mPBPK建模：破解药物入脑难题，优化脑肿瘤精准给药方案

1. 项目概述：当药理学遇见肿瘤学

在药物研发和精准医疗领域，一个核心的挑战在于：我们如何精确预测一种新药在特定患者体内的行为？尤其是当目标病灶位于大脑这样一个被“血脑屏障”严密守护的“禁区”时，这个问题变得尤为棘手。传统的药代动力学模型，比如经典的房室模型，常常将人体简化为几个抽象的“箱子”，虽然计算简便，但难以反映器官、组织的真实生理结构，更无法精细刻画药物跨越血脑屏障、进入脑肿瘤这一复杂过程的动态细节。

这就是“中枢神经系统和脑肿瘤mPBPK建模”这个项目要啃下的硬骨头。mPBPK，全称是“基于生理的药代动力学建模”，它不是一个新概念，但将其专门应用于中枢神经系统和脑肿瘤，则代表了当前药理学与肿瘤学交叉研究的前沿。简单来说，它试图用一套数学方程，来“数字孪生”一个虚拟的人体，特别是其大脑和肿瘤微环境，从而在计算机上模拟药物从给药、吸收、分布、代谢到排泄的全过程，并重点聚焦于药物如何突破血脑屏障，在脑组织和脑肿瘤中达到有效浓度。

我之所以对这个领域投入大量精力，是因为它直接关系到脑胶质瘤、脑转移瘤等恶性疾病的治疗成败。很多有潜力的抗癌药，在体外实验和动物模型中效果显著，一到人体临床试验就折戟沉沙，很大一部分原因就是它们无法有效进入大脑。通过mPBPK建模，我们可以在临床试验前，甚至临床早期，就预测药物在脑部的暴露量，优化给药方案（比如剂量、给药途径、联合用药），从而大大提高研发效率和成功率，为患者争取宝贵的治疗窗口。

2. 核心思路：从“黑箱”到“透明人体”

要理解mPBPK建模，得先看看它和传统方法的区别。传统房室模型就像把人体看成一个或几个连通的“黑箱子”，我们只关心箱子里的药物浓度变化，不关心箱子本身代表什么器官、血流如何。而mPBPK模型则是一个“透明的人体解剖图”，它基于真实的生理参数来构建。

2.1 模型的核心架构：器官网络与质量平衡

一个典型的针对中枢神经系统的mPBPK模型，其核心架构可以分解为以下几个相互关联的模块：

1. 全身生理模型：这是基础。模型会将身体划分为多个生理隔室，如血浆、快速灌注器官（心、肝、肾）、缓慢灌注组织（肌肉、脂肪），当然，还有我们关注的核心——脑组织。每个隔室都有其真实的体积、血流速率、组织-血浆分配系数等参数。药物通过血液循环系统在这些隔室间流动。

2. 血脑屏障模块：这是中枢神经系统建模的灵魂。血脑屏障不是一个简单的膜，而是一个由脑毛细血管内皮细胞、星形胶质细胞终足等构成的精密结构。在模型中，我们通常不会把BBB建模为一个独立的“隔室”，而是将其处理为脑组织隔室的一个特殊“边界条件”。关键参数包括：

   • 被动扩散：取决于药物的脂溶性、分子大小、电荷等理化性质。常用logP（脂水分配系数）来估算通透性。
   • 主动转运：包括外排转运体（如P-糖蛋白）和摄入转运体。这是模型中最具挑战性的部分，需要实验数据来标定转运体的最大速率和米氏常数。
   • 孔隙率与表面积：脑毛细血管的有效孔隙率和总表面积，影响药物通过细胞旁路或跨细胞途径的通量。

3. 脑肿瘤模块：这是区别于普通脑组织建模的关键。脑肿瘤（如胶质母细胞瘤）的微环境极其复杂：

   • 异质性血脑屏障：肿瘤核心可能BBB完全破坏，而浸润边缘的BBB可能部分完整甚至功能亢进。模型需要能描述这种空间异质性。
   • 异常血管网络：肿瘤血管迂曲、渗漏，血流分布不均。这会影响药物的输送效率。
   • 细胞构成与结合：肿瘤细胞密度、坏死区域、细胞外基质成分都会影响药物的分布容积和结合率。
   • 代谢与耐药：肿瘤细胞可能表达独特的药物代谢酶或外排泵，导致局部失活或排出。

