的方法——基于QSAR模型、毒理基因組學模型和PBPK模型的方法，以期為DILI的早期預測和肝毒性藥物臨床合理應用提供參考。

1 基于定量構(gòu)效關(guān)系模型的方法

QSAR模型使用數(shù)學模型描述化合物結(jié)構(gòu)與其性質(zhì)之間的關(guān)系［11］，根據(jù)已知化合物的結(jié)構(gòu)信息推測化合物的特定理化或生物學性質(zhì)，可以對未知化合物性質(zhì)進行定性或定量預測［12］。目前，使用QSAR模型預測肝毒性仍屬于定性預測［13］，主要分為4個步驟：①篩選肝毒性和非肝毒性化合物；②依據(jù)化合物結(jié)構(gòu)計算并篩選分子描述符或指紋，構(gòu)建學習集；③利用數(shù)學工具探尋定量-構(gòu)效關(guān)系；④驗證結(jié)果并優(yōu)化模型［14-15］。

以Huang等［16］研究為例，他們選擇了136種肝毒性和65種非肝毒性藥物，根據(jù)化合物結(jié)構(gòu)計算并篩選出1064個合適的分子描述符或指紋，使用隨機森林（random forest，RF）算法構(gòu)建模型，并使用10倍嵌套-交叉驗證方法優(yōu)化模型。預測結(jié)果發(fā)現(xiàn)，最佳模型的準確度最高為79.1%，驗證集測試準確度為87.0%。也有研究者根據(jù)化合物肝毒性程度分別建立二分類模型（2-class model，包括DILI和no-DILI藥物，即肝毒性藥物和非肝毒性藥物）和三分類模型（3-class model，包括 most-DILI、less-DILI和no-DILI藥物，即強肝毒性藥物、弱肝毒性藥物和非肝毒性藥物），并對比2種分類模型預測肝毒性結(jié)果的準確度。結(jié)果發(fā)現(xiàn)，三分類模型不僅預測結(jié)果準確度較高，而且具有更高的肝毒性分辨率，可以更好的區(qū)分非肝毒性和肝毒性藥物［17］。為了提高肝毒性分類預測的分辨率，Liu等［18］也根據(jù)多種不良肝反應（adverse hepatic effects，AHE）與機器學習相結(jié)合，構(gòu)建了1個三級肝毒性預測系統(tǒng)。該系統(tǒng)使用化合物結(jié)構(gòu)作為基礎(chǔ)數(shù)據(jù)，化合物肝毒性作為預測終點指標，4個肝毒性嚴重度和特定AHE作為分類指標。在收集2017種化合物和403種AHE相關(guān)的化合物信息后，使用RF算法構(gòu)建了27個模型，獲得了67.0%～78.2%的準確度。這類肝毒性分層預測系統(tǒng)為多角度分析候選藥物性質(zhì)提供了幫助。

目前，這類只使用單個機器學習算法的QSAR模型研究比較廣泛，但由于所選數(shù)據(jù)的來源不同、內(nèi)容不均衡和訓練集化合物數(shù)量的差異，這類方法的精確度和穩(wěn)定性變化較大，準確度在60%～90%不等［11］，而且每一種建模算法的優(yōu)缺點不同，在建模過程中可能會出現(xiàn)欠擬合和過擬合等問題，影響預測結(jié)果的準確性和可信度。

為揚長避短，也有研究者嘗試使用多種機器學習算法，構(gòu)建集成且預測效果更好的QSAR模型。集成模型預測結(jié)果更準確，且可避免單一模型的缺點［19］。集成模型的構(gòu)建步驟與單個模型相似，但研究者會根據(jù)單一算法建模結(jié)果，構(gòu)建含有不同模型的多個集成模型，并比較不同集成模型的預測結(jié)果，以獲得一個最優(yōu)的集成模型［20］。如Ai等［20］設(shè)計了一種集成模型預測DILI的方法，從文獻中篩選并建立了1個含1241種化合物的分子描述符數(shù)據(jù)庫后，同時使用3種算法：支持向量機（support vector machine，SVM）、RF和極端梯度增強（extreme gradient boosting，XGBoost）算法及 12 個分子指紋，建立了36個基礎(chǔ)算法模型和35個集成模型，并使用5倍-交叉驗證方法進行驗證。結(jié)果顯示，集成模型的預測效果普遍比傳統(tǒng)單一模型更好，最佳集成模型是由5個分類器組成的，稱為集成Top-5的模型，準確度為（71.1±2.6）%，驗證集準確度為84.3%。而36個基礎(chǔ)算法模型預測結(jié)果的準確度高低不齊，范圍在62.7%～70.2%。

