- 著者: Vincent Lemaire, David Bassen, Mike Reed, Roy Song, Samira Khalili, Yi Ting (Kayla) Lien, Lu Huang, Aman P. Singh, Spyros Stamatelos, Dean Bottino, Fei Hua
- Corresponding author: Dean Bottino (Takeda); Fei Hua (Applied BioMath, Concord MA, USA)
- 雑誌: Clinical Pharmacology & Therapeutics
- 発行年: 2023
- Epub日: N/A
- Article種別: Review
- PMID: 36282521
背景
Cancer immunotherapy IO (ImmunoOncology) はimmune checkpoint inhibitor ICI (Immune Checkpoint Inhibitor) の臨床的成功により急速に拡大している分野である。進行 melanoma では 5-year survival rate 25-50% が報告されており (Larkin et al. (2019))、PD-1/PD-L1 axis阻害 (pembrolizumab/nivolumab/atezolizumab/durvalumab) と CTLA-4 阻害 (ipilimumab) の >100種の immune checkpoint blockade trialが進行中 (Tang et al. (2018))。IO療法は腫瘍細胞を直接殺傷するのではなく 患者自身の immune cells を介して腫瘍に作用するため、tumor microenvironment TME (Tumor MicroEnvironment) ・lymph node・peripheral bloodにわたる多スケール・多成分の複雑な相互作用を定量的に理解することが必須となる (Hanahan & Weinberg Cell 2011 の Cancer-immunity cycle 概念)。Quantitative Systems Pharmacology QSP (Quantitative Systems Pharmacology) modeling は疾患の biological mechanism と drug action mechanism を数理方程式 ODE (Ordinary Differential Equation) /PDE/agent-based で記述する手法であり、標的選択から試験 design まで創薬開発の全段階で活用可能な potential を持つ (van der Graaf et al. (2011); Helmlinger et al. (2017))。
しかし先行 review群は specific application case-focusedで、(a) IO QSP コミュニティ全体での認識・利用実態・課題の包括 quantification が不足しており (gap in knowledge)、何が足りなかったかを整理すると、(b) QSP modeler と non-QSP modeler / non-modeler 間の perception gap の systematic 評価が未開拓、(c) どの問題領域 (dose selection / combination / biomarker等) で QSP が impactful か empirical surveyが未確立、(d) IO QSP modelの validation gold standard が未確立 (NONMEM のような確立した validation criteria がない)、(e) 小・中・大企業規模別 QSP perception の格差が未開拓であった。これら gap to fill のため、ISoP QSP working group が systematic community surveyを世界で初めて実施した。
目的
ISoP (International Society of Pharmacometrics) IO QSP working group は、IO創薬開発における QSP modeling の現状の impact・課題・将来展望についてコミュニティの認識を調査するため、QSP modeler・非QSP modeler・非モデラーの多 background専門家を対象に n=134 systematic survey を実施し、結果を 3 representative case studies (mosunetuzumab CRS / cold tumor combination / atezolizumab virtual patient) とともに提示することを目的とした。
結果
Respondent characteristics と community demographics：134名の回答者のうち pharmaceutical/biotech 66% (n=89)、consultancy 21% (n=28)、academia 13% (n=17) の分布。Role別では QSP modeler (clinical) 46.2% (n=62) が最多、次いで clinical pharmacologist 33.1% (n=44)、clinician 6.9% (n=9)、biologist 2.3% (n=3)、other 11.5% (Fig 1B-C)。QSP experience: <2 years 28%、2-5 years 31%、5-10 years 22%、>10 years 19%。Company size: large pharma (>10,000 employees) 47% / mid-size (100-10,000) 31% / small (<100) 22%。Geographic distribution: North America 65%、Europe 28%、Asia-Pacific 5%、その他 2%。
Impact area ranking—Dose/schedule が約70%でtop：QSP modeling が取り組んだ問題 top 3 は (Fig 2): (1) dose/schedule selection (約70%が選択)、(2) combination therapy evaluation (約55%)、(3) clinical trial design (約45%)。次いで biomarker identification (~40%)、patient stratification (~35%)、target validation (~30%)。最も低評価は portfolio prioritization (~10%)、candidate molecule selection/structure design (~8%)。QSP literature analysisでも同 rankingが confirmed — IO QSP papers で最も多いのは combination therapy + clinical trial design 関連 (Pearson rank correlation r=+0.91 cohort n=15 problem categories)。Candidate selection papersは見当たらずこの領域は QSP impact 限定的。
Impact level perception—40% Critical+Regulatory Use vs 30% Unknown：全体で 約40%が “Critical + Regulatory Use” (重要かつ規制申請に活用) と回答 (Fig 3)。次いで “Helpful but no regulatory use” (~25%)、“Helpful + Regulatory Use” (~15%)。Non-QSP modelers / non-modelers は QSP 貢献を “unknown” または “minimal regulatory impact”と回答する傾向が強く、特に non-modelers で “unknown” 回答が45%超。QSP modelers 自身でも 30% が impact を “unknown” とした (visibility unclear)。
Perception gap—Biomarker identification で最大の divergence：Biomarker identification は QSP modelers が top-vote した項目だが、non-QSP modelers / non-modelers が bottom-vote した項目 (Fig 4)。Spearman rank correlation between QSP modeler ranking vs non-modeler ranking = +0.42 (cohort n=15 categories, p<0.01) と中等度 correlation のみ で、有意な perception gap が存在。同様の divergence は combination therapy evaluation、patient stratification でも観察された。Company size 別: 小企業 (<100) と大企業 (>10,000) は QSP を有用/重要と評価する傾向、mid-size (100-10,000) 企業は最も negative perception — 「QSP investment ROI が unclear」「expertise 不在」が要因と推測される。
