《eBioMedicine》：Integration of biological avatars and digital twins for “ex vivo clinical trials”
编辑推荐：
药物开发缓慢、成本高昂且易于在后期失败，部分原因是动物模型难以预测人体反应。两项与人体相关的技术正在并行成熟：生物替身（biological avatar），定义为患者或干细胞来源的模型，例如类器官（organoid）和器官芯片（organ-on-a-chip
药物开发缓慢、成本高昂且易于在后期失败，部分原因是动物模型难以预测人体反应。两项与人体相关的技术正在并行成熟：生物替身（biological avatar），定义为患者或干细胞来源的模型，例如类器官（organoid）和器官芯片（organ-on-a-chip）系统；以及数字孪生（digital twin），定义为整合患者分子与临床数据以预测治疗反应的计算模型。研究人员提出离体临床试验（ex vivo clinical trial）概念，在此概念中，生物替身与数字孪生以迭代回路耦合，使实验室测量细化计算预测，而预测指导下一项实验，从而在患者暴露之前即可对候选疗法进行测试和优先级排序。研究人员综述了这些平台、其在癌症、囊性纤维化和肝毒性方面的预测性能、其失败条件，以及在此类试验能够为药物开发或临床护理提供信息之前必须满足的合格性验证（qualification）、周转时间（turnaround）和标准化（standardisation）要求。
引言（Introduction）
药物开发受到高失败率、漫长研发周期以及非人动物模型科学与伦理局限的阻碍。2022年美国食品药品监督管理局现代化法案（FDA Modernisation Act of 2022）为基于人源干细胞类器官和计算模型的药物评估铺平了道路。研究人员提出“离体临床试验”概念，将生物替身和数字孪生耦合于迭代决策回路中，在患者暴露前对候选治疗进行测试、优化和排序。
生物替身（Biological avatars）
人体相关实验平台（Human-relevant experimental platforms）
生物替身涵盖类器官、微生理系统（microphysiological system, MPS）、器官芯片（organ-on-a-chip）以及体芯片（body-on-a-chip）等多器官体系，其共同目标是复制真实人体生理并捕获遗传多样性与疾病表型。
成体组织来源的类器官（Adult tissue-derived organoids）
来源于活检或手术切除成体组织的干细胞可在含组织特异性生长因子的基质中重建极化上皮结构与功能，例如Lgr5阳性肠隐窝干细胞可形成肠类器官。此类模型保留基因组稳定性并支持长期扩增，但缺乏完整细胞组成，需与免疫细胞和基质细胞共培养以提升多细胞性。
诱导多能干细胞来源的类器官（Induced pluripotent stem cell-derived organoids）
诱导多能干细胞（induced pluripotent stem cell, iPSC）经重编程和定向分化可产生内、中、外胚层来源的多种细胞类型。iPSC来源的肠类器官包含平滑肌细胞、肌成纤维细胞等间质成分；脑类器官可形成神经玫瑰花结并分化为区域特异性细胞类型，通过融合形成组装体（assembloid）以模拟脑区连接和神经免疫相互作用。
构建生物替身（Building a biological avatar）
构建过程需遵循质量管理和特定用途（context-of-use）原则，包括受试者身份确认、基因组稳定性检测、无动物源成分的培养条件、阶段性分化指标和放行标准。基因组编辑、微生物组整合、灌注与血管化模块可提高生理相关性，但复杂度应与用途匹配；还需建立活体生物库、版本化批次、跨位点基准测试和环试验以支持可重复性和监管决策。
生物制造与装置整合（Biofabrication and device integration）
生物打印和微流控芯片可在静态培养之外施加灌注、剪切力和气液界面。聚二甲基硅氧烷（polydimethylsiloxane, PDMS）装置会吸收疏水性小分子并干扰药代读数，需采用涂层、替代材料或计算校正。制造、材料性质、再循环、氧合和传感器校准的可重复性决定整体可靠性。
临床相关生物替身（Clinically relevant biological avatars）
肝、肠、肺平台可再现器官级药物反应和临床毒性；肿瘤微环境模型在某些免疫治疗预测中优于传统异种移植；多器官连接平台可捕获器官间代谢和全身药代动力学。其预测性能取决于读数与疾病机制的关联，以及血管化、免疫能力等功能屏障的完整性。
数字孪生（Digital twins）
人体生理的计算模型（Computational models of human physiology）
数字模型（digital model）、数字影子（digital shadow）和数字孪生（digital twin）的区别在于数据流方向与闭环决策相关性。生物医学数字孪生是个性化、动态更新的可计算生物学副本，用于模拟反事实（counterfactual）干预。设计要素包括表征层级、学习范式和输出模态。
