# 이 장에서 사용하는 패키지
library(tidyverse) # 데이터 처리 및 시각화
library(mrgsolve) # PK-PD 모델 시뮬레이션
library(gt) # 출판 품질 테이블
library(patchwork) # 그래프 조합
library(scales) # 축 스케일링10 PK-PD 분석의 핵심 개념과 관심사
지금까지 약동학(PK) 데이터의 수집, 전처리, 탐색적 분석, 비구획분석까지의 과정을 학습했습니다. 이 장에서는 PK 분석을 넘어 약력학(PD)과의 연결, 즉 PK-PD 관계(pharmacokinetic-pharmacodynamic relationship)의 핵심 개념을 다룹니다. 약물의 혈중 농도가 임상 효과로 이어지는 과정을 수학적으로 기술하고, 이를 R 코드로 구현하는 방법을 학습합니다.
피부과 영역에서 PK-PD 관계는 특히 중요합니다. 아토피 피부염에서 Dupilumab의 혈중 농도가 EASI score 개선과 어떤 관계를 가지는지, 건선에서 생물학적 제제의 농도가 PASI 반응률에 어떻게 영향을 미치는지를 이해하는 것은 개인 맞춤 치료(precision medicine)의 기반이 됩니다.
10.1 PK-PD 관계의 기본 개념
10.1.1 약물 효과의 두 가지 경로
약물이 체내에 투여된 후 효과가 나타나기까지의 과정은 크게 두 단계로 나눌 수 있습니다:
- 약동학(PK): 약물의 흡수, 분포, 대사, 배설 — “몸이 약물에게 하는 일”
- 약력학(PD): 약물 농도와 약리학적 효과의 관계 — “약물이 몸에게 하는 일”
PK-PD 모델링은 이 두 과정을 연결하여 투여량(dose) → 혈중 농도(concentration) → 효과(effect)의 전체 경로를 정량적으로 기술합니다.
투여량 (Dose)
│
▼
PK 과정 (흡수 → 분포 → 대사 → 배설)
│
▼
혈중 농도 (Concentration)
│
▼
PD 과정 (수용체 결합 → 신호전달 → 생리 변화)
│
▼
임상 효과 (Clinical Effect)10.1.2 직접 효과 vs 간접 효과
PK-PD 관계는 약물 농도와 효과 사이의 시간적 관계에 따라 크게 두 가지로 분류됩니다.
직접 효과(Direct Effect) 모델은 약물 농도와 효과가 즉각적으로 평형을 이루는 경우에 적용됩니다. 즉, 혈장 농도가 변하면 효과도 즉시 변합니다. 수학적으로 효과 \(E\)가 현재 농도 \(C\)의 함수로 직접 표현됩니다:
\[E = f(C)\]
예를 들어, 항히스타민제의 소양증 억제 효과는 비교적 빠르게 나타나며, 혈중 농도와 효과 사이에 큰 시간 지연이 없습니다.
간접 효과(Indirect Effect) 모델은 약물 농도와 효과 사이에 시간 지연(temporal delay)이 있는 경우에 적용됩니다. 대부분의 생물학적 제제와 면역조절 약물이 이에 해당합니다. 간접 효과 모델에서 약물은 효과 자체를 직접 변화시키는 것이 아니라, 효과의 생성(production) 또는 소실(dissipation) 속도를 변화시킵니다.
\[\frac{dR}{dt} = k_{in} - k_{out} \cdot R\]
여기서:
- \(R\): 반응(response) 변수
- \(k_{in}\): 반응의 생성 속도 (zero-order)
- \(k_{out}\): 반응의 소실 속도 상수 (first-order)
간접 반응 모델은 약물이 어떤 과정에 작용하느냐에 따라 4가지 유형으로 분류됩니다:
| 모델 | 약물의 작용 | 수식 | 예시 |
|---|---|---|---|
| IDR-I (Inhibition of \(k_{in}\)) | 생성 억제 | \(\frac{dR}{dt} = k_{in} \cdot (1 - I(C)) - k_{out} \cdot R\) | 코르티솔 분비 억제 |
| IDR-II (Inhibition of \(k_{out}\)) | 소실 억제 | \(\frac{dR}{dt} = k_{in} - k_{out} \cdot (1 - I(C)) \cdot R\) | 백혈구 수치 증가 (G-CSF) |
| IDR-III (Stimulation of \(k_{in}\)) | 생성 촉진 | \(\frac{dR}{dt} = k_{in} \cdot (1 + S(C)) - k_{out} \cdot R\) | 적혈구 생성 촉진 (EPO) |
| IDR-IV (Stimulation of \(k_{out}\)) | 소실 촉진 | \(\frac{dR}{dt} = k_{in} - k_{out} \cdot (1 + S(C)) \cdot R\) | 요산 배설 촉진 |
여기서 \(I(C)\)는 억제 함수, \(S(C)\)는 자극 함수로, 일반적으로 아래에서 설명할 Emax 형태를 사용합니다.
노트피부과 약물과 간접 효과
피부과에서 사용되는 생물학적 제제의 효과는 대부분 간접 효과 모델로 설명됩니다. Dupilumab은 IL-4/IL-13 신호전달을 차단하여 Th2 면역반응의 생성을 억제하며(IDR-I 유형), 이 면역학적 변화가 피부 염증 감소 → EASI score 개선으로 이어지는 데 수 주가 소요됩니다. 따라서 혈중 농도 최고치와 최대 임상 효과 사이에 상당한 시간 지연이 존재합니다.
10.1.3 Emax 모델: 농도-효과 관계의 기본
약물 농도와 효과의 관계를 기술하는 가장 기본적이고 널리 사용되는 모델은 Emax 모델입니다. 이 모델은 수용체 이론(receptor theory)에서 유래했으며, 약물-수용체 결합의 포화성(saturable binding)을 반영합니다.
\[E = E_0 + \frac{E_{max} \cdot C}{EC_{50} + C}\]
각 파라미터의 의미:
| 파라미터 | 정의 | 단위 |
|---|---|---|
| \(E_0\) | 기저 효과 (baseline effect) — 약물이 없을 때의 효과 수준 | 효과의 단위 |
| \(E_{max}\) | 최대 효과 (maximum effect) — 약물이 달성할 수 있는 최대 효과 변화량 | 효과의 단위 |
| \(C\) | 약물 농도 (drug concentration) | 농도 단위 (예: ng/mL, μg/mL) |
| \(EC_{50}\) | 최대 효과의 50%를 달성하는 농도 (potency 지표) | 농도 단위 |
\(EC_{50}\)는 약물의 potency(효력)를 나타내는 핵심 지표입니다. \(EC_{50}\)가 낮을수록 낮은 농도에서 효과를 나타내므로 potency가 높은 약물입니다.