模型的数学核心是一系列基于质量平衡的常微分方程。对于每个隔室i，其药物量的变化率可以表示为：dA_i/dt = Q_i * (C_arterial - C_venous,i) + ...（其他过程如代谢、分泌）其中，Q_i是血流速，C_venous,i是流出静脉血中的药物浓度，它与组织中的药物浓度通过分配系数相关联。对于脑和肿瘤，C_venous,i的计算会嵌入BBB转运的动力学方程。

2.2 为什么选择mPBPK？优势与考量

选择mPBPK来研究中枢神经系统药物，背后有深刻的逻辑：

• 机制驱动，外推性强：因为模型参数都有生理或生化意义（器官体积、血流、酶活性等），所以当我们要将模型从动物外推到人，或者从健康人外推到患者时，可以基于已知的生理差异（如器官大小比例、血流变化、蛋白表达水平）来缩放参数，而不是盲目地拟合。这对于脑肿瘤这种病理状态变化巨大的情况至关重要。
• 整合多源数据：mPBPK模型像一个“数据融合平台”，可以同时整合血浆药时曲线、脑脊液浓度、医学影像（如PET显示的药物分布）、甚至体外细胞实验的转运体数据。通过模型校准，让这些不同来源、不同尺度的数据相互印证，形成对药物行为的统一理解。
• 虚拟试验，降低风险：可以在模型中“虚拟”测试不同给药方案（如静脉输注 vs. 口服，高剂量冲击 vs. 低剂量维持）、不同患者群体（如肝功能不全者、儿童）、以及联合用药（如同时使用P-gp抑制剂）的效果，筛选出最有希望的方案进入昂贵的实体临床试验。
• 洞察瓶颈，指导研发：如果模型预测显示某种药物脑部暴露量不足，我们可以分析是BBB穿透性差、还是全身清除太快、或是肿瘤内滞留时间短。这能直接指导药物化学家优化分子结构（提高脂溶性、规避外排泵），或提示临床医生考虑局部给药（如对流增强输送）。

当然，它的挑战也很明显：模型复杂，需要大量且高质量的参数；许多生理参数（尤其是肿瘤内的）存在个体间变异和不确定性；模型校准和验证计算量大。因此，一个成功的项目需要在模型复杂性与实用性之间找到最佳平衡点。

3. 关键参数获取与模型搭建实操

搭建一个可用的中枢神经系统-脑肿瘤mPBPK模型，七分功夫在“台下”的参数准备，三分在“台上”的模型实现。下面我以一个小分子靶向药为例，拆解关键步骤。

3.1 基础生理与药物特异性参数收集

这部分是模型的“地基”，必须尽可能准确。

1. 人体生理参数库：

   • 来源：权威的生理学教科书、综述文献、以及像PK-Sim、GastroPlus等商业软件内嵌的数据库是主要来源。
   • 关键数据：各器官组织体积、血流占心输出量比例、组织成分（水、脂质、蛋白质含量）。对于大脑，要区分灰质、白质、脑脊液的体积和血流。我通常会建立一个Excel参数表，并注明每个参数的来源和可能的变异范围（如均值±标准差）。

2. 药物理化与体外参数：

   • 基础性质：分子量、logP（辛醇-水分配系数）、pKa（酸解离常数）、血浆蛋白结合率。这些决定了药物的分布倾向。
   • BBB相关参数：这是难点。理想情况下，需要有：
     • 体外渗透性数据：如Caco-2或MDCK细胞单层模型的表观渗透系数。
     • 转运体底物鉴定：通过转染细胞实验，判断是否是P-gp、BCRP等主要外排转运体的底物或抑制剂。如果是底物，需要其转运动力学参数（Km, Vmax）。
     • 脑微血管内皮细胞实验：更能反映真实BBB情况。
   • 全身药代参数：如果有早期临床数据最好，否则需从临床前物种（大鼠、犬）外推。包括清除率、分布容积、口服生物利用度等。

3. 脑肿瘤特异性参数：

   • 影像学数据：从患者的MRI（如T1增强、灌注成像）中，可以估算肿瘤体积、水肿带范围、以及相对的血流情况。这是定义模型中“肿瘤隔室”大小和灌注的基础。
   • 组织学信息：如果有可能获取活检或手术样本，可以分析肿瘤细胞密度、坏死比例、血管密度、以及特定转运体或代谢酶的表达水平（通过免疫组化或RNA测序）。这些是设定肿瘤内部分布和清除参数的关键。
   • 文献数据：对于常见脑肿瘤（如GBM），已有不少研究报道了其微环境的典型特征参数，可以作为先验知识。

