药物代谢酶

药物代谢酶 药物代谢的计算机模拟 (Modeling of Drug Metabolism) 药物从体内消除(elimination)主要有两种方式，即代谢(metabolism)和排泄(excretion)。代谢是大部分药物从体内消除的主要方式。药物的代谢反应大致可以分为氧化(oxidation)、还原(reduction)、水解(hydrolysis)和结合 相代谢，结合反应为?相代谢。(conjugation)四种类型，氧化、还原和水解为? 有些药物可以同时通过几种反应类型进行代谢。 肝脏代谢(Hepatic Metabolism) 肝脏是药物的主要清除器官，肝脏清除分成肝脏代谢和胆汁排泄两种方式(图1)。肝脏富含药物?相代谢和?相代谢所需的各种酶，其中以P450酶最为重要。P450酶是由多种类型的P450酶所组成的一个大家族，根据氨基酸的排序的雷同性，P450酶可以分为不同几个大类，每个大类又可以细分成几个小类。在人体中重要的P450酶有CYP1A2、CYP2A6、CYP2B6、CYP2C8、CYP2C9、CYP2C19、CYP2D6、CYP2E1、CYP3A4和CYP3A5(图2)。P450酶存在有明显的种属差异，药物在动物和人体内的代谢途径和代谢产物可能是不同的。多态性(polymorphisms)是P450酶的一个重要特征，是导致药物反应的个体差异的一个重要原因。所谓的多态性，是指同一种属的不同个体间某一P450酶的量存在较大的差异。量高的 量低的个体代谢个体代谢速度就快，称为快代谢型(extensive metabolizer); 速度就慢，称为慢代谢型(poor metabolizer)。人体内许多P450酶现出多态性，其中以CYP2D6和CYP2C19的多态性最为典型。另外，P450酶具有可诱导和可抑制性。也就是说，P450酶的量和活性会受到药物(或其他外源物)的影响，可能会影响药物本身的代谢，并可能会引起代谢性药物相互作用。 肠壁代谢(Intestinal Metabolism, Gut Metabolism) 近年来研究发现许多药物在小肠吸收后通过肠壁时被代谢，从而导致药物的生物利用度降低，这种肠道的首关效应已引起相当重视。肠道内壁的上皮细胞从绒毛(villi)的低端移动到顶端后脱落，这个过程中上皮细胞逐渐成熟，整个过程大约需要两三天时间(图3)。肠壁中药物代谢酶主要分布于成熟的上皮细胞内，其中绒毛尖端活性最强。目前已经在肠壁中发现许多种类的代谢酶，如CYP26、CYP2C9、CYP2C19、CYP3A4、CYP3A5等, 其中以CYP3A4的含量最高(ref1)。许多临床常用的药物为CYP3A的底物，可以在肠壁内代谢。肠壁代谢是造成许多药物口服生物利用度偏低的重要原因之一。 代谢模型(Modeling & Simulation) 常见的体外代谢试验采用肝细胞(hepatocytes)、肝切片(liver slices)、肝微粒体(liver microsomes)和组合酶(recombinant enzymes)。这些酶的系统各有其优点和缺点，比如说肝细胞具有完整的细胞结构，比其他系统更能代表体内的代谢，但是新鲜的肝细胞往往比较难得到;组合酶比较容易得到和保存，但是不同批的酶的含量和活性往往会不同，得到的代谢数据不一定能反映体内的代谢。 应用体外代谢数据及代谢模型，可以模拟和预测药物的肝脏代谢和肠壁代谢。使用外推法可将体外代谢数据转换成肝的内在清除率(intrinsic clearance)(图4)。代谢模型如well-stirred model (ref2)可将内在清除率转换成清除率。所谓的well-stirred model，是把肝作为一个房室，即假设药物在肝脏内是均匀分布的。文献中有其他代谢模型的报道，如parallel-tube model，dispersion model等。