중요EC50의 임상적 해석
\(EC_{50}\)는 단순히 “최대 효과의 절반이 나타나는 농도”를 넘어서 중요한 임상적 의미를 가집니다:
- 용량 설정의 기준: 목표 농도를 \(EC_{50}\) 근처로 설정하면, 이론적으로 최대 효과의 약 50%를 기대할 수 있습니다.
- 약물 비교: 두 약물의 \(E_{max}\)가 동일하다면, \(EC_{50}\)가 낮은 약물이 더 potent합니다.
- 치료역 설정: 일반적으로 \(EC_{50}\)의 1-3배 범위가 임상적으로 유효한 농도 범위로 고려됩니다.
- 농도-효과 곡선의 위치: \(EC_{50}\)는 곡선을 좌우로 이동시키는 파라미터입니다.
10.1.4 Sigmoid Emax 모델 (Hill Equation)
기본 Emax 모델의 확장형인 Sigmoid Emax 모델은 Hill equation으로도 불리며, 농도-효과 곡선의 기울기(steepness)를 추가로 조절할 수 있습니다:
\[E = E_0 + \frac{E_{max} \cdot C^{\gamma}}{EC_{50}^{\gamma} + C^{\gamma}}\]
여기서 \(\gamma\) (gamma)는 Hill 계수(Hill coefficient)로, 곡선의 기울기를 결정합니다.
| \(\gamma\) 값 | 의미 | 농도-효과 곡선 특성 |
|---|---|---|
| \(\gamma = 1\) | 기본 Emax 모델과 동일 | 점진적 변화 (hyperbolic) |
| \(\gamma < 1\) | 완만한 기울기 | 넓은 농도 범위에서 점진적 효과 변화 |
| \(\gamma > 1\) | 가파른 기울기 | 좁은 농도 범위에서 급격한 효과 변화 (switch-like) |
| \(\gamma \gg 1\) | 매우 가파른 기울기 | on/off에 가까운 반응 — 임계 농도(threshold)가 존재 |
Hill 계수의 약리학적 의미는 다음과 같습니다:
- \(\gamma = 1\): 단일 수용체에 대한 단순 결합 (Michaelis-Menten kinetics)
- \(\gamma > 1\): 양성 협동성(positive cooperativity) — 하나의 약물 분자가 결합하면 다른 분자의 결합이 촉진됨
- \(\gamma < 1\): 음성 협동성(negative cooperativity) — 결합이 다른 결합을 방해함
힌트실용적 관점에서의 Hill 계수
임상 PK-PD 분석에서 Hill 계수는 반드시 생물학적 협동성을 반영하지 않으며, 경험적 파라미터(empirical parameter)로 해석하는 것이 적절합니다. \(\gamma > 1\)은 좁은 치료역(narrow therapeutic window)을 시사하며, 용량 조절에 더 주의가 필요함을 의미합니다. 반대로 \(\gamma < 1\)은 넓은 용량 범위에서 비교적 안정적인 효과를 기대할 수 있음을 시사합니다.
10.1.5 농도-효과 곡선의 특성
Emax 모델에서 약물 농도에 따른 효과를 정리하면 다음과 같습니다:
| 농도 범위 | 효과 | 특성 |
|---|---|---|
| \(C \ll EC_{50}\) | \(E \approx \frac{E_{max}}{EC_{50}} \cdot C\) (선형) | 농도에 비례하여 효과 증가 |
| \(C = EC_{50}\) | \(E = \frac{E_{max}}{2}\) | 최대 효과의 50% |
| \(C = 3 \times EC_{50}\) | \(E = \frac{3}{4} E_{max}\) (\(\gamma = 1\)일 때) | 최대 효과의 75% |
| \(C \gg EC_{50}\) | \(E \approx E_{max}\) | 효과 포화 — 농도를 더 올려도 효과 증가 미미 |
이 특성은 임상적으로 중요한 시사점을 가집니다. 농도가 \(EC_{50}\)보다 충분히 높으면 효과는 거의 포화 상태에 도달하며, 이 영역에서 용량을 증가시키면 효과 증가는 미미하지만 부작용 위험은 증가합니다. 이것이 바로 최적 용량(optimal dose)을 결정하는 핵심 원리입니다.
10.2 효과 지연과 Effect Compartment
10.2.1 Hysteresis의 개념
임상 현장에서 약물의 혈중 농도와 효과를 동시에 측정하면, 두 변수 사이에 시간 지연(temporal delay)이 존재하는 경우가 대부분입니다. 이러한 시간 지연은 농도-효과 관계를 xy 평면에 그렸을 때 히스테리시스 루프(hysteresis loop)로 나타납니다.
Clockwise Hysteresis (시계 방향 히스테리시스):
- 같은 농도에서 농도 상승 시 효과가 더 크고, 하강 시 더 작음
- 원인: 급성 내성(acute tolerance, tachyphylaxis)
- 예: Morphine의 진통 효과 — 반복 투여 시 같은 농도에서 효과 감소
Counter-clockwise Hysteresis (반시계 방향 히스테리시스):
- 같은 농도에서 농도 상승 시 효과가 더 작고, 하강 시 더 큼
- 원인:
- 효과 부위(effect site)로의 약물 분포 지연
- 간접 효과 메커니즘 (생리적 반응의 시간 소요)
- 활성 대사체(active metabolite)의 생성
- 예: 대부분의 생물학적 제제, 면역조절 약물
# Hysteresis loop 시각화를 위한 시뮬레이션 데이터 생성
# Counter-clockwise hysteresis 예시
time <- seq(0, 48, by = 0.5)
# PK: 1-compartment, oral absorption
ka <- 1.5 # 흡수 속도상수 (1/h)
ke <- 0.1 # 소실 속도상수 (1/h)
dose <- 100 # mg
Vd <- 50 # L
conc <- (dose / Vd) * (ka / (ka - ke)) * (exp(-ke * time) - exp(-ka * time))
# PD: Effect compartment with delay
ke0 <- 0.05 # effect compartment 속도상수 (1/h)
ce <- numeric(length(time))
dt <- 0.5
for (i in 2:length(time)) {
ce[i] <- ce[i-1] + dt * ke0 * (conc[i-1] - ce[i-1])
}
# Emax model with effect site concentration
Emax <- 100
EC50 <- 1.0
effect <- Emax * ce / (EC50 + ce)
hysteresis_data <- tibble(
time = time,
concentration = conc,
ce = ce,
effect = effect
)
# Counter-clockwise hysteresis loop 그래프
p_hysteresis <- ggplot(hysteresis_data, aes(x = concentration, y = effect)) +
geom_path(
arrow = arrow(length = unit(0.3, "cm"), type = "closed"),
linewidth = 1,
color = "steelblue"
) +
geom_point(
data = hysteresis_data %>% filter(time %in% seq(0, 48, by = 4)),
size = 2, color = "darkblue"
) +
labs(
x = "혈장 농도 (Plasma Concentration, ng/mL)",
y = "효과 (Effect, %)",
title = "Counter-clockwise Hysteresis Loop"
) +
theme_minimal(base_family = "NanumGothic") +
theme(
plot.title = element_text(face = "bold", size = 14),
axis.title = element_text(size = 12)
)
print(p_hysteresis)10.2.2 Effect Compartment 모델
반시계 방향 히스테리시스를 모델링하는 가장 일반적인 방법은 Effect Compartment (효과 구획) 모델입니다. 이 모델에서는 실제 효과 부위에서의 약물 농도(\(C_e\))가 혈장 농도(\(C_p\))와 즉시 평형을 이루지 않고, 일정한 시간 지연을 두고 평형에 도달한다고 가정합니다.
