人工智能辅助的生理药代动力学建模与大规模机器学习分析小鼠纳米颗粒肿瘤递送效率

《Materials Today Advances》：Artificial intelligence-assisted physiologically based pharmacokinetic modeling and large-scale machine learning analysis of tumor delivery of nanoparticles in mice

　　

纳米医学是癌症治疗的一种有前景策略。然而，纳米颗粒（nanoparticles, NPs）向肿瘤的低递送效率（delivery efficiency, DE）仍是挑战，并阻碍临床转化。在本研究中，研究人员开发了一种人工智能（artificial intelligence, AI）辅助的生理药代动力学（physiologically based pharmacokinetic, PBPK）模型，基于NPs的理化性质和实验策略预测NPs的肿瘤DE。首先，应用通用PBPK模型描述NPs的肿瘤动力学，并确定6个肿瘤相关参数。其次，开发机器学习（machine learning, ML）和AI模型以预测肿瘤相关参数。将ML预测参数纳入PBPK模型后，建立了ML辅助PBPK模型以预测NPs的肿瘤动力学。应用该通用PBPK模型模拟肿瘤动力学，152个数据集中有114个（75%）达到决定系数（R²）≥0.75，总体R²为0.92。肿瘤部位分布系数（distribution coefficient, PT）和渗透性系数（permeability coefficient, PATC）是预测肿瘤DE的最重要参数。深度神经网络（deep neural network, DNN）模型表现最佳，并被选用于肿瘤相关参数估计。靶向策略和表面电荷被确定为预测各种肿瘤相关PBPK参数的重要特征。使用体内实验进行外部验证，半数预测浓度处于观测数据的两倍误差范围内。该模型可作为动物实验前预测肿瘤动力学的补充工具，帮助识别有前景的NP制剂，并可能提高药物递送成功率。

研究背景方面，癌症是全球重要公共卫生问题，传统化疗存在选择性不足、肿瘤部位药物递送不足、治疗指数窄及多药耐药等问题，复杂异质的肿瘤微环境也影响疗效。纳米颗粒（nanoparticles, NPs）具有高载药、延长循环、精确释放控制和靶向递送等优势，但过去30年其理论进展和临床转化仍有限，关键挑战之一是NPs向肿瘤的低递送效率（delivery efficiency, DE），仅为注射剂量（injected dose, ID）的0.7%。NPs的尺寸、表面电荷和形状等理化性质影响其与生物屏障、组织、细胞和蛋白的相互作用及体内生物分布。动物实验可用于评估NPs药代动力学（pharmacokinetics, PK），但耗时、费力、资源密集并涉及动物福利。计算模型可作为非动物替代工具，符合“3R”原则和新方法学（New Approach Methodologies, NAMs）。生理药代动力学（physiologically based pharmacokinetic, PBPK）模型是基于机制的数学建模方法，可定量模拟NPs的吸收、分布、代谢和排泄。已有50多个PBPK模型用于金、银、量子点和聚合物等NPs，但逐一为每种NP建模不现实。Cheng et al.建立的通用PBPK模型可模拟多种NPs肿瘤分布动力学，但其参数由体内实验数据拟合，向新设计NP制剂外推能力有限。ML/AI已用于预测半衰期、PBPK参数、肿瘤DE和抗肿瘤疗效。Chou et al.建立第一代ML辅助PBPK模型，但仅预测最大摄取速率常数（KTRESmax）、释放速率常数（KTRESrel）、Hill系数（KTRESN）和达到50%最大摄取速率时间（KTRES50）等4个肿瘤微环境动力学参数，未涵盖肿瘤部位分布系数（PT）和渗透性系数（PATC），因此不能预测新NPs的完整肿瘤PK曲线。Khakpour et al.引入多视图深度学习框架，但仍仅关注上述动力学参数。基于此，研究人员旨在更新ML辅助PBPK模型，以更广泛地预测NPs在肿瘤中的浓度-时间曲线。

研究人员基于最新“Nano-Tumor Database”的152个新数据集确定肿瘤相关参数，并结合早期数据库中378个数据集的已发表参数，共530个数据集用于ML模型开发；建立多种ML增强的定量构效关系（quantitative structure-activity relationship, QSAR）模型，基于NP理化性质和实验策略预测肿瘤相关PBPK参数，再将ML预测参数纳入PBPK模型模拟肿瘤PK曲线；并用高纯度、表征良好的金纳米颗粒（gold nanoparticles, AuNPs）进行体内实验，以外部验证ML辅助PBPK模型。与既往研究相比，本模型可预测全部肿瘤相关参数并用于模拟新NPs的PK曲线。其意义在于为动物实验前预测肿瘤动力学提供补充工具，帮助识别有前景的NP制剂，并可能提高药物递送成功率。

