从药物暴露到抗肿瘤药效：如何理解 PK/PD 证据链

在一项体内药效研究中，我们很容易看到这样一条表面上连贯的叙事：

给了更高剂量，血浆浓度升高，肿瘤长得更慢，所以药物通过预期机制产生了抗肿瘤作用。

这句话可能是对的，也可能把几个尚未证明的环节直接连在了一起。

剂量不是暴露，血浆暴露不是肿瘤暴露，PD 变化不是疗效，疗效也不自动证明作用机制。

PK/PD 的真正价值，不是给实验结果增加一组浓度数据，而是把“给了什么”“药物到了哪里”“靶点和通路发生了什么”“肿瘤如何响应”拆成可以分别检验的环节。FDA 的暴露—反应指导原则强调，剂量通常只是研究设计中的输入，而暴露才更接近连接给药与反应的变量；现代肿瘤药物开发也越来越要求综合考虑 PK、PD、安全性、活性和暴露—反应关系，而不是只依据最高耐受剂量或单一剂量水平做判断。［1,2］

先给出结论：
一条可信的 PK/PD 证据链通常需要回答：给药后获得了怎样的系统暴露，药物是否到达相关肿瘤区域，是否发生可测的 target engagement、靶点调控或 PD 变化，这些变化与肿瘤反应在剂量和时间上是否一致，以及还有哪些替代解释没有被排除。
PK/PD 可以增强机制解释、剂量选择和结果可转化性的可信度，但不能把相关性自动升级为因果，也不能仅凭动物暴露直接推出患者有效剂量。

先把证据链拆成七个层次

可以把体内抗肿瘤研究中的证据链写成：

剂量与给药方案 → 系统暴露 → 肿瘤暴露 → target engagement → target modulation / PD → 生物学响应 → 肿瘤药效

这七个层次彼此相关，却不能相互替代。

1. Dose｜剂量与给药方案

剂量是进入实验的药物量。给药方案还包括给药途径、给药间隔、治疗持续时间，以及是否连续或间歇给药。

剂量回答的是：

我们向动物提供了多少药物，以及以什么节奏提供？

它并不直接告诉我们有多少药物进入循环、维持多久，或有多少药物到达肿瘤。

2. Systemic exposure｜系统暴露

系统暴露通常由血浆或全血浓度—时间数据描述，包括峰值、谷值、总暴露和消除过程。

它回答的是：

给药以后，循环系统实际看到了多少药物，以及持续了多久？

对于血细胞分配明显的化合物，全血和血浆并不可以随意互换；对于蛋白结合率较高的化合物，总浓度与游离浓度也可能传达不同信息。

3. Tumor exposure｜肿瘤暴露

肿瘤暴露关注药物是否进入肿瘤组织，以及总量、游离比例和时间过程。

它回答的是：

药物是否真正到达研究问题所对应的肿瘤部位？

但“肿瘤匀浆中检测到药物”仍不等于所有肿瘤细胞都获得了相同暴露。组织匀浆会把细胞内外、血管内残余血液、坏死区、基质和不同空间区域混在一起。

4. Target engagement｜靶点参与

Target engagement 指药物与预期靶点在相关细胞或组织中发生结合、占据或形成药物—靶点复合物的直接证据。［3］

它回答的是：

药物是否真正碰到了它声称要作用的靶点？

并不是所有项目都能在肿瘤中直接测量这一层。不能直接测量时，应明确说明证据停留在哪一层，而不是用下游通路变化替代直接结合证据。

5. Target modulation 与 PD biomarker｜靶点调控和药效学读出

Target modulation 指靶点的丰度、活性或近端功能发生改变，例如酶活受抑、蛋白降解或近端磷酸化变化。

PD biomarker 是反映药物引发了某种生物学响应的指标。FDA-NIH BEST 资源强调，PD biomarker 可以说明生物活性已经发生，但不必然证明疗效，也不必然把这种活性与已经确立的作用机制直接连接。［4］