Effect compartment의 미분방정식:
\[\frac{dC_e}{dt} = k_{e0} \cdot (C_p - C_e)\]
여기서 \(k_{e0}\)는 effect compartment equilibration rate constant로, \(C_e\)가 \(C_p\)를 따라잡는 속도를 결정합니다.
| 파라미터 | 의미 | 큰 \(k_{e0}\)일 때 | 작은 \(k_{e0}\)일 때 |
|---|---|---|---|
| \(k_{e0}\) | 평형 속도상수 | 빠른 평형 도달 → 지연 적음 | 느린 평형 도달 → 큰 지연 |
| \(t_{1/2, k_{e0}} = \frac{0.693}{k_{e0}}\) | 평형 반감기 | 짧은 반감기 | 긴 반감기 |
Effect compartment 모델의 핵심 개념:
- Effect compartment는 약물의 질량 균형(mass balance)에 영향을 주지 않는 가상 구획입니다.
- \(C_e\)는 실제 측정할 수 없으며, 모델에서 추정됩니다.
- PD 효과는 \(C_p\)가 아닌 \(C_e\)의 함수로 표현됩니다: \(E = f(C_e)\)
- 항정상태(steady state)에서 \(C_e = C_p\)이므로 히스테리시스가 사라집니다.
경고Effect Compartment vs 간접 반응 모델
Effect compartment 모델은 효과 부위로의 약물 분포 지연을 설명합니다. 반면, 간접 반응 모델(IDR)은 생리적 반응 자체의 지연을 설명합니다. 피부과 생물학적 제제의 경우, 약물이 표적(IL-4Rα 등)에 결합하는 것은 비교적 빠르지만, 면역 반응의 변화와 피부 조직의 재생은 느리므로 IDR 모델이 더 적절할 수 있습니다. 두 접근법의 선택은 약물의 작용 기전과 데이터의 특성에 따라 결정됩니다.
10.2.3 피부과 약물에서의 효과 지연
피부과 약물에서 효과 지연은 매우 흔한 현상이며, 그 원인과 정도는 약물마다 다릅니다:
Dupilumab (아토피 피부염):
- 투여 후 EASI score의 유의한 개선은 2-4주에 시작
- 최대 효과 도달까지 16주 이상 소요
- 원인: IL-4/IL-13 차단 → Th2 면역반응 감소 → 피부 장벽 회복 → 임상 개선이라는 다단계 과정
- Trough 농도(Ctrough)와 EASI 변화의 관계에서 반시계 방향 히스테리시스 관찰
Secukinumab (건선):
- PASI75 달성까지 12주 기준으로 평가
- Loading dose 기간(0, 1, 2, 3, 4주)에 빠른 효과 발현 유도
- IL-17A 차단 → 각질형성세포(keratinocyte) 과증식 억제 → 피부 턴오버 정상화
Topical Corticosteroids (국소 스테로이드):
- 비교적 빠른 효과 발현 (수일 이내)
- 그러나 장기 사용 시 tachyphylaxis(급성 내성) 발생 — clockwise hysteresis
- 간헐적 사용(weekend therapy)으로 내성 방지 전략
10.3 약력학 엔드포인트의 종류
PK-PD 분석에서 사용하는 약력학 엔드포인트는 데이터 유형에 따라 분류되며, 각 유형에 적합한 PK-PD 모델과 통계 방법이 다릅니다.
10.3.1 연속형 엔드포인트 (Continuous Endpoints)
연속형 PD 엔드포인트는 수치적으로 연속적인 값을 가지며, 직접 Emax 모델이나 간접 반응 모델로 연결할 수 있습니다.
| 엔드포인트 | 질환 | 범위 | 임상적 의미 |
|---|---|---|---|
| EASI (Eczema Area and Severity Index) | 아토피 피부염 | 0-72 | 높을수록 중증, EASI-75는 75% 이상 감소 |
| PASI (Psoriasis Area and Severity Index) | 건선 | 0-72 | 높을수록 중증, PASI75/90/100 |
| SCORAD (SCORing Atopic Dermatitis) | 아토피 피부염 | 0-103 | 객관적 + 주관적 증상 포함 |
| BSA (Body Surface Area) | 피부 질환 전반 | 0-100% | 병변 면적 비율 |
| DLQI (Dermatology Life Quality Index) | 피부 질환 전반 | 0-30 | 환자 보고 결과(PRO), 삶의 질 |
| Pruritus NRS (Numerical Rating Scale) | 소양증 | 0-10 | 환자가 직접 보고하는 가려움 정도 |
| DAS28 (Disease Activity Score 28) | 류마티스 관절염 | 0-9.4 | ESR/CRP + 압통/종창 관절수 |
| ACR20/50/70 response | 류마티스 관절염 | 비율(%) | 복합 반응 기준 달성률 |
노트PK-PD 모델링에서 연속형 엔드포인트의 장점
연속형 엔드포인트는 이분형이나 순서형에 비해 더 많은 정보를 담고 있으며, PK-PD 모델의 파라미터 추정 정밀도(precision)가 높습니다. 예를 들어, EASI score의 연속적 변화를 모델링하면 EASI-75 달성 여부만으로 분석하는 것보다 농도-효과 관계를 더 정밀하게 기술할 수 있습니다. 따라서 가능하면 원래의 연속형 데이터를 활용하고, 이분형 엔드포인트는 보조적으로 사용하는 것이 바람직합니다.
