将基于机制的定量系统药理学建模与患者来源的类器官检测相结合，用于MET基因异常的非小细胞肺癌，以实现高通量联合疗效分析及个性化治疗设计

《Frontiers in Pharmacology》：Combining mechanistic quantitative systems pharmacology modeling and patient-derived organoid testing in MET-aberrant non-small cell lung cancer for high-throughput combination efficacy analysis and personalized treatment design

定量系统药理学模型揭示MET靶向疗法联合下游通路抑制剂可显著提升非小细胞肺癌患者客观缓解率，并通过患者来源类器官数据实现个性化剂量优化。

　　非小细胞肺癌（NSCLC）中携带MET第14外显子跳跃突变或MET过表达/扩增的患者通常表现出高度增殖和侵袭性的表型，对人类健康构成严重威胁。尽管在过去十年中，针对MET的酪氨酸激酶抑制剂（TKIs）已被批准用于临床，但针对MET异常患者的治疗仍然面临诸多未满足的需求，包括有限的疗效持续时间与药物耐受性、较低的应答率以及需要有效的联合治疗方案，同时患者亚群之间存在不同的治疗反应，还有临床剂量优化与个性化医疗的可能性。为了应对这些挑战，我们开发了一种定量系统药理学（QSP）模型，该模型在机制上再现了MET信号网络中的复杂调控，并整合了多尺度的临床前和临床数据，用于分析16种候选药物的疗效。这种全面的QSP模型框架，经过严格的分步校准和验证，能够实现对不同新兴联合治疗策略在不同剂量范围内的高通量临床疗效分析，为MET异常患者的药物开发和剂量优化提供了关键的见解。

此外，我们还整合了来自癌症患者来源的类器官（PDO）数据，探索了这种混合药物分析范式在设计最优个性化治疗方案方面的转化潜力。目前，我们的研究是首个针对MET异常的多尺度QSP研究，通过将QSP模型分析与PDO数据相结合，为未来的癌症个性化医疗开辟了新的途径。

在QSP模型中，我们考虑了MET信号通路与其他相关通路（如EGFR、ALK和ROS1）之间的相互作用。这些通路通过不同的机制调控细胞的生长和存活，包括受体-配体结合、蛋白降解、磷酸化以及下游激酶激活等过程。在模型中，我们引入了多种药物，包括MET抑制剂（如capmatinib、tepotinib、savolitinib和cabozantinib）以及针对其他细胞内信号枢纽蛋白的抑制剂（如PI3K、AKT、MEK和ERK）。此外，我们还包含了五种化疗药物，如顺铂、卡铂、培美曲塞、多西他赛和吉西他滨。所有药物的药代动力学（PK）特征均通过标准的ODE（常微分方程）单室或双室模型进行描述，肿瘤内的药物暴露假设与血浆中的药物暴露成比例，并通过校准的分配系数进行计算。

在模型校准过程中，我们首先利用细胞层面的实验数据，包括信号转导和药物诱导的细胞存活率变化。我们使用A549细胞系（一种具有正常EGFR和MET的非小细胞肺癌细胞系）作为参考，根据文献数据，确定了A549细胞中MET和EGFR受体的数量分别为13,590和158,834。考虑到MET及其突变形式（如ALK和ROS1）在缺乏配体的情况下仍可能自发激活，我们允许所有模型物种达到各自的稳态，随后用于模拟其他扰动和药物治疗。由于MET第14外显子跳跃突变的蛋白缺乏泛素化酶结合位点，因此其降解速率低于野生型MET。我们使用ImageJ软件对已发表的Western blotting数据进行密度量化，并将实验数据归一化为各自的最大值或对照值。对于细胞存活率拟合，我们通过将药物处理下的细胞生长与未处理条件下的细胞生长进行比较，获得了模拟的细胞存活率曲线。所有模型反应均在MATLAB Simbiology Toolbox中实现，并使用ode15s求解器进行模拟。参数值则根据实验数据确定或通过数据拟合获得，参数估计和优化过程采用MATLAB的patternsearch函数完成。