实操心得：参数收集阶段最忌“拿来主义”。一定要评估每个参数的来源是否可靠，是来自健康人还是患者，是体外还是体内数据。对于关键但不确定的参数（如肿瘤内药物的非特异性结合率），最好将其设定为一个范围，在后续进行敏感性分析，看看模型输出对它的敏感程度。

3.2 模型结构设计与软件实现

有了参数，接下来是设计模型结构和选择实现工具。

1. 模型结构图：在纸上或绘图软件中画出模型的结构框图是必不可少的一步。下图展示了一个简化的、针对脑肿瘤给药的核心结构概念图：

   （注：此处用文字描述模型结构，因禁止使用Mermaid图表） 模型核心是一个由血流连接的生理隔室网络。心脏（心输出量）泵出动脉血，分流至全身各组织：富血管器官组（如肝、肾）、肌肉、脂肪等。一个关键分支流向大脑。大脑隔室内部，需要区分：① 通过完整血脑屏障的“正常脑组织”；② 血脑屏障被破坏或异常的“肿瘤核心区”；③ 可能存在介于两者之间的“肿瘤浸润边缘区”。药物从动脉血进入这些脑区，受到不同通透性的BBB调控，然后在脑组织/肿瘤细胞内分布、结合、可能被代谢，最后经静脉血返回中心循环。肝脏和肾脏负责药物的代谢和排泄。这个结构图能帮你理清质量平衡方程的编写逻辑。

2. 建模平台选择：

   • 专业PKPD软件：PK-Sim、GastroPlus、Simcyp等是行业标准。它们内置了丰富的生理数据库和成熟的模型框架，对于BBB和肿瘤模块也有预置的机制模型可供调用或修改。优点是快速、稳健、易于进行群体模拟。缺点是灵活性可能受限于软件框架，且商业许可费用高昂。
   • 通用数学建模环境：MATLAB/Simulink、R (deSolve包)、Python (PySB, SciPy)。这类工具自由度极高，可以构建任何你能用方程描述的模型。适合研究性的、结构新颖的模型。我个人的许多探索性工作都是用Python完成的，结合NumPy、SciPy进行数值积分，用lmfit或PyMC3进行参数估计。优点是灵活、透明、可集成最新算法；缺点是需要较强的编程和数学背景，所有验证工作需从头做起。
   • 混合策略：我常用的策略是，先用Python快速原型化一个简化模型，验证核心机制假设；待思路成熟后，再移植到PK-Sim等专业软件中，利用其数据库和群体模拟功能进行更全面的分析和可视化。

3. 方程实现与编码：以Python为例，核心是定义微分方程组系统。

   import numpy as np from scipy.integrate import solve_ivp def mPBPK_model(t, y, params): """ y: 状态变量向量，如 [A_plasma, A_brain, A_tumor, ...] params: 参数字典，包含Q_brain, CL, PS_product, ...等 """ A_plasma, A_brain, A_tumor = y[0], y[1], y[2] # 计算各浓度 C_plasma = A_plasma / params['V_plasma'] # 假设脑组织浓度与血浆浓度通过分配系数Kp_brain相关，并受BBB限制 # BBB通量 = PS * (C_plasma - C_brain/Kp_brain)， 这是一个简化示例 J_BBB = params['PS_brain'] * (C_plasma - (A_brain/params['V_brain'])/params['Kp_brain']) # 肿瘤区域BBB破坏，通透性更高 PS_tumor = params['PS_brain'] * params['tumor_BBB_ratio'] # 假设是正常BBB的倍数 J_Tumor = PS_tumor * (C_plasma - (A_tumor/params['V_tumor'])/params['Kp_tumor']) # 质量平衡微分方程 dA_plasma_dt = - params['Q_brain']*C_plasma + params['Q_brain']*(A_brain/params['V_brain'])/params['Kp_brain'] - params['CL']*C_plasma + ... # 还需考虑其他器官回流和给药输入 dA_brain_dt = params['Q_brain'] * C_plasma - params['Q_brain']*(A_brain/params['V_brain'])/params['Kp_brain'] + J_BBB dA_tumor_dt = params['Q_tumor'] * C_plasma - params['Q_tumor']*(A_tumor/params['V_tumor'])/params['Kp_tumor'] + J_Tumor return [dA_plasma_dt, dA_brain_dt, dA_tumor_dt, ...] # 设置初始条件和参数，调用求解器 sol = solve_ivp(mPBPK_model, [0, 24], y0, args=(params,), dense_output=True) # 模拟24小时

