综述：临床研究设计与建模方法以研究药物在人乳中的分泌

《Frontiers in Pediatrics》：Clinical study design and modeling approaches to study secretion of drugs in human milk

　　

母乳喂养对哺乳母亲及其婴儿均有诸多益处。然而，哺乳期妇女常因慢性或急性疾病需要用药，这可能因药物通过母乳喂养转移至婴儿而带来显著风险。尽管大多数药物可能通过被动扩散（passive diffusion）进入人乳（human milk），但这不应成为完全停止母乳喂养的理由。药物分泌至人乳是一个数据匮乏的研究领域。在哺乳期妇女中开展临床研究对于理解婴儿药物安全性至关重要。然而，仅以量化药物转移至人乳为目的招募哺乳期妇女参与这些研究在实践中极具挑战性。在缺乏临床研究的情况下，非临床模型——包括体外（in vitro）、体内（动物研究，in vivo）和计算机模拟（预测性建模工具，in silico）——可为药物分泌至人乳提供有价值的见解。本综述的目的是总结现有的量化药物转移至人乳的药代动力学（pharmacokinetic, PK）指标，并详细阐述哺乳期的临床研究设计。此外，研究人员旨在探索在缺乏临床数据时利用非临床模型量化药物转移至人乳的效用。最后，研究人员讨论了计算机模拟模型，包括用于推导乳汁-血浆比（milk-to-plasma ratio, M/P）的经验方程，以及用于预测和分析哺乳期药物浓度-时间曲线（drug concentration-time profiles）的药代动力学模型。

引言（Introduction）部分指出，哺乳（lactation）是乳腺分泌乳汁的过程，母乳喂养（breastfeeding）相较于配方奶具有多重益处，例如人乳含免疫球蛋白A（Immunoglobulin A, IgA）可防御呼吸道感染。哺乳期用药常见（66%–72%的哺乳母亲使用药物），但药物可能通过被动扩散（passive diffusion）进入人乳，使婴儿暴露于外源性物质。然而，关于哺乳期用药的循证信息匮乏：2023年对422种新分子实体（New Molecular Entities, NMEs）的回顾性分析显示，仅2%的药物有支持其在妊娠或哺乳期使用的关键声明，近半数新批准药物被建议避免使用。美国食品药品监督管理局（United States Food and Drug Administration, FDA）于2015年颁布了妊娠与哺乳标签规则（Pregnancy and Lactation Labeling Rule, PLLR），推动了该人群纳入临床研究，但招募哺乳期妇女面临实际困难（如伦理和后勤问题）。近期监管努力（如FDA和欧洲药品管理局的指导）强调纳入哺乳个体，而UmbrelLACT研究方案（Van Neste等提出）为标准化哺乳期药代动力学（pharmacokinetic, PK）研究设计提供了重要进展。临床数据对于评估药物转移至乳汁至关重要，主要药代动力学指标包括乳汁-血浆比（milk-to-plasma ratio, M/P）和相对婴儿剂量（relative infant dose, RID）。此外，婴儿每日剂量（infant daily dose, IDD）和RID用于评估婴儿安全性。鉴于缺乏临床数据，建模有助于理解药物进入人乳的过程。本综述旨在：（1）总结并评估现有量化药物转移至人乳的药代动力学指标；（2）探索非临床模型的效用；（3）阐述现有临床研究设计及其局限性；（4）全面总结并评估计算机模拟模型，包括推导M/P的经验方程及预测人乳中药物浓度-时间曲线的药代动力学模型。

文献检索方法（Literature search methods）部分说明，本综述为结构化叙述性综述，系统检索了PubMed和Web of Science，使用MeSH关键词（如“lactation”、“human milk”、“clinical studies”、“pharmacometrics”、“milk-to-plasma ratio”、“modeling”），由三位独立评审人筛选相关文献，纳入截至2024年12月发表的同行评审文章。

药物暴露指标（Drug exposure metrics）部分指出，在哺乳临床研究中，采集母亲人乳样本并计算乳汁浓度-时间曲线下面积（Area Under the milk concentration-time Curve, AUC_milk）。婴儿每日剂量（IDD）计算公式为：IDD (mg/kg/day) = C_milk (mg/L) × V_milk (L) / 婴儿体重 (kg)，其中C_milk为乳汁药物浓度，V_milk为每日乳汁摄入量（通常估算为150 mL/kg/day）。相对婴儿剂量（RID）计算公式为：RID (%) = (婴儿每日剂量 / 母亲每日剂量) × 100。世界卫生组织（World Health Organization, WHO）工作组建议RID < 10%通常安全，> 25%应避免，但RID存在局限性：其为任意截断值，受乳汁摄入量、喂养间隔、母亲给药时间等因素影响，且未考虑婴儿口服生物利用度、年龄、发育阶段、肝肾功能成熟度及活性代谢物。更具机制意义的是相对婴儿暴露（Relative Infant Exposure, RIE），定义为婴儿AUC与母亲AUC之比。Yeung等提出了上曲线下面积比（Upper Area Under the curve Ratio, UAR），通过基于生理的药代动力学（physiologically based-pharmacokinetic, PBPK）模型模拟的婴儿AUC第95百分位数与成人治疗AUC中位数之比进行评估。