相比之下，well-stirred model简单而实用。在计算过程中，应当注意血液-血浆之间的转换。通常情况下文献报道的清除率为血浆清除率。其中涉及到一个重要的参数，即血液-血浆浓度比(blood-to-plasma concentration ratio)。 非线性代谢(Nonlinear Metabolism) 通常情况下药物的消除速率是恒定的，但有时候药物的剂量会影响其消除速率，也就是说，药物的消除速率呈现剂量依赖性(dose-dependent)，也可以说是浓度依赖性(concentration-dependent)。许多因素可以导致非线性代谢(nonlinear metabolism)，如机理性抑制、酶的诱导、酶的饱和性。机理性抑制和酶的诱导下药物的消除速率还会呈现时间依赖性(time-dependent)，在药物相互作用中有详细介绍。在这里我们主要介绍由酶的饱和性所引起的非线性代谢。 酶促反应速率可以用米氏方程(Michaelis-Menten equation)来描述:V=VmaxCu/(Km+Cu)，其中Vmax代表酶促反应最大速率，Km代表相应的米氏常数(Michaelis constant)，Cu代表酶部位游离药物浓度。当Cu<Km时，代谢速率就会下降并受到药物浓度的影响，这就是由酶的饱和性所引起的非线性代谢。这种情况下，应用微分方程可以描述药物非线性代谢的动态过程:d(Cut)/dt=-VmaxCut/(Km+Cut)，这里Cut代表在时间t的酶部位游离药物浓度。 药物排泄的计算机模拟 (Modeling of Drug Excretion) 药物排泄(excretion)是指药物不经任何代谢而直接以原型随粪便和尿液排出体外的过程。肾脏是许多药物及代谢物从体内清除的重要排泄器官。肾脏排泄涉及三个过程:肾小球的滤过(glomerular filtration)、肾小管主动分泌(active secretion)、肾小管重吸收(reabsorption) 。通过对药物或其代谢物在尿样中的浓度随时间变化的过程的分析，我们往往可以得到许多药动学方面的信息。肾脏清除率(renal clearance)会受到血浆结合率、尿量及尿液pH值的影响，但是通常情况下我们在分析尿浓度时假设肾脏清除率是恒定的。 一些药物到达肾小管后，被肾小管重吸收。肾小管的重吸收分成主动过程和被动过程两种类型，其中主动重吸收主要发生在近曲小管，被动重吸收受药物的脂溶性和解离度的影响。尿液pH影响药物的解离度，进而影响药物重吸收。碱化尿液使酸性药物在尿中离子化，酸化尿液使碱性药物在尿中离子化，可以阻止药物重吸收，从而加速药物排泄。例如,碱化尿液可促进酸性药物苯巴比妥的排泄，而酸化尿液则可加速碱性药物甲基苯丙胺从尿中排泄。 胆汁排泄是药物的另一个重要的排泄途径。一些药物经胆汁排泄至十二指肠后，在肠道内被重吸收，称为肝肠循环(enterohepatic cycle)。肝肠循环会导致药物的体内停留时间延长，有时候会导致血药浓度出现双峰或多峰现象。 口服药物的未吸收部分，或者是药物经胆汁排泄到肠道内后未能被重吸收的部分会随粪便排出体外，即所谓的粪排泄。此外，药物也可进入乳汁、唾液和泪液中，这些途径排泄的量往往是有限的。尽管乳汁排泄是不太重要的药物清除途径，乳汁中的药物可能会影响母乳喂养的婴儿。 目前基本上没由关于药物排泄的模拟和预测的文献报道。主要原因是因为大部分药物主要是通过代谢的方式从体内消除的，所以研究的重点放在了药物代谢上面。只有一小部分药物主要通过肾脏排泄的方式进行消除，通常认为可以等到在动物上进行药物动力学试验时估计肾脏排泄的重要性。理论上可以通过药物的物化性质(如分子量、脂溶性、pKa等)预测药物的排泄，然而定量预测会有一定的难度。 肾小球及肾排泄过程 药物分布的计算机模拟 (Modeling of Drug Distribution) 药物分布是指药物从机体的一个部位转移到另一个部位的可逆过程。