10.3.2 이분형 엔드포인트 (Binary Endpoints)
이분형 PD 엔드포인트는 “달성” 또는 “미달성”으로 분류되며, 규제 기관(FDA, EMA)에서 주요 유효성 평가변수(primary efficacy endpoint)로 흔히 사용됩니다.
| 엔드포인트 | 정의 | 질환 |
|---|---|---|
| PASI75 | Baseline에서 PASI 75% 이상 감소 | 건선 |
| PASI90 | Baseline에서 PASI 90% 이상 감소 | 건선 |
| PASI100 | PASI = 0 (완전 관해) | 건선 |
| EASI-75 | Baseline에서 EASI 75% 이상 감소 | 아토피 피부염 |
| IGA 0/1 | IGA 0 (clear) 또는 1 (almost clear) 달성 | 피부 질환 전반 |
| ACR20 | ACR 기준 20% 이상 개선 | 류마티스 관절염 |
PK-PD 모델에서 이분형 엔드포인트는 logistic regression을 통해 연결됩니다:
\[P(\text{response}) = \frac{1}{1 + e^{-(\beta_0 + \beta_1 \cdot \text{Exposure})}}\]
또는 Emax 형태로:
\[P(\text{response}) = \frac{P_{max} \cdot C^{\gamma}}{EC_{50}^{\gamma} + C^{\gamma}}\]
10.3.3 순서형 엔드포인트 (Ordinal Endpoints)
순서형 PD 엔드포인트는 자연스러운 순서를 가진 범주형 변수입니다.
IGA (Investigator’s Global Assessment) Scale:
| IGA Score | 설명 | 임상적 해석 |
|---|---|---|
| 0 | Clear | 완전 관해, 염증 소견 없음 |
| 1 | Almost Clear | 거의 관해, 미미한 잔존 병변 |
| 2 | Mild | 경증, 약간의 홍반/부종 |
| 3 | Moderate | 중등증, 명확한 홍반/구진/부종 |
| 4 | Severe | 중증, 광범위 병변 |
순서형 데이터의 PK-PD 모델링에는 proportional odds model (비례 오즈 모델) 또는 ordered categorical model이 사용됩니다:
\[P(Y \leq j) = \frac{1}{1 + e^{-(\alpha_j + \beta \cdot C)}}\]
여기서 \(\alpha_j\)는 각 범주 경계의 절편(intercept)이며, \(\beta\)는 농도의 효과를 나타냅니다.
10.3.4 시간-사건 엔드포인트 (Time-to-Event Endpoints)
시간-사건 데이터는 특정 사건이 발생하기까지의 시간을 측정하며, 피부과 임상시험에서 다음과 같이 활용됩니다:
| 엔드포인트 | 정의 | 임상적 의미 |
|---|---|---|
| Time to PASI75 | PASI75 달성까지의 시간 | 효과 발현 속도 |
| Time to relapse | 약물 중단 후 재발까지의 시간 | 효과 지속성 |
| Time to loss of response | 반응 소실까지의 시간 | 장기 치료 효과 |
| Time to first AE | 첫 이상반응 발생까지의 시간 | 안전성 평가 |
PK-PD 연결에서는 Cox proportional hazards model의 hazard function에 약물 농도를 공변량으로 포함합니다:
\[h(t) = h_0(t) \cdot \exp(\beta \cdot C(t))\]
또는 parametric hazard model:
\[h(t) = h_0(t) \cdot \left(1 + \frac{E_{max} \cdot C(t)^{\gamma}}{EC_{50}^{\gamma} + C(t)^{\gamma}}\right)\]
10.3.5 복합 엔드포인트 (Composite Endpoints)
실제 임상시험에서는 여러 PD 엔드포인트를 조합한 복합 엔드포인트가 자주 사용됩니다.
예시: 아토피 피부염 Phase III 시험의 Co-primary Endpoints
- IGA 0/1 달성 AND baseline에서 ≥2점 개선 (16주차)
- EASI-75 달성 (16주차)
두 가지 모두를 충족해야 유효성이 입증된 것으로 판정합니다 (multiplicity 조정 포함).
예시: 건선 Phase III 시험의 Primary + Key Secondary
- Primary: PASI90 달성 (12주차)
- Key Secondary: IGA 0/1 달성 (12주차)
- Key Secondary: PASI100 달성 (12주차)
힌트피부과 PD 마커 선택 시 고려사항
적절한 PD 엔드포인트 선택 시 다음을 고려해야 합니다:
- 규제 요건: FDA/EMA가 요구하는 primary endpoint가 있는지 확인
- 민감도(sensitivity): 약물 효과를 감지할 수 있는 충분한 민감도
- 신뢰도(reliability): 평가자 간 일치도(inter-rater reliability)
- 환자 관련성: 환자에게 의미 있는 임상적 변화를 반영하는지
- PK-PD 모델링 적합성: 연속형이 이분형보다 모델링에 유리
10.4 R 실습: PK-PD 모델 시뮬레이션
10.4.1 Emax 모델 함수 구현 및 시각화
먼저 Emax 모델과 Sigmoid Emax 모델을 R 함수로 구현하고, 다양한 파라미터 조합에 따른 농도-효과 곡선을 시각화합니다.