總體而言，基于QSAR模型預測肝毒性的方法的優(yōu)勢在于快速且高效，適用于藥物研發(fā)前期對化合物進行高通量篩選，這有助于降低藥物研發(fā)成本，縮短研發(fā)周期。目前也已有相關(guān)軟件上市應用，如美國Simulation Plus公司所研發(fā)的ADMET Predictor軟件和歐洲化學局聯(lián)合中心（Joint Research Centre of European Chemicals Bureau）開發(fā)的免費毒性預測平臺Toxtree。但基于QSAR模型預測肝毒性的方法的缺點也在于只依賴化學結(jié)構(gòu)，且預測結(jié)果的準確性很大程度上取決于建模所選化合物的數(shù)量和種類，與各種建模算法無顯著關(guān)系。化合物結(jié)構(gòu)能反映化合物的一些理化性質(zhì)和藥效，但并不能完全表明化合物是否具有肝毒性。藥物在人體是否引起DILI，不僅取決于化合物的結(jié)構(gòu)，也與其在體內(nèi)的暴露量有密切關(guān)系。而基于QSAR模型的方法忽略了藥物在人體內(nèi)的暴露量。如托卡朋（tolcapone）和恩他卡朋（entacapone）2種藥物的結(jié)構(gòu)類似，使用QSAR模型分析發(fā)現(xiàn)兩者結(jié)構(gòu)并無明顯差異，但是前者由于具有肝毒性且可造成急性肝衰竭而退市，而后者卻無肝毒性［21］。

2 基于毒理基因組學模型的方法

藥物的毒性效應與基因表達之間存在著密切的聯(lián)系，通過測試藥物肝毒性所誘導的基因變化，即可探究某基因與藥物肝毒性之間的關(guān)系。目前已有公開2個大規(guī)模毒理基因組學數(shù)據(jù)集：日本毒理基因組學數(shù)據(jù)庫（Toxicogenomics Project-Genomics Assisted Toxicity Evaluation System，TG-GATEs）［22］和 DrugMatrix 數(shù)據(jù)庫［23］，這 2 個數(shù)據(jù)集可能為開發(fā)DILI預測模型帶來新的進展［24］。

目前有研究者開始利用毒性基因組學數(shù)據(jù)，構(gòu)建數(shù)學模型預測藥物肝毒性的方法，根據(jù)體外實驗和生物學分析確定肝毒性相關(guān)基因，并構(gòu)建數(shù)學模型模擬該基因表達水平與藥物肝毒性之間的定量關(guān)系，相關(guān)性越高證明肝毒性可能性越大。Zidek等［25］已預測出64個肝毒性的關(guān)鍵基因。為提高預測準確度，Su等［26］依據(jù)SVM遞歸特征消除（SVM-recursive feature elimination）、最小冗余最大相關(guān)性（min-redundancy max-relevance）和交叉驗證創(chuàng)建了一種模型，并命名為MEMO，用于構(gòu)建數(shù)學模型預測肝毒性。他們首先進行體外細胞實驗，并獲得多劑量下藥物濃度信息，建立藥物多劑量-反應曲線；隨后根據(jù)體外實驗結(jié)果使用MEMO方法篩選相關(guān)基因，并進行生物學分析，確定了10個肝毒性相關(guān)基因；最后使用TG-GATEs數(shù)據(jù)庫信息進行了驗證。實驗結(jié)果表明，使用該預測模型可以準確高效地預測藥物引起的肝毒性，準確度達到97%。與其類似，Cha等［27］選取了8種肝毒性藥物和8種非肝毒性藥物，使用藥物的HepG2細胞毒性基因組學數(shù)據(jù)，建立了模型預測非甾體類抗炎藥引起DILI的風險，模型確定了77個毒性相關(guān)基因，并成功對訓練集外的4種藥物（酮洛芬、萘丁美酮、吲哚美辛和尼氟酸）肝毒性進行了預測。同時有研究者發(fā)現(xiàn)，基于毒理基因組學數(shù)據(jù)預測肝毒性的結(jié)果要明顯優(yōu)于QSAR模型，前者正確分類率為76%，而后者只有61%［28］。但也有研究表明，毒性基因作為生物標志物預測肝毒性的效果，可能不如臨床研究中所使用的生物標志物敏感［10］?；诙疚锘蚪M學的預測模型并無預想的有效，部分原因是開發(fā)成本高，且缺乏先進的數(shù)據(jù)挖掘工具。另外，也可能在于基因表達改變并不足以誘發(fā)藥物產(chǎn)生肝毒性變化，具體原因仍需進一步研究。