在模型的体内层面校准中，我们通过拟合对照条件下的肿瘤生长曲线来调整肿瘤倍增时间。随后，我们引入了小鼠的药代动力学参数，以连接药物剂量与体内肿瘤生长抑制效应。对于仅有人体药代动力学数据而无小鼠数据的药物，我们采用反向所有ometric标度方法来推导小鼠药代动力学参数。虽然这种反向标度可能无法考虑物种特异性药物代谢差异，可能导致小鼠药代动力学的外推误差，但我们认为这不会显著影响模型在临床层面的实用性，因为此类过程仅在三种药物的预临床研究中进行。

在构建虚拟患者和虚拟患者群体时，我们假设肿瘤呈球形生长，其直径的变化（以基线值的百分比表示）用于评估治疗反应，遵循RECIST v1.1标准。为了反映患者层面的生理个体间差异，我们在从预临床向临床转化时，允许关键模型参数（如MET、AKT和ERK的激活速率、细胞生长和死亡速率等）在合理范围内变化。对于携带MET第14外显子跳跃突变的虚拟患者，其肿瘤被设定为包含MET跳跃突变细胞和正常癌细胞；对于MET扩增的虚拟患者，其肿瘤被设定为包含MET扩增细胞和正常癌细胞。我们允许不同细胞群体的生长速率在模型生成的个体虚拟患者之间变化，以达到一定的肿瘤体积（阈值），并以此作为个体患者的初始肿瘤负担，开始临床级别的药物治疗模拟。因此，在我们的模拟中，不同癌细胞群体的比例在患者之间有所不同，并且随时间动态变化。当进行虚拟临床试验与真实临床数据对比时，我们进行了100次重复运行，以获得虚拟患者群体的反应区间（通过记录每个个体在瀑布图中的最佳反应）。将完全缓解（CR）和部分缓解（PR）患者的百分比相加，得到每个运行中相应的客观缓解率（ORR）读数，并使用Kolmogorov-Smirnov检验评估100组反应数据是否符合正态分布。然后，我们计算了每个药物剂量方案下虚拟患者群体的95%预测区间。

为了进一步研究MET异常患者的不同治疗方案，我们调整了MET TKI的剂量并模拟了相应的临床疗效。模拟结果显示，对于capmatinib，当前临床使用的400mg每日两次（BID）剂量的群体应答率（ORR）略低于更高剂量（如600mg BID）但优于较低剂量（如300mg BID）。对于tepotinib，最佳ORR出现在临床批准的500mg每日一次（QD）剂量附近，即使增加剂量至600mg QD，模拟结果也未显示ORR的提升。对于crizotinib，其临床剂量（250mg BID）的ORR与替代剂量（200mg BID和300mg BID）相似。对于savolitinib，模拟结果表明其群体临床疗效在约500mg QD剂量后趋于平稳，提示其临床剂量（600mg QD）可能有进一步优化的空间。

通过这些模拟，我们不仅评估了不同剂量对群体疗效的影响，还探讨了联合治疗策略的潜力。我们发现，将MET抑制剂（如capmatinib和crizotinib）与针对其他激酶的抑制剂（如PI3K、AKT、MEK和ERK抑制剂）结合使用，可以显著提高MET异常NSCLC患者的群体应答率（ORR）。其中，capmatinib与PI3K或AKT抑制剂的组合预计可使ORR提升约30%，而与其他激酶抑制剂的组合效果则相对较小。此外，我们的模拟还表明，crizotinib的联合治疗效果一般低于capmatinib的组合治疗。这些结果为针对MET异常癌症的新型联合治疗策略的开发提供了重要的指导。