药物进入血液后，随血液分布到机体各组织中，在靶组织发挥药效作用。药物的分布受生理因素和药物的理化性质的影响，包括组织血流速率、生理性屏障、药物的脂溶性、药物与血浆蛋白结合等。分布容积(volume of distribution)是药物动力学的一个重要参数，因其和清除率决定药物的半衰期(half-life)。同时，药物的分布影响药物在机体各组织的浓度，对药效和毒性起到关键作用，从而将药动学和药效学及毒理学联系起来。传统的方法中，药物的分布容积是由分析药物的血药浓度的经时过程而得到的。这种方法在药物研发中有明显的局限性，因为不可能对成千上万个化合物做体内试验。预测药物的分布容积和模拟药物在体内分布的动态过程对高通量药物筛选(high throughput screening)起到非常重要的作用。 药物进入血液后，通常与血浆中的蛋白质结合。通常认为，只有游离的药物才能透过生物膜进入到相应的组织或靶器官，产生效应或进行代谢与排泄。因此，血浆蛋白结合率(plasma protein binding)会影响药物的分布和代谢。通常酸性药物与白蛋白(albumin)结合，而碱性药物与α1-酸性糖蛋白(α1-acid glycoprotein)结合，但不是所有药物都是这样的，有时候也会有例外。除了与血浆蛋白结合外，药物还可能会和血红细胞结合，因此血浆蛋白结合率和血液-血浆浓度比(blood-to-plasma concentration ratio)是两个非常重要的参数。 药物在稳态(steady state)情况下表观分布容积(apparent volume of distribution)，Vss，是药物在各个组织器官的分布容积的总和: 其中Vt代表组织的体积，Pt:p代表药物的组织:血浆分配系数，Ve代表血红细胞的体积，E:P药物的血红细胞:血浆分配系数，Vp代表血浆的体积。以上参数中，Vt、Ve和Vp为生理性参数，不受药物的影响;E:P可以通过体外试验获得;Pt:p涉及到药物在各个组织和血浆的分配，尽管可以通过体外试验获得，但是比较繁琐。因此药物分布的预测的关键在于对组织:血浆分配系数的预测。 Poulin等人提出一种方法(refs 1&2)，该方法的原理是应用药物的一些相关参数(如logP、血浆蛋白结合率等)，计算药物在各个组织的不同成分(水，中性脂，磷脂)的分布，从而预测药物在机体的各个组织的分布。该方法基本上可以较精确地预测酸性和中性药物的分布容积，但是会低估碱性药物的分布容积。Rodgers等人对该方法进行了改进(refs 3&4)，考虑到碱性药物在生理pH(7.2左右)下解离并与组织中的酸性脂结合。总体来说，改进后的方法能比较精确地预测各种药物的在机体各个组织(脑除外)的分布。由于血脑屏障(blood brain-barrier)的对药物的脑分布的影响，该方法仍然具有一定的局限性。 通过对药物分布容积的预测，结合药物清除率(代谢和排泄)的预测，可以估计药物的半衰期。应用生理药动学模型，还可以模拟药物在各个组织器官中的浓度随时间变化的过程。药物分布的计算机模拟在新药的筛选过程中有着重要意义，并能对临床试验时药物剂量的选择进行指导。 药物吸收的计算机模拟 (Modeling of Drug Absorption) 药物的吸收是指药物由给药部位进入血液循环的过程。药物经吸收后进入血液，随血液分布到机体各组织中，在靶组织中产生药效。大多数给药途径给药(除静脉和动脉注射给药外)，药物在到达在体循环之前必须通过层层半渗透性细胞膜。这些细胞膜起到生物屏障作用，有选择地抑制某些药物分子通过。细胞膜主要由一种双分子的脂质基质构成，其中主要含有胆固醇及磷脂。膜脂质使细胞膜具有稳定性，也决定了细胞膜渗透性特点。大小和组成不同的球形蛋白质埋嵌在基质中，这些膜蛋白可以参与转运过程，也可以在细胞调节机制中起到受体的作用。