编辑推荐：
本文聚焦药物联合治疗，探讨其相较于单一疗法的优势与挑战。介绍了基于机器学习和网络的计算方法，用于识别药物组合及评估不良反应（ADR）。还梳理了固定剂量组合（FDC）的监管路径与历史趋势，强调其发展前景及监管协调的重要性。
引言
长期以来，药物开发遵循单一靶点单一疗法策略，但许多疾病的病理表型并非由单一分子实体引起，而是涉及复杂的分子相互作用网络，单药治疗难以应对疾病复杂性。药物联合治疗通过作用于驱动疾病发生的多个分子靶点，有望更全面地治疗复杂疾病。
不同作用机制（MoA）的活性药物成分（APIs）组合，可作用于同一通路的不同靶点或不同疾病相关通路，理想情况下能产生协同效应，增强疗效，降低单一 APIs 浓度，减少药物毒性风险和联合治疗成本 。同时，药物联合治疗能提高患者对个体药物反应差异大时的治疗成功率，固定剂量组合（FDCs）还可减轻患者服药负担，提高治疗依从性和生活质量。
然而，药物联合治疗的开发比单药更复杂。可能出现拮抗的药物 - 药物相互作用（DDIs），如一种 API 干扰另一种 API 或其活性代谢物的代谢或转运 。而且，药物组合的效果通常具有剂量依赖性，随着 APIs 浓度变化，可能从协同转变为拮抗。此外，可能的药物组合数量庞大，难以通过临床前实验有效筛选。因此，计算系统生物学和机器学习方法在指导有前景的药物组合选择中愈发重要。从产业角度看，药物联合治疗为延长产品生命周期、维持市场份额提供机会，但 FDCs 开发存在化学不相容、与辅料反应不同等问题，监管过程也更为复杂。本文将概述识别药物组合的计算方法，介绍 FDCs 的监管途径和要求，并总结药物联合治疗批准的关键发展和趋势。
识别和预测药物组合的计算方法
基于机器学习的分类和预测
多种机器学习方法已被开发用于从各种输入参数预测药物组合的效果，包括 APIs 的化学结构、药物靶点信息或药物基因组学 。药物组合的效果可建模为分类响应，分为协同、相加或拮抗，也可用回归模型预测连续的协同分数，如 Loewe 相加性或 Bliss 独立性 。训练这些模型需要药物组合效果的数据，通常来自高通量体外筛选中细胞活力等表型读数，如 DrugCombDB、DrugMAP 等数据库提供相关数据。
阿斯利康 - 桑格药物组合 DREAM 挑战赛评估了 160 种机器学习模型对 910 种药物组合在 85 种癌细胞系中的协同预测和分类能力，表现最佳的方法（使用药物靶点基因表达、拷贝数变异、甲基化和突变作为输入的随机森林分类器集成）预测协同作用的准确率 > 60% 。但目前机器学习在药物组合预测方面存在诸多挑战。训练数据大多来自相对有限数量癌细胞系的体外实验，限制了模型的泛化能力，难以预测临床相关条件下或非癌细胞类型中的药物组合效果。此外，对协同和拮抗的定义及量化缺乏共识，不同协同分数可能相互矛盾，导致训练数据标签不一致，影响模型性能 。而且，药物组合协同作用的可能性较小，训练数据集中类不平衡问题严重，真正阴性数据（药物间无相互作用）通常不可用，常以随机选择的药物对近似替代，这不仅影响模型性能评估，还可能导致模型过拟合，对未见过的数据表现不佳。另外，许多机器学习方法结果的可解释性有限，复杂模型难以推断预测协同或拮抗效应的驱动因素，且模型中的解释变量对药物组合作用机制（MoA）的预测能力不足。相比之下，以网络为中心的建模方法不依赖预测模糊的协同分数，更直接基于药物 MoA 假设，具有明显优势。
基于网络的药物组合建模方法
蛋白质 - 蛋白质相互作用（PPI）网络为参与病理通路或药物 MoA 的蛋白质提供分子背景图谱。Cheng 等人研究发现，FDA 批准的成对药物组合中药物靶点与疾病相关蛋白在人 PPI 网络中的关系，疾病蛋白倾向于聚集在相互作用蛋白模块中，协同药物组合的靶点多呈现互补暴露模式，即两个药物靶点都与疾病模块重叠但彼此不重叠；而靶点重叠的药物组合与不良药物相互作用相关 。Li 等人基于此，对比基于基因表达特征和 PPI 网络的方法寻找治疗前列腺癌的药物组合，基因表达特征法发现的 9 种具有体外协同作用的组合中，有 3 种未被网络方法检测到，这表明仅依赖 PPI 网络的方法存在局限性，可能与人类蛋白质相互作用组及蛋白质、疾病和药物 MoA 之间关联的认知不足有关。不过，基因表达或其他组学数据可补充和完善基于 PPI 网络的方法，如扩展药物模块网络、结合网络拓扑和基因表达特征计算综合分数、用基因表达特征为 PPI 网络边加权等。