乳汁-血浆比的量化（Quantification of milk-to-plasma ratio）部分强调，M/P的准确性直接影响RID估计，但M/P并非恒定值，受采样时间、给药方案（单次或多次）、给药途径、乳汁成分及前乳或后乳等因素影响。单点M/P估计已被质疑，最佳方法是通过完整浓度-时间曲线计算M/P_AUC（即乳汁AUC与血浆AUC之比）。然而，招募哺乳期妇女进行此类研究困难，尤其在缺乏纵向妊娠研究背景时。因此，非临床模型（体外、体内）可作为起点提供药物特性信息，但需注意其外推至临床情境的局限性。

非临床模型（Non-clinical models）部分介绍，在缺乏临床研究时，非临床实验方法可用于评估药物转移至人乳的潜力，包括体外系统和体内动物模型。体外方法中，平衡透析技术（如Visking管透析法）通过半透膜模拟药物在乳汁与血浆之间的扩散，评估咖啡因、西咪替丁等七种化合物的M/P，其中地西泮和华法林的预测值超出临床范围。细胞模型采用乳腺上皮细胞（mammary epithelial cells, MECs），如人乳腺上皮细胞（MCF10F）或小鼠乳腺上皮细胞（CIT3 MEC），用于评估药物渗透性和M/P。结果显示，部分药物预测值与临床观察一致，但存在化合物依赖性差异。体内动物模型（如小鼠）常用于评估药物代谢和乳汁转移，但种属间差异（如乳汁pH、脂质含量）限制了直接外推。例如，小鼠M/P常高估人乳转移（如西咪替丁、阿昔洛韦、喹硫平），而美托洛尔和曲唑酮一致性较好。

非临床模型的局限性（Limitations of non-clinical models）部分指出，非临床模型存在重要局限：缺乏乳腺上皮表面积的可靠数据（关键参数），导致经上皮清除率估计不一致（如ondansetron和BCRP底物的PBPK模型使用不同表面积假设）。多数体外系统仅表征被动扩散，无法充分量化主动转运过程，可能导致预测偏差。啮齿动物模型中，乳汁pH（人乳约7.4，小鼠约6.5）影响离子化捕获，且脂质含量（小鼠约11.4%，大鼠约15%，人约4%）高估脂溶性药物的M/P。种属特异性药物代谢（如细胞色素P450酶表达差异）进一步复杂化外推。替代物种如绵羊，其乳汁成分与人类更接近，奥氮平在绵羊中的M/P（均值0.46）与临床观察和预测值相似，表明绵羊模型可作为概念验证系统。总体而言，非临床模型提供了定性见解，但不足以单独预测婴儿暴露，其最大价值在于约束参数不确定性并支持PBPK和群体药代动力学（population pharmacokinetic, PopPK）框架。

临床研究与设计考虑（Clinical studies and design considerations）部分详细描述了哺乳临床研究的设计。FDA《临床哺乳研究指南》将研究设计分类为：（1）仅哺乳女性设计（Lactating women design）：仅采集人乳样本（或同时采集母亲血浆），适用于检测药物存在及对乳汁产量的影响。（2）仅乳汁设计（Milk only design）：仅采集人乳样本（单时间点或多时间点），可用于确定药物和代谢物存在及给药物-乳汁转移时间间隔。（3）血浆与乳汁设计（Plasma and milk design）：同时采集母亲血浆和人乳，用于计算药物浓度-时间曲线和基本PK参数（如C_max、T_max、AUC），并估计M/P和RID。例如，Nitsun等研究了咪达唑仑、丙泊酚和芬太尼在人乳中的转移。（4）母亲-婴儿配对设计（Mother-infant pair design）：采集母亲血浆、人乳及婴儿血浆（或尿液），可评估婴儿全身暴露。例如，Seaton等研究剖腹产后羟考酮在母亲血浆、人乳和新生儿血浆中的浓度。（5）纵向设计（Longitudinal design）：比较不同产后时期同一母亲的样本，常用于抗逆转录病毒治疗研究。（6）多臂设计（Multiple arm design）：比较不同产后时期哺乳妇女与匹配健康对照的样本。理想研究设计为纵向母亲-婴儿配对，但可行性受限。Begg等提出决策树，根据可用样本和待估参数选择最合适的研究设计（如图2所示）。此外，Milk4Baby决策树作为ConcePTION项目的一部分，为现实场景提供了实用方法。