# Emax 모델 함수 정의
emax_model <- function(C, E0 = 0, Emax = 100, EC50 = 10, gamma = 1) {
E0 + Emax * C^gamma / (EC50^gamma + C^gamma)
}
# 농도 범위 설정 (로그 스케일에서 균등 분포)
conc_range <- seq(0.01, 100, length.out = 500)
# 1. EC50 변화에 따른 Emax 곡선 비교
ec50_values <- c(1, 5, 10, 30)
ec50_data <- map_dfr(ec50_values, function(ec50) {
tibble(
concentration = conc_range,
effect = emax_model(conc_range, Emax = 100, EC50 = ec50, gamma = 1),
EC50 = paste0("EC50 = ", ec50, " ng/mL")
)
})
p_ec50 <- ggplot(ec50_data, aes(x = concentration, y = effect, color = EC50)) +
geom_line(linewidth = 1.2) +
scale_x_log10(
labels = scales::label_number(),
breaks = c(0.01, 0.1, 1, 10, 100)
) +
geom_hline(yintercept = 50, linetype = "dashed", color = "grey50", alpha = 0.7) +
annotate("text", x = 0.015, y = 53, label = "50% Emax", hjust = 0, size = 3.5) +
labs(
x = "약물 농도 (ng/mL, log scale)",
y = "효과 (%)",
title = "EC50 변화에 따른 Emax 곡선",
subtitle = "EC50가 낮을수록 potency가 높음 (왼쪽으로 이동)",
color = "파라미터"
) +
theme_minimal(base_family = "NanumGothic") +
theme(
plot.title = element_text(face = "bold", size = 14),
legend.position = "bottom"
) +
scale_color_brewer(palette = "Set2")
print(p_ec50)# 2. Hill coefficient (gamma) 변화에 따른 곡선 비교
gamma_values <- c(0.5, 1, 2, 5)
gamma_data <- map_dfr(gamma_values, function(g) {
tibble(
concentration = conc_range,
effect = emax_model(conc_range, Emax = 100, EC50 = 10, gamma = g),
Gamma = paste0("γ = ", g)
)
})
p_gamma <- ggplot(gamma_data, aes(x = concentration, y = effect, color = Gamma)) +
geom_line(linewidth = 1.2) +
scale_x_log10(
labels = scales::label_number(),
breaks = c(0.01, 0.1, 1, 10, 100)
) +
geom_vline(xintercept = 10, linetype = "dashed", color = "grey50", alpha = 0.7) +
annotate("text", x = 12, y = 10, label = "EC50 = 10", hjust = 0, size = 3.5) +
labs(
x = "약물 농도 (ng/mL, log scale)",
y = "효과 (%)",
title = "Hill 계수(γ) 변화에 따른 Sigmoid Emax 곡선",
subtitle = "γ가 클수록 곡선이 가파르게 변화 (switch-like)",
color = "파라미터"
) +
theme_minimal(base_family = "NanumGothic") +
theme(
plot.title = element_text(face = "bold", size = 14),
legend.position = "bottom"
) +
scale_color_brewer(palette = "Dark2")
print(p_gamma)# 3. EC50와 gamma를 모두 조합한 비교 (2×2 facet)
param_grid <- expand_grid(
EC50 = c(5, 20),
gamma = c(1, 3)
)
combined_data <- pmap_dfr(param_grid, function(EC50, gamma) {
tibble(
concentration = conc_range,
effect = emax_model(conc_range, Emax = 100, EC50 = EC50, gamma = gamma),
EC50_label = paste0("EC50 = ", EC50),
gamma_label = paste0("γ = ", gamma)
)
})
p_combined <- ggplot(combined_data, aes(x = concentration, y = effect)) +
geom_line(linewidth = 1.2, color = "steelblue") +
scale_x_log10(labels = scales::label_number()) +
facet_grid(gamma_label ~ EC50_label) +
geom_hline(yintercept = 50, linetype = "dashed", alpha = 0.5) +
labs(
x = "약물 농도 (ng/mL, log scale)",
y = "효과 (%)",
title = "EC50와 Hill 계수 조합에 따른 농도-효과 곡선"
) +
theme_minimal(base_family = "NanumGothic") +
theme(
plot.title = element_text(face = "bold", size = 14),
strip.text = element_text(face = "bold", size = 11)
)
print(p_combined)10.4.2 mrgsolve를 활용한 PK-PD 시뮬레이션
mrgsolve는 R 기반의 PK-PD 모델 시뮬레이션 패키지로, NONMEM과 유사한 문법으로 모델을 정의하고 빠르게 시뮬레이션할 수 있습니다. ODE(Ordinary Differential Equation) 기반의 PK-PD 모델을 손쉽게 구현할 수 있어 모델 탐색과 교육에 매우 유용합니다.
library(mrgsolve)
# 1-compartment PK + Direct Emax PD 모델
pkpd_direct <- '
$PARAM
// PK parameters
CL = 5 // Clearance (L/h)
V = 50 // Volume of distribution (L)
KA = 1.5 // Absorption rate constant (1/h)
// PD parameters
E0 = 0 // Baseline effect
EMAX = 100 // Maximum effect
EC50 = 2 // Concentration for 50% of Emax (ng/mL)
GAMMA = 1 // Hill coefficient
$CMT GUT CENT
$ODE
dxdt_GUT = -KA * GUT;
dxdt_CENT = KA * GUT - (CL/V) * CENT;
$TABLE
double CP = CENT / V; // 혈장 농도
double EFFECT = E0 + EMAX * pow(CP, GAMMA) / (pow(EC50, GAMMA) + pow(CP, GAMMA));
$CAPTURE CP EFFECT
'
# 모델 컴파일
mod_direct <- mcode("pkpd_direct", pkpd_direct)
# 투여 스케줄: 50mg 경구 투여, 24시간 간격, 7일
ev_single <- ev(amt = 50, cmt = 1)
ev_multi <- ev(amt = 50, cmt = 1, ii = 24, addl = 6)
# 단회 투여 시뮬레이션
sim_single <- mod_direct %>%
ev(ev_single) %>%
mrgsim(end = 48, delta = 0.1) %>%
as_tibble()
# PK-PD time course 그래프
p_pk <- ggplot(sim_single, aes(x = time, y = CP)) +
geom_line(linewidth = 1, color = "steelblue") +
labs(x = "시간 (h)", y = "혈장 농도 (ng/mL)", title = "PK Profile") +
theme_minimal(base_family = "NanumGothic")
p_pd <- ggplot(sim_single, aes(x = time, y = EFFECT)) +
geom_line(linewidth = 1, color = "coral") +
labs(x = "시간 (h)", y = "효과 (%)", title = "PD Profile (Direct Emax)") +
theme_minimal(base_family = "NanumGothic")
p_pk / p_pd + plot_annotation(
title = "1-Compartment PK + Direct Emax PD: 단회 경구 투여",
theme = theme(plot.title = element_text(face = "bold", size = 14))
)# 반복 투여 시뮬레이션
sim_multi <- mod_direct %>%
ev(ev_multi) %>%
mrgsim(end = 168, delta = 0.5) %>%
as_tibble()
# 반복 투여 PK-PD 그래프
p_pk_multi <- ggplot(sim_multi, aes(x = time, y = CP)) +
geom_line(linewidth = 0.8, color = "steelblue") +
geom_hline(yintercept = 2, linetype = "dashed", color = "red", alpha = 0.7) +
annotate("text", x = 5, y = 2.3, label = "EC50", color = "red", size = 3.5) +
labs(x = "시간 (h)", y = "혈장 농도 (ng/mL)", title = "PK: 반복 투여") +
theme_minimal(base_family = "NanumGothic")
p_pd_multi <- ggplot(sim_multi, aes(x = time, y = EFFECT)) +
geom_line(linewidth = 0.8, color = "coral") +
geom_hline(yintercept = 50, linetype = "dashed", color = "grey50", alpha = 0.5) +
annotate("text", x = 5, y = 53, label = "50% Emax", size = 3.5) +
labs(x = "시간 (h)", y = "효과 (%)", title = "PD: 반복 투여") +
theme_minimal(base_family = "NanumGothic")
p_pk_multi / p_pd_multi + plot_annotation(
title = "1-Compartment PK + Direct Emax PD: 50mg QD × 7일",
theme = theme(plot.title = element_text(face = "bold", size = 14))
)10.4.3 Dupilumab PK-PD 시뮬레이션 (SC 투여 + EASI Score)
이제 실제 피부과 약물인 Dupilumab의 PK-PD를 시뮬레이션합니다. Dupilumab은 피하(SC) 투여하는 단클론항체로, 2주 간격(Q2W) 또는 4주 간격(Q4W)으로 투여합니다. 간접 반응(IDR) 모델을 사용하여 EASI score의 시간 경과에 따른 변화를 모사합니다.