在个体化治疗预测方面，我们利用患者来源的类器官（PDO）测试数据，构建了5个基于PDO的虚拟患者。通过引入个体间的生理参数差异（如肿瘤生长速率、MET扩增程度和药物效力），并将模型模拟结果与相应的PDO剂量反应数据进行对比，我们预测了不同药物在临床治疗中的疗效。模拟结果表明，对于特定患者（如患者#4），不同剂量的TKI药物会导致显著不同的治疗反应。例如，erlotinib在所有剂量（从完整临床剂量到1/4剂量）下均能维持该患者处于强PR-SD（部分缓解-稳定疾病）范围内，而该患者在gefitinib治疗下仅能达到较弱的PR或甚至PD（疾病进展）。对于患者#1，其PDO测试显示，在pemetrexed/cisplatin联合治疗方案中，将pemetrexed的剂量减半（从500mg/m2到250mg/m2）对治疗效果的影响比将cisplatin的剂量减半（从75mg/m2到37.5mg/m2）更为显著。类似趋势也出现在docetaxel/cisplatin联合治疗方案的模拟中，而在gemcitabine/cisplatin联合治疗方案中，剂量减少的影响则不那么明显。这些结果表明，在临床实践中，对于患者#1，可以考虑在pemetrexed/cisplatin或docetaxel/cisplatin联合治疗方案中减少cisplatin的剂量，而对于gemcitabine/cisplatin联合治疗方案，可以考虑同时减少两种药物的剂量，仍可期望达到与标准剂量相似的肿瘤退缩效果。

通过QSP模型，我们还探索了不同剂量对个体化治疗方案的影响。在模拟中，我们发现，对于某些患者，较低剂量的TKI药物仍能产生显著的治疗效果，而某些患者则需要较高的剂量才能达到最佳疗效。这种个体化剂量优化的潜力对于提高治疗效果和减少副作用具有重要意义。

此外，我们还通过全球敏感性分析（使用部分秩相关系数，PRCC）评估了模型参数对关键结果指标（如肿瘤体积和最大肿瘤直径变化）的影响。分析结果表明，MET的合成与降解速率对肿瘤生长具有显著影响，而AKT和ERK的调控能力（如kt_akt_cell和kt_erk_cell）也对肿瘤体积变化产生重要影响。这些参数的敏感性分析为理解治疗效果的调控机制提供了重要线索，并有助于优化药物剂量和治疗策略。

在讨论部分，我们指出，针对MET的靶向治疗仍然是肿瘤研究和药物开发的热点领域，许多关于MET抑制剂的临床试验正在进行中。我们开发的多尺度机制性QSP模型整合了从细胞、动物到患者层面的数据，为发现新的治疗组合和优化治疗方案提供了有力支持。该模型能够模拟由多种机制驱动的MET TKI耐药情况，并为克服耐药性提供了独特的评估路径。

在临床应用方面，我们的模型还展示了其在剂量优化方面的潜力。通过模拟和比较不同剂量方案的临床ORR，我们提出，对于tepotinib、capmatinib和crizotinib，当前临床批准的剂量在疗效上已经较为理想，而对于savolitinib，较低剂量即可实现相似的疗效，提示其剂量可能有进一步优化的空间。随着Project Optimus计划在新肿瘤药物临床开发中的日益重要，基于模型的方法，如我们提出的QSP框架，将在指导准确的临床设计和实施方面发挥越来越重要的作用。

此外，我们还预测了不同药物组合的潜在临床疗效，并为未来的临床药物研究提供了比较性的见解。尽管目前，我们提出的将MET TKIs与下游激酶抑制剂（如MEK、ERK、AKT抑制剂）结合的治疗框架尚未在MET异常肺癌患者中进行临床测试，但类似策略在其他由点突变驱动的NSCLC（如BRAF突变）中已被证明是成功的。最近的两项研究测试了MET抑制剂（如crizotinib）与MEK抑制剂在晚期癌症患者中的联合使用，并展示了初步的疾病控制效果，支持了我们模型预测的联合治疗价值。

我们还注意到，QSP模型在提出和评估新联合治疗策略方面具有巨大潜力。随着更多针对MET异常NSCLC的新治疗模式在临床中被探索，例如双特异性抗体（如Amivantamab，其同时靶向EGFR和MET）和抗体-药物偶联物（如Telisotuzumab Vedotin，其靶向MET）的出现，这些新药物已被FDA批准用于治疗NSCLC患者。在未来的模型版本中，我们设想将这些新药物的作用机制和治疗目标整合进当前的模型框架中，并结合更广泛的患者来源类器官测试数据，使我们的QSP模型框架成为一种全面的假设生成平台。这种QSP平台可以有效指导临床候选药物的选择和联合试验设计，并为MET异常癌症患者的个性化治疗决策提供前瞻性筛选。