《Journal of Pharmacokinetics and Pharmacodynamics》：A hybrid PKPD agent-based model of the tumour immune interaction: effects of anti-cancer combination therapy
编辑推荐：
为解决肿瘤-免疫时空动态交互及联合疗法协同效应机制不清的难题，研究人员构建了一个整合药剂动力学/药效学、细胞循环、氧气/药物扩散及多种疗法模块的三维多尺度杂交（基于代理的模型-常微分方程-偏微分方程）模型。该模型揭示了治疗时序、免疫细胞浸润与PD-L1表达在联合疗法疗效中的关键作用，并为理解与优化抗癌组合治疗策略提供了新颖的计算框架。
在对抗癌症的漫长战役中，科学家和医生们手中的“武器库”日益丰富，从传统的化疗、放疗，到精准的靶向治疗，再到近年来革命性的免疫治疗。然而，一个令人困惑的“矛与盾”现象时常出现：当多种疗法组合使用时，有时能产生“1+1>2”的惊喜协同效应，有时却可能出现拮抗，甚至效果还不如单一疗法。这背后的机制是什么？尤其是在错综复杂的肿瘤微环境（Tumor Microenvironment, TME）中，癌细胞、免疫细胞、各种治疗药物以及氧气、营养物质是如何在时空维度上相互博弈，最终决定治疗成败的？传统的数学模型往往难以同时捕捉这种多层次、异质性且充满涌现行为的复杂系统。
为了揭开这层面纱，一项发表于《Journal of Pharmacokinetics and Pharmacodynamics》的研究迈出了关键一步。研究人员没有满足于传统的单一方程模型，而是构建了一个雄心勃勃的“数字肿瘤实验室”——一个三维、多尺度、杂交的基于代理的模型-常微分方程-偏微分方程模型。这个模型的核心目标是模拟肿瘤与免疫系统的相互作用，并整合多种治疗方式的影响，以期在虚拟世界中探寻联合疗法成败的底层逻辑。
研究人员采用了一套综合的计算生物学方法构建并验证了这个复杂模型。模型核心是一个三维网格上的基于代理的模型，定义了癌细胞、免疫效应细胞和免疫抑制细胞三种代理的属性和行为规则。其行为通过Gillespie算法进行随机模拟。模型耦合了描述氧气和药物扩散的偏微分方程，以模拟TME内的浓度梯度。此外，研究整合了来自文献的、经过验证的药剂动力学/药效学模型，用以精确模拟帕博利珠单抗（抗PD-1抗体）、多西他赛（化疗）、放射治疗以及一种DNA损伤修复抑制剂（ATR抑制剂）这四种疗法的系统暴露水平和药效。模型参数基于已发表的实验和临床数据设定，并通过敏感性分析确定了关键参数。
研究结果
肿瘤免疫细胞无治疗干预下的相互作用
模拟显示，未经治疗的肿瘤会持续生长并吸引免疫细胞。效应细胞能清除部分癌细胞，但此举会诱导癌细胞程序性死亡配体-1（PD-L1）的表达。效应细胞与PD-L1阳性癌细胞及浸润的抑制细胞相互作用，导致效应细胞耗竭。随时间推移，TME免疫抑制性越来越强，最终在癌细胞与免疫细胞界面形成由PD-L1阳性癌细胞和被耗竭的PD-1阳性效应细胞组成的“前沿”。模拟再现了临床上观察到的免疫编辑和免疫逃逸的动态过程。
PD-1抗体治疗
模拟帕博利珠单抗治疗显示，药物的高受体占有率能有效防止效应细胞耗竭。但治疗成败高度依赖于治疗开始时TME内已有的免疫效应细胞数量。研究发现，在肿瘤较小、PD-L1突变细胞比例较低但免疫浸润也较少的早期开始治疗，虽然能防止耗竭，但因“兵力不足”，肿瘤消退缓慢。相反，在免疫浸润已较充分的稍晚阶段开始治疗，尽管PD-L1阳性细胞可能更多，但充足的效应细胞在抗体保护下能更高效地清除肿瘤，实现更快的消退。这强调了治疗前评估肿瘤免疫浸润水平的重要性。