这一层回答的是：

药物是否造成了与预期药理作用相符的分子或细胞变化？

6. Biological response｜生物学响应

这包括细胞周期停滞、增殖下降、凋亡增加、DNA 损伤、血管变化或免疫相关变化。

它回答的是：

靶点和通路变化是否进一步转化为预期的生物学后果？

生物学响应可能比 target engagement 晚，也可能在药物浓度已经下降后仍然持续。

7. Efficacy｜肿瘤药效

肿瘤生长延缓、停滞、回缩、持续控制或停药后再生长，属于整体药效结果。

它回答的是：

在当前模型、暴露和观察窗口内，肿瘤发生了什么？

药效位于证据链的下游。它非常重要，却不是对上游每一个机制环节的自动证明。肿瘤可能因为预期机制受到控制，也可能受到脱靶作用、系统毒性、血管效应或其他未测因素影响。

剂量为什么不等于暴露？

相同的 mg/kg 剂量，可以产生明显不同的浓度—时间曲线。决定暴露的不只是给了多少药，还包括：

• 吸收速度和生物利用度；
• 给药途径与制剂；
• 清除率和分布容积；
• 肝肾功能与代谢能力；
• 血浆蛋白结合和血细胞分配；
• 转运体、酶诱导或抑制；
• 单次与重复给药；
• 线性或非线性 PK；
• 动物种属、品系、性别和生理状态；
• 肿瘤负荷及疾病状态。

在一项 everolimus 的比较研究中，小鼠与大鼠在血细胞分配、蛋白结合、口服生物利用度、半衰期、组织和肿瘤分布等多个 PK 特征上均存在差异；即使是同一药物，种属与方案不同也会改变系统和肿瘤暴露。［5］

因此，“A 组用了 10 mg/kg，B 组也用了 10 mg/kg”只能说明名义剂量相同，不能证明两组获得了相同的有效暴露。

这也是为什么比较化合物、制剂或给药方案时，单纯按剂量排序经常会产生误导。一个剂量更低但暴露更高的化合物，未必比另一个化合物“药理效力更强”；它可能只是吸收更好或清除更慢。

Cmax、AUC、Cmin 和 T>EC50 分别说明什么？

没有一个 PK 指标可以在所有项目中代表“有效暴露”。不同指标概括浓度—时间曲线的不同侧面。

Cmax：峰值高，不等于整体暴露高

两个方案可能具有相同 AUC，但一个是高峰后快速下降，另一个是较低却平稳的持续暴露。若药物需要短时间内达到足够高的浓度才能触发不可逆损伤，Cmax 可能重要；若需要持续抑制可逆靶点，峰值可能不如谷值或覆盖时间有解释力。

AUC：总量相同，不等于药理过程相同

AUC 把整条曲线压缩为一个面积。它适合比较总体暴露，却不包含暴露发生在什么时候。

例如：

• 方案 A：高峰、快速下降；
• 方案 B：低峰、长时间维持。

两者可以有相同 AUC，却产生不同的 target engagement、PD 深度和恢复过程。

Cmin：持续覆盖的一个窗口

对于需要持续抑制的可逆机制，Cmin 可以提示给药间隔末端是否仍有足够覆盖。

但 Cmin 仍只是一个时间点。如果 PD 在浓度降低后持续，或肿瘤暴露比血浆下降更慢，单看血浆谷值仍可能低估作用持续时间。

T>EC50：最容易被误用的指标之一

T>EC50 表示浓度高于某个 EC50 的时间。它看起来很直观，却依赖多个前提：

1. 使用的是总浓度还是游离浓度？
2. EC50 来自生化、细胞还是体内模型？
3. 体外培养条件中的蛋白结合与体内是否相同？
4. EC50 对应的是 target engagement、PD 还是细胞增殖？
5. 肿瘤中的浓度是否与血浆同步？
6. 药物效应是否有延迟、累积或不可逆性？

