关于《DigiLOCs：预测性器官芯片模拟的飞跃》研究的学术报告
本报告旨在向各位研究者介绍一篇题为《DigiLOCs: A Leap Forward in Predictive Organ-on-Chip Simulations》的研究论文。该研究由 Manoja Rajalakshmi Aravindakshanid (印度理工学院克勒格布尔分校计算机科学与工程系)、Chittaranjan Mandal (印度理工学院克勒格布尔分校计算机科学与工程系)、Alex Pothen (普渡大学计算机科学系)、Stephan Schaller (德国 EsqLABS GmbH) 和 Christian Maass* (德国 EsqLABS GmbH 及 MPSLABS) 共同完成，并于 2025 年 1 月 9 日发表在学术期刊 PLOS ONE 上。
一、 学术背景 本研究属于生物医学工程、计算药理学和药物开发领域的交叉学科研究，聚焦于器官芯片（Organ-on-Chip, OOC）与数字孪生（Digital Twin）技术的结合应用。
在药物研发的临床前阶段，准确预测候选药物在人体内的药代动力学（Pharmacokinetics, PK），特别是肝脏清除率（Clearance），对于确定首次人体剂量、评估安全性和有效性至关重要。传统方法依赖于简单的体外模型（如肝微粒体、悬浮或平板培养的肝细胞）和单一房室药代动力学模型来估算体外清除率，再通过体外-体内外推法（In Vitro to In Vivo Extrapolation, IVIVE）预测人体清除率。然而，这种方法通常存在系统性低估（可达5-10倍）人体清除率的问题，导致预测不准确。
近年来，微生理系统（Microphysiological Systems, MPS）和器官芯片技术因其能更真实地模拟人体器官生理环境而备受瞩目。这些先进的体外系统能够产生更接近人体的生物学数据。但一个核心矛盾是：尽管OOC技术日益复杂，其数据预测人体药代动力学的准确性并未得到根本性提升。研究者们质疑，问题究竟在于OOC模型的生物学相关性仍然不足，还是用于分析这些复杂数据的传统数学模型过于简化，未能充分利用OOC提供的多维信息。
基于此背景，本研究旨在解决这一矛盾。其核心目标是：开发一个集成OOC实验数据与先进计算模型的数字孪生框架，以更精确地预测临床药物清除率。具体而言，研究旨在1）利用数字孪生模型显著提升对药物内在肝脏清除率的预测准确性，超越传统模型；2）建立一个能够弥合体外发现与临床相关性之间鸿沟的框架；3）通过生理参数解释模型行为，增强结果的可解释性。
二、 详细工作流程 本研究的工作流程是一个整合了数据收集、模型构建、参数估计、敏感性分析、预测验证及临床转化的系统性工程。
1. 数据收集与整合： 研究团队从已发表的文献中系统收集了32种药物在多种肝脏体外系统中的药代动力学（代谢）数据。这些数据涵盖了不同的商业化肝脏芯片平台（如CNBio、Javelin）和3D肝细胞球体模型（如Hurel）。数据内容包括药物在芯片培养基中的时间-浓度曲线（即药物耗竭动力学）。这32种药物涵盖了快清除和慢清除化合物，确保了研究样本的多样性。这些数据构成了后续模型训练和验证的基础。
2. 数字孪生模型（DigiLOCs）的开发与实现： 这是本研究的核心创新。研究团队开发了一个名为 DigiLOCs 的软件工具，作为肝脏芯片的数字孪生。该工具不再使用传统的单一房室模型，而是构建了一个三房室生理模型，通过一组常微分方程（Ordinary Differential Equations, ODEs）来描述药物在芯片内的动态分布和代谢过程。 * 三个房室：模型将芯片系统抽象为三个相互关联的房室：培养基（Media）、间质（Interstitium） 和细胞内（Intracellular） 房室。这种划分更贴近肝脏芯片的物理结构和生物学实质。 * 参数整合：模型的独特之处在于其整合了三大类信息： * 硬件特异性信息：如芯片结构（单腔室无流动、双腔室循环流动）、腔室体积、表面积、流速等。 * 生物学过程信息：明确区分了主动生物过程（如细胞内的代谢清除，CLc） 和被动生物过程（如通过内皮层的渗透性 Pendothelial、药物在房室间的分配系数 Kint_med, Kwater_int, Kwater_cell、细胞膜渗透性 Pacell_int, Paint_cell）。