【royal皇家88娱乐】采用基于生理的生物药剂学模型桥接抗肿瘤药物的体外溶出和体内暴露，制定粒径标准等

原文作者

Xavier J.H. Pepina1, Andrea J. Moir1, James C. Mann1, Natalie J.Sanderson1, Richard Barker1,Elizabeth Meehan1, Allan P. Plumb1, George R. Bailey1, Dean S. Murphy1, Cecile M. Krejsa1,Marilee A. Andrew2, Timothy G. Ingallinera2, J. Greg Slatter2

1. 阿斯利康制药技术与开发（英国）

2. Acerta制药公司（美国）

导  读

本文整合原料药API表面微环境pH对溶出的影响，建立了弱碱性药物Acalabrutinib的 PBBM模型，考察胃pH值、质子泵抑制剂等因素对其体内暴露的影响，解释了与果汁共同给药后暴露降低的原因。由溶出数据推导出制剂中API的粒度分布P-PSD，将P-PSD整合到PBBM模型中，指导制定了粒径分布的安全空间。

案例摘要

Acalabrutinib（Calquence®）已获得FDA的加速审批，用于治疗已至少接受过一种疗法的套细胞淋巴瘤患者。Acalabrutinib是CYP3A4和P-gp的底物，很大一部分的药物通过肠道首过代谢，绝对生物利用度为25％。采用自上而下（Top-down）的方法建立了Acalabrutinib生理药剂学PBBM模型，考察了胃pH值、肠道P-gp的饱和度、肠道CYP3A4的饱和度或抑制程度等对Acalabrutinib药代动力学的影响。

由不同批次制剂对应的溶出数据推导出制剂中Acalabrutinib的粒度分布（P-PSD），并将P-PSD整合到PBBM模型中，指导制定了粒径分布的安全空间，预测了正常胃pH条件以及质子泵抑制剂联合给药后的临床药代动力学，还成功解释了Acalabrutinib与果汁共同给药后，体内暴露降低的原因。

推荐理由

本案例通过调整胃pH的方式，将弱碱性药物表面pH对溶出的影响纳入到PBBM模型中，为同类药物的建模提出了新思路。同时，由不同批次制剂对应的溶出数据推导出制剂中API的粒度分布（P-PSD），并将P-PSD整合到PBBM模型中，拓展了体外溶出与体内PK的桥接方式，也为粒径标准的制定提出了新的方法。最后，也为通过模型考察果汁、质子泵抑制剂对药物体内暴露的影响提示了参考。

软件用途

本案例借助GastroPlus软件搭建了Acalabrutinib PBBM模型，通过参数敏感性分析考察了渗透性、溶解度、胃转运时间、胃pH值、肠道P-gp的饱和度、肠道CYP3A4的饱和度或抑制程度对Acalabrutinib药代动力学的影响；指导制定了粒径分布的安全空间，预测了正常胃pH条件以及质子泵抑制剂治疗后的药代动力学，基于模型成功解释了Acalabrutinib与果汁共同给药后暴露降低的原因。

1. 研究背景

经典的IVIVC是体内吸收率和体外溶出度之间的数学关系，这限制了它在某些情况下的适用性，比如体内溶解度限速步骤、不同的给药条件、不同的物种或生理条件。而基于生理学的药代动力学（PBPK）模型，将胃肠道分为不同的隔室，并综合了不同肠段的容积、pH、转运时间等生理因素，同时也考虑了药物吸收、溶解、沉淀和渗透等因素。另外，肠道首过效应、主动摄取、外排也可以整合到该模型中，这种IVIVC被称为“机制性”或“基于PBPK”的模型，并将其归类为基于生理的生物药剂学模型（PBBM），可以纳入生理变量对溶出和吸收的影响，是一种IVIVC的替代。

将药物溶出度数据与PBBM工具最佳的整合方法尚有争议。其中，Noyes-Whitney方程整合了药物粒度分布（P-PSD）是将临床相关的溶出数据整合到PBBM模型中的有效方法。

许多患者由于接受了酸还原剂治疗或由于种族、年龄而表现出胃pH值的不同。而对于弱碱性药物，通常需要在临床前和临床上评估胃pH值对人体暴露量的影响，并使用PBBM模型进行敏感性分析。如果制剂或活性成分对pH敏感，则在评估药物制剂的等效性时，受试者间和受试者内的胃肠道pH的变异性是纳入PBBM模拟的重要因素。

对于弱碱性药物，在最大碱性pKa以下，表面pH值对表面溶解度的影响很重要，根据药物的pKa，应在PBBM模型的部分或全部胃肠道隔室中考虑这一点。为了使用表面pH计算溶出率，Cristofoletti等人手动更改了生理隔室模型中的胃pH值。本研究使用了相同的方法，并提出了理论方程式，通过在胃环境中药物的特性预测表面pH值，从而可根据表面pH计算药物的溶出速率。