因此，更严谨的写法不是“血浆浓度超过体外 EC50，所以靶点持续被抑制”，而是：

在明确浓度基质、游离比例、终点和时间尺度的前提下，评估相关部位暴露超过某一经过验证阈值的持续时间。

机制型 PK/PD 模型之所以重要，正是因为药理效应常常由分布延迟、受体结合、信号转导和系统反馈共同决定，无法由一个静态阈值完整概括。［6,7］

为什么有系统暴露，不一定有肿瘤暴露？

血浆浓度高只能证明药物进入了循环，不能证明它以足够浓度到达肿瘤细胞。

影响血浆—肿瘤关系的因素包括：

• 肿瘤血流和血管通透性；
• 间质压力；
• 细胞外基质；
• 坏死和低灌注区域；
• 主动摄取与外排转运；
• 组织与血浆蛋白结合；
• 细胞内蓄积；
• 代谢物生成；
• 肿瘤位置及器官屏障；
• 肿瘤内部空间异质性。

Kp：总组织浓度比

常见的组织—血浆分配系数可写为：

Kp = 肿瘤总浓度或 AUC / 血浆总浓度或 AUC

Kp 可以描述总量分配，却容易受到组织结合、残余血液和细胞外成分影响。一个很高的 Kp 可能意味着药物在组织中大量结合或滞留，不一定意味着靶点附近有同样高的游离药物。

Kp,uu：游离组织—血浆分配

在能够合理估算游离浓度时，可以进一步关注：

Kp,uu = 肿瘤游离暴露 / 血浆游离暴露

Kp,uu 更接近比较组织与血浆中非结合药物的分配倾向。类似的 unbound partition 概念已被广泛用于分析药物进入受屏障组织的程度。［8］

但 Kp,uu 也不是“靶点浓度”的直接同义词。它通常仍是组织平均值，不能完整反映：

• 细胞外与细胞内的差异；
• 亚细胞区室；
• 靶点所在的具体细胞群；
• 肿瘤核心和边缘；
• 单个细胞之间的暴露差异；
• 反应性代谢物或活性代谢物。

肿瘤总浓度高，为什么仍可能没有 PD？

一项复发性胶质母细胞瘤研究中，ribociclib 能够在肿瘤组织中达到看似较高的总浓度，但肿瘤中的 CDK4/6 通路 PD 变化并不一致，单药临床活性也有限。这个例子说明，“药物在肿瘤里被检测到”与“在相关细胞中形成充分、持续、机制正确的作用”并不是同一个结论。［9］

可能的解释包括：

• 大部分药物处于结合状态；
• 药物位于非靶细胞或非作用区室；
• 肿瘤内空间暴露不均；
• 靶点并不依赖；
• 靶点作用不够深或不够久；
• 下游反馈或旁路补偿；
• PD 样本时间点错过了变化窗口；
• 肿瘤反应需要联合机制。

为什么有暴露，不一定有药效？

“有暴露”至少还可能缺少三个关键环节。

1. 暴露没有达到有效部位

血浆达到预期水平，但肿瘤或靶细胞暴露不足。

2. 暴露到了，但没有充分作用于靶点

药物可能进入肿瘤，却没有形成足够 target engagement，或靶点调控程度不足。

3. 靶点被调控了，但模型不依赖该机制

这是最容易被忽视的一层。

靶点抑制可以很充分，PD 也可以方向正确，但如果肿瘤并不依赖该通路，或存在快速补偿机制，最终仍可能没有明显药效。

因此，一个阴性结果需要分层解释：

为什么有药效，也不一定证明机制？

肿瘤变小或生长变慢是重要结果，但它只能证明在当前条件下发生了整体反应。

还需要排除：

• 非特异性细胞毒性；
• 明显系统毒性导致的继发性肿瘤生长减慢；
• 脱靶作用；
• 制剂或给药相关影响；
• 肿瘤血流改变；
• 免疫或宿主效应；
• 其他通路被同时调控；
• 随机分组、基线差异或测量偏差。

