看看最近的文章

摘要

背景:越来越多的证据表明，糖尿病改变了几种药物的药代动力学，改变了它们的药效学。为了了解这些变化，在本研究中，我们开发了一个基于生理的药代动力学(PBPK)模型来预测糖尿病患者的药物处置。

方法PBPK模型结合GastroPlusTM 9.5版软件(Simulation Plus Inc.， Lancaster, CA)用于预测药代动力学参数的平均值和变异性。建立了具有糖尿病相关关键生理变化的全身PBPK模型，以表征所测试药物在糖尿病患者体内的药代动力学，并将这些参数与健康受试者进行比较。从文献中获得糖尿病患者生理和生物学变化的相关数据，并将其纳入描述健康受试者PK数据的结构化PBPK模型。

结果:采用格列本脲(主要由CYP2C9代谢)和氯唑沙酮(主要由CYP2E1和CYP1A2代谢)进行模型开发和验证。预测糖尿病患者格列苯脲和氯唑唑酮曲线下面积(AUC)和最大浓度(Cmax)值的变化。模拟的PK曲线与观测值相当，预测值与实测值之比在0.8 ~ 1.2之间。

结论利用开发的DM-PBPK模型，成功地利用健康人群的体外数据和信息预测了糖尿病患者体内药物的药代动力学特征，其中包括糖尿病引起的许多解剖、生理和生化特征的变化。当没有临床试验来指导糖尿病患者的剂量建议时，DM-PBPK模型提供了一个可行的替代经验剂量选择的方法。

关键字

糖尿病，药代动力学，PBPK，格列本脲，氯唑唑酮

简介

糖尿病 (DM)是一个日益增长的全球健康问题。这是一种多种病因的代谢性疾病，其特征是 血糖升高，导致 胰岛素分泌缺陷，胰岛素作用缺陷，或两者[1]。此外，糖尿病与碳水化合物、脂肪和蛋白质代谢紊乱有关。长期糖尿病患者通常经历严重的宏观和微血管并发症 包括心血管和肾脏疾病[1]。

有关DM对药物药代动力学影响的研究数量有限。这种有限的信息意味着缺乏可用的指导方针，以帮助医疗保健提供者调整糖尿病患者的剂量以达到适当的治疗效果。糖尿病期间的病理生理变化有可能影响各种药物的吸收、分布、代谢和排泄(ADME)[2]。

在吸收方面，有研究表明，细胞外葡萄糖的增加会影响膜的通透性，从而影响各种药物的吸收(即生物利用度)[2,3]。此外，据报道，28-65%的糖尿病患者胃排空延迟，这可能对口服药物的吸收产生重大影响[2,3]。在分布方面，DM可通过影响血液蛋白来影响药物的分布[4,5]。白蛋白是血液中与药物结合的主要蛋白质[4,5]。它可以在高浓度葡萄糖的存在下糖化[4,5]，导致白蛋白结构的构象变化，从而改变未结合药物的比例[4,5]。此外，糖尿病患者游离脂肪酸水平的升高可能会降低药物与白蛋白[2]结合的能力。在代谢方面，有研究表明，糖尿病与细胞色素(CYP3A4)的显著变化有关，细胞色素负责肝脏内药物的代谢[2,6]。

关于排泄，众所周知，长期不受控制的糖尿病可导致肾小球滤过率(GFR)[2]升高。一份报告显示，主要由肾脏排出的药物血浆浓度与GFR[7]呈负相关。此外，40%的DM患者被建议发生肾病，这也影响了药物[8]的清除。肥胖通常与2型糖尿病相关，导致糖尿病患者代谢异常[9]。此外，糖尿病引起的组织血流量变化对药物[7]的药代动力学行为也有影响。

所有这些变化都可能导致药物，特别是狭义治疗药物的药代动力学参数发生重大改变。因此，有必要准确预测糖尿病患者的药代动力学行为，以适当优化给药剂量。因此，我们决定建立一个基于生理的药代动力学(PBPK)模型，该模型可以利用现有文献中的数据预测糖尿病患者药代动力学的改变。

