利用两阶段δ全局敏感性分析(Two-Stage δ Global Sensitivity Analysis, Two-Stage δ GSA)方法指导生理药代动力学(PBPK)模型中参数估计的研究

《Pharmaceutical Statistics》：Leveraging Two-Stage δ Global Sensibility Analysis Method to Inform Parameter Estimation in PBPK Models

　　

摘要：恰当实施全局敏感性分析(Global Sensitivity Analysis, GSA)并基于个体数据对关键参数进行精细化拟合是生理药代动力学(Physiologically-Based Pharmacokinetic, PBPK)建模的基础步骤，但在当前实践中仍缺乏系统性解决方案。本研究旨在建立一个连接PhysPK平台与Python的计算框架，将两阶段δ全局敏感性分析(Two-Stage δ GSA)与迭代两阶段(Iterative Two Stage, ITS)法相结合，应用于半机制性PBPK模型Phys-DAT的参数筛选与个体参数估计。研究人员实施Two-Stage δ GSA以评估参数不确定性及参数间相关性对关键药代动力学(Pharmacokinetic, PK)终点——血药浓度-时间曲线下面积(Area Under the Curve, AUC)、峰浓度(Cmax)和达峰时间(Tmax)的影响，并识别最具影响力的参数供后续ITS法个体参数估计使用。研究设计了六种模拟场景，结合不同采样方案（密集采样vs稀疏采样）与虚拟亚群（真实案例、最佳案例、最差案例），各反映特定的变异性模式。比较了三种优化算法（Nelder–Mead、Powell、BFGS），采用平均倍数误差(Average Fold Error, AFE)、绝对平均倍数误差(Absolute AFE, AAFE)及百分比估计误差(Percentage Estimation Error, PEE)评价估计性能。Two-Stage δ GSA成功识别出分布容积(Volume of Distribution, Vd)、清除率(Clearance, CL)和胃排空速率常数(Kge)为最具影响力的参数。总体而言，个体PK参数及PK终点的估计性能均被给出，多数估计值的AFE和AAFE落在0.8–1.25之间，其中Nelder–Mead算法表现出最高的准确度与精密度。采样策略与个体变异性均影响估计质量。本工作证明了在半机制性PBPK框架中，将考虑相关性的GSA与个体参数估计相结合的可行性与价值。将Two-Stage δ GSA集成入PhysPK平台是对该平台功能的重大拓展，为通过参数空间降维指导模型简化及支持个体参数估计（尤其在数据受限条件下）提供了有力工具。

论文解读：利用两阶段δ全局敏感性分析方法指导PBPK模型参数估计的研究

一、研究背景与意义

生理药代动力学(Physiologically-Based Pharmacokinetic, PBPK)模型因能整合生理结构与药物理化性质，已成为临床药理与个体化医疗中模型知情策略(model-informed strategies)的核心工具，可用于模型知情精准给药(Model-Informed Precision Dosing, MIPD)。然而随着PBPK模型复杂度提升（常涉及数十个参数），模型开发与细化面临挑战。全局敏感性分析(Global Sensitivity Analysis, GSA)可量化输入参数不确定性和变异性对模型输出的影响，FDA与EMA均推荐采用GSA进行参数重要性排序及模型降维，但传统基于方差的Sobol指数等方法假定输入参数统计独立，而PBPK模型中器官容积、血流量等参数常存在生理或结构相关性，忽略相关性会误判变异来源。此外，将通用PBPK模型适配新化合物或用于治疗药物监测(Therapeutic Drug Monitoring, TDM)时需基于个体PK数据估计关键参数，但参数可辨识性及估计可靠性受优化算法、采样策略（密集/稀疏）及个体间变异性(Inter-Individual Variability, IIV)影响。现有研究缺乏对PBPK模型开展考虑参数相关性的GSA并结合个体参数估计的系统框架。本文在《Pharmaceutical Statistics》发表，首次将可处理相关输入的Two-Stage δ GSA方法应用于半机制性口服吸收PBPK模型Phys-DAT，并通过迭代两阶段(Iterative Two Stage, ITS)法估计GSA筛选出的关键参数，评估不同优化算法与模拟场景下的表现。