# Dupilumab PK-PD 모델 (simplified)
# PK: 1-compartment with first-order SC absorption
# PD: Indirect response model (inhibition of EASI production)
dupilumab_pkpd <- '
$PARAM
// PK parameters (Dupilumab-like)
CL = 0.36 // Clearance (L/day), ~15 mL/h
V = 4.8 // Volume of distribution (L)
KA = 0.3 // SC absorption rate constant (1/day)
F1 = 0.64 // Bioavailability (64%)
// PD parameters (EASI score)
EASI0 = 30 // Baseline EASI score (moderate-to-severe AD)
KIN = 3 // EASI production rate (score/day) = EASI0 * KOUT
KOUT = 0.1 // EASI turnover rate constant (1/day)
IC50 = 10 // Concentration for 50% inhibition (ug/mL)
IMAX = 0.9 // Maximum inhibition (90%)
GAMMA = 1.5 // Hill coefficient
$CMT SC CENT EASI
$MAIN
// Initial condition: EASI at baseline
EASI_0 = EASI0;
// Adjust F for SC compartment
F_SC = F1;
$ODE
// PK: 1-compartment with SC absorption
dxdt_SC = -KA * SC;
dxdt_CENT = KA * SC - (CL/V) * CENT;
// 혈장 농도 (ug/mL)
double CP = CENT / V;
// Inhibition function
double INH = IMAX * pow(CP, GAMMA) / (pow(IC50, GAMMA) + pow(CP, GAMMA));
// PD: Indirect response model (Type I - inhibition of production)
dxdt_EASI = KIN * (1.0 - INH) - KOUT * EASI;
$TABLE
double CPOBS = CENT / V;
double EASI_SCORE = EASI;
double EASI_CHANGE = ((EASI - EASI0) / EASI0) * 100; // percent change from baseline
$CAPTURE CPOBS EASI_SCORE EASI_CHANGE
'
mod_dupilumab <- mcode("dupilumab_pkpd", dupilumab_pkpd)
# Dupilumab 투여 스케줄
# Loading: 600mg SC (Day 1), then 300mg Q2W
ev_dupilumab <- ev(
amt = c(600, rep(300, 11)),
cmt = 1,
time = c(0, seq(14, 14*11, by = 14))
)
# 24주 시뮬레이션
sim_dupilumab <- mod_dupilumab %>%
ev(ev_dupilumab) %>%
mrgsim(end = 168, delta = 0.5) %>% # 168 days = 24 weeks
as_tibble()
# PK 프로파일
p_dup_pk <- ggplot(sim_dupilumab, aes(x = time / 7, y = CPOBS)) +
geom_line(linewidth = 0.8, color = "steelblue") +
labs(
x = "시간 (주)",
y = "혈장 농도 (μg/mL)",
title = "Dupilumab PK Profile"
) +
theme_minimal(base_family = "NanumGothic")
# EASI score 변화
p_dup_easi <- ggplot(sim_dupilumab, aes(x = time / 7, y = EASI_SCORE)) +
geom_line(linewidth = 0.8, color = "darkgreen") +
geom_hline(yintercept = 30 * 0.25, linetype = "dashed", color = "red") +
annotate("text", x = 1, y = 30 * 0.25 + 1, label = "EASI-75 기준",
color = "red", hjust = 0, size = 3.5) +
labs(
x = "시간 (주)",
y = "EASI Score",
title = "EASI Score 시간 경과"
) +
theme_minimal(base_family = "NanumGothic")
# EASI % change from baseline
p_dup_change <- ggplot(sim_dupilumab, aes(x = time / 7, y = EASI_CHANGE)) +
geom_line(linewidth = 0.8, color = "purple") +
geom_hline(yintercept = -75, linetype = "dashed", color = "red") +
annotate("text", x = 1, y = -72, label = "EASI-75 (-75%)",
color = "red", hjust = 0, size = 3.5) +
labs(
x = "시간 (주)",
y = "EASI 변화율 (%)",
title = "EASI % Change from Baseline"
) +
scale_y_continuous(limits = c(-100, 10)) +
theme_minimal(base_family = "NanumGothic")
(p_dup_pk / p_dup_easi / p_dup_change) + plot_annotation(
title = "Dupilumab PK-PD 시뮬레이션: 600mg Loading → 300mg Q2W",
theme = theme(plot.title = element_text(face = "bold", size = 14))
)# Q2W vs Q4W 투여 요법 비교
# Q2W: 600mg loading -> 300mg Q2W
ev_q2w <- ev(
amt = c(600, rep(300, 11)),
cmt = 1,
time = c(0, seq(14, 14*11, by = 14))
)
# Q4W: 600mg loading -> 300mg Q4W
ev_q4w <- ev(
amt = c(600, rep(300, 5)),
cmt = 1,
time = c(0, seq(28, 28*5, by = 28))
)
sim_q2w <- mod_dupilumab %>%
ev(ev_q2w) %>%
mrgsim(end = 168, delta = 0.5) %>%
as_tibble() %>%
mutate(regimen = "300mg Q2W")
sim_q4w <- mod_dupilumab %>%
ev(ev_q4w) %>%
mrgsim(end = 168, delta = 0.5) %>%
as_tibble() %>%
mutate(regimen = "300mg Q4W")
sim_compare <- bind_rows(sim_q2w, sim_q4w)
# PK 비교
p_compare_pk <- ggplot(sim_compare, aes(x = time / 7, y = CPOBS, color = regimen)) +
geom_line(linewidth = 0.8) +
labs(
x = "시간 (주)", y = "혈장 농도 (μg/mL)",
title = "PK: Q2W vs Q4W",
color = "투여 요법"
) +
theme_minimal(base_family = "NanumGothic") +
theme(legend.position = "bottom") +
scale_color_manual(values = c("steelblue", "coral"))
# EASI 변화 비교
p_compare_easi <- ggplot(sim_compare, aes(x = time / 7, y = EASI_CHANGE, color = regimen)) +
geom_line(linewidth = 0.8) +
geom_hline(yintercept = -75, linetype = "dashed", color = "grey50") +
annotate("text", x = 22, y = -72, label = "EASI-75", size = 3.5) +
labs(
x = "시간 (주)", y = "EASI 변화율 (%)",
title = "EASI % Change: Q2W vs Q4W",
color = "투여 요법"
) +
theme_minimal(base_family = "NanumGothic") +
theme(legend.position = "bottom") +
scale_color_manual(values = c("steelblue", "coral"))
p_compare_pk + p_compare_easi + plot_layout(ncol = 2)10.4.4 Hysteresis Loop 시각화
Effect compartment 모델을 사용하여 히스테리시스 루프를 시각화하고, \(k_{e0}\) 값에 따른 변화를 관찰합니다.