关键技术方法（≤250字）：数据来源于Nano-Tumor Database的530个数据集，其中378个来自2005—2018年200项研究，152个来自2018—2021年92项研究；外部验证采用雌性NU/NU裸鼠MCF-7异位瘤模型（IACUC协议#761）。研究人员建立含7个组织及肿瘤房室的通用PBPK模型，将肿瘤分为毛细血管、间质和肿瘤细胞，采用无梯度成功搜索策略拟合6个肿瘤相关参数，并以归一化敏感系数（normalized sensitivity coefficient, NSC）进行局部敏感性分析。开发核岭回归（KRR）、支持向量回归（SVR）、随机森林（RF）、极端梯度提升（XGBoost）和深度神经网络（DNN）等ML/AI模型，经Optuna调参、五折交叉验证，并用SHapley Additive exPlanation（SHAP）解释特征重要性；将预测参数回代PBPK，并用AuNPs体内实验外部验证。

研究结果如下。3.1 PBPK模型开发：应用通用PBPK模型模拟152个数据集、612个肿瘤数据点的肿瘤递送动力学，模型模拟与观测数据总体一致，114/152个数据集（75%）的调整R²≥0.75，总体调整R²为0.92；89.1%的预测值在2倍误差内，超出者多与有机NPs相关。拟合的肿瘤相关参数中位数（2.5th—97.5th百分位）为：KTRESrel 0.150（1.09×10^?4—9.67）、KTRESmax 0.0677（1.03×10^?3—41.2）、KTRES50 0.0411（3.00×10^?6—160）、KTRESN 0.207（0.0101—9.89）、PT 0.0921（5.35×10^?4—4.80）、PATC 0.00742（9.55×10^?5—0.881）。152个数据集的DE_Tlast中位数为0.53%ID，接近非房室模型报道的0.59%ID，表明PBPK模型总体能捕捉大量NPs在肿瘤中的PK特征；并估算DE₂₄均值0.73%ID、DE_max均值0.84%ID，用于评价ML辅助PBPK模型性能。3.2 PBPK模型敏感性分析：对152个NPs的PBPK模型进行局部敏感性分析，平均绝对NSC为KTRESrel 0.07、KTRESmax 0.12、KTRES50 0.02、KTRESN 0.02、PT 0.34、PATC 0.25；多数情况下PT和PATC的绝对NSC>0.2，属中等敏感性，提示二者在预测肿瘤递送中比其他肿瘤相关参数更重要。不同PBPK模型中参数敏感性存在差异，例如PT对肿瘤AUC_24h低、中、高敏感性的模型数分别为70、31、51，说明参数值及其组合均影响肿瘤组织AUC_24h。3.3 机器学习模型开发：共开发30个ML模型预测6个肿瘤相关参数。RF在测试集上优于KRR、SVR和XGBoost等传统ML模型，但训练集交叉验证与测试集结果不同，提示泛化性有限。DNN模型在所有模型中表现最佳，测试集R²最高、RMSE最低，且测试集结果与五折交叉验证相近，提示可接受的泛化性和稳健性；其测试集R²为KTRES50 0.30、KTRESrel 0.58、KTRESmax 0.46、KTRESN 0.58、PT 0.53、PATC 0.39。基于DNN模型的SHAP特征重要性分析，靶向策略是预测KTRES50和KTRESN的最重要特征，可能与主动靶向增强肿瘤部位识别和协同摄取有关；表面电荷是预测其他4个参数的最重要特征，提示电荷相关性质可调节血管通透性并驱动NP肿瘤蓄积，但解释SHAP贡献时需考虑表面电荷与zeta电位的潜在重叠。3.4 ML辅助PBPK模型的评价与验证：排除缺失值和异常值后，用DNN模型预测318个数据集的6个肿瘤相关参数，并回代PBPK模型建立ML辅助PBPK模型。内部验证纳入1453个数据点比较观测与预测的log₁₀转化肿瘤DE，调整R²为0.42；54.23%的预测在2倍误差内、74.15%在3倍误差内；DE₂₄和DE_max的调整R²均为0.57。外部验证中，AuNPs实测水动力尺寸30.42±0.23 nm、多分散指数（polydispersity index, PDI）0.125±0.012、zeta电位?15.64±2.33 mV；DNN预测的肿瘤相关参数为KTRESrel 0.62 h^?1、KTRESmax 1.60 h^?1、KTRES50 0.44 h、KTRESN 1.49、PT 0.15、PATC 0.01，回代PBPK模型后，在首个和最后采样时间点预测浓度处于观测数据2倍误差内，但2 h和8 h高估肿瘤DE，提示模型具有实际可行性但仍有偏差。