因此，預測肝毒性時，除考慮藥物理化性質(zhì)、肝毒性敏感性和毒性基因的變化，更需要考慮藥物在體內(nèi)濃度變化，尤其是在肝部位的暴露量，而這往往需要用到更先進的數(shù)學模型，如PBPK模型。

3 基于生理藥動學模型的方法

DILI的發(fā)生一方面取決于肝細胞對藥物或其代謝產(chǎn)物的敏感性，另一方面也取決于藥物在肝的暴露濃度和持續(xù)時間。前者可通過肝細胞體外實驗數(shù)據(jù)結(jié)合數(shù)學模型得到，而后者則需要借助PBPK模型。

PBPK模型是一種基于機體生理學知識，利用數(shù)學模型，對人體或動物體內(nèi)的藥動學特征——吸收、分布、代謝和排泄進行定量模擬和預測的方法［29-30］。PBPK模型根據(jù)解剖結(jié)構(gòu)，將機體分為一系列的房室，每個房室代表某個器官組織或其一部分，并相應整合了這些器官的生理生化參數(shù)，包括器官體積、血流量、組織成分、細胞內(nèi)外液比例、代謝酶和轉(zhuǎn)運體表達量等。藥物在各個房室之間的轉(zhuǎn)移按照機體循環(huán)系統(tǒng)的流向進行，并遵循物料平衡原理。PBPK技術(shù)的一大優(yōu)點是其強大的外推功能。例如，動物PBPK模型可以外推到人［31-33］?；赑BPK模型的方法可推廣預測候選藥物的肝毒性、藥物肝毒性濃度和臨床安全劑量范圍［34］，既可應用于藥物非臨床研究階段，也可應用于臨床試驗階段，甚至可以替代部分臨床試驗。而且，隨著數(shù)學模型的發(fā)展，越來越多的模型被應用到肝毒性的預測中。根據(jù)數(shù)學模型的不同，基于PBPK模型預測肝毒性的方法可以分為以下幾類。

3.1 PBPK模型結(jié)合毒理基因組學的方法

Thiel等［35］將毒理基因組學與PBPK模型結(jié)合預測藥物肝毒性和毒性閾劑量，提出了具有代表性的方法即基于PBPK模型的體外毒性數(shù)據(jù)體內(nèi)轉(zhuǎn)化（PBPK-based in vivo contextualization of in vitro toxicity data，PICD）法。PICD法利用基因表達譜數(shù)據(jù)庫和功能富集分析方法，將人和大鼠的體外細胞實驗所獲的毒性數(shù)據(jù)，轉(zhuǎn)化為定量化的體內(nèi)毒性基因表達數(shù)據(jù)和關(guān)鍵生物學通路數(shù)據(jù)，并整合到人或大鼠的全身PBPK模型中，模擬藥物產(chǎn)生毒性的基本分子機制，定量預測不同藥物劑量或體內(nèi)濃度下產(chǎn)生的藥物體內(nèi)毒性反應隨時間變化的情況。他們使用體外細胞實驗，發(fā)現(xiàn)硫唑嘌呤對細胞分裂周期25B蛋白、Wee1蛋白激酶和CHK1細胞周期檢查點激酶（CHK1 checkpoint homolog），特別是對polo樣激酶1（polo-like kinase 1）和細胞周期調(diào)控蛋白B1/B2均產(chǎn)生了顯著的影響，然后使用基因芯片陣列測定不同藥物濃度下肝細胞基因的變化，建立了硫唑嘌呤肝細胞濃度-基因變化模型；隨后他們將該模型與人或大鼠的PBPK模型整合從而建立PICD方法，并構(gòu)建硫唑嘌呤劑量-肝濃度-基因變化之間的關(guān)系。因此，可以依據(jù)硫唑嘌呤口服劑量的變化，得到硫唑嘌呤致肝毒性的基因和細胞變化，達到預測藥物肝毒性的效果。此次研究預測結(jié)果，硫唑嘌呤在20.7 mg·kg-1劑量下會使細胞DNA復制和細胞循環(huán)受到抑制，進而引發(fā)藥物肝毒性［36］。