传统模型将这些过程全部“打包”为一个单一的清除率参数。 * 化合物特异性信息：利用药物的理化性质，如亲脂性（LogP）、分子量（MW）、未结合分数（Fraction Unbound, fu），通过PK-Sim软件中成熟的算法来计算上述分配系数和渗透性参数。 * 软件实现：DigiLOCs 使用开源编程语言 R 开发，并能够与专业的全身生理药代动力学（Physiologically Based Pharmacokinetic, PBPK）建模软件 PK-Sim 无缝通信，以获取计算所需的参数。软件内置了多种常见肝脏芯片架构（如CNBio, Javelin, Hurel等）的预设配置。
3. 参数估计与模型拟合： 对于每种药物-芯片组合，研究团队使用收集到的药物耗竭时间序列数据，通过优化算法（如Nelder-Mead）来估计模型中的关键未知参数，主要是芯片上的内在清除率（CLc） 和芯片表面积（Samed_int_liver）。目标函数是最小化模型预测的药物浓度曲线与实验观测数据之间的差异。此外，模型还引入了一个额外的约束条件：将模拟预测的细胞内与培养基药物分配系数（Kpuu, pred）与文献中报道的实验观测值（Kpuu, obs）进行比较，并计算一个化合物特异性的比例因子（Scaling Factor, SF），用于后续校正预测的人体清除率。这一步骤增强了模型预测的生物学合理性。
4. 敏感性分析： 为了评估模型输出（特别是细胞内药物浓度）对各个输入参数的敏感程度，研究团队进行了局部和全局敏感性分析。局部敏感性分析通过一次改变一个参数（±10%）来观察输出的变化；全局敏感性分析（使用Sobol方法）则评估了参数间的相互作用对输出的影响。分析结果显示，细胞内浓度对内皮渗透性（Pendothelial）、间质表面积（Samed_int_liver）、药物未结合分数（fu） 和清除率（CLc） 等参数最为敏感。这证实了准确获取或估计这些参数对于模型预测精度至关重要。
5. 人体清除率预测与验证： 将 DigiLOCs 拟合得到的芯片内在清除率（CLint(u)），通过标准的体外-体内外推（IVIVE）公式，缩放到人体等效的未结合内在清除率，再结合人体肝脏血流等生理参数，利用“充分搅拌（Well-Stirred）”模型预测人体肝脏清除率（CLh, pred）。将这一预测值与文献中报告的临床观测清除率（CLh, obs）进行比较，计算预测值与观测值的比率。为了与现有方法对比，研究团队同样使用传统单一房室模型对相同数据进行分析，并计算其预测的人体清除率。
6. 临床药代动力学转化验证（概念验证）： 为了展示精确清除率预测的临床意义，研究选择普萘洛尔（Propranolol） 作为概念验证案例。首先，在PK-Sim中建立并验证了一个能够很好描述普萘洛尔临床观测药时曲线的全身PBPK模型。然后，分别将传统方法和 DigiLOCs 方法预测得到的普萘洛尔清除率值代入这个已验证的PBPK模型中，模拟单次口服给药后的人体药代动力学曲线。最后，将两种方法模拟出的曲线与实际的临床观测数据进行比较，评估预测准确性。
三、 主要结果 1. 芯片动力学模拟成功： DigiLOCs 模型成功地拟合了所有32种药物在不同肝脏芯片系统中的实验数据。模型不仅准确地描述了培养基中药物浓度随时间下降的曲线，还能同步模拟出药物在间质和细胞内房室的动态变化。例如，对双氯芬酸、咪达唑仑、奥沙西泮和普萘洛尔等药物的模拟显示，模型预测曲线（紫色线）与实验观测数据点（蓝色点）高度吻合，同时揭示了不同药物在细胞内积累（红色线）的差异，这直接影响其代谢清除速率。
2. 敏感性分析揭示关键参数： 敏感性分析结果（图5）表明，模型预测的细胞内浓度对清除率（CLc）最为敏感，其次是与药物转运相关的参数（如Pendothelial, Samed_int_liver, fu）。这从数学上验证了 DigiLOCs 模型能够有效区分并量化主动代谢过程和被动分布过程的影响，而这正是传统模型无法做到的。