PBPK模型包含了一系列在糖尿病状态下发生改变的生理和生化参数，包括胃排空率、肠道转运时间、与肝肾功能相关的药物代谢能力、组织体积和血流量。这就可以推断糖尿病人群[2]中药物的体内药代动力学。

采用格列本脲(主要由CYP2C9代谢)和氯唑沙酮(主要由CYP2E1和CYP1A2代谢)进行模型开发和验证。对于氯唑唑酮，虚拟试验使用GastroPlusTM 9.5版本软件，嵌入高级室室吸收传输(ACAT)模型和PBPKPlus™模块，用于分析模型的受试者间变异性和内部模型验证。同时模拟健康受试者和糖尿病患者的血药浓度-时间分布，并与临床报告进行比较。

方法

PBPK模型开发及验证流程一般流程:所有的PBPK模拟都是使用商用软件GastroPlusTM 9.5版(Simulation Plus Inc.， Lancaster, CA)进行的，嵌入了高级间隔吸收传输(ACAT)模型和PBPKPlus™模块。在非糖尿病和糖尿病受试者中测试化合物的PBPK建模和模拟的一般工作流程如图1所示。

图1所示。图示表示测试化合物PBPK模型开发和验证的一般工作流程

格列本脲PBPK模型开发:格列本脲PBPK模型最初是利用从文献中获得的物理化学、生物制药和PK参数或使用ADMET Predictor(表1所示)进行开发的。吸收由ACAT模型预测，该模型被用作PBPK模型的输入，以预测口服给药后的血浆和组织浓度-时间分布。我们假设格列苯脲在同质组织和血浆/血液之间达到了快速分配平衡，因此在PBPK模型中考虑了所有组织的灌注限制分布动力学。稳态分布体积(V_党卫军)和组织血浆分配系数(K_p)采用Rodgers et al.[10]算法进行预测。

表1。物理化学和体外数据用于格列本脲PBPK模型

参数	价值		参考文献
分子量	494克/摩尔		-
日志P	4．5		[19]
pKa	5.3		(19、20)
溶解度	0.08毫克/毫升		ADMET预测
有效渗透率	5.6 × 10-4厘米/秒		[19]
分数的	0.01		(研讨会)
血:等离子体比	0.55		[24]
Vd (L /公斤)	0.125 L /公斤		[25]
CLR (L / h)	0 L / h		[21]
新陈代谢	Vmax (pmol/min/pmol异构体)	公里(μM)
CYP3A4	14.4	5.2	[11]
CYP3A5	1.9	4.2	[11]
CYP2C19	9.6	15.1	[11]
CYP2C8	2.5	7.7	[11]
CYP2C9	1．0	4．7	[11]

格列本脲主要通过cypp系统代谢清除，主要通过CYP3A家族酶[11]清除。CYP2C19、CYP28、CYP2C9参与格列本脲代谢，作用较小[11]。肝内代谢清除(CL_{int, H})对格列本脲进行预测在体外来在体内外推的在体外的研究[11]。在模拟中还考虑了肠道代谢的贡献，使用体外K_米和V_马克斯CYP3A4, CYP3A5, CYP2C19, CYP28和CYP2C9的值。

通过将模拟的PK曲线与健康受试者和患者的几项单次和多次给药研究的观察数据进行比较，验证了初始模型[12,13]。如果预测的PK剖面和参数显著偏离观测数据，则通过拟合观察到的临床数据，通过参数优化来优化模型。利用GastroPlus优化模块估计对PK谱有显著影响的参数。估计的K_p数值被优化以适应临床试验中报告的血浆剖面。使用两种酶的酶动力学值(体外测定)进行的初始结垢明显低于体内IV清除率(CL₄)及CL_口服．因此，使用GastroPlus内置优化模块优化酶动力学参数^TM，以获取格列本脲在健康志愿者临床研究中的PK谱。经验证的PBPK模型用于评估糖尿病对格列苯脲动力学的影响。

氯唑唑酮PBPK模型开发:同样地，氯唑唑酮PBPK模型最初是利用从文献中获得的物理化学、生物制药和PK参数或由ADMET Predictor估计的参数开发的(总结见表2)。PBPK模型中考虑了所有组织的灌注受限分布动力学。V_党卫军和K_p使用Rodgers et al.[14]的算法进行预测。