這種研究思路可推廣至其他藥物的肝毒性預測中，有助于臨床應用中藥物不良事件的早期診斷；通過鏈接PBPK模型，PICD法還可以預測藥物閾劑量，提供新的臨床用藥思路。通過選擇合適的體外實驗方法和建立PBPK模型，PICD法也可用于預測藥物的腎毒性、心血管毒性和發(fā)育毒性等，應用范圍廣泛，發(fā)展空間大。

3.2 PBPK模型結(jié)合細胞分析的方法

在藥物的安全性評估中，替代動物試驗的方法正變得越來越重要，各種細胞模型已經(jīng)被開發(fā)出來，如人類肝細胞系、新鮮分離的肝細胞、3D模型和器官芯片模型等細胞分析模型［37］。但細胞模型只考慮藥物肝毒性的敏感性，可描述和預測肝毒性在體外系統(tǒng)的情況，尤其是考慮藥物與細胞的蛋白質(zhì)、脂質(zhì)和基因的結(jié)合和分布，但忽視了體內(nèi)暴露量和持續(xù)時間。而PBPK模型則可以模擬和預測藥物在體內(nèi)動態(tài)變化過程［38］。因此，研究者開始考慮將細胞模型和PBPK模型進行結(jié)合并預測肝毒性。

Paini等［38］構(gòu)建了一種結(jié)合虛擬細胞分析（virtual cell based assay）和PBPK模型預測雌二醇肝毒性的方法。此方法使用HepaRG細胞作為人體肝細胞的替代品，細胞活性作為體外毒理學終點指標，并使用虛擬肝細胞作為肝毒性研究模型，虛擬肝細胞模型所需要的相關(guān)參數(shù)可從細胞實驗和PBPK模型中獲得，包括無影響濃度（no effect concentration）和殺傷率。他們將虛擬肝細胞的模擬結(jié)果和PBPK模型整合到KNIME數(shù)據(jù)工作平臺，開發(fā)了一個用戶友好的工具，用于預測肝毒性。這種方法強化了體內(nèi)外藥物暴露量與肝毒性之間的聯(lián)系，可用于藥物肝毒性劑量預測，以支持藥物肝毒性的風險評估。

根據(jù)體外實驗獲得不同濃度下肝細胞毒性變化數(shù)據(jù)，建立藥物濃度與肝毒性關(guān)系的數(shù)學模型，而PBPK模型可以模擬藥物體內(nèi)濃度動態(tài)變化過程，獲得藥物劑量和肝濃度的變化曲線［32］，這2個模型融合計算，獲得“藥物劑量-體內(nèi)肝濃度-肝毒性”之間的定量關(guān)系，即可對肝毒性進行預測。Yamazaki等［39］對肝毒性的預測方法就是采用了上述策略。他們在預測了53種不同化學物質(zhì)的口服生物利用度（基于Caco-2細胞滲透性實驗）后，利用日本Hazard Evaluation Support System（HESS）平臺，擬合了口服生物利用度與未產(chǎn)生肝毒性藥物閾濃度之間的定量關(guān)系。之后使用簡化的大鼠PBPK模型估算藥物的肝與血漿濃度比與藥物口服劑量之間的關(guān)系，發(fā)現(xiàn)部分藥物的PBPK模型預測的最大血漿濃度和血藥濃度-時間曲線下面積（area under curve，AUC）與已報道的大鼠體內(nèi)的無明顯肝毒性的濃度一致，并且發(fā)現(xiàn)2-巰基苯并咪唑等幾種化合物的最大血藥濃度超過了引起肝毒性的閾值濃度，可能引發(fā)肝毒性反應。該方法證實了大鼠PBPK模型預測肝毒性的可能性，未來可推廣至人體PBPK模型。