本研究的PBBM模型策略包括4个步骤。模型建立，通过绝对生物利用度研究，自上而下（Top-down）的方法建立模型；参数敏感性分析，了解哪些参数对Acalabrutinib的药代动力学影响较大；模型验证，考察PBBM模型是否可以重现来自5项独立临床研究中16种不同临床方案的观测结果。模型应用，确定原料药粒径的安全空间及评估质子泵抑制剂对Acalabrutinib体内PK的影响，探究与果汁共同给药后暴露降低的原因。

2. 研究方法

1）体外研究

测定了Acalabrutinib的理化及生物药剂学参数，如密度、pKa，溶解度，logP, 游离药物分数（fup）、全血血浆分配比（Rbp）,使用Transwell法测定了Acalabrutinib的MDCK-MDR1细胞渗透性，使用Brunauer、Emmett和Teller (BET)法测定了Acalabrutinib颗粒的表面积，使用扫描电子显微镜（SEM）对Acalabrutinib颗粒进行成像，使用激光衍射法测定了粒径分布（D10，D50，D90）, 计算了Acalabrutinib的表面pH值。

使用体外溶出曲线计算得到了Acalabrutinib的粒径分布P-PSD，并且计算得到P-PSD在整个生理pH范围内可以解释简单或复杂溶出介质，以及在天然或合成表面活性剂的存在下，所有体外溶出条件的溶出。

测定了100 mg Acalabrutinib胶囊（L0505009批次）在水、葡萄柚汁或橙汁中的溶出，溶出方法为USP2法，50rpm，37°C，前30min置于60 mL pH 1.2模拟胃液（SGF）和分别与240 mL水、葡萄柚汁（影响药物的溶出，并抑制CYP3A）或橙汁（影响药物的溶出）的混合溶液中，而后加入300mL 2倍浓度的模拟空腹肠液（2X FaSSIF-V2），最终pH为6.5。

2）临床研究

通过临床PK数据计算得到，Acalabrutinib的绝对生物利用度25%，肠道首过效应50%，肝脏首过效应50%，粪便中原型药物1.2%，几乎全部被吸收。

临床研究：ACE-HV-009：绝对生物利用度研究，8名受试者进行了静脉和口服PK研究；其他临床研究见下表1.

3）建模与模拟

建模策略见图1，首选使用静脉和口服PK数据建立Acalabrutinib PBBM模型（临床研究：ACE-HV-009），3房室模型，假设药物完全由代谢*****清除约3%，忽略）。为了更好地定义小肠和结肠中的水含量，将小肠和结肠中水体积由默认百分比（分别为40％和10％）分别降低至7.5％和2％，其他建模参数见表2。在某些情况下，需要对默认的PBBM模型进行调整，如使用药物表面pH值替代胃肠道模型中默认的pH值。对于Acalabrutinib，其最大碱性pKa小于6，只需要调节胃的pH值。对于更强的碱性药物，比如碱性pKa高于6，则可能需要调整更多或所有胃肠道的pH。

接着进行了参数敏感性分析，分析了渗透性、溶解度、胃转运时间、胃pH值、肠道P-gp的饱和度、肠道CYP3A4的饱和度或抑制程度等对AUC和Cmax的影响，参数敏感性分析范围见表3。

使用5项独立临床研究的16项临床结果对模型进行了验证，验证时Vc(分布常数)、CLT（总清除率）、体重、有效渗透率、胃滞留时间、肠道P-gp的Vmax和Km 、肠道CYP3A4的Km 等参数所有模型保持一致。PBBM模型中输入了不同pH对应的溶解度曲线，但在进行模型验证时，为了体现Acalabrutinib表面pH值，调整了胃的pH （见表1）, 空腹胃pH由正常默认值1.3增加到3.55，对于ARA治疗（奥美拉唑）模型，将PBBM模型中的胃的pH值由pH5增加到pH 5.54，葡萄柚汁和橙汁组将胃的pH值调整为3.8。使用AUC0-t和Cmax的预测值和实测值的平均倍数误差（AFE）和绝对平均倍数误差（AAFE）评估预测准确性。

3 . 结果与分析

3.1 体外研究结果

Acalabrutinib的理化及生物药剂学参数研究结果见建模参数表（表2），人空肠有效渗透性最终优化为5.4*10−4 cm/s。

体外溶出结果见图2. SGF+水的表面pH为3.9、SGF+葡萄柚汁的表面pH为3.6，SGF+橙汁的表面pH为3.8，尽管表面pH接近，但在水中的溶出率是在果汁中的大约3倍，这可能是溶解度和粘度以及果汁中存在弱有机酸（有机酸会与Acalabrutinib反应并减慢溶解速度）导致的，当转移到FaSSIF-V2溶出介质中后，由于受到溶解度限制，Acalabrutinib的溶出基本停止。