表2。物理化学和体外数据用于氯唑唑酮PBPK模型

参数	价值		参考文献
分子量	169.5克/摩尔		-
日志P	1.94		ADMET预测
pKa	9.3		ADMET预测
溶解度	2.96		ADMET预测
有效渗透率	6.5 × 10- 4cm /s		[26]
分数的	0.05		PBPK +
血:等离子体比	0.05		PBPK +
Vd (L /公斤)	0.125 L /公斤		[17]
CLR (L / h)	0 L / h		[16]
新陈代谢	Vmax (nmol /分钟/毫克)	公里(μM)
CYP2E1	1．6	70.5	[15]

氯唑唑酮在给药[15]后被广泛代谢。CYP2E1是负责氯唑唑酮代谢的酶[15,16]。肝内代谢清除(CL_{int, H})对氯唑唑酮的浓度进行预测在体外来在体内外推的在体外研究[15]。代谢参数(V_马克斯和K_米)，并优化拟合观测数据[15]。模拟中还考虑了肠道代谢的贡献。

通过将模拟的PK曲线与健康受试者和患者的几项单次和多次给药研究的观察数据进行比较，验证了初始模型[17,18]。如果预测的PK剖面和参数显著偏离观测数据，则通过拟合观察到的临床数据，通过参数优化来优化模型。使用体外测定的两种酶的酶动力学值进行初始结垢，明显低于预期在活的有机体内CL_口服．因此，使用GastroPlus内置优化模块优化酶动力学参数^TM，以获取氯唑嗪酮在健康志愿者临床研究中的PK谱。此外，使用GastroPlus优化了所有组织的Kp值，以拟合血浆剖面并匹配观察到的Vss。经验证的PBPK模型用于评价糖尿病对氯唑沙酮动力学的影响。

糖尿病PBPK模型的建立与验证:在本研究中，我们使用PBPK模型模拟了糖尿病受试者对测试化合物的PK。糖尿病PBPK (DM-PBPK)模型包含了生理参数、被测化合物的理化性质、ADME数据以及从临床研究中获得的信息。DM- pbpk模型考虑了DM中发生的生理变化(如吸收变化、蛋白质结合和分布的变化以及CYP450酶引起的CL变化)。表3总结了糖尿病中发生的所有变化，这些变化可能对所测试化合物的药代动力学有直接影响。肠道生理的变化，包括胃排空时间延迟和胃系统和小肠的缓慢瞬态时间直接应用于ACAT模型，以反映被测化合物吸收率的变化。由于缺乏关于DM对药物肝吸收影响的研究报告，所测化合物的肝吸收保持不变。糖尿病患者的各种生理变化会改变药物的分布体积，主要受体重和蛋白质结合的变化影响。肥胖在糖尿病患者中很常见，直接影响亲脂性药物的Vd。在提出的DM- pbpk模型中，DM受试者在构建被测化合物模型时被认为是肥胖的。此外，这两种化合物都具有较高的蛋白质结合，因此在DM[2]期间受到蛋白质结合变化的影响(减少10%)。 Drug elimination is significantly altered during pregnancy due to alterations in metabolic enzyme activities. The change in hepatic enzyme activity in DM is CYP-isoform specific. Previous studies have shown that CYP3A4 activity is down-regulated significantly in diabetic patients [2]. Meanwhile, the opposite occurs for CYP3A5 and CYP2E1. The predicted mean PK parameters (Cmax, AUC) for diabetic and non-diabetic subjects were obtained based on simulations.

表3。糖尿病的PK变化

	糖尿病	参考
吸收
胃粘膜血流量	↓50%	[27]
胃排空	↓35 - 72%	(28、29)
胃通过时间	↓70%	[30]
小肠转运时间	↓40 - 50%	[31]
肌肉血液流动	↓20%	[32]
分布
蛋白结合	↓10%	[２]
新陈代谢
CYP2E1	↑50%	[２]
CYP3A4	↓40 - 80%	[２]
CYP3A5	↑30%	[２]
CYP1A2	↓15 - 45%	[２]
UGT1A1	↓40%	[２]
UGT1A9	↓45%	[２]
UGT2B7	↓75%	[２]