此外, 在膜中还存在一些孔道, 使一些小分子化合物如水、尿素等通过。常见药物跨膜转包括被动扩散、易化被动扩散、主动转运、孔道转运和胞饮作用等几种类型。 口服给药是最常用的给药方式，因其安全、方便及顺应性好等特点。口服给药必须经胃肠道吸收和经过门静脉到肝脏后才进入体循环。口服药物在到达体循环之前，经肠道吸收、肠壁和肝脏的代谢分解，使进入体内的相对药量降低，这种现象称之为首过效应(first-pass effect)。药物由给药部位到达血液循环中的相对量称作生物利用度(bioavailability)。口服药物的生物利用度受到胃肠道的吸收度、肠壁代谢和肝脏代谢的影响。通常来说，生物利用度低的药物，个体差异大，有时候会难以获得满意的疗效。药物在胃肠道的吸收是一个非常复杂的过程，受到许多因素的影响:药物的理化性质(如水溶性solubility，通透性permeability)，生理因素(如胃排空gastric emptying、肠道通过时间intestinal transit time、pH值)，药物的剂型，食物，药物相互作用，胃肠道疾病等。 应用生理药动学模型，结合上述影响药物吸收的因素，可以用来预测吸收程度和吸收效率。在此基础上模拟药物剂型对药物吸收的影响(如对速溶片和缓释片进行比较)，从而指导药物剂型的设计。文献报道的药物吸收模型有多种，其中相对来说最为成功模型为 Compartmental Absorption & Transit (CAT) model (ref1)。该模型将小肠分为7个房室，可以根据药物的通透性(permeability)预测药物的吸收。然而，CAT模型有其局限性，其中之一是只能用来模拟和预测液体或速溶片的药物吸收，不能模拟和预测溶解度(solubility)低的药物的吸收以及药物剂型对吸收的影响。对于溶解度低的药物来说，当溶解速率低于吸收速率时，溶解速率就成为限速步骤。随后出现的 Advanced Compartmental Absorption & Transit (ACAT) model (ref2) 是对CAT模型的改进，该模型考虑到小肠各个部分PH的变化引起的药物溶解度变化，药物在小肠各个部分的通透性的变化，剂型因素(如药剂成分、颗粒大小、颗粒密度)等因素对药物释放，溶解，以及吸收的影响。 近几年来在药物吸收的模拟和预测上取得了较大的进展，然而还面临着许多挑战。胃肠道的生理结构非常复杂，体外试验获得的数据和体内的实际情况有时候会大相径庭，为模拟药物吸收带来困难。比如说，药物在体外试验中的溶解度和在体内的实际溶解度有时候会相差几十甚至上百倍，所以有些药物的体外溶解度很低，但是在体内的吸收却很完全。近来研究发现在肠粘膜细胞上存在P-糖蛋白(P-glycoprotein)等外排系统，能将进入上皮细胞中的药物外排到肠腔，可能导致药物生物利用度降低。药物在胃肠道的吸收、肠壁代谢及外排(efflux) 三者互相影响，是一个非常复杂的过程，有些机理目前还没有完全搞明白，有待于进一步的研究。 药物相互作用的计算机模拟和预测 (Modeling & Prediction of Drug Interactions) 药物相互作用(drug interactions)是指两种或两种以上的药物同时服用时引起的其中一个或几个药物的效应的改变。许多慢性疾病(如艾滋病)患者需要同时服用多种药物，这些药物之间可能会相互作用，导致药效的增强或减弱。有时候我们可以利用药物相互作用在合并治疗 时达到期望的效果，但大多数情况下我们希望避免药物相互作用。不少药物(如mibefradil)在上市后因药物相互作用导致严重的药物不良反应而被迫停止销售，不仅对病人带来危害， 也为制药公司带来巨大的经济损失。 