   上面是一个极度简化的代码框架，真实模型要复杂得多，包括肝代谢、肾排泄、蛋白结合、可能还有肠肝循环等。

注意事项：在编码实现时，务必注意单位的一致性。血流速用L/h，体积用L，浓度用mg/L，通透性表面积乘积用L/h。混合单位是导致错误结果的常见原因。建议在代码开头将所有参数统一转换到一套标准单位（如SI单位）。

4. 模型校准、验证与敏感性分析

一个未经校准和验证的模型，其预测结果毫无意义。这是将模型从“玩具”变成“工具”的关键步骤。

4.1 参数估计与模型校准

我们手头的参数，尤其是药物-特异性参数（如BBB的PS值、肿瘤内结合率）往往有不确定性。模型校准就是利用观测数据（如临床测得的不同时间点的血浆和脑脊液药物浓度），来优化这些不确定参数，使模型的预测值与实际观测值最吻合。

1. 目标函数：通常采用加权最小二乘法，最小化模型预测值与观测值之差的平方和。对于不同来源、精度不同的数据（如血浆浓度精确，脑脊液浓度稀疏），可以赋予不同的权重。
2. 优化算法：对于参数不多的模型，Levenberg-Marquardt算法效率很高。对于复杂模型，可能需要全局优化算法（如差分进化、粒子群算法）来避免陷入局部最优解。Python的lmfit库提供了友好的接口。
3. 实操流程：
   • 固定已知参数：将生理参数、药物基础理化参数等相对确定的先固定。
   • 定义待估参数及其范围：根据文献或生物学常识，给每个待估参数设定合理的上下限（如PS值不可能为负）。
   • 执行拟合：将观测数据（时间点-浓度值对）输入，运行优化算法。
   • 评估拟合优度：不仅看最终的目标函数值，更要直观地绘制拟合曲线与观测数据的散点图，检查趋势是否一致。计算像AIC（赤池信息准则）这样的指标，可以在不同复杂度的模型间进行比较。

4.2 模型验证：证明其预测能力

校准使模型“描述”已有数据，验证则要证明模型能“预测”未知情况。这是模型可信度的生命线。

• 内部验证：如果数据量足够，可以采用交叉验证。例如，用80%的患者数据校准模型，然后用剩下的20%来检验模型预测这些患者数据的能力。
• 外部验证：这是黄金标准。使用一个完全独立的、未参与校准的数据集进行预测。例如，用一期临床数据校准模型，然后预测二期临床中不同给药方案下的药时曲线，再与实际二期数据对比。
• 预测检验：即使没有完美的外部数据集，也可以进行“挑战性”预测。例如，校准基于静脉给药数据后，预测口服给药后的脑部暴露，并与有限的文献报道或后续实验进行定性/定量比较。

4.3 敏感性分析：找到模型的“阿喀琉斯之踵”

模型预测依赖于众多参数，但每个参数的影响程度不同。敏感性分析就是系统性地扰动每个参数，观察模型输出（如脑肿瘤AUC）的变化程度。

• 局部敏感性分析：计算输出对某个参数在基准值附近的偏导数。速度快，但只适用于参数小范围变化。
• 全局敏感性分析：更推荐。例如使用Sobol指数法。它在整个参数可能范围内进行抽样，可以评估参数单独以及交互作用对输出不确定性的贡献度。

  # 示例：使用SALib库进行Sobol敏感性分析 from SALib import analyze, sample problem = { 'num_vars': 5, 'names': ['PS_brain', 'Kp_tumor', 'CL', 'V_tumor', 'Q_tumor'], 'bounds': [[0.1, 10], [0.5, 5], [10, 100], [0.01, 0.1], [0.01, 0.05]] } param_values = sample.saltelli(problem, 1024) # 生成参数样本 # 对每个样本运行模型，得到输出结果Y Y = np.array([run_model(params) for params in param_values]) Si = analyze.sobol.analyze(problem, Y) print(Si['S1']) # 一阶敏感度指数 print(Si['ST']) # 总敏感度指数