Target engagement、通路调控和生物学响应组成的“药理审计链”可以提高机制归因的可信度，但这些问题需要作为连续证据理解，不能把任意一个环节孤立使用。［10,11］

一个更稳妥的机制性表述是：

在可解释的系统和肿瘤暴露下，观察到与预期机制相符的 target engagement / 靶点调控和 PD 变化，并且这些变化在剂量和时间上与肿瘤反应一致。

即使如此，“一致”仍然首先支持关联。若要更强地支持因果，通常还需要遗传学工具、正交化合物、救援实验、耐药突变或独立模型等补充证据。

PK、PD 和药效为什么经常不同步？

浓度变化通常早于生物学响应，而肿瘤体积是更下游、更缓慢的终点。

一条常见的时间链可能是：

1. 给药后血浆浓度迅速上升；
2. 肿瘤浓度稍后达到峰值；
3. target engagement 或近端靶点变化出现；
4. 下游 PD 进一步变化；
5. 细胞周期或死亡程序启动；
6. 肿瘤生长曲线在更晚时间才分离。

这意味着在同一个时间点测量 PK、PD 和肿瘤反应，可能无法看见真实的时间关系。

逆时针滞后：效应晚于浓度

当药物需要分布到作用部位，或下游信号与细胞反应需要时间，浓度已经下降时，PD 仍可能继续增强。

顺时针滞后：效应随时间减弱

当发生耐受、反馈恢复、靶点再合成或疾病进展时，相同浓度在后期可能产生较弱效应。

肿瘤曲线是一个累积终点

肿瘤体积不是瞬时 PD 指标。即使药物只在每天的一段时间内发挥作用，多个给药周期的累积结果仍可能表现为生长延缓。

Simeoni 等提出的肿瘤生长抑制模型使用延迟的细胞损伤过程，把药物浓度、肿瘤生长和细胞死亡时间连接起来，说明肿瘤效应通常不能被理解为“当前血浆浓度对当前肿瘤体积”的即时映射。［12］

如何判断真正的 PK/PD driver？

Cmax、AUC、Cmin 或 T>threshold 哪一个最能解释药效，不应由药物类别的经验标签直接决定，而应在多个剂量和给药方案下比较。

理想的区分思路是：

• 设计产生不同 Cmax、但相近 AUC 的方案；
• 设计产生相近 Cmax、但不同维持时间的方案；
• 比较单次和重复给药；
• 同步观察系统暴露、肿瘤暴露、近端与下游 PD；
• 分析哪一个暴露指标在不同方案中最稳定地解释 PD 和药效。