构建数字孪生（Building a digital twin）
生理药代动力学（physiologically based pharmacokinetic, PBPK）模型通常作为核心，叠加人口学、生理参数和酶/转运体表型形成虚拟患者。药效学（pharmacodynamic, PD）模块、疾病进展子模型和个体间变异模块提高剂量-反应预测。数字孪生需通过实验数据校准，例如DigiLoCS框架利用肝芯片药物消耗数据与Nelder-Mead优化及Sobol敏感性分析确定关键校准参数，并可预测芯片上清除率并外推至人体。
数字孪生技术的计算进展（Computational advances in digital twin technology）
数字孪生整合分子动力学、基于主体模型、有限元输运模型和PBPK/PD全身模型。混合机器学习保留可解释性并提高准确性；贝叶斯或集成方法的校准不确定性量化与SHapley Additive exPlanations等可解释性技术对临床决策至关重要。生成式和代理式方法使孪生能主动设计实验、选择下一剂量并降低预测不确定性。
离体临床试验（Ex vivo clinical trials）
概念与方法（Concept and methodology）
离体临床试验包括群体水平的药物开发支持与个体化临床决策支持两种用途。实施方式可为人源样本模型与人体试验平行运行的策略，也可将已有的患者匹配生物替身与数字孪生耦合，在治疗前筛选并优化方案。与传统动物-人转化、静态替身筛选和纯计算模拟相比，只有集成方法同时具备双向湿-干反馈和患者特异分辨率。
验证与决策标准（Qualification and decision criteria）
每个用途需预先规定决策类型、人群、标本来源、检测窗口、比较基准、最低分析性能与可接受误差分布。举例而言，肝毒性决策中肝芯片对27种盲法药物达到87%敏感性和100%特异性；结直肠癌类器官检测对标准治疗反应的阳性预测值约68%，阴性预测值约78%，前瞻性检测的接受者操作特征曲线下面积为0.78–0.88。当替身读数与孪生预测不一致时，应采用预先规定的保守决策规则、独立批次重复、质量控制指标检查和多学科审查。若转回时间不允许复测，系统应返回“无法判定”（no-call）并遵循标准治疗。
监管考量（Regulatory considerations）
监管途径包括伴随诊断、适应性试验设计和混合终点。器官芯片药物性肝损伤筛查和AI数字肝模型的意向书分别于2024年和2026年获创新科学与技术新药方法（Innovative Science and Technology Approaches for New Drugs, ISTAND）试点计划受理。IQ MPS工作组和NCATS组织芯片等倡议正在制定性能标准和报告规范。
成本效益（Cost efficiency）
新药上市成本估计为10亿至40亿美元。阿尔茨海默病领域1995至2021年投入约425亿美元，仅6种药物获批；离体临床试验可在早期识别无效候选药物，释放资源以提高整体成功率。
加速时间线（Accelerated timelines）
传统开发从I期到审批超过10年。离体临床试验通过剂量、方案和试验设计平行测试，将风险前移，优化患者选择，并以虚拟生物等效性补充或替代部分试验环节，从而加快时间线。
增强预测性（Enhanced predictivity）
非人动物模型的临床转化能力有限且存在伦理问题；人类相关生物替身和经人源数据校准的数字孪生可减少动物使用，提高预测准确性，并避免同质化试验人群带来的偏倚，还可纳入孕妇、儿童、老年人和复杂共病患者等传统排除人群。
周转时间、成本与局限性（Turnaround time, cost, and limitations）
结直肠癌类器官化疗图从活检到报告的中位时间约六周；液滴微流控微器官球平台可在14天内返回药物反应结果；胶质母细胞瘤平台在概念验证中于切除后13–15天内识别候选治疗。但现有证据多集中于肿瘤学且多为回顾性队列，SENSOR试验显示前视性应用存在临床恶化和无可操作靶点导致的患者流失，提示体外信号与体内获益之间存在差距。检测性能依赖具体方案和背景，例如培养基中去除N-乙酰半胱氨酸可显著改善奥沙利铂反应的预测相关性；囊性纤维化类器官肿胀在高反应者中存在天花板效应；肝芯片主要捕获固有性毒性而非特异质性损伤。跨批次和跨位点变异是当前缩小可重复性差距的核心任务。
结论（Conclusions）
生物替身与数字孪生耦合的离体临床试验可应对药物开发中转化性差、周期长和动物模型局限等障碍。群体水平的药物开发和监管支持可能比常规个体化临床决策更早部署。未来需要发展可重复替身、可解释且带不确定性量化的孪生、明确的特定用途验证、数据互操作和自动化，以实现实时感知与闭环反馈。长期来看，空间组学和生成式孪生可能将发现、临床前评估、试验设计和临床护理连接为统一平台，在体内给药前于患者生物学和数字代理上预测试疗法。
尚未解决的问题（Outstanding questions）
包括耦合系统应达到何种特异性、敏感性和校准阈值；替身读数与孪生预测不一致时的判定和记录方式；主要用途所需的最低验证面板和参考标准；替身-孪生检测的实际成本和成本效益；以及能否通过环试验证明跨中心可重复性以支持多中心临床和监管应用。