图3. 展示了不同批次的制剂在不同条件下对应的溶出曲线计算得到的P-PSD。其中，L0505009批次在果汁中的P-PSD，由Acalabrutinib在果汁（橙汁和葡萄柚汁）中的表面pH值，结合在果汁中的平均溶出曲线计算得到。

3.2  建模与模拟结果

1）模型建立：

本研究采用自上而下（Top-down）的方法建立了Acalabrutinib 的PBBM模型，建模的PK数据来自临床研究ACE-HV-009，其中每个受试者的处置参数如下表4，其中仅肠道CYP3A4酶的Vmax是拟合值，并且该值的变异性也与文献报道一致，其他参数保持一致；清除和分布的参数使用静脉的PK数据计算得到；各个受试者的静脉和口服PK实测数据与预测结果基本完全一致（未展示结果图）。

2）参数敏感性分析（PSA）：

分析了渗透性、溶解度、胃转运时间、等对AUC0-t和Cmax的影响，结果如图4和图5，灰色的水平虚线表示预测基线，灰色的水平实线表示0.8到1.25的置信区间。结果表明，固有溶解度对Acalabrutinib的生物利用度影响不大。外排转运蛋白的Vmax和Km 在表2中的参数分析范围内，对暴露量影响也不大，这可能是由于在100 mg剂量下，外排转运蛋白已饱和所导致。肠道CYP3A4的Km 比例因子PSA结果表明，在分析范围内AUC0-t和Cmax的在0.8-1.25倍范围内变化。胃转运时间对Cmax的影响比AUC更大；渗透性、肠道CYP3A4 的Vmax的比例因子变化时对Cmax和AUC0-t的影响最大，主要原因是Acalabrutinib的肠道代谢约50％，因此肠中CYP3A4表达或活性变化及渗透性对Cmax和AUC0-t的影响非常明显；比如对于受试者S013，将Peff从2.7更改为10.8⋅10-4cm s-1不会显着改变吸收分数（从94％增加至99.8％），但会显着降低肠道首过提取率，从76％降至45％。胃pH值也会对Acalabrutinib暴露也会产生强烈影响,从酸性到中性pH值增加时会使Cmax降低10倍，AUC降低2倍。

3）模型验证和确认

通过5项独立的临床试验（ACE-HV-001，ACE-HV-004，ACE-HV-005，ACE-HV-112，ACE-HV-113）、16种不同的临床方案对PBBM模型进行了验证（表1）。图6比较了预测与实测的Cmax和AUC0-t。预测结果显示，预测的所有临床方案的AUC与实测值之间的基本一致，AFE和AAFE分别为0.72和1.39；除了临床方案ACE-HV-005以外，预测的其他临床方案的Cmax与实测值一致性非常好，AFE和AAFE分别为0.92和1.17。对临床方案ACE-HV-005的Cmax预测不准确的原因可能是多阶段胃排空导致PK曲线出现多峰，进而Cmax降低，使得预测的Cmax高估。

4）模型应用一：制定药物PSD安全空间

对于速释制剂，建立具有区分力的溶出方法，以此建立溶出度与原料药粒径之间的联系，但制剂的制备过程和赋形剂都可能使得原料药的表面积发生变化。在PBBM模型中假定药物的形态为球形颗粒，而真实颗粒的形状可能不同于球形，导致假定的表面积（SSA）小于真实颗粒的表面积。因此，需要确定药物实际表面积与PBBM模型基于球形形态计算的表面积之间的比率，以便将实际表面积反映到模型中。本文以及之前对弱酸性药物的研究表明，P-PSD作为PBBM建模的输入值，具有临床相关性，甚至使用QC的方法推导而来的每个批次制剂的P-PSD，也可以准确预测制剂变化、不同胃肠道pH条件或与果汁共同给药对PK的影响。

使用测定的药物粒径（激光衍射法）和溶出度数据推算的P-PSD，根据以下公式计算药物的表面积，其中di是测定的药物粒径（激光衍射法）或溶出度数据推算的P-PSD对应的每个bin的单个球形的粒径，fi是每个bin的权重或体积分数。

Acalabrutinib原料药的测量表面积（实际表面积）与计算的比表面积如图所示，其中Acalabrutinib呈现的真实表面积与计算表面积（基于球形形态，激光衍射测定或P-PSD）之间的比值约为2.5倍。