药物相互作用的类别 (Types of Drug Interactions) 药物相互作用可按不同的机理分成多种:(1)药剂学的相互作用，即制剂之间可以发生物理化学反应;(2) 药物动力学的相互作用，即影响药物的吸收、分布、代谢和排泄;(3) 药效学的相互作用，如改变受体的敏感性等。其中文献报道最多的是代谢性药物相互作用。代谢性药物相互作用可分为对酶的抑制作用(inhibition)和诱导作用(induction)，其中对酶的抑制作用按机理又可分为可逆性，半可逆性和不可逆性三类。可逆性抑制包括三种:竞争性抑制 (competitive inhibition)，非竞争性抑制(noncompetitive inhibition)和反竞争性抑制(uncompetitive inhibition)。近年来，随着对药物代谢的深入认识和体外代谢试验的发展，药物相互作用的计算机模拟和预测正逐渐成为药物研发过程中的一项重要工具。在这里重点介绍几种最常见的药物相互作用，即竞争性抑制(competitive inhibition，可逆性相互作用的一种) 、机理性抑制(mechanism-based inhibition，不可逆相互作用)以及诱导作用(induction)。 可逆性抑制 (Reversible Inhibition) 可逆性抑制包括三种:竞争性抑制(competitive inhibition)，非竞争性抑制(noncompetitive inhibition)和反竞争性抑制(uncompetitive inhibition)。竞争性抑制(图1.1)指的是抑制剂和底物竞争游离酶的结合部位, 这种抑制表观上使得Km增大，而Vmax不变;非竞争性抑制(图1.2)指的是抑制剂不仅与游离酶结合，也可以与酶-底物复合物结合，这种抑制表观上使得Vmax变小，但Km不变;反竞争性抑制(图1.3)指的是抑制剂只与酶-底物复合物结合，而不与游离酶结合，这种抑制作用 使得Vmax和Km都变小，但Vmax/Km比值不变。 机理性抑制 (Mechanism-based Inhibition) 机理性抑制(图2)指的是抑制剂(这里也称作灭活剂，inactivator)和酶形成的结合物被酶激活后不可逆地使酶失去活性。这种抑制作用的主要特征是抑制剂通过‘杀死’酶而影响其自身和其他药物的代谢。体内会合成新的酶来取代被‘杀死’的酶，这个过程需要一定的时间(大 约4-7天，取决于该种酶的体内合成的半衰期)。因此机理性抑制呈现时间依赖性(time-dependent)，往往抑制剂从体内清除后其抑制作用还会存在一段时间。具体请参见ref1。 诱导作用(Induction) 机体内各种酶的含量会收到基因、饮食、疾病和外源物(xenobiotics，如药物)的影响。通常情况下，体内酶的合成和代谢处于动态平衡，因此酶的含量是稳定的。一些药物通过促进酶的合成或降低酶的代谢而增加酶的含量，这就是诱导作用。前一种机理(即促进酶的合成)比较常见。人体内的许多酶是可诱导的，如CYP1A1、CYP1A2、CYP2B6、CYP2C8、CYP2C9、CYP2C19、CYP2E1、CYP3A4等。酶的含量的上升会导致加快药物的代谢，从而使药效降低甚至失去药效。与机理性抑制类似，诱导作用也呈现时间依赖性(time-dependent)。诱导剂作用一段时间(通常是几天)后诱导作用才会体现出来。许多诱导的机制目前还没有完全搞 明白，具体请参见ref2。 药物相互作用的预测 (Prediction of Drug Interactions) 应用体外试验的药物相互作用数据和其他一些相关信息(如剂量、药物的血浆蛋白结合率等)可以定量或定性地预测体内的药物相互作用。然而目前文献报道中关于体内药物相互作用的定量预测有一些失败的例子，原因之一是预测的准确性往往受到体外数据的准确性的影响，另外一个原因是我们对药物与机体之间作用的一些机理(如转运体的作用)还缺乏了解。尽管如此，定性预测药物之间的相互作用仍有助于新药的筛选，并能有效地减少不必要的临床 试验