# Effect compartment 모델
effect_cmt_model <- '
$PARAM
CL = 5, V = 50, KA = 1.5
EMAX = 100, EC50 = 1.5, GAMMA = 1
KE0 = 0.05 // Effect compartment rate constant
$CMT GUT CENT ECMT
$ODE
dxdt_GUT = -KA * GUT;
dxdt_CENT = KA * GUT - (CL/V) * CENT;
dxdt_ECMT = KE0 * (CENT/V - ECMT);
$TABLE
double CP = CENT / V;
double CE = ECMT;
double EFFECT = EMAX * pow(CE, GAMMA) / (pow(EC50, GAMMA) + pow(CE, GAMMA));
$CAPTURE CP CE EFFECT
'
mod_ecmt <- mcode("effect_cmt", effect_cmt_model)
# ke0 = 0.05 (큰 지연)
sim_slow <- mod_ecmt %>%
param(KE0 = 0.05) %>%
ev(ev(amt = 50, cmt = 1)) %>%
mrgsim(end = 72, delta = 0.2) %>%
as_tibble() %>%
mutate(ke0_label = "ke0 = 0.05 (t1/2,eq = 13.9h)")
# ke0 = 0.2 (중간 지연)
sim_mid <- mod_ecmt %>%
param(KE0 = 0.2) %>%
ev(ev(amt = 50, cmt = 1)) %>%
mrgsim(end = 72, delta = 0.2) %>%
as_tibble() %>%
mutate(ke0_label = "ke0 = 0.20 (t1/2,eq = 3.5h)")
# ke0 = 1.0 (거의 지연 없음)
sim_fast <- mod_ecmt %>%
param(KE0 = 1.0) %>%
ev(ev(amt = 50, cmt = 1)) %>%
mrgsim(end = 72, delta = 0.2) %>%
as_tibble() %>%
mutate(ke0_label = "ke0 = 1.00 (t1/2,eq = 0.7h)")
sim_hysteresis <- bind_rows(sim_slow, sim_mid, sim_fast)
# Hysteresis loop 비교
ggplot(sim_hysteresis, aes(x = CP, y = EFFECT)) +
geom_path(
aes(color = ke0_label),
linewidth = 1,
arrow = arrow(length = unit(0.2, "cm"), type = "closed")
) +
facet_wrap(~ke0_label, ncol = 3) +
labs(
x = "혈장 농도 (ng/mL)",
y = "효과 (%)",
title = "ke0에 따른 Hysteresis Loop 변화",
subtitle = "ke0가 작을수록 루프가 크고 (지연이 큼), 클수록 루프가 작아짐 (평형이 빠름)"
) +
theme_minimal(base_family = "NanumGothic") +
theme(
plot.title = element_text(face = "bold", size = 14),
strip.text = element_text(face = "bold"),
legend.position = "none"
)# Cp vs Ce 시간 경과 비교 (ke0 = 0.05)
p_cp_ce <- ggplot(sim_slow, aes(x = time)) +
geom_line(aes(y = CP, color = "혈장 농도 (Cp)"), linewidth = 1) +
geom_line(aes(y = CE, color = "효과 부위 농도 (Ce)"), linewidth = 1) +
labs(
x = "시간 (h)",
y = "농도 (ng/mL)",
title = "혈장 농도 vs 효과 부위 농도 (ke0 = 0.05)",
subtitle = "Ce가 Cp를 시간 지연을 두고 따라감",
color = ""
) +
theme_minimal(base_family = "NanumGothic") +
theme(
plot.title = element_text(face = "bold", size = 14),
legend.position = "bottom"
) +
scale_color_manual(values = c("steelblue", "coral"))
print(p_cp_ce)
힌트mrgsolve 모델 작성 시 주의사항
mrgsolve 모델 코드를 작성할 때 다음 사항에 유의하세요:
- 변수 선언:
$TABLE블록에서 C++ 문법을 사용합니다 (double,pow()등) - 초기 조건:
$MAIN블록에서CMT_0 = value형식으로 설정합니다 - 생체이용률:
F_CMT = value로 특정 구획의 생체이용률을 조절합니다 - 시뮬레이션 출력:
$CAPTURE에 나열된 변수만 결과에 포함됩니다 - 수치 안정성:
pow(x, gamma)에서x = 0이고gamma < 1이면 수치 오류가 발생할 수 있으므로, 적절한 하한값을 설정하세요
10.5 약리학 노트: Dupilumab의 약리학
10.5.1 작용기전: IL-4Rα 차단
Dupilumab (dupixent)은 IL-4 수용체 alpha 서브유닛(IL-4Rα)에 대한 완전 인간 단클론항체(fully human monoclonal antibody, IgG4)입니다. IL-4Rα는 두 가지 사이토카인 수용체 복합체의 공통 구성요소입니다:
- Type I IL-4 receptor: IL-4Rα + γc (common gamma chain)
- IL-4만 신호전달
- 주로 림프구에서 발현
- Type II IL-4 receptor: IL-4Rα + IL-13Rα1
- IL-4와 IL-13 모두 신호전달
- 비조혈 세포(keratinocyte, fibroblast 등)에서도 발현
Dupilumab은 IL-4Rα에 결합하여 IL-4와 IL-13 모두의 신호전달을 동시에 차단합니다. 이는 하류(downstream) 신호경로인 JAK1-STAT6 pathway의 활성화를 억제합니다.