结果

格列本脲:非糖尿病受试者格列苯脲的PBPK模型是根据已报道的个体CYP酶代谢、血浆中游离分数、血浆比、有效渗透性和物理化学参数(表1)建立的。所构建的PBPK模型首先根据从单次给药研究中获得的已报道的配置动力学进行验证，然后进一步与另一组单次给药研究的配置动力学进行验证。模拟的等离子体浓度-时间分布捕获了观测到的PK数据(图2a, 2b)。模型预测的AUC和Cmax均符合验证标准，预测/观测比值在0.8-1.2范围内(表4)。

图2．口服单剂量0.875 mg (a)或1.75 mg (b)后预测和观察格列本脲的血药浓度-时间分布。实线表示预测的格列本脲平均分布。平均观测(符号)数据叠加[12,13]

表4。健康和糖尿病受试者口服格列本脲后PK参数

剂量	主题	Cmax (ng / mL)		折叠错误	AUC (ng.h /毫升)		折叠错误
		观察到的	预测		观察到的	预测
0.875 mg PO	健康的	42	45.7	1.08	137.3	136.4	0.99
1.75 mg PO	健康的	84	91.2	1.08	312.3	272.9	0.87
2.5 mg PO	糖尿病	69	70	1.07	44	47	1.04
10毫克PO	糖尿病	240	281.9	1.17	1724.9	1879.2	1.08

在非糖尿病受试者中建立并验证PBPK模型后，综合糖尿病期间的所有生理变化，构建DM-PBPK模型。基于DM-PBPK模型的模拟血浆浓度-时间分布捕获了糖尿病受试者中观察到的PK数据(图3)。预测的AUC和Cmax与观测值同样具有可比性，预测与观测之比在0.8-1.2范围内(表4)。

Chlorzoxazone:氯唑唑酮在非糖尿病受试者中的PBPK模型是根据已报告的个体CYP酶代谢、血浆中游离分数、血浆比、有效渗透性和物理化学参数(表2)建立的。所构建的PBPK模型首先通过从单次给药研究中获得的已报告的配置动力学进行验证。模拟的血药浓度-时间剖面与观测到的PK数据相似(图4)。模型预测的AUC和Cmax符合验证标准，预测/观测比值在0.8-1.2范围内(表4)。在非糖尿病受试者中建立并验证PBPK模型后，将糖尿病期间的所有生理变化纳入DM-PBPK模型。同样，预测的AUC和Cmax与观测值具有可比性，预测值与观测值之比在0.8-1.2范围内(表5)。

图3．预测和观察糖尿病受试者口服单剂量10mg格列本脲后的血药浓度-时间分布。实线表示预测的格列本脲平均剖面。平均观测(符号)数据叠加[12,13]

图4．预测和观察氯唑唑酮在健康受试者口服单剂量50mg后的血药浓度-时间分布。实线表示预测的平均氯唑唑酮剖面。平均观测(符号)数据叠加[17,18]

表5所示。健康和糖尿病受试者单次口服氯唑唑酮PK参数

剂量	主题	Cmax (ng / mL)		折叠错误	AUC (ng.h /毫升)		折叠错误
		观察到的	预测		观察到的	预测
500毫克PO	健康的	11	11.3	1.01	48.8	45.7	0.93
500毫克PO	糖尿病	3.2	3．3	1.01	13.9	13.8	0.99

讨论

本研究的目标是建立一个PBPK模型，通过整合与糖尿病疾病相关的许多参数的变化，如胃肠转运时间、肾功能和肝酶活性，来预测糖尿病患者的药代动力学行为。

PBPK模型是一种集成药物和生理数据的数学模型，用于模拟药物在血浆和组织中的药代动力学特征。生理参数通常在疾病情况下发生改变，如糖尿病。这包括体重、器官重量、血流速率、肠道转运时间和酶活性的变化(表3)。测试这些因素如何影响药物PK的最佳方法是通过PBPK建模。

由于用于健康人群的PBPK模型参数不太可能适用于糖尿病个体，因此应将糖尿病引起的这些生理因素的变化纳入PBPK模型。PBPK模型预测两种选定药物(格列本脲和氯唑嗪酮)在健康人群中的药代动力学特征的准确性。然后，考虑到DM中发生的生理变化(如吸收变化、蛋白质结合和分布的变化、CYP450酶引起的CL变化)，建立DM- pbpk模型。