非球形形状能够形成比等效直径球体更大的表面积，因此真实表面积是计算表面积的2.5倍。而FP000180、FP000298和FP000221批次表现出较高的聚集性（扫描电镜结果），使得由激光衍射测定的粒径计算的表面积高估，但通过溶出数据拟合的P-PSD对实际表面积的预测更具有整体相关性，如图7。

PBBM模型中对粒径进行参数敏感性分析仅可以用一个bin，因此每批制剂都需要计算“表面当量”直径，以便将模拟的粒径阈值与实际粒径进行比较。“表面当量”直径的计算公式：

对临床研究ACE-HV-009中的每个受试者在正常胃pH条件进行了敏感性分析，以评估药物颗粒大小（球形颗粒、仅使用一个bin）对暴露的影响，敏感性分析结果见图8。与20 μm直径相比，当球形粒径大于270 μm时，将导致Cmax和AUC低于95%的阈值。

如图9所示，无论使用药物的实际表面积或使用计算表面积（由激光衍射测定的粒径或溶出度数据推算的P-PSD计算的表面积）推出的当量粒径，270 μm的极限粒径都比该当量直径高2至5倍，说明原料药粒径都在安全空间的范围内。

5）模型应用二：

考察质子泵抑制剂对体内暴露影响，与果汁合用后体内暴露变化的原因。

图10展示了橙汁、葡萄柚汁、质子泵抑剂（奥美拉唑）和不同批次的Acalabrutinib制剂共同给药后的AUC0-t和Cmax的预测与实测结果。

对于橙汁饮料而言，会使得Acalabrutinib在胃中的溶出减慢，如果从胃中转运出的药物未完全溶解，该药物在小肠中的溶解度又较低，将会导致吸收不完全。通过参数敏感性分析，模拟了与橙汁共同给药，结果表明溶出度随在胃中停留时间的延长而增加，最终使得药物暴露与和水共同给药时所观察到的暴露量一致。

Acalabrutinib在葡萄柚汁和橙汁中体外溶出度相似，预测的体内吸收率和程度也相似，但由于葡萄柚汁对CYP3A有时间依赖性抑制，减少了首过肠道的药物量，因此与葡萄柚汁合同后，Acalabrutinib的暴露量会比与橙汁合用的暴露量高，模型也很好的预测了这一点。

通过比较临床研究ACE-HV-112和ACE-HV-004可以很好地说明奥美拉唑和不同批次制剂对暴露的影响。临床研究ACE-HV-004中使用的NVTF批在QC溶出介质中溶出缓慢，导致产生了较大的预测P-PSD，而临床研究ACE-HV-112中使用的商业批次L0505009胶囊的溶出速度较快，使得预测的P-PSD较小。因此，通过适当的改变PBBM模型中的P-PSD和胃中的pH值可以反映制剂和奥美拉唑对Acalabrutinib暴露的影响。

总之，基于临床研究ACE-HV-009建立的PBBM模型可以预测不同制剂、不同胃pH条件、与特定饮料共同给药或肠道CYP3A4抑制剂对Acalabrutinib人体暴露的影响，并可用于制定原料药粒径的安全空间。

4. 总结

本研究使用不同批次制剂的体外溶出数据推算了该制剂中药物的粒度分布（P-PSD），并将P-PSD与批次建立对应关系，接着建立溶出与粒径分布之间的联系，将P-PSD作为PBBM模型的输入值，表征了制剂变化对人体PK的影响，并指导制定了Acalabrutinib的PSD安全空间。

使用表面pH值，可以在体外和体内药物溶解之间建立桥梁。对于Acalabrutinib，本研究通过手动调整PBBM模型中胃的pH值，以反映其在体外和体内的溶出。本文通过模型解释了弱碱性药物与果汁共同给药后，体内暴露变化的原因，即相比在水中的溶出，药物在果汁中的溶出较慢，使得从胃中转运出的药物未完全溶解，而弱碱性药物在小肠中的溶解度又较低，导致吸收不完全，体内暴露降低。通过调整PBBM模型中的P-PSD可以考察不同批次制剂体内暴露的差异，调整模型中胃中的pH值可以考察奥美拉唑对Acalabrutinib暴露的影响。

5. 应用软件

GastroPlus (version 9.0)，涉及的模块有Base, PKplus, Metabolism and Transporter Module

参考文献

X.J.H. Pepin, et al., Bridging in vitro dissolution and in vivo exposure for acalabrutinib. Part II. A mechanistic PBPK model for IR formulation comparison, proton pump inhibitor drug interactions, and administration with acidic juices. European Journal of Pharmaceutics and Biopharmaceutics 142 (2019) 435–448 IF=4.604