3.3 PBPK模型結(jié)合深度學習的方法

隨著人工智能、深度學習方法研究的推進，相關(guān)研究方法也被應用到肝毒性的預測中，并取得不錯的效果。如Alarecht等［40］提出了一種利用SVM分類器與PBPK模型預測肝毒性的新方法。他們選取了28種典型的肝毒性或非肝毒性化合物作為訓練集，利用人類原代肝細胞和HepG2細胞對其進行體外細胞毒性實驗，獲得相關(guān)細胞毒性數(shù)據(jù)，包括不同孵育時間（24，48和72 h）的EC10（引起10%毒性效應的濃度）、EC50（引起50%毒性效應的濃度）和EC90（引起90%毒性效應的濃度）；然后根據(jù)文獻報道的訓練集化合物的安全劑量和肝毒性劑量，利用PBPK模型預測得到相對應的體內(nèi)暴露量（最大血藥濃度Cmax、全血中Cmax和AUC等）；然后將訓練集化合物對應的體外毒性數(shù)據(jù)，體內(nèi)暴露量以及該暴露量對應的臨床結(jié)果（肝毒性/非肝毒性）輸入SVM分類器，通過機器學習可以實現(xiàn)對肝毒性和非肝毒性訓練集化合物的分離，而且通過計算藥物在SVM向量空間的坐標，可以計算其肝毒性概率。因此，對于信息有限的化合物，該法可以直接根據(jù)化合物的體外細胞毒性數(shù)據(jù)，推測化合物肝毒性的特定概率所對應的血液濃度。最后，通過PBPK建模，血液濃度可以反推為相應的口服劑量，從而將口服劑量與一定的肝毒性風險聯(lián)系起來，預測該化合物在特定概率下不產(chǎn)生肝毒性的可接受日攝取劑量。該研究也發(fā)現(xiàn)，將藥物的全血Cmax以及48 h的EC10作為SVM分類器的輸入?yún)?shù)時，該法能達到最佳的分離性能和準確度，其敏感性、特異性和準確性分別為100%，87.5%和93.3%，顯示出較傳統(tǒng)毒理學研究更優(yōu)越的性能。未來該法可廣泛應用于預測西藥和中藥成分的肝毒性，為藥物的肝毒性研究提供新的思路。

3.4 PBPK模型結(jié)合DILIsym模型的方法

藥物產(chǎn)生肝毒性的本質(zhì)原因是引起肝細胞死亡［41］，但肝細胞死亡與細胞內(nèi)細胞器或蛋白質(zhì)的變化有著密切的關(guān)系［42］。為提高預測準確性，Simulations Plus公司聯(lián)合19家較大的制藥公司、美國食品藥品監(jiān)督管理局（Food and Drug Administration，F(xiàn)DA）和學術(shù)界共同支持研發(fā)的一個DILI評估系統(tǒng)，PBPK模型結(jié)合DILIsym模型的方法（以下簡稱“DILIsym模型”）［43］，這也是以PBPK模型為核心技術(shù)，基于藥物對細胞器或某蛋白的干擾以預測藥物肝毒性最為成功的應用。

DILIsym模型利用定量系統(tǒng)毒理學的原理，集PBPK模型、DILI機制數(shù)據(jù)與患者的個體差異為一體，預測待測藥物的肝毒性和肝毒性生物標志物濃度隨時間變化的情況［43-44］。目前，DILIsym模型整合了當今最為前沿的肝毒性機制數(shù)學模型，包括線粒體損傷、活性氧的產(chǎn)生（氧化應激）、膽汁酸瘀積、活性代謝物的產(chǎn)生、脂毒性和先天免疫反應的激活等，這些機制均會引起肝細胞凋亡或壞死，最終會引起傳統(tǒng)生物標志物如GPT和非傳統(tǒng)生物標志物如谷氨酸脫氫酶和miR-122等釋放并進入體循環(huán)［45-46］。

DILIsym模型結(jié)合模擬體內(nèi)藥物動態(tài)濃度變化的PBPK模型，根據(jù)體外獲取的肝毒性機制的特征參數(shù)，使用所配套的SimPops?軟件構(gòu)建虛擬人群，用來預測人群中的肝毒性反應，并得到肝毒性反應的個體差異，表現(xiàn)為肝損傷生物標志物的體內(nèi)動態(tài)變化［47-48］。DILIsym型的概念如圖1，可以呈現(xiàn)多維度肝生理變化學，包括藥物和細胞相互作用、藥物對肝整體的影響作用、藥物的全身分布和代謝的變化，以及藥物引起肝毒性反應后人體生物標志物的變化［49］。