格列本脲和氯唑嗪酮的PBPK模型是利用从文献中获得的物理化学、生物制药和PK参数或使用ADMET Predictor进行估计而建立的。通过将模拟的PK剖面与健康受试者和患者中几项单次和多次给药研究的观察数据进行比较，验证了初始模型。单次口服或多次口服后预测的药代动力学参数与临床报告一致，折误在0.8-1.2(表4和表5)。然后，使用验证过的PBPK模型评估糖尿病对格列本脲和氯唑唑酮动力学的影响。我们用这个模型模拟了被测化合物在糖尿病受试者中的PK。

最终利用相应糖尿病患者的模型参数，进一步预测两种药物在糖尿病患者体内相应的药代动力学参数。因此，所有临床数据都被成功预测，预测的平均人群PK参数(AUC和C max)在观测值的80-120%范围内(表4和表5)。这些结果表明，PBPK模型可以准确预测糖尿病患者的药代动力学行为。所开发的PBPK模型，结合糖尿病引起的各种生理和生化参数的改变，根据文献或健康人群的信息，成功地用于预测糖尿病患者体内药物的药代动力学谱。

目前仍难以准确预测糖尿病是否会影响药物的药代动力学。一些药物的肝脏清除率会受到肝脏CYP活性和肝血流量的影响，而大部分通过肾脏排出的药物也会受到肾功能和肾脏清除率的影响。最近，人们对糖尿病药代动力学和药物配方的变化如何影响肠道转运和肠道吸收的兴趣越来越大。本模型考虑了糖尿病引起的肠壁代谢变化如何影响药物药代动力学，这一事实提供了显著的优势。此外，肠道转运时间的数据显示，缓释药物和肠道吸收差的药物受到肠道转运时间变化的显著影响。然而，还需要对糖尿病患者可能发生的生理和功能变化进行更多的研究。此外，还需要进行更多的研究来测试这些变化对各种药物药代动力学特性的影响。

进行临床研究从来不是没有伦理限制的。化学诱导的糖尿病动物模型已经被开发出来，以克服这些限制。在糖尿病的动物模型中，疾病对这些特征的影响已经得到了很好的描述。然而，关于人类的信息相对较少，目前还不清楚这种疾病是如何影响这些特性的。然而，已经证明糖尿病改变了药物的药代动力学和药效学。目前，PBPK模型和其他建模方法可以在理解这种效应方面发挥关键作用。本研究提出的DM-PBPK模型在没有临床研究指导糖尿病患者剂量建议的情况下，为经验剂量选择提供了可行的替代方案。

结论

利用开发的DM-PBPK模型，成功地利用健康人群的体外数据和信息预测了糖尿病患者体内药物的药代动力学特征，包括糖尿病引起的许多解剖、生理和生化特征的变化。当没有临床试验来指导糖尿病患者的剂量建议时，DM-PBPK模型提供了一个可行的替代经验剂量选择的方法。