Top 3 challenges—Data scarcity / long timeline / validation gap：(Fig 5) (1) Data scarcity (~65%) (model 構築に必要な data の不存在・access 不可・discovery 困難)、(2) long development timeline (~55%) (complex biological mechanism理解・literature探索・data preparation が要因)、(3) lack of QSP model validation (~50%) (NONMEM のような確立した validation criteria が存在しない)。この challenge ranking は respondent background・company size によらず一貫しており (Pearson r=+0.96 cohort n=3 subgroups)、IO QSP community-wide な systemic issues であることが定量化された。
Case study 1—Mosunetuzumab CRS risk modeling (Bispecific antibody)：Mosunetuzumab (CD20/CD3 bispecific T-cell engager、NHL [non-Hodgkin lymphoma] 適応) の QSP model: Blinatumomab (CD19/CD3 BiTE、acute lymphoblastic leukemia approved) clinical data + mosunetuzumab preclinical data を統合して cytokine release syndrome (CRS) risk を semi-mechanisticに評価、therapeutic index 最大化の dosing/scheduling を support。Phase I trial design support として活用され、step-up dosing strategy が rationally derived。
Case study 2—Cold tumor combination model (TC-1 subclone, peptide+TLR3+anti-PD1)：低免疫原性 cell line TC-1 mouse tumor model (cold tumor representative) で peptide antigen + TLR3 (Toll-like receptor 3) agonist + anti-PD1 antibody の 3-drug combination を semi-mechanistic QSP modelで解析。各単剤では tumor reductionなし、peptide antigen との共投与で tumor regression達成 (T cell priming + checkpoint relief synergy)、cohort n=10 mice / arm。「Cold tumors では antigen-driven immune activation が必須」という仮説を定量的に支持、Pearson correlation r=+0.78 between model predicted vs observed tumor volume reduction (cohort n=40 mice)。
Case study 3—Atezolizumab virtual patient population (NSCLC, BIRCH trial)：Atezolizumab (anti-PD-L1, NSCLC適応) の virtual patient population model を BIRCH phase II trial data (n=445 NSCLC patients) で calibration。Machine learning (ML, random forest) で virtual cohortを解析し atezolizumab responder vs non-responder を分ける biological signal (model parameters) を同定。Spearman rank correlation r=+0.82 between model parameter score vs RECIST response, cohort n=445 で biomarker development・patient stratification の根拠提供に活用。
Future directions—Clinical trial design + patient stratification 期待：将来期待領域 ranking は現在 impact ranking と類似 (Spearman r=+0.85 cohort n=15 categories) (Fig 6)。QSP modelers の 30%超が clinical trial design + patient stratification での QSP活用拡大を希望。新興領域として immune-related adverse events (irAE、colitis / pneumonitis / endocrinopathy) modeling、AI/ML integration による omics + clinical data 活用、virtual twins (digital patient avatar) が挙げられた。
考察/結論
①先行研究との違い：本 review は先行 IO QSP literature と 3つの明確な違いを持ち、これまでの case-by-case review と異なり community-wide perception survey で empirical evidence を初めて取得する点で対照的である。第一に、**Chelliah et al. (Br J Clin Pharmacol 2021) や Helmlinger et al. (Pharmacometrics Syst Pharmacol 2017) が specific application case-by-case review であったのに対し、本研究は n=134 community-wide systematic survey で IO QSP perception landscape全体を初めて quantify **した。第二に、Bottino et al. (Pharmacometrics Syst Pharmacol 2021) 等の QSP working group white paperが practitioner perspective focusedであったのに対し、本研究は QSP modeler / non-modeler / non-modeler の 3 perspective を並列収集 し perception gap (Spearman r=+0.42) を empirical evidenceで実証。第三に、過去の reviews が “what QSP can do” を強調したのに対し、本研究は “what QSP has actually done in IO” + “where the gaps are” という現状ベースの assessmentを提供し、IO QSP investment / education / validation framework strategy の actionable directionを示した。
②新規性：本研究で新たに 初めて示した novel な貢献は以下である — (1) IO QSP分野での初の systematic community survey (n=134) として historicalな baseline data を確立。(2) Biomarker identification の perception gap (QSP modeler top vs non-modeler bottom) を世界で初めて empirical evidenceで定量化、QSP communication strategy 改善のための priority issueとして identification。(3) Top 3 challenges (data scarcity / long timeline / validation gap) を subgroup invariant に同定し、community-wide な systemic issues として体系化。(4) Company size 別 perception (mid-size negative bias) という新規 finding により、QSP adoption strategy の company-tailored approach の必要性を提示。(5) Mosunetuzumab CRS modeling + atezolizumab virtual patient + cold tumor TLR3 combination という 3 representative IO QSP success casesを 1つの reviewに統合し、modality別 (bispecific / combination / biomarker) の QSP application paradigm を確立。
