综述：加速MASH药物发现与发展的定量方法

《Clinical Pharmacology & Therapeutics》：Quantitative Approaches to Accelerate MASH Drug Discovery and Development

本综述系统阐述了定量系统药理学（QSP）、模型荟萃分析（MBMA）及人工智能/机器学习（AI/ML）等模型引导的药物发现与开发（MID3）策略，如何通过整合多源数据、预测生理效应、建立生物标志物与组织学终点关联及优化临床试验设计，以应对代谢功能障碍相关脂肪性肝炎（MASH）疾病异质性高、肝活检依赖性强等挑战，为加速MASH药物研发提供关键决策支持。

　　

引言

代谢功能障碍相关脂肪性肝病（MASLD）是全球最常见的慢性肝病，约25–30%的成人受累。其中高达40%的患者会进展为代谢功能障碍相关脂肪性肝炎（MASH），其特征为肝脂肪变性、炎症伴肝细胞损伤（气球样变），伴或不伴纤维化。MASH是慢性进展性疾病，可导致肝硬化、肝细胞癌，增加肝移植需求和全因死亡率。肝活检目前仍是MASH诊断和药物审批的金标准，用于评估脂肪变性、炎症、气球样变的NASH活动度评分（NAS）以及MASH临床研究网络（CRN）纤维化分期。然而，肝活检具有侵入性、存在取样异质性、资源密集，且通常仅在试验开始和结束时进行，导致纵向数据缺失。基于组织学终点的加速审批路径（如MASH缓解且纤维化无恶化，或纤维化改善≥1期且MASH无恶化）以及需要漫长结局试验才能获得的完全批准，使得MASH药物开发复杂且充满挑战。非侵入性生物标志物（如肝脏脂肪含量、校正T1（cT-1）、增强肝纤维化（ELF）评分）的应用日益普遍，但由于疾病复杂性和患者异质性，单一生物标志物难以全面捕捉疾病进展或药物治疗后的病理生物学变化。模型引导的药物发现与开发（MID3）定量方法应运而生，旨在整合多源数据，优化决策，加速MASH治疗药物的研发进程。

定量系统药理学建模

定量系统药理学（QSP）是一种基于机制的方法，描述疾病病理生理学以及药物干预如何调节这些机制。其价值在于能整合多来源机制数据，产生易于解读的临床相关终点结果。NAFLDsym是一个代表性的MASH QSP模型，包含肝脂肪变性、脂毒性、炎症和纤维化等关键病理生理特征的子模型，能够预测肝损伤标志物（如ALT、AST）、免疫介质（如TNFα、TGFβ）和组织学指标（如NAS、纤维化分期）的变化。该模型包含一个由1,794名虚拟个体组成的群体，代表了关键病理生理通路（如肝de novo脂生成（DNL）、脂肪组织脂肪酸释放、肝细胞甘油三酯脂解、氧化应激、肝星状细胞（HSC）活化等）的变异性。

通过将临床和机制数据整合到NAFLDsym中，研究人员对已获批的甲状腺激素受体β（THR-β）激动剂Resmetirom、用于糖尿病和减重的胰高血糖素样肽-1（GLP-1）激动剂Semaglutide以及处于研发中的二酰基甘油酰基转移酶2（DGAT2）抑制剂Ervogastat进行了模拟。模拟结果成功复现了Resmetirom在36周治疗中引起的肝脏脂肪相对减少（RRLF）、甘油三酯（TG）和ALT的降低；Semaglutide引起的体重下降和 consequent 的肝脏脂肪减少；以及Ervogastat随时间推移对肝脏脂肪的影响。这些模拟有助于理解药物作用机制、剂量和时间效应，为同类药物或联合疗法的临床研究设计提供信息。

敏感性分析揭示了针对MASH不同病理生理方面（如减少食物摄入（FI）、抑制DNL/增加脂肪酸氧化（FAO）、抑制HSC活化、减少脂毒性/活性氧（ROS））的干预效果。结果表明，减少FI或调节DNL/FAO对改善NAS效果相当，而调节DNL/FAO对纤维化改善的效果优于FI。联合疗法（如FI减少与DNL/FAO调节联用）能显著提高应答者比例。此外，模拟显示，不同作用机制的减脂药物（如通过减少底物可用性和增加脂肪酸氧化）联合使用时，其对肝脏脂肪的减少具有叠加效应，且给药顺序不影响联合疗效，同时能降低无应答者比例。这些in silico探索为联合疗法的潜力和临床试验设计提供了宝贵见解。尽管QSP模型（如NAFLDsym）结构复杂（约700个常微分方程，超过1,000个闭合形式方程），模拟技术要求高且耗时，但其在MASH药物评估中的价值巨大，尤其是在早期开发阶段数据有限的情况下。

模型荟萃分析

模型荟萃分析（MBMA）是一种定量方法，通过整合异质性数据（如临床试验、观察性研究）来为决策、临床试验设计和药物开发策略提供信息。在MASH领域，MBMA可用于在获得组织学终点之前，基于非侵入性生物标志物的变化来评估和比较处于不同临床开发阶段的候选药物。

通过对截至2023年10月的MASLD/MASH临床试验数据集进行分析，研究者探讨了肝脏脂肪含量（通过MRI-PDFF测量）、校正T1（cT-1）和增强肝纤维化（ELF）评分等生物标志物与组织学终点（MASH缓解且纤维化无恶化，纤维化改善且MASH无恶化）之间的关联。