二、主要关键技术方法

研究人员建立PhysPK平台与Python的通信接口（通过PhysPK Monitor/Render及Deck Python封装），实现外部控制模拟与参数更新。采用多元对数正态分布(Multivariate Lognormal Distribution, LogN(θ,Ω))描述Phys-DAT模型参数联合概率密度，已知生理相关性直接赋值，未知相关性用R包mvLgCorrEst估算。Two-Stage δ GSA分两阶段：第一阶段假设对角协方差矩阵（忽略相关性）计算δ指数；第二阶段纳入全方差-协方差矩阵（含相关性）计算δ指数，以随机噪声变量δ指数的97.5百分位数为显著性阈值剔除非影响参数，实现参数空间降维。从10万虚拟群体中抽取三类亚群——real-case（20人随机）、best-case（10人PK位于25–75百分位）、worst-case（10人极端尾端各5人），各配密集采样（5点）与稀疏采样（2点）。采用ITS法对GSA选出的参数进行个体估计，比较Nelder–Mead、Powell、BFGS三种无梯度优化算法，以估计误差(Estimation Error, EE)、AFE、AAFE评价精度。

三、研究结果

3.1 Phys-DAT Model Parameter Distribution（Phys-DAT模型参数分布）

研究人员为每个参数定义变异系数(Coefficient of Variation, CV)，构建含固定已知相关性与R包估算未知相关性的全方差-协方差矩阵Ω_full，用于后续抽样与GSA。

3.2 Implementation of Two-Stages δ GSA（两阶段δ GSA的实施）

不考虑相关性时CL对AUC_last和C_max因果影响最大，中央室分布容积(V_c)次之；T_max受胃排空速率常数(K_ge)和胃容积影响最大。纳入相关性后所有δ指数增大且无非影响参数低于噪声阈值，V_c对C_max和T_max的影响排名上升（因与其他参数存在统计依赖）。忽略相关性会高估AUC_last和C_max的输出变异性。最终确定CL、V_c、K_ge为最具影响力参数；将非影响参数固定后输出分布无显著变化，验证降维合理性。

3.3 Parameter Estimation Results（参数估计结果）

Best-case密集采样下Nelder–Mead拟合优度(R²)最高，稀疏采样下Nelder–Mead仍最优，Powell略优于BFGS。Worst-case场景下所有算法精度下降但Nelder–Mead相对最好。Real-case场景中个体变异性较大，密集采样下Nelder–Mead与Powell相当，稀疏采样下预测一致性尚可但C_max和T_max个别个体存困难。

3.4 Evaluation of Estimation Methods（估计方法评价）

EE显示PK终点(AUC_last、C_max、T_max)预测精度高于底层参数(CL、V_c、K_ge)。Real-case的EE最低且多落入满意范围(0.8–1.25)。Best-case密集采样Nelder–Mead的AFE/AAFE多达标。Worst-case下AFE/AAFE常超可接受范围(1.25–2倍)，K_ge最难估计。BFGS整体精度最低且不稳定。T_max受K_ge估计变异影响最大。

四、讨论与结论总结

讨论指出传统Sobol或Morris GSA假定参数独立，在具生理相关性的PBPK模型中可能误导；Two-Stage δ GSA通过分别考虑独立与相关情形量化间接效应，确认CL、V_c及吸收相K_ge的关键作用，并有效甄别非影响吸收相关参数（如GI段半径、微绒毛表面积SAEF等），后验验证降维不影响输出分布。此GSA模块是PhysPK平台由仅支持局部敏感性分析(Local Sensitivity Analysis, LSA)向全面GSA的重要扩展。GSA引导的参数空间降维避免对非可辨识/非信息参数无意义估计，降低过拟合与收敛问题，特别适合稀疏数据TDM情境。ITS法比 na?ve-pool 更合理利用个体信息，Nelder–Mead为最优无梯度优化器。局限含Phys-DAT为半机制模型（分布消除为经验房室而非全生理描述）、未考虑相关性结构本身的不确定性、未用非线性混合效应模型(Nonlinear Mixed-Effects Model, NLME)如FOCE法、场景未重复多次模拟。

结论(Conclusion)翻译：

本工作引入一个集成框架，将Two-Stage δ GSA应用于PhysPK平台内半生理性口服药PBPK模型Phys-DAT。据研究人员所知，这是Two-Stage δ GSA首次应用于半机制PBPK模型。其实施实现了严格且考虑相关性的敏感性分析，识别最具影响力参数并支持参数估计前的降维，避免对非信息参数做不必要估计并提升复杂PBPK模型可处理性。GSA之后应用ITS估计方法在不同采样与IIV场景下估计个体PK参数，ITS结果证实了GSA引导参数选择的价值，Nelder–Mead算法在各条件下为最精确优化器。未来研究应将此类工具整合以处理药物反应的不确定性与变异性，最终改善健康结局。