圖1 DILIsym模型概念[49].左側(cè)內(nèi)容代表藥物在不同生理維度的變化(即細胞、組織、器官到人體層面)；右側(cè)分別代表相應維度下藥物對肝細胞、肝和人體產(chǎn)生的影響。體外細胞實驗體現(xiàn)藥物對肝細胞功能的影響，PBPK模型體現(xiàn)藥物在體內(nèi)的濃度變化，SimPop?軟件體現(xiàn)人體肝功能生物標志物的變異性。DILIsym模型可以達到直接預測藥物肝毒性的功能(即肝損傷生物標志物的濃度變化).

目前，DILIsym模型主要應用于回顧性研究，以驗證該模型的預測準確度。為驗證DILIsym模型預測肝毒性的前瞻性能力，目前有幾項臨床研究正在開展中。DILIsym模型對藥物TAK-875是否產(chǎn)生DILI進行了回顧性預測研究。TAK-875的體外細胞毒性機制數(shù)據(jù)（抑制膽汁酸轉(zhuǎn)運蛋白和線粒體電子傳遞鏈酶）結(jié)合PBPK模型和245個虛擬2型糖尿病患者，經(jīng)過DILIsym模型預測，發(fā)現(xiàn)不同藥物劑量下PBPK模擬結(jié)果與實際結(jié)果擬合較好（血漿中AUC和Cmax的觀察值與模擬值比值＜1.5）。而且也發(fā)現(xiàn)虛擬患者的GPT濃度具有差異，尤其是200 mg·d-1的劑量下，虛擬患者的GPT濃度＞上限3倍的概率為16/245（6.5%），與實際臨床試驗的結(jié)果（4.0%）接近，說明DILIsym模型可以預測藥物是否導致人肝毒性，而且也可模擬臨床試驗的結(jié)果［50］。

而且，DILIsym模型也可有效避免預測結(jié)果出現(xiàn)種屬差異。曲格列酮的臨床研究表明其具有肝毒性，但是在動物實驗中卻未被發(fā)現(xiàn)。DILIsym模型根據(jù)體外肝細胞毒性數(shù)據(jù)定量預測曲格列酮肝毒性時，發(fā)現(xiàn)臨床劑量在20～60 mg·d-1時，虛擬受試者出現(xiàn)GPT超過正常值上限3倍以上的比例是0.3%～5.1%，接近于臨床上觀察到的比例（1.9%）。同時預測結(jié)果也發(fā)現(xiàn)，膽汁酸在人體內(nèi)的升高幅度遠高于大鼠，這與大鼠的膽汁酸具有親水性強和毒性小有關(guān)，所以動物實驗結(jié)果才會與臨床試驗結(jié)果相反［9］。從曲格列酮也可看出，雖然動物實驗還是進行非臨床肝毒性研究的重要方法，但種屬差異會影響最終結(jié)果。而DILIsym模型的預測結(jié)果不僅可有效避免種屬差異問題，有效提高預測的準確性，而且可為解決待測藥物待解決的肝毒性機制問題提供參考，具有一舉多得的優(yōu)點。

在藥物肝毒性的預測中，許多同類藥物由于結(jié)構(gòu)類似，常被認為具有類似的肝毒性，但事實并非如此，如托卡朋和恩他卡朋。DILIsym模型預測結(jié)果發(fā)現(xiàn)，托卡朋使用推薦劑量時，2.2%虛擬受試者會出現(xiàn)GPT顯著升高，與臨床觀察到1.3%～5.0%的頻率相符；而恩他卡朋未發(fā)現(xiàn)引起GPT顯著升高。且DILIsym模型也發(fā)現(xiàn)恩他卡朋的肝清除速率快于托卡朋，托卡朋的線粒體解偶聯(lián)作用強于恩他卡朋，且托卡朋的肝濃度比恩他卡朋高出3倍，因此才會出現(xiàn)兩者結(jié)構(gòu)類似但肝毒性相差較大的結(jié)果［51］。