如果所有实验都只采用同一种给药频率，并且剂量、Cmax、AUC 和 Cmin 同时上升，就很难确定真正的驱动指标，因为这些变量彼此高度相关。

因此，所谓 PK/PD driver 是一个需要证据区分的假设，不是看到一条相关性曲线后自动得到的答案。

如何系统解释一个阴性结果？

可以按下面的顺序排查。

第一层：给药是否产生了预期系统暴露？

检查：

• 实测暴露是否达到预期；
• 是否出现剂量比例性偏离；
• 单次与重复给药是否不同；
• 是否有明显吸收或清除异常；
• 是否应关注游离而非总浓度。

如果这一层不成立，研究首先说明的是“该给药方案没有获得预期暴露”。

第二层：药物是否到达肿瘤？

检查：

• 肿瘤总暴露；
• 游离比例；
• 肿瘤—血浆时间关系；
• 取样时间是否合理；
• 是否存在器官屏障或空间异质性。

如果系统暴露充分而肿瘤暴露不足，问题更接近分布，而不是靶点生物学。

第三层：是否发生靶点作用？

检查能够支持哪一层：

• 直接 target engagement；
• 靶点丰度或活性变化；
• 近端 PD；
• 下游通路 PD。

不能直接测 target engagement 时，不应把最下游指标包装成直接结合证据。

第四层：模型是否具备响应条件？

检查：

• 靶点是否表达；
• 通路是否依赖；
• 是否存在已知耐药改变；
• 是否存在旁路补偿；
• 模型增殖速度和观察窗口是否合适。

第五层：药效终点是否足够敏感？

检查：

• 肿瘤生长速度；
• 基线变异；
• 观察周期；
• 停药后响应；
• 肿瘤体积之外是否存在更合适的生物学终点。

经过这五层后，阴性结果才能被进一步分类为：

• 暴露失败；
• 分布失败；
• 靶点作用失败；
• 生物学假设失败；
• 模型不匹配；
• 实验终点不匹配。

一条可解释的 PK/PD 证据链应当长什么样？

可以用八个问题审视一项研究：

1. Dose｜给了什么？
   剂量、途径和给药节奏是否定义清楚？

2. Systemic PK｜循环里发生了什么？
   峰值、总暴露、谷值、半衰期和重复给药变化如何？

3. Tumor PK｜肿瘤里发生了什么？
   总浓度、游离浓度、肿瘤—血浆关系和时间过程如何？

4. Engagement｜药物碰到靶点了吗？
   有直接证据，还是只能测到近端或下游变化？

5. Modulation｜靶点和通路改变了吗？
   深度、持续时间和恢复过程如何？

6. Biology｜细胞发生了什么？
   增殖、死亡、分化或其他生物学过程是否改变？

7. Efficacy｜肿瘤发生了什么？
   生长延缓、停滞、回缩、持续控制还是再生长？

8. Boundary｜证据能走多远？
   当前结果支持体内活性、机制一致性、剂量选择，还是更进一步的转化假设？

Workman 将 PK 与 PD 概括为两个连续问题：“有多少药到达了那里，它到达后做了什么？”这也是药理审计链的核心。［10,11］

PK/PD 结果能够支持什么？

可以支持

• 某一剂量和方案实际产生了怎样的系统暴露；
• 药物是否进入肿瘤及其大致时间过程；
• 暴露与 target engagement、靶点调控或 PD 的关系；
• PD 深度和持续时间是否与药效一致；
• 不同候选化合物或方案的相对比较；
• 哪类暴露指标更可能驱动药理作用；
• 阴性结果更可能卡在哪一层；
• 为后续剂量和时间点设计提供依据；
• 为模型升级和转化研究建立定量假设。

不能单独支持

• 某一动物剂量就是患者有效剂量；
• 血浆超过体外 EC50 就证明肿瘤中持续抑制；
• 肿瘤总浓度高就证明靶细胞获得充分游离暴露；
• PD 变化就等于临床获益；
• 药效阳性就证明预期作用机制；
• 单一模型的暴露—药效关系可以代表所有患者；
• 单次终点样本能够还原完整的 PK/PD 时间过程；
• 相关性本身可以证明因果。

FDA 的肿瘤药物剂量优化指导原则把 PK、PD、剂量—反应、暴露—反应、安全性、耐受性和活性放在同一决策框架中，也说明没有任何单一指标能够独立完成剂量选择。［2］

结语

PK/PD 不是“药效实验旁边再加一组采血”，而是一种组织证据的方法。

它要求我们不断区分：

• 剂量与暴露；
• 血浆与肿瘤；
• 总浓度与游离浓度；
• target engagement 与下游 PD；
• 生物学响应与肿瘤药效；
• 时间相关性与因果机制；
• 当前模型中的结果与更广泛的转化结论。

一条好的 PK/PD 证据链，不一定包含所有能够测量的指标。它更重要的特征是：每个指标都对应一个明确问题，时间点能够连接前后环节，阳性和阴性结果都有可检验的解释路径。