大多数 PPI 网络是无向的，而分子调控网络包含基因或蛋白质之间的有向抑制 - 激活关系，如 KEGG 或 Reactome 等数据库中的信息 。通路和 PPI 网络都代表相互作用的基因或蛋白质系统，但通路通常是较小、更聚焦、经过充分研究的过程，以有向线性相互作用的共识形式呈现；PPI 网络则是大规模、全基因组或蛋白质组范围的相互作用，通常无向且不考虑特定细胞类型或组织背景，能提供更全面但更难解释的生物复杂性视图，可能包含新颖但也更嘈杂的信息。利用高质量的相互作用方向信息，可通过布尔建模模拟病理扰动和药物治疗时相互作用蛋白质网络中开关状态的传播，目标是识别能通过网络传播效应、逆转病理状态或调节驱动疾病通路的失调蛋白质的药物或药物组合 。相关方法如通路串扰和可控性分析，可找到有效破坏多个致病通路关键节点且减少对未受干扰通路干扰的药物组合，深入了解病理机制与药物联合 MoA 之间的相互作用，但相互作用方向和初始分子激活状态往往未知，限制了这些方法在特征相对不明确的疾病和病理通路中的应用。
网络的优势在于能表示复杂的相互关联信息，PPI 和其他分子网络可嵌入异质多层网络（知识图谱），整合药物、疾病和通路等数据层 。例如，Casas 等人构建包含蛋白质、分子功能和代谢物的异质网络，用于寻找治疗缺血性中风的协同药物组合，实验验证了 NOX4 和 NOS 抑制剂组合的协同作用 。其他异质网络还可用于识别导致不良 DDIs 的药物组合。但构建知识图谱时，需评估数据的价值和兼容性，只纳入与任务相关的数据，且网络复杂性增加会降低可解释性。通常将蛋白质、疾病或药物等实体转化为低维数值特征向量（嵌入）来编码其与网络中其他实体的关系，虽便于分析，但难以直接解释，不过已有策略可从这些特征向量推断机制背景和因果解释。总体而言，基于网络的方法是识别药物组合中机制兼容 APIs 的有力工具，但预测和建模不同浓度下药物组合的效果仍具挑战，最终需实验验证，该方法更适用于确定药物组合成分而非组成。
评估不良药物相互作用（DDIs）的计算方法
药物组合引发不良 DDIs 导致多药治疗副作用的风险更高，因此预测和评估不良 DDIs 是产品开发的关键 。当前机器学习模型在预测不良 DDIs 方面表现优于预测协同药物组合，如 He 等人的图卷积网络模型从分子药物结构预测不良 DDI 风险水平，对已知和新药物组合的准确率分别 > 90% 和 > 70% 。但这类机器学习分类器通常无法揭示不良 DDIs 的潜在生物学原因（少数例外）。相比之下，基于网络建模的方法能捕捉药物、蛋白质和分子通路之间的生物相互作用，不仅可判断特定药物组合是否可能发生不良 DDIs，还能提示可能出现的副作用及原因，在研究不良 DDIs 方面具有明显优势。
固定剂量组合（FDC）批准的监管路径和历史趋势
监管指南和要求
确定有前景的药物组合后，产品开发的后续步骤包括确保知识产权和获得监管批准。药物组合的可专利性遵循与单药相同的一般规则，即必须具有创新性、非显而易见性且不同于现有技术组合。获得监管批准时，FDCs 通常需首先证明两种或多种 APIs 联合治疗的治疗原理，赞助商需证明所有 APIs 对 FDC 预期治疗效果的相关贡献，以及与单一 APIs 治疗相比在疗效或安全性方面的改进 。重要的是，治疗简化或提高患者依从性（如减轻服药负担）通常不能作为唯一的理由。所需证据类型和后续临床试验指南主要取决于 APIs 的批准状态。