另一方面，DILIsym模型由于能夠很好地描述肝細胞的生理過程，如肝的再生過程和細胞凋亡或壞死后生物標志物的釋放等，因而也能解釋臨床上發(fā)現(xiàn)的肝損傷生物標志物變化時肝損傷的具體情況。恩托利莫（entolimod）作為一種抗腫瘤藥物，在健康志愿者的早期安全性試驗中發(fā)現(xiàn)，該藥可引起受試者的GPT和GOT顯著升高，甚至＞1000 U·L-1，所以該藥的研發(fā)一度中止。但通過DILIsym模擬預測發(fā)現(xiàn)，該藥造成的肝細胞壞死數(shù)量≤整個肝細胞數(shù)量的5%，＜肝移植時捐贈者的肝切除比例，不會帶來很大的健康風險。因此，該藥的開發(fā)得以繼續(xù)進行［52］。這也證實了DILIsym模型可以有效的避免藥物研發(fā)中的“濫殺無辜”現(xiàn)象的出現(xiàn)。

DILIsym模型所使用的數(shù)據(jù)是細胞器水平的毒性數(shù)據(jù)，依據(jù)藥物對細胞內(nèi)部結(jié)構(gòu)的影響，提前預知藥物致肝損傷的前期變化，達到早期預測的效果。同時，DILIsym模型也可為未知藥物致DILI的機制提供參考。而且DILIsym模型可以預測肝細胞再生過程、生物標志物釋放和細胞凋亡或壞死程度，因此能有效預測一過性肝損傷，避免出現(xiàn)過度預測。隨著模型的不斷優(yōu)化，未來DILIsym模型也許可以替代部分臨床試驗，減少藥物研發(fā)對臨床試驗的依賴，簡化藥物研發(fā)流程，加快藥物上市流程。但DILIsym模型也有缺陷，如缺乏特殊人群模型，如兒童和老年人模型；缺乏其他肝損傷機制的參數(shù)。

基于PBPK模型的預測方法可以有效預測藥物是否產(chǎn)生DILI和毒性口服閾劑量，而且在預測化合物的肝毒性方面具有很大優(yōu)勢：不依賴化合物結(jié)構(gòu)，可以避免出現(xiàn)結(jié)構(gòu)相似的化合物預測結(jié)果也相似的問題；有效避免預測結(jié)果出現(xiàn)種屬差異的情況，提高藥物研發(fā)效率；也可以確定藥物的可接受日攝取劑量，有效提高藥物臨床試驗的成功率和使用安全性。但是由于細胞實驗和建模過程的復雜性，這類方法失去了QSAR模型簡單易行的優(yōu)點，不適用于快速篩選藥物。

4 結(jié)語

DILI是一種廣受關(guān)注的嚴重藥物不良反應，其預測方法的研究可以更早獲知藥物的肝毒性，代替動物實驗，提高臨床試驗和臨床用藥安全性。因此，數(shù)學模型預測DILI方法的快速發(fā)展為全球藥物研發(fā)和臨床使用提供巨大的幫助。目前正在研究中的3類數(shù)學模型DILI預測方法：基于QSAR模型的方法、基于毒理基因組學模型的方法和基于PBPK模型的方法，從不同的角度提出了可替代傳統(tǒng)體內(nèi)實驗方法，促進藥物研發(fā)和使用的進步。因此，藥物研究者可以在不同階段根據(jù)需求選擇合適的方法。

目前，DILI預測方法的發(fā)展仍面臨許多挑戰(zhàn)。QSAR方法和其他需要使用計算機算法的方法在使用中既需依靠所選化合物的性質(zhì)和數(shù)量，也需依靠算法的普適性和準確性，所以無法判別哪種化合物和算法更適合DILI預測，預測結(jié)果的準確性也無法保證；毒理基因組學所依賴的基因組學測序技術(shù)面臨升級困境，且缺乏數(shù)據(jù)信息挖掘的新技術(shù)；而PBPK模型的建立依靠大量體內(nèi)外數(shù)據(jù)，如果藥物體內(nèi)變化過程無法明確，或缺乏特殊人群的體內(nèi)數(shù)據(jù)，則無法建立合適的PBPK模型，從而降低預測結(jié)果準確性。未來數(shù)學模型預測DILI方法的發(fā)展有賴于肝毒性機制和基礎(chǔ)計算機算法研究的進步，也需要依靠技術(shù)和實驗設(shè)備的發(fā)展。