人类药代动力学（PK）预测的准确与否，是决定新药能否成功上市的关键环节。据统计，近90%在临床前阶段显示出安全有效的候选药物，最终在临床试验中折戟沉沙，其中对人体PK预测的不足是主要原因之一。这背后，是物种间生理和药物处置机制的深刻差异，以及传统模型的固有局限。为此，科学家们开发了一系列预测方法，并不断推动其演进。
传统预测方法
药代动力学预测的传统基石主要包括三大方法：异速生长模型、体外-体内外推和生理药动学模型。
异速生长模型 是最早广泛应用的经典方法。其核心思想是基于物种间解剖、生理和生化的相似性，利用体重（BW）的非线性幂函数关系（Y = a · BWb）从动物数据外推至人类。典型的异速指数b约为0.75（清除率，CL）、1.0（分布容积，Vd）和0.25（半衰期，t1/2）。b描述了药代动力学参数（Y）与体重（BW）的函数关系，其中a为比例系数，b为异速指数。清除率和分布容积的典型指数分别约为0.75和1.0">
该方法简单快捷，但因其假设普适的缩放关系而存在局限，尤其不适用于代谢途径存在物种差异、低清除率或高蛋白结合的药物。后续发展引入了最大寿命潜能、脑重量等校正因子，形成了“指数法则”，显著提升了预测精度。
体外-体内外推 提供了一个更具机制性的框架，旨在减少对动物实验的依赖。其基本原理是通过体外肝微粒体或肝细胞测得的固有清除率（CLint），结合一系列生理缩放因子（如每克肝脏微粒体蛋白、肝脏重量），计算出体内的CLint，再通过诸如“充分搅拌模型”等肝脏清除率模型，预测人体的肝清除率（CLH）。
尽管IVIVE能早期识别代谢特征，但其预测经常出现系统性低估，需要依赖经验性的缩放因子进行校正。近年来，与机器学习（ML）结合的混合策略显示出提升预测稳健性的潜力。
生理药动学模型 代表了最复杂的机制性框架。它将人体视为由血流连接的多个器官和组织隔室组成的系统，通过微分方程描述药物在每个隔室中的质量平衡。
PBPK模型整合了生理参数（器官体积、血流量）和药物特异性参数（如CLint、蛋白结合、组织分配系数），能够跨物种、人群、给药途径和剂量方案进行定量外推，尤其擅长预测药物-药物相互作用和组织浓度。随着商业化软件平台的发展和监管机构的认可，PBPK已成为现代药物研发中支持决策的常规工具。然而，其“自下而上”的预测准确性因给药途径而异（静脉给药优于口服），且依赖于大量高质量的输入参数。
新兴预测方法
技术进步正在催生更具颠覆性的预测范式，主要包括人工智能/机器学习方法和高级体外模型。
人工智能与机器学习方法 直接从分子结构或体外ADME特性预测人体PK参数，实现了从“模拟”到“预测”的范式转变。这些方法利用监督学习算法，建立分子特征（如分子描述符、化学指纹、图神经网络表示）与PK结果（如CL, Vd, AUC）之间的定量关系。公共数据库和在线预测平台（如ADMETlab, pkCSM）的出现，极大地推动了该领域的发展。
机器学习模型在计算效率和预测准确性上展现出优势，能够高通量筛选化合物并整合多模态数据。例如，多模态学习框架可直接从分子结构预测人体总CL和Vd，并作为参数输入PBPK模型。DeepCt等深度学习方法甚至能直接从化学结构预测血浆浓度-时间曲线。然而，这些方法也面临挑战：高质量人体PK数据集规模有限，模型可解释性常显不足（“黑箱”问题），且难以对新颖化学骨架或未覆盖人群进行可靠外推。
高级体外模型：器官芯片 作为“新方法”的代表，通过微流体技术将人源细胞培养在可模拟生理微环境（如流体剪切力、机械拉伸）的芯片上，重建器官或组织的关键功能。从单器官芯片（如肺芯片、肠芯片）发展到多器官微生理系统（如肠-肝串联芯片），OoC能够量化吸收、代谢等过程，并提供可直接用于PBPK建模的PK参数（如表观渗透性Papp、固有清除率）。
研究表明，血管化多器官芯片网络产生的数据能可靠预测人体PK响应，为将芯片数据直接转化为人体预测提供了定量证据。这些系统在模拟复杂生理相互作用和物种特异性方面具有独特价值，正逐渐被整合到监管科学的框架中。
结论与展望
人类PK预测方法的演进，是一条从经验外推走向机制建模，再迈向数据驱动和生理模拟的路径。
每种方法都有其优势和适用场景：传统方法提供机制透明度，AI方法提供筛选效率，而高级体外模型则提供生理相关性。未来的方向并非单一方法的胜出，而在于这些互补性方法的战略整合。例如，将OoC的实验数据与PBPK的机制框架结合，或用ML优化PBPK的输入参数。实现这一愿景，需要建立标准化的验证框架和明确的监管指南，以支持多方法联用的应用。随着全球监管机构（如FDA、EMA）推动减少动物试验并采纳人体相关方法，这些先进的预测技术正从辅助工具转变为现代药物研发策略中不可或缺的核心组成部分。