最简单的情况是，FDC 仅包含已批准的 APIs，且有足够的临床和非临床数据。此时，可基于现有数据批准，无需额外的临床安全性和有效性研究，如通过 FDA 505 (b)(2) 途径或其他机构的等效程序 。可借助先前临床试验或文献中单个 APIs 的数据来证明治疗原理。若 FDC 中 APIs 的剂量与各自单药治疗时相似，可能无需进行剂量探索和安全性评估的临床试验，但现有 APIs 数据需与 FDC 预期适应症相关，如批准用于急性使用的 APIs 可能缺乏用于慢性使用 FDC 的充分数据 。此外，申请人需证明 FDC 的生物等效性，即 FDC 中每种 API 的吸收与单独联合给药时不应有显著差异 。对于生物药剂学分类系统（BCS）中 1 类或 3 类（高溶解性化合物，完全或不完全吸收）的 APIs，若 FDC 中的辅料能使体外溶出在生理相关条件下与 API 的批准参考产品相似，则可免体内生物等效性试验 。
对于包含或完全由新化学实体（NMEs）组成的 FDC，监管要求更为严格 。一般来说，任何 NME 都需要进行全套的临床前和临床试验，以确定安全性、药代动力学（ADME）、剂量、与 FDC 其他成分的相互作用及最终疗效，如遵循 FDA 505 (b)(1) 途径 。若 NME 与先前批准的物质联合，可能只需对 NME 进行额外测试。对于完全由 NMEs 组成的 FDC，除测试药物组合外，建议分别测试每个 NME。
虽然监管指南定义了临床和临床前测试的要求，但在评估联合治疗疗效的试验设计上有一定灵活性。过去常用的设计包括在平行组中比较单药治疗和联合治疗，也有从单药治疗开始，选择疗效不佳的患者接受第二种药物作为附加治疗的替代设计 。对于仅包含未作为单药批准的 NMEs 的组合，若临床前数据能明显支持组合的合理性，直接与安慰剂比较可能就足够。总体而言，主要机构（如 EMA 和 FDA）对 FDC 开发的指南和要求具有可比性，但实际细节的差异可能给寻求多地区批准的赞助商带来障碍，如生物等效性研究或确定剂量强度的参考产品需在目标市场上市，这通常导致赞助商在不同地区对同一 FDC 进行多次研究，增加产品设计复杂性，延长开发时间和成本。
先前药物组合批准的历史趋势
分析 1943 年至 2024 年 9 月 FDA 批准的药物组合（不包括化疗鸡尾酒）历史记录，数据集包含 427 种药物组合，涉及 373 种独特的 APIs，大多数组合包含两种 APIs（80%），三种或四种 APIs 的组合分别占 16% 和 4% 。在研究期间，药物组合的批准数量在绝对值和相对值上均稳步增加，过去二十年每年批准的药物组合中位数为 7 - 10 种，约占每年批准新药申请的 9% 。这些数据与 EMA 和 FDA 近期对 FDC 批准的估计相符。
大多数药物组合要么完全由先前批准的 APIs 组成（73%），要么除 NMEs 外至少包含一种已批准药物（20%），完全由 NMEs 组成的组合较少 。同样，93% 的药物组合涉及的解剖治疗领域与至少一种母体 APIs 相似 。这一长期模式与 2010 年至 2015/16 年 EMA 和 FDA 批准的 FDCs 观察结果一致，使用先前批准的 APIs 并遵循其批准适应症可能加快了批准过程，因为在此期间超过一半的 FDCs 通过 505 (b)(2) 或等效途径批准，无需进行全面的临床试验。
进一步分析药物组合批准在不同治疗领域的时间动态发现，随着时间推移，药物组合批准的适应症范围日益多样化 。自 1990 年以来，药物组合批准势头增强的领域包括抗肿瘤和免疫调节剂、治疗心血管疾病的肾素 - 血管紧张素系统和脂质调节剂、糖尿病和抗肥胖药物以及抗病毒药物，这与 2010 年代 EMA 和 FDA 批准的 FDCs 适应症相似 。在整个研究期间，一直有药物组合获批的领域包括呼吸系统疾病（如感冒和过敏）治疗药物、抗菌药物、主要用于避孕的含性激素药物、镇痛药、抗高血压药物以及各种眼科、耳科和皮肤科制剂。相比之下，β 受体阻滞剂和肌肉松弛剂相关药物组合的批准数量下降，自 20 世纪 90 年代以来没有新的批准。
结论
药物联合治疗具有巨大的治疗潜力，尤其适用于单药治疗无法充分治疗复杂疾病的患者。计算网络模型是强大的工具，不仅可缩小庞大的药物组合搜索空间，识别有前