放射治疗
放射治疗具有细胞毒性杀伤和激发远端效应（Abscopal Effect）的双重作用。模拟表明，放疗疗效同样依赖于预先存在的免疫反应。在免疫浸润不足时开始放疗，虽能暂时抑制肿瘤，但治疗后易复发。在免疫浸润较充分时放疗，结合放疗产生的“原位疫苗”效应（吸引更多免疫细胞），能显著增强疗效。此外，模型清晰展示了放疗引起的细胞周期阻滞（尤其在G1和G2期）和细胞周期同步化现象，这是癌细胞的一种耐药机制。
化疗
模拟多西他赛化疗揭示了其效果对肿瘤大小的依赖性以及与细胞周期的紧密关联。化疗主要杀伤处于G2/M期的细胞。有趣的是，模型显示化疗在清除活跃细胞后，可能“唤醒”处于静止期（G0期）的癌细胞，使其重新进入细胞周期，从而在后续疗程中变得敏感，导致肿瘤细胞数量出现平台期和再次下降的复杂动力学。同时，化疗也会诱导PD-L1表达并杀死免疫细胞，产生免疫抑制效应。
DNA损伤修复抑制剂
模拟ATR抑制剂治疗显示，该药物通过抑制DNA修复，特异性杀伤S期癌细胞，导致肿瘤生长受抑制，但通常不能完全清除肿瘤。同时，由于癌细胞数量减少，降低了肿瘤抗原性和免疫细胞浸润的驱动信号，这可能间接削弱整体的抗肿瘤免疫反应2 with the resulting pharmacokinetic and pharmacodynamic, cell count, rates of cell interaction, and the TME">。
联合治疗
模型成功揭示了联合疗法中复杂且有时反直觉的相互作用：
- 1.
PD-1抗体 + 放疗：当放疗在已建立较强免疫浸润（并由PD-1抗体保护）的阶段进行时，二者产生强协同，可实现肿瘤完全消退。若在免疫浸润不足时联合，则增效不明显。
- 2.
DNA损伤修复抑制剂 + 放疗：若先使用抑制剂降低肿瘤负荷和免疫浸润，再行放疗，可能因免疫“援军”不足，且放疗诱导的PD-L1表达加速残留效应细胞耗竭，反而导致治疗后的肿瘤反弹。这凸显了治疗时序的极端重要性。
- 3.
化疗 + 放疗：模型模拟了先化疗后放疗的序列。结果显示，持续化疗杀死了免疫细胞，当放疗开始时，缺乏免疫系统的协助，其疗效大打折扣，与单纯放疗相比效果更差。这警示了某些联合方案可能因削弱免疫而事与愿违。
研究结论与意义
本研究成功构建并应用了一个高度整合的三维多尺度杂交计算模型，将肿瘤-免疫相互作用与多种治疗模式的药剂动力学/药效学动态耦合在一起。模型的核心结论是：联合疗法的最终疗效并非其组分疗效的简单叠加，而是高度依赖于治疗时的肿瘤免疫微环境状态、各疗法的时间序列以及它们对免疫系统的综合影响。 免疫细胞的浸润水平是决定多种疗法（尤其是免疫治疗和放疗）疗效的关键瓶颈。治疗在杀伤癌细胞的同时，也可能通过诱导PD-L1表达、消耗免疫细胞或降低肿瘤抗原性等方式，塑造一个更具免疫抑制性的微环境，从而产生自我限制甚至促进肿瘤生长的负面效应。
这项研究的重要意义在于方法论和临床指导两个层面。在方法论上，它展示了基于代理的模型在处理空间异质性、随机性和多尺度涌现行为方面的独特优势，为复杂生物系统的机制研究提供了强大工具。在临床转化层面，该模型框架为“数字孪生”式的个性化治疗优化奠定了基础。未来，通过整合患者特异性的病理影像、单细胞测序等多组学数据对模型进行校准，它可以用于在虚拟空间中预先测试不同联合方案和用药时序的优劣，识别潜在的协同或拮抗作用，从而为临床设计最优化的个体化联合治疗策略提供理论依据和决策支持，最终推动肿瘤治疗从“试错”模式向“预测与优化”模式迈进。