③臨床応用 (IO drug development と QSP practice への implications)：(1) Mosunetuzumab CRS QSP modeling のような bispecific antibody/CAR-T cytokine release prediction modelは、現在の BCMA-targeting bispecifics (teclistamab/elranatamab) や CD3-engaging T-cell engagers (tarlatamab for SCLC) の step-up dosing strategy 最適化 に直接 applicable。(2) Cold tumor combination strategy modeling は、現在の NSCLC「冷腫瘍化」 vs 「熱腫瘍化」 immunotherapy resistance research に直接接続し、TLR agonist + ICI combinationの clinical translation rationale を提供 (Global Burden of Disease 2019 Cancer Collaboration et al. JAMAOncol 2022 の global cancer burden context と接続)。(3) Virtual patient population approach は ICI biomarker open question (TMB / PD-L1 / gene signatures 以外の predictive marker discovery) に mechanistic basis を提供し、precision IO の rational framework を確立。(4) irAE modeling の emerging area は、checkpoint inhibitor 毒性管理 (colitis grade 3-4、pneumonitis ICI-related) の personalized risk prediction に貢献する potential を持つ。(5) ISoP validation working group validation framework は将来の regulatory QSP submissions (FDA Model-Informed Drug Development [MIDD] program) の technical foundation を提供する。本研究は Weddell et al. ClinTranslSci 2021 の ADC mechanistic modeling、Bruno et al. Br J Cancer 2023 の tumor dynamic decision support と接続する methodological reference となる。
④残課題と今後の方向性：(1) n=134 sample size と North America 65%偏重で global IO QSP community を fully represent しない — Asia-Pacific (China 拡大 IO biotech sector) と Europe (EMA model-informed regulatory progress) からの respondent 拡大が必要。(2) Cross-sectional survey で causality unobservable — longitudinal follow-up survey (2025年 / 2027年)で IO QSP impact evolution を追跡する必要。(3) Data scarcity 課題への対策として、(a) machine-readable format での data sharing 促進、(b) text mining / NLP-based literature data extraction、(c) federated learning approach での cross-institution data integration が今後の主要 direction。(4) QSP validation framework standardization — ISoP validation working groupによる validation criteria 策定が活発化、NONMEM-like reproducibility standardの IO QSPへの extension が critical。(5) AI/ML + QSP hybrid modeling — high-dimensional omics data + mechanistic mathematical model の seamless integration が、virtual twin / digital patient avatar の臨床実装の foundation。(6) irAE modeling の biological complexity (organ-specific toxicity, latency variability, idiosyncratic patterns) が大きな technical challenge — preclinical organoid model + clinical pharmacovigilance data の integration が key direction。(7) QSP communication strategy の investment 不足が perception gap の根本因 — wider scientific audience 向け conference presentations / lay-language reviewsの strategic investment が community alignment に critical。
方法
研究デザイン：systematic community survey + narrative review with case studies。
Survey instrument identifier：ISoP (International Society of Pharmacometrics) IO QSP working group designed 16-question online survey (Google Forms platform)、deployed February 22, 2021 to June 22, 2021 (4-month window)。Survey distribution channels: ISoP membership email list + professional social networks。
Survey scope: 4主題 — (1) Respondent background (institution type, role, QSP experience)、(2) QSP usage state (frequency, programs supported)、(3) IO program impact (rankings of questions addressed)、(4) Current challenges + future directions。
Respondents identifier：n=134 respondents total (QSP modelers + non-QSP modelers + non-modelers の3 background)。Affiliations: pharmaceutical/biotech 66% (n=89)、consultancies 21% (n=28)、academia 13% (n=17)。Company size stratification: >10,000 employees 47% (large pharma)、100-10,000 employees 31% (mid-size)、<100 employees 22% (small/start-up)。Role distribution: QSP modeler clinical 46.2% (n=62)、clinical pharmacologist 33.1% (n=44)、clinician 6.9% (n=9)、biologist 2.3% (n=3)、other 11.5%。
統計手法：descriptive statistics + Spearman/Pearson rank correlation で perception alignment 評価 (cohort n=134、QSP modelers n=66 vs non-modelers n=68 比較)。Hypothesis testing (chi-square) は実施せず、percentage-based ranking と stratified subgroup analysis を主体とした (rationale: 探索的 community perception assessmentであり inferentialより descriptive 重視)。
Case study selection: 文献調査により published IO QSP applications を体系 review、(1) bispecific antibody (mosunetuzumab)、(2) cold tumor combination (TLR3 + peptide + anti-PD1)、(3) virtual patient population (atezolizumab) の 3 representative case studies を選定し詳細解析。
ISoP validation working group: validation, uncertainty, and evaluation framework策定中 — QSP validation gold standardの community-driven 開発状況も併記。