  分析结果会告诉你，例如，脑肿瘤药物浓度预测的不确定性，主要来源于PS_brain（BBB通透性）的估计误差，还是CL（全身清除率）的误差。这能指导后续实验设计：我们应该优先投入资源去更精确地测量哪个参数？

踩坑实录：我曾在一个早期模型中，发现预测的肿瘤内浓度对肿瘤血流速Q_tumor极其敏感。但回顾数据，这个参数我只是从一个粗略的公式估算得来。后来我们设计了动态对比增强MRI实验来更准确地测量个体患者的肿瘤血流，将其代入模型后，预测准确性大幅提升。这个教训告诉我，敏感性分析不仅是模型检验步骤，更是指导下一步科研行动的“罗盘”。

5. 应用场景与模拟案例解读

模型经过验证后，就可以成为强大的模拟工具。以下分享几个典型的应用场景。

5.1 场景一：首次人体剂量预测中的脑部暴露评估

假设一种新的小分子EGFR抑制剂计划用于治疗非小细胞肺癌脑转移。临床前数据显示其能抑制肿瘤生长，但不确定在人脑中能否达到有效浓度。

1. 步骤：
   • 构建基础mPBPK模型：整合人体生理参数、该药物的理化性质（已知logP=3.2，是P-gp弱底物）、临床前大鼠的药代数据。
   • 校准BBB参数：利用大鼠实验中测得的脑-血浆浓度比，反向推算出人BBB的大致PS值（考虑种属差异缩放）。
   • 定义“虚拟患者”：在软件中生成一个符合目标患者人群（如晚期NSCLC患者）生理特征的虚拟群体，包括可能的肝功能差异。
   • 模拟给药：模拟计划中的一期临床剂量（如50mg, 100mg, 200mg 每日一次口服）。
2. 输出与分析：
   • 模型会输出每个虚拟患者随时间变化的血浆和脑转移瘤中的药物浓度曲线。
   • 关键指标：脑肿瘤AUC（药时曲线下面积，反映总暴露量）、Cmax（峰浓度）、以及浓度高于目标抑制浓度（IC90）的时间百分比。
   • 结果解读：如果模拟显示，在200mg剂量下，90%的虚拟患者其脑肿瘤Cmax能达到IC90的3倍以上，且T>IC90超过12小时，那么这个剂量进入临床就更有信心。如果模拟显示即使最高剂量下脑部暴露也不足，就需要提前预警，考虑优化给药方案（如增加剂量频率）或联合使用P-gp抑制剂。

5.2 场景二：优化给药方案以克服异质性BBB

脑肿瘤内部BBB破坏程度不一。模型可以帮助设计能同时覆盖高渗透区和低渗透区的给药策略。

1. 问题：对于一种治疗胶质母细胞瘤的药物，已知其穿透完整BBB能力中等，但肿瘤核心区BBB完全破坏。如何给药能确保药物在浸润边缘（BBB相对完整）也能达到治疗浓度？
2. 模拟设计：
   • 在模型中明确区分“肿瘤核心”（高PS）和“肿瘤边缘”（低PS，接近正常脑）两个亚隔室。
   • 比较两种方案：A) 标准每三周一次大剂量静脉输注；B) 每周一次较低剂量输注，但总周剂量相同。
3. 模拟发现：
   • 方案A会在肿瘤核心产生极高的峰浓度，可能增加毒性，但在给药间歇期，边缘区域浓度会迅速降至无效水平。
   • 方案B虽然峰浓度较低，但能在整个治疗周期内，在肿瘤边缘维持更稳定、持续的有效浓度。
   • 模型可能提示，方案B在抑制肿瘤浸润生长方面更具理论优势，这可以为临床II期试验的设计提供依据。

