药效模型 Efficacy Model：体内验证应该看哪些指标

体内药效模型是从细胞实验走向临床的第一道关键验证。它要回答的不只是「化合物有效吗」，更重要的是「靶点假设成立吗」「暴露与效应的关系是什么」。

模型选择的层次

模型类型	验证什么	转化相关性
药效标志物（PD marker）	药物到达并调控了靶点	最直接、最可靠
机制模型	通路层面的效应	较高
疾病模型（诱导）	疾病表型改善	中等
遗传模型	基因层面的疾病模拟	视疾病而定
患者来源异种移植（PDX）	更接近患者的肿瘤	肿瘤领域较高
自发疾病模型	更接近自然病程	较高但成本高

先做 PD 标志物实验，再做疾病模型：如果药物在体内根本没有调控靶点（PD 标志物无变化），那么疾病模型无效也说明不了任何问题——可能只是暴露不足。把这两步搞反是常见的资源浪费。

PD 标志物实验的设计

# 目的：证明「药物到达了靶点并产生了预期的分子效应」
#
# 设计要点：
# 1) 选择合适的标志物
#    - 直接标志物：靶点磷酸化状态、靶点占有率
#    - 下游标志物：通路激活状态、基因表达变化
#    - 优先选直接标志物（因果链最短）
#
# 2) 同时测 PK 与 PD
#    在同一动物、同一时间点采样
#    → 才能建立暴露-效应关系
#
# 3) 时间过程
#    多个时间点（如 1、4、8、24 h）
#    → 看效应持续多久、是否与浓度同步
#
# 4) 剂量-效应
#    至少 3 个剂量
#    → 建立 PK/PD 关系（见 407）
#
# 5) 阴性对照
#    结构相似但无活性的类似物
#    → 排除非特异性效应

# 关键产出：
#   「达到 X% 靶点调控需要的游离血浆浓度」
#   这个数字是后续剂量预测的基础

关键指标

• 靶点占有率或调控程度：最直接的证据；
• 暴露-效应关系：需要多少游离浓度才能达到多少效应；
• 效应持续时间：与血浆浓度同步还是滞后？滞后说明有下游延迟；
• 疾病模型的功效终点：肿瘤体积抑制率、炎症评分、行为学指标等；
• 剂量-效应关系：是否有平台？平台高度是多少？
• 耐受性：体重变化、临床观察、必要的血液学与生化指标。

结果解读的常见误区

• 没测暴露就下结论。这是最常见也最严重的错误。化合物在疾病模型中无效，可能是：（a）靶点假设错了；（b）暴露不足；（c）模型不合适。不测 PK 就无法区分。任何体内实验都应同步测暴露。
• 用总浓度而非游离浓度比较：不同化合物的血浆蛋白结合差异很大，比较总浓度会误导；
• 忽略物种差异：化合物对小鼠靶点的亲和力可能与人源靶点差数十倍。必须测两者，否则动物数据无法外推；
• 模型的转化相关性未评估：某些经典动物模型对特定适应症的预测价值有限，历史上有大量在动物模型中有效但临床失败的案例；
• 过度解读小样本：动物实验样本量通常较小，需要合理的统计设计与效应量估计；
• 忽略脱靶贡献：观察到的效应可能来自脱靶。用结构不同但作用于同一靶点的化合物验证，或用基因手段（敲除、敲低）对照。

验证靶点假设的正交手段

# 药理学工具 + 遗传学工具的交叉验证
#
# 1) 化学工具
#    - 两个结构完全不同的抑制剂产生相同表型
#      → 更可能是靶点效应而非脱靶
#    - 无活性的结构类似物作阴性对照
#
# 2) 遗传学工具
#    - 基因敲除/敲低动物
#    - 条件性敲除（避免发育代偿）
#    - 药物在敲除动物中失效 → 强有力的靶点验证
#      ← 这是最有说服力的实验之一
#
# 3) 抗性突变
#    - 引入使药物无法结合但保留功能的靶点突变
#    - 药物在该突变体中失效 → 证明效应来自该靶点
#
# 4) 靶点占有率测定
#    - 直接证明药物结合了靶点
#
# 组合使用这些手段，才能确信观察到的效应确实来自靶点调控

「药物在靶点敲除动物中失效」是靶点验证的黄金标准之一：如果化合物在野生型中有效、在敲除动物中无效，几乎可以确定效应来自该靶点。

暴露-效应关系的建立

import numpy as np
from scipy.optimize import curve_fit

def emax_model(conc, e0, emax, ec50, hill=1.0):
    """Emax 模型：最常用的暴露-效应关系"""
    return e0 + (emax - e0) * conc**hill / (ec50**hill + conc**hill)

def fit_exposure_response(free_conc, effect):
    p0 = [effect.min(), effect.max(), np.median(free_conc), 1.0]
    popt, pcov = curve_fit(emax_model, free_conc, effect, p0=p0, maxfev=10000)
    e0, emax, ec50, hill = popt
    perr = np.sqrt(np.diag(pcov))
    return {
        "E0": e0, "Emax": emax, "EC50": ec50, "Hill": hill,
        "EC50_se": perr[2],
        # 关键产出：达到 80% 最大效应所需的浓度
        "EC80": ec50 * (0.8 / 0.2) ** (1 / hill),
    }

# 这个 EC80（或 EC90）是后续人体剂量预测的核心输入：
#   需要在人体中达到相似的游离浓度
#   → 结合人体 PK 参数，反推所需剂量（见 407）

与临床终点的关系

• 动物模型的功效不直接预测临床疗效：这是必须接受的现实。历史上大量在动物模型中效果显著的化合物在临床失败。
• 更可迁移的是 PK/PD 关系：「达到 X% 靶点调控需要多少游离浓度」这个关系，跨物种的可迁移性明显好于「疾病模型的疗效」。
• 因此体内实验最有价值的产出不是「有效」，而是「暴露-靶点调控-效应」的定量关系——它才是指导临床剂量设计的依据。
• 生物标志物的连续性：如果动物实验用的 PD 标志物在人体临床试验中也能测，转化的可信度会大幅提高。选择标志物时应优先考虑这一点。

延伸资源

• PK/PD：407《PK/PD 关系》、406《PK 参数入门》；靶点验证：412《靶点选择与验证》；
• 毒理窗口：409《毒理窗口 Toxicology Window》；候选提名：411《Clinical Candidate Nomination》。