3. 人体清除率预测准确性显著提升： 这是本研究最核心的发现。对32种化合物的综合分析显示（图6）： * DigiLOCs 方法：预测值与观测值的比率集中在1附近（均值1.04 ± 0.31），变异系数（CV）为30%。这表明 DigiLOCs 能够无偏且精确地预测人体清除率，消除了传统方法的系统性低估。 * 传统单一房室模型方法：预测值普遍低于观测值（均值0.56 ± 0.44），存在系统性低估，且预测不确定性很大（CV高达79.3%）。 * 相关性分析（图7）进一步表明，对于所研究的肝脏芯片数据，大多数药物的 DigiLOCs 预测值落在观测值的1.5倍误差范围内（平均折叠误差 AFE = 0.965），显示出优异的个体药物预测性能。
4. 临床转化验证显示巨大潜力： 在普萘洛尔的概念验证研究中（图8），结果对比非常鲜明： * 使用传统方法预测的清除率代入PBPK模型后，导致模拟的血药浓度曲线被严重高估：峰浓度（Cmax）被高估约3倍，药时曲线下面积（AUC）被高估达6倍，并且错误地预测了24小时后体内仍有显著药物残留，这在实际临床中可能导致药物蓄积和毒性风险。 * 使用DigiLOCs 预测的清除率代入模型后，模拟曲线与临床观测数据高度接近：AUC仅被高估1.5倍，并且准确地预测了药物的末端消除相。这证明了基于 DigiLOCs 的精确清除率预测能够显著改善对人体整体药代动力学的模拟，对于指导首次人体剂量选择和风险评估具有重要价值。
四、 结论与意义 本研究成功开发并验证了一个名为 DigiLOCs 的肝脏芯片数字孪生框架。该框架通过整合芯片硬件结构、复杂生物学过程和化合物理化性质信息，构建了一个三房室生理模型，能够更真实地模拟和解析药物在芯片内的动力学行为。
科学价值：本研究首次系统性地、大规模地（32种药物，多种芯片平台）证明，对先进的器官芯片数据应用同样先进的数学建模分析（数字孪生），是释放其预测潜力的关键。它明确了当前OOC技术预测能力瓶颈的主要原因之一是数据分析方法的落后，而非单纯的生物学模型缺陷。研究为如何从复杂的体外系统中提取最大化信息并转化为可靠的临床预测提供了一个可推广的范式。
应用价值： 1. 提升药物研发效率：通过更准确地早期预测人体清除率和药代动力学，有助于在临床前阶段更可靠地筛选候选药物，优化首次人体试验剂量，降低因药代动力学问题导致的临床失败风险。 2. 减少动物实验：更可靠的体外-体内预测能力可以部分替代或优化动物实验，符合3R原则（减少、优化、替代），推动更符合伦理和可持续的药物研发。 3. 支持决策制定：DigiLOCs 可作为制药研发中的决策支持工具，用于评估化合物特性、比较不同体外模型的性能，并为后续实验设计提供指导。 4. 通用性前景：作者指出，该建模框架不限于肝脏代谢研究，可扩展至肠道代谢、血脑屏障等其他器官芯片模型，用于研究吸收、分布、毒性及药效等问题。
五、 研究亮点 1. 方法学的重大创新：提出了首个将器官芯片硬件、生物学和化合物信息深度整合的数字孪生建模框架，实现了对主动代谢和被动分布过程的数学剥离，是分析理念上的突破。 2. 预测性能的实质性飞跃：通过头对头比较，无可争议地证明了 DigiLOCs 在预测人体肝脏清除率方面显著优于传统方法，不仅纠正了系统性偏差，还将预测不确定性降低了约三分之二。 3. 大规模系统性验证：这是迄今为止规模最大的、系统比较不同肝脏体外系统预测性能并集成数字孪生技术的研究，涵盖了多样化的药物和芯片平台，结论具有坚实的统计基础。 4. 完整的转化医学链条：研究不仅停留在清除率预测的层面，还通过PBPK模型将预测结果成功转化为对人体整体药代动力学的模拟，完成了从“芯片数据”到“临床预测”的全链条验证，凸显了其临床转化潜力。 5. 开源与可扩展性：软件基于R语言开发，具有良好的可访问性和可扩展性，为领域内其他研究者应用和改进该方法奠定了基础。
六、 其他有价值的内容 研究还讨论了模型的局限性及未来方向。例如，目前关于药物在肝细胞内分配系数的实验数据有限，未来若能将实测的细胞内浓度数据纳入模型拟合，可进一步优化预测。此外，DigiLOCs 不仅可用于清除率预测，其框架同样适用于基于芯片的毒性或药效学研究，通过关联时间-浓度曲线与生物标志物（如ATP、TEER）来评估IC50或EC50值。这展现了该平台在药物研发多个环节的广泛应用前景。
这项研究标志着器官芯片数据分析和应用的一个重要里程碑。它表明，将复杂的体外生物学系统与相应复杂的计算模型相结合，是实现精准、可预测的体外模型的关键路径，为加速和变革药物研发进程提供了强有力的新工具。