致谢

作者将他们的赞赏延伸到‏‏研究人员支持项目(编号:RSP-2021/2)，沙特阿拉伯利雅得沙特国王大学

利益冲突

作者声明这项工作没有竞争利益。

参考文献

1. (2017)沙特阿拉伯糖尿病发病率和患病率:概述。J流行病Glob健康7: 211 - 218。(Crossref)
2. Dostalek M, F Akhlaghi, M Puzanovova(2015)糖尿病对药物药代动力学和药效学特性的影响。中国Pharmacokinet51: 481 - 499。(Crossref)
3. Hempel A(1997)高糖浓度通过激活蛋白激酶C α增加内皮细胞的通透性。中国保监会Res81: 363 - 371。
4. (1984)糖尿病患者血清蛋白与酸性药物结合异常。临床药物学36: 691 - 695。
5. Baraka-Vidot J(2012)糖化白蛋白在体内和体外的药物结合能力受损。Biochimie94: 1960 - 1967。(Crossref)
6. Dostalek M(2011)显著降低糖尿病患者肝脏细胞色素P450 3A4的表达和活性。Br J Pharmacol163: 937 - 947。(Crossref)
7. 黄思明(2009)在药物开发过程中何时进行肾损害研究:美国食品和药物管理局的观点。临床药物学86: 475 - 479。
8. Sasso FC(2006) 2型糖尿病合并糖尿病肾病患者的心血管危险因素和疾病管理。糖尿病护理29日:498 - 503。
9. Hanley MJ, Abernethy DR, Greenblatt DJ(2010)肥胖对人类药物药代动力学的影响。中国Pharmacokinet49: 71 - 87。
10. Rodgers T和Rowland M(2006)基于生理的药代动力学建模2:预测酸、极弱碱、中性和两性离子的组织分布。药物科学95: 1238 - 1257。
11. 周玲(2010)人细胞色素P450酶在格列本脲代谢中的作用。生物危害药物处理31日:228 - 242。(Crossref)
12. Jönsson A(2000)口服格列本脲和格列吡嗪在高加索和中国2型糖尿病患者中的作用和药代动力学。欧J临床药物学56: 711 - 714。(Crossref)
13. Serra D(2008)评价二肽基肽酶IV抑制剂维格列汀、格列本脲和吡格列酮在2型糖尿病患者中的药代动力学和药动力学相互作用。临床药物学46: 349 - 364。
14. Rodgers T, Leahy D, Rowland M(2005)基于生理的药代动力学建模1:预测中-强碱基的组织分布。药物科学94: 1259 - 1276。
15. Court, M.H(1997)人类和其他十种哺乳动物肝脏微粒体对氯唑唑酮的生物转化。生物危害药物处理18: 213 - 216。(Crossref)
16. Kramer I(2003)氯唑沙酮单样本方法评估人类CYP2E1活性的比较。欧J临床药物学59: 775 - 778。
17. 王智(2003)糖尿病增加人体细胞色素P450 2E1的体内活性。Br J临床药物55:77 - 85。(Crossref)
18. Ono S(1995)氯唑沙酮可被人CYP1A2代谢，也可被人CYP2E1代谢。遗传药理学5:143 - 150。
19. 魏华(2008)五种格列本脲粉末的物理化学表征:基于BCS预测口服吸收的方法。eurj Pharm Biopharm69: 1046 - 1056。
20. Lobenberg R(2000)溶出度测试作为口服药物吸收的预后工具:格列本脲的溶出行为。制药Res17: 439 - 444。(Crossref)
21. 哈德曼JG, Limbird LE (2001) Goodman & Gilman的药理学基础治疗。2001。
22. Olsen KM, Kearns GL, Kemp SF(1995)格列本脲蛋白结合和白蛋白糖基化在儿童、年轻人和老年人糖尿病中的作用。临床药物学35: 739 - 745。
23. Pearson JG(1985)格列本脲的药代动力学。Am J医学79: 67 - 71。
24. Balant L(1981)磺脲类降糖药的临床药代动力学。中国Pharmacokinet6: 215 - 241。(Crossref)
25. Morrison PJ (1982) pirprofen对格列本脲动力学和反应的影响。Br J临床药物14: 123 - 126。
26. 程春林(2004)生物豁免对BCS III类高溶性-低渗透药物的扩展潜力:二甲双胍速释片的桥接证据。欧洲药物科学22日:297 - 304。
27. 朱玲1(1993)糖尿病患者胃粘膜血流量与血粘度的关系。中华学刊73: 476 - 478。
28. 张志刚，张志刚(1994)糖尿病患者胃运动功能紊乱。Diabetologia37: 543 - 551。(Crossref)
29. 霍洛维茨M(1996)糖尿病胃排空:概述。Diabet地中海13: S16-S22。
30. 视频胶囊内窥镜检查糖尿病患者胃和小肠的转运时间和检查的完整性。深肝病39: 575 - 580。
31. Jung HK(2003)糖尿病患者结肠转运时间——与健康受试者的比较以及自主神经病变的影响。延世医学J44: 265 - 272。(Crossref)
32. Leinonen H, Matikainen E，和Juntunen J(1982) 1型(胰岛素依赖性)糖尿病患者骨骼肌毛细血管的通透性和形态。Diabetologia22日:158 - 162。(Crossref)