M/P的预测模型（Predictive models for M/P）部分介绍了多种模型。首先，非结合药物分布模型（Unbound Drug Distribution Model）基于Henderson-Hasselbach方程计算未结合药物在乳汁与血浆中的比率（Mu/Pu），但过于简化。其次，膜扩散模型（Membrane Diffusional Model）纳入分子量（Mw）和辛醇-水分配系数（LogP），但未考虑乳汁成分。第三，相分布模型（Phase Distribution Models）包括：（a）Fleishaker模型，考虑药物与蛋白质的结合及乳脂比（creamatoctrit ratio, Ct），需体外实验测定乳汁蛋白结合和脂肪分配系数。（b）Atkinson & Begg模型，利用血浆蛋白结合值估算乳汁蛋白结合，提出M/P_phase公式。（c）对数转换相分布模型（Log-transformed Phase Distribution Model），通过逐步多元回归分析分别对酸性和碱性药物建立方程，显示出最佳预测性能。第四，定量结构-活性关系（Quantitative Structure Activity Relationship, QSAR）模型：利用化学和分子性质预测M/P，如Agatonovic-Kustrin等开发的多层感知器（Multilayer Perceptron, MLP）神经网络和支持向量机（Support Vector Machine, SVM）分类模型，后者对训练集和测试集的分类准确率分别达90.63%和90.00%。经验模型假设被动扩散，但Koshimichi等发现多数药物分泌清除率（CL_sec）和再摄取清除率（CL_re）相等，支持该假设，但某些药物需纳入转运体介导机制。这些模型可用于PBPK输入以估计IDD和RID。

药代动力学建模（Pharmacokinetic modeling）部分讨论了基于生理的药代动力学（PBPK）模型和群体药代动力学（PopPK）模型。PBPK模型是多房室机制模型，整合生理参数（如血流量、酶和转运体丰度）和药物参数（如血浆蛋白结合、渗透性），可用于预测哺乳期药物暴露。通过将母体PBPK模型与婴儿PBPK模型耦合，模拟药物从乳汁转移至婴儿。三种方法包括直接转移、通过乳腺脂肪组织摄取及两者结合。现有PBPK模型多考虑被动扩散，例外包括针对五种乳腺癌耐药蛋白（Breast Cancer Resistance Protein, BCRP）底物（阿昔洛韦、安非他酮、西咪替丁、环丙沙星、呋喃妥因）的模型，纳入了BCRP介导的转运。PBPK模型已用于环境化学物（如全氟辛酸PFOA、全氟辛烷磺酸PFOS、四氯乙烯TCE、高氯酸盐）的婴儿暴露评估。对于药物，已建立阿普唑仑、咖啡因、曲马多、地高辛、文拉法辛、氟西汀、帕罗西汀等的母体PBPK模型，以及可待因、艾司西酞普兰、异烟肼、乙胺丁醇和利福平的母婴耦合模型。这些模型可用于预测M/P、IDD和RID，但受限于仅考虑被动扩散和假设乳汁成分恒定。

群体药代动力学（PopPK）模型基于稀疏采样数据，适合分析个体间变异性。PopPK模型假定人体由动力学均匀的房室组成，乳汁视为连接中央室的外周室。大多数哺乳PopPK模型利用已发表的非妊娠或妊娠PopPK模型，并通过M/P关联乳汁浓度。常用软件包括NONMEM、Monolix、Phoenix WinNonlin和Pmetrics。模型开发首先确定结构模型，随后进行协变量分析（如母亲年龄、体重、白蛋白、alpha-1-酸性糖蛋白浓度、CYP多态性、乳汁成分）。多数研究未发现显著协变量。例如，氟西汀和诺氟西汀的PopPK模型利用稀疏数据估算RID；DolPHIN-1研究的多替拉韦模型显示人乳转移可忽略；哌喹模型的模拟显示RID低于10%阈值。PopPK模型通过蒙特卡洛模拟（Monte Carlo simulations）预测婴儿暴露变异性，但需至少基于乳汁研究的数据。

结论（Conclusion）部分强调，M/P和RID等暴露指标虽有用但依赖上下文，不应孤立解释。非临床模型提供机制性见解，但定量外推受种属差异限制。临床研究设计需平衡科学严谨性与可行性。预测建模方法（经验方程、PopPK和PBPK模型）最有潜力弥合证据缺口。三种建模范式各有优劣：经验模型最易获取但假设被动扩散；PopPK模型擅长表征变异性但依赖临床数据；PBPK模型机制丰富但参数需求大。近期工作将经验预测作为PBPK或PopPK的先验信息，是一种有前景的混合策略。模型的持续改进需更好地理解时变性乳汁成分、乳腺转运过程和婴儿发育药理学。综合实验与模型方法是最稳健且伦理上可行的路径。