肝脏脂肪含量：分析显示，肝脏脂肪相对减少（RRLF）与组织学终点呈线性正相关。RRLF ≥30%被证明与NAS的临床有意义改善及MASH缓解相关。尽管安慰剂效应导致RRLF平均减少约11%，但此分析中的药物效应未进行安慰剂校正。基线肝脏脂肪通常约为20%，且试验多不包括晚期纤维化或肝硬化（F4）患者。

校正T1（cT-1）：cT-1是一种非侵入性成像生物标志物，反映肝脏细胞外自由水含量（经铁校正）。cT-1升高与肝损伤和纤维化相关。分析发现cT-1的变化与肝脏脂肪变化（MRI-PDFF）在幅度和时间上高度相关，这引发了对cT-1变化究竟是源于肝损伤/纤维化改善还是脂肪变性减少的思考。目前同时测量cT-1和组织学终点的研究有限，需要更多数据来解读cT-1在MASH中的预后价值。

增强肝纤维化（ELF）：ELF是一种血液测试，通过测量透明质酸（HA）、III型前胶原肽（PIIINP）和组织金属蛋白酶抑制剂1（TIMP-1）来计算评分。基线ELF水平是MASH疾病进展的显著预测因子。分析表明ELF变化与组织学终点呈正相关，支持其作为纤维化早期预测指标的价值。然而，治疗持续时间对ELF变化的影响模式尚不清晰，且在F4患者中的数据有限。

MBMA在MASH中的应用主要受限于成功达到加速审批所需组织学终点改变的试验数据不足、试验设计（如患者基线特征、治疗持续时间）的差异性以及药物作用机制的多样性。未来更多试验数据的积累将有助于更精确地建立生物标志物与组织学终点的关系。

人工智能/机器学习

人工智能/机器学习（AI/ML）利用统计技术和高级算法识别数据中的非线性关系，以预测感兴趣的结果。其灵活性使其能有效探索涉及复杂数据模式的关系。在MASH中，AI/ML的一个关键应用是预测组织学终点，以优化临床试验入组。

肝活检作为MASH试验入组标准，导致筛查失败率高（可达70%以上），主要原因是无法满足组织学标准。应用AI/ML技术（如支持向量分类器SVC、随机森林RF、梯度提升法GBM）于筛查期间收集的患者特征、实验室检查和非侵入性生物标志物数据，可以预测参与者是否符合特定试验的组织学入组标准。一项示例研究利用443名有组织学读数的筛查人群数据，训练模型预测参与者是否满足纤维化分期2或3且NAS≥4（伴脂肪变性、气球样变和小叶炎症各≥1）的入组标准。结果显示，随机森林算法性能最佳，测试集曲线下面积（AUCROC）为0.81，预测准确率达77%，优于单一重要特征预测因子（AUCROC 0.72）。这表明AI/ML在活检前识别合格受试者方面具有潜力，可显著降低筛查失败率，减轻受试者负担。

然而，AI/ML模型的应用也存在挑战。模型的预测能力依赖于训练数据的规模和代表性，单一试验数据可能存在偏差。模型的可解释性不足也可能影响其在关键决策中的可信度。未来需要更统一的试验入组标准和多来源数据整合以提高模型的普适性。

组合方法的威力

将不同的定量工具组合使用，可以产生比单一方法更深入的见解。

QSP与MBMA结合：QSP模型可预测新靶点干预后的生物标志物变化（如肝脏脂肪、III型前胶原N端肽（Pro-C3））。MBMA则可将这些预测变化与临床开发中的其他候选药物进行对标，并基于大量临床试验数据汇总，将生物标志物变化水平转化为预期的组织学改变。这种组合有助于在临床数据生成前对新靶点价值进行早期评估。

AI/ML与MBMA结合：MBMA需要从大量出版物中聚合数据，维护成本高。AI/ML技术可以改进自动化搜索和信息提取流程，高效识别、收集和整合出版物中的相关数据，从而降低数据库构建和维护的成本，促进MBMA的更广泛应用。

AI/ML与QSP结合：大型语言模型等AI技术可加速QSP模型构建初期的机制识别和文献数据整理。此外，可以利用AI/ML模型对QSP大量模拟结果进行训练，实现模型压缩，大幅减少复杂QSP模型的模拟时间。AI/ML还可用于分析具有众多参数的虚拟群体的模拟结果，快速识别敏感参数和关键机制通路。这种结合有助于提升QSP建模效率并深化对模型预测的理解。

结论

MASH药物开发面临疾病复杂性、异质性、成功疗法数据有限以及缺乏公认的诊断和预后生物标志物等挑战。定量系统药理学（QSP）、模型荟萃分析（MBMA）和人工智能/机器学习（AI/ML）等MID3方法作为定量工具，能够通过整合多源数据、预测药物效应、建立生物标志物与临床终点的关联以及优化试验设计，为决策提供信息，加速药物开发。每种方法各有其优势和局限性，需谨慎实施和解读其结果。随着更多候选药物临床试验获得积极结果，未来几年有望出现更多符合加速审批条件的MASH疗法。对这些宝贵数据的学习和分析，结合QSP、MBMA和AI/ML等定量方法的战略应用，将推动MASH药物研发的科学进展，最终为患者更快地带来有效治疗。