5.3 场景三：评估联合用药策略

联合使用BBB外排泵抑制剂（如维拉帕米）是提高脑部药物浓度的常见思路。但全身给予抑制剂可能带来心脏毒性等副作用。mPBPK模型可以量化这种策略的收益风险比。

1. 建模：在模型中，为BBB模块添加一个竞争性抑制P-gp的动力学方程。需要抑制剂本身的PK参数及其对P-gp的抑制常数Ki。
2. 模拟：模拟单独使用抗癌药 vs. 抗癌药+不同剂量抑制剂联合给药。
3. 分析：
   • 输出：联合用药后，脑部AUC和Cmax的提升倍数。
   • 同时，模型也能模拟抑制剂在全身的浓度，评估其达到潜在毒性阈值的风险。
   • 关键洞察：模型可能会发现，只需要一个较低剂量的抑制剂（不足以引起全身毒性），就足以饱和肿瘤区域BBB的P-gp，大幅提高抗癌药入脑。这为设计更安全的联合用药方案提供了定量指导。

6. 常见挑战、问题排查与未来展望

在实际操作中，你会遇到各种问题。下面是一些典型挑战和我的排查思路。

6.1 模型无法拟合数据

• 现象：无论怎么调整参数，模拟曲线与观测数据点总是相差甚远。
• 排查清单：
  1. 检查模型结构：这是根本。是否遗漏了关键过程？例如，药物是否有显著的肠肝循环？代谢是否饱和（非线性）？对于脑肿瘤模型，是否考虑了肿瘤引起的局部水肿对药物分布容积的影响？
  2. 检查参数范围：给待估参数设定的上下限是否合理？是否把某个关键参数限制在了一个生物学上不可能的范围内？例如，BBB的PS值如果设得太小，药物永远进不了脑。
  3. 检查数据质量：观测数据本身是否有问题？特别是脑脊液数据，取样时间点和部位是否准确？CSF浓度是否能真实反映脑间质液浓度？有时需要怀疑数据而非模型。
  4. 尝试简化：先拟合一个最简单的模型（比如只拟合血浆数据，忽略脑部），确保基础PK部分正确。然后逐步增加复杂度（加入BBB模块，再加入肿瘤模块），看问题出在哪一步。

6.2 模型预测不确定性过大

• 现象：敏感性分析显示，多个参数对输出都有很大影响，导致预测值的置信区间非常宽。
• 应对策略：
  1. 优先级识别：根据全局敏感性分析结果，锁定贡献度最高的1-3个参数。这些是“不确定性放大器”。
  2. 针对性实验：设计体外或临床前实验，专门去更精确地测量这些高敏感参数。例如，如果对BBB的主动外排转运参数最敏感，就应优先开展转染细胞系的转运实验。
  3. 贝叶斯方法：采用贝叶斯推断框架，将参数的先验分布（基于文献或经验）和观测数据结合起来，得到参数的后验分布。这样得到的预测本身就是一种概率分布，更能反映现实中的不确定性。PyMC3或Stan是很好的工具。

6.3 从临床前到临床的种属外推失败

• 现象：基于大鼠数据校准的模型，预测的人体脑部浓度与早期临床数据严重不符。
• 可能原因与调整：
  1. BBB蛋白表达差异：人和大鼠的P-gp等转运体的丰度和活性可能不同。不能简单按体重缩放。需要查阅比较生物学文献，获取种属间转运体表达比例的量化数据，用于调整模型中的Vmax参数。
  2. 组织成分差异：脑组织的脂质、蛋白质含量比例在种属间有差异，影响药物的组织-血浆分配系数Kp。需要使用种属特异性的组织成分数据来重新计算。
  3. 代谢酶差异：如果药物主要被CYP450酶代谢，而人和大鼠的酶亚型活性不同，会导致全身清除率预测错误，间接影响脑部暴露。需要体外代谢数据来校正。

关于未来，我个人体会是，中枢神经系统mPBPK建模正朝着更精细化、个体化和动态化的方向发展。多尺度建模将细胞水平的药效学模型与器官水平的PBPK模型耦合，可以预测药效而不仅仅是药代。影像组学与建模的结合是一个激动人心的前沿，通过将PET、多参数MRI等影像特征定量提取并转化为模型参数，有望实现真正的“患者专属”模型，在治疗前就模拟出最适合该患者的方案。最后，开源和模型共享的文化正在兴起，像Open Systems Pharmacology这样的社区，让模型的透明度和可重复性大大提高，这必将加速整个领域的进步。对于后来者，我的建议是，扎实打好药代动力学和生理学的基础，熟练掌握至少一种编程或专业建模工具，然后从一个具体的、数据相对完整的小问题开始实践，比如先尝试复现一篇文献中的经典模型，你会在这个过程中学到远比书本上更多的东西。