讨论部分总结：本研究报道了更新的荷瘤小鼠NPs ML辅助PBPK模型。与第一代模型仅能通过ML预测6个肿瘤相关参数中的4个、且基于378个数据集的早期Nano-Tumor Database相比，本模型基于含530个数据集的最新数据库，可基于理化性质和实验设计因素预测全部6个参数，预测性能和应用范围提高。该模型可在体内动物实验前快速自动评估NPs的PK、组织分布和肿瘤DE，作为纳米药物设计和临床前筛选的替代工具，有助于减少并部分替代动物实验。PBPK建模可提供靶组织剂量学、毒性评价和体外到体内外推信息，但NPs与蛋白冠的多样相互作用限制其跨理化性质外推；多数NPs PBPK模型采用“Top-Down”方法，化学特异性参数多由拟合而非机制“Bottom-Up”获得。逐个NP拟合不现实，因此研究人员用通用PBPK框架和530个数据集更新ML辅助PBPK模型。Cheng et al.曾手动调参通用PBPK模型用于376个NPs，83%数据集个体R²≥0.75、总体R²为0.72；本研究75%的152个新数据集个体R²≥0.75，总体R²提高至0.92，梯度搜索策略有助于快速确定肿瘤相关参数。参数拟合方法差异可能引入异质性并增加参数变异，但肿瘤相关参数被作为有效参数以捕捉观测浓度-时间曲线；通用框架未考虑蛋白冠与特定NP材料相互作用，限制其泛化性和机制解释。ML/AI模型方面，DNN表现最佳，与既往研究一致；重训练DNN性能提高，KTRES50、KTRESN和KTRESrel测试集R²分别由0.23、0.53、0.47提高至0.30、0.58、0.58；通过早停和剪枝有效缓解KTRESmax过拟合；本研究DNN对PT和PATC的测试集R²分别为0.53和0.39。交叉验证与测试集性能差异可能源于测试集有限、DNN内在变异和预测特征表征不完整；更多样数据、纳入机制或材料相关特征及更稳健ML方法可提高泛化性。尽管本模型对肿瘤相关参数预测更准确，但其在不同时间点预测肿瘤NP浓度的总体性能较既往工作未大幅提高，原因之一是本研究所有肿瘤相关参数包括高敏感PT和PATC均由ML增强QSAR模型预测，增加参数值不确定性；若采用既往策略，即ML预测KTRESmax、KTRES50、KTRESN、KTRESrel并手动确定PT和PATC，模型总体R²为0.64，与既往结果相似。当前模型可通过输入相关特征直接模拟肿瘤DE，实际应用性提高；新AuNPs动物实验外部验证显示实际可行性。模型代码、数据文件和介绍文档已上传GitHub以便复现应用。敏感性分析显示不同PBPK模型结构和参数值会影响参数敏感性；KTRESmax、KTRES50、KTRESN、KTRESrel多属低敏感（|NSC|<0.2），PT和PATC过半绝对NSC属中或高敏感，提示其在肿瘤递送中更重要；通过AI-QSAR预测PT和PATC填补了重要空白。该模型可在体内实验前预测肿瘤递送、指导选择更有前景的NP制剂并减少不必要动物实验。局限性包括：通用PBPK模型开发中仅调优肿瘤相关参数且基于先验知识确定，多个参数组合可捕捉肿瘤PK曲线，参数可识别性有限，拟合参数应解释为有效值；部分情况下观测浓度快速消除，模型性能有限；需发展NP特异性全PBPK模型，但模型含50多个化学特异性参数，逐NP拟合耗时，ML辅助框架对预测其他参数和支持PBPK开发有重要作用。DNN为“黑箱”模型，无法解释蛋白冠与NPs相互作用等肿瘤分布机制；未来需可解释的“白箱”模型，并可整合蛋白结合亲和力或体外试验结果、PEG化、配体密度和蛋白冠相互作用特征以提高可解释性和预测准确性。外部验证数据点有限，应视为初步验证，需跨多样NP性质和肿瘤类型进一步验证。当前DNN为单任务方法，难以处理PK数据稀缺和噪声；多任务学习可同时捕捉参数间关系，与物理公式整合可促进知识迁移和减少噪声敏感性、提高准确性；将DNN与常微分方程函数整合的隐式策略可直接估计浓度-时间曲线，避免显式方法分别预测参数时拟合不佳。对无编程经验用户，未来可开发用户友好的交互式网页仪表盘以促进应用。

研究结论翻译：总之，本研究更新了荷瘤小鼠中NPs的ML辅助PBPK模型。首先，应用通用PBPK模型捕捉多种NPs的肿瘤动力学，并确定肿瘤相关参数；然后，开发ML/AI模型预测这些肿瘤相关参数。将其纳入PBPK模型后，ML辅助PBPK模型可基于NPs理化性质和实验策略模拟NPs的肿瘤DE。与既往工作相比，本模型可通过机器学习基于理化性质和实验设计因素预测全部6个肿瘤相关参数，拓宽了适用场景。本模型可作为筛选工具，用于识别有前景的NP制剂、减少动物使用，并重要的是预测肿瘤内NPs量以支持药物递送。该研究还为PBPK参数的数据驱动预测提供框架，并可扩展到靶组织剂量学、剂量-反应评价和纳米毒性评估，从而支持癌症治疗纳米药物的临床转化。