真正需要避免的，不是某一环节暂时测不到，而是在缺少关键证据时，假装整条链已经闭合。

---

参考资料

1. U.S. Food and Drug Administration. Exposure-Response Relationships — Study Design, Data Analysis, and Regulatory Applications. Guidance for Industry. 2003.
2. U.S. Food and Drug Administration. Optimizing the Dosage of Human Prescription Drugs and Biological Products for the Treatment of Oncologic Diseases. Guidance for Industry. 2024.
3. St John-Campbell S, Bhalay G. Target Engagement Assays in Early Drug Discovery. Journal of Medicinal Chemistry. 2025;68:12331–12368.
4. FDA-NIH Biomarker Working Group. Response Biomarker. In: BEST (Biomarkers, EndpointS, and other Tools) Resource. Updated 2021.
5. O’Reilly T, McSheehy PMJ, Kawai R, et al. Comparative pharmacokinetics of RAD001 (everolimus) in normal and tumor-bearing rodents. Cancer Chemotherapy and Pharmacology. 2010;65:625–639.
6. Mager DE, Wyska E, Jusko WJ. Diversity of mechanism-based pharmacodynamic models. Drug Metabolism and Disposition. 2003;31:510–518.
7. Danhof M, de Jongh J, De Lange ECM, et al. Mechanism-Based Pharmacokinetic-Pharmacodynamic Modeling: Biophase Distribution, Receptor Theory, and Dynamical Systems Analysis. Annual Review of Pharmacology and Toxicology. 2007;47:357–400.
8. Loryan I, Sinha V, Mackie C, et al. Unbound Brain-to-Plasma Partition Coefficient, Kp,uu,brain—a Game Changing Parameter for CNS Drug Discovery and Development. Pharmaceutical Research. 2022;39:1321–1341.
9. Miller TW, Traphagen NA, Li J, et al. Tumor pharmacokinetics and pharmacodynamics of the CDK4/6 inhibitor ribociclib in patients with recurrent glioblastoma. Journal of Neuro-Oncology. 2019;144:563–572.
10. Workman P. How much gets there and what does it do? The need for better pharmacokinetic and pharmacodynamic endpoints in contemporary drug discovery and development. Current Pharmaceutical Design. 2003;9:891–902.
11. Banerji U, Workman P. Critical parameters in targeted drug development: the pharmacological audit trail. Seminars in Oncology. 2016;43:436–445.
12. Simeoni M, Magni P, Cammia C, et al. Predictive pharmacokinetic-pharmacodynamic modeling of tumor growth kinetics in xenograft models after administration of anticancer agents. Cancer Research. 2004;64:1094–1101.

1. 01

   细胞系选择

   界定模型与研究问题的匹配性

   主要输入

   公开资料、模型特征

   判断 / 输出

   模型选择依据

   常见风险

   适用性与可重复性

2. 02

   细胞培养与状态确认

   确认起始材料状态

   主要输入

   细胞状态记录

   判断 / 输出

   起始质量判断

   常见风险

   状态偏差

3. 03

   动物准备

   让模型条件与研究设计相衔接

   主要输入

   研究设计、动物信息

   判断 / 输出

   纳入与排除逻辑

   常见风险

   个体差异

4. 04

   细胞接种

   建立移植起点

   主要输入

   经确认的细胞材料

   判断 / 输出

   建模可行性

   常见风险

   成瘤不稳定

5. 05

   肿瘤生长监测

   观察模型是否按预期发展

   主要输入

   连续观察记录

   判断 / 输出

   进入研究的判断

   常见风险

   异质性

6. 06

   随机分组

   降低已知偏倚

   主要输入

   基线观察结果

   判断 / 输出

   组间可比性

   常见风险

   基线失衡

7. 07

   给药与观察

   连接干预与随访

   主要输入

   研究方案、观察计划

   判断 / 输出

   治疗期观察

   常见风险

   非特异影响

8. 08

   疗效与安全性评价

   从多个维度理解反应

   主要输入

   纵向测量、观察

   判断 / 输出

   效应与耐受性线索

   常见风险

   只看单一终点

9. 09

   样本采集与分析

   补充机制与暴露解释

   主要输入

   研究相关样本

   判断 / 输出

   可解释的证据链

   常见风险

   样本与问题脱节