10.5.2 Th2 면역반응 조절
아토피 피부염의 핵심 병태생리는 Th2 편향 면역반응(Th2-skewed immune response)입니다. IL-4와 IL-13은 이 과정에서 핵심적인 역할을 합니다:
| 사이토카인 | 주요 작용 | Dupilumab에 의한 억제 효과 |
|---|---|---|
| IL-4 | T 세포의 Th2 분화 유도 | Th2 면역 편향 감소 |
| IL-4 | B 세포의 IgE class switching | 혈청 IgE 감소 |
| IL-13 | 각질형성세포의 장벽 단백질(filaggrin) 발현 억제 | 피부 장벽 기능 회복 |
| IL-13 | 호산구 침윤 촉진 | 피부 염증 감소 |
| IL-4/IL-13 | 점액 분비 촉진 (기도) | 천식 증상 개선 |
노트Dupilumab의 적응증 확대
Dupilumab은 아토피 피부염으로 최초 승인(FDA 2017)된 이후, Th2 면역반응이 관여하는 다양한 질환으로 적응증이 확대되었습니다:
- 아토피 피부염 (2017): 성인 및 소아(6개월 이상)
- 천식 (2018): 호산구성 또는 OCS-의존 중등증-중증 천식
- 비용종 동반 만성 비부비동염 (2019)
- 결절성 양진 (2022)
- 호산구성 식도염 (2022)
- COPD (2024): 호산구 증가가 동반된 COPD
이러한 적응증 확대는 IL-4/IL-13 경로가 다양한 Th2 관련 질환에 공통적으로 관여함을 반영합니다.
10.5.3 아토피 피부염에서의 임상 효과
Dupilumab의 효과는 여러 대규모 Phase III 임상시험(SOLO 1&2, CHRONOS, CAFE 등)에서 확인되었습니다:
| 시험 | 대상 | 투여 요법 | EASI-75 (16주) | IGA 0/1 (16주) |
|---|---|---|---|---|
| SOLO 1 | 중등증-중증 AD | 300mg Q2W | 51% vs 15% (placebo) | 38% vs 10% |
| SOLO 2 | 중등증-중증 AD | 300mg Q2W | 44% vs 12% (placebo) | 36% vs 8% |
| CHRONOS | AD + TCS 병용 | 300mg Q2W + TCS | 69% vs 23% (placebo + TCS) | 39% vs 12% |
핵심 관찰:
- EASI-75 달성률: 약 44-69% (monotherapy vs combination)
- Placebo response: 12-23% (피부과에서 placebo 효과가 상당함)
- 효과 발현 시작: 2주 시점부터 placebo 대비 유의한 차이
- 최대 효과: 16주 이후에도 지속적으로 개선
10.5.4 Dupilumab의 약동학
Dupilumab의 약동학적 특성은 단클론항체의 전형적인 특성과 표적 매개 약물 배치(Target-Mediated Drug Disposition, TMDD)의 특성을 모두 보여줍니다.
기본 PK 파라미터:
| 파라미터 | 값 | 비고 |
|---|---|---|
| 생체이용률 (F) | ~64% | SC 투여 |
| Tmax | 3-7일 | SC 투여 후 |
| 반감기 (t1/2) | ~26일 | 항정상태 |
| CL/F (linear) | ~0.36 L/day | 체중에 따라 변화 |
| Vd/F | ~4.8 L | 혈관 내 분포가 주 |
| 항정상태 도달 | ~16주 (Q2W) | 600mg loading 시 단축 |
Target-Mediated Drug Disposition (TMDD):
Dupilumab의 약동학에서 가장 주목할 특징은 비선형 소실(nonlinear elimination)입니다. 이는 약물이 표적 수용체(IL-4Rα)에 결합하여 내재화(internalization)되면서 소실되는 TMDD 기전 때문입니다.
\[\frac{dC}{dt} = \text{Input} - CL_{linear} \cdot C - \frac{V_{max} \cdot C}{K_m + C}\]
- 저농도: \(C \ll K_m\)이면 TMDD가 지배적 → 빠른 소실
- 고농도: \(C \gg K_m\)이면 수용체가 포화 → 선형 소실이 지배적
- 임상적 의미: 600mg loading dose를 사용하는 이유 중 하나가 빠르게 수용체를 포화시켜 선형 PK 영역에 도달하기 위함
PK에 영향을 미치는 공변량:
| 공변량 | 영향 | 임상적 의미 |
|---|---|---|
| 체중 | 체중 증가 시 CL 증가, Ctrough 감소 | 비만 환자에서 효과 감소 가능성 |
| 나이 | 임상적으로 유의한 영향 없음 | 용량 조절 불필요 |
| 성별 | 체중 보정 후 유의한 차이 없음 | 용량 조절 불필요 |
| ADA (Anti-Drug Antibody) | 일부 환자에서 Ctrough 감소 | 약 5-8%에서 ADA 양성 |
| Baseline albumin | 알부민 낮을 때 CL 소폭 증가 | 중증 AD에서 고려 |
| Baseline IgE | IgE 높을 때 CL 소폭 증가 | TMDD 기전 반영 |
10.5.5 PK-PD 관계: 혈중 농도와 EASI Score
Dupilumab의 노출-반응(exposure-response) 관계에서 가장 많이 사용되는 PK 지표는 trough 농도(Ctrough)이며, PD 지표로는 EASI score의 % change from baseline이 사용됩니다.
# Dupilumab 노출-반응 관계 시각화 (모의 데이터)
set.seed(42)
n_patients <- 200
# 모의 데이터 생성
dupilumab_er <- tibble(
patient_id = 1:n_patients,
# Ctrough at Week 16 (ug/mL) - 대략적인 분포
ctrough = c(
rlnorm(50, log(0.5), 0.8), # Placebo-like (very low)
rlnorm(75, log(50), 0.5), # Q4W
rlnorm(75, log(80), 0.4) # Q2W
),
regimen = c(
rep("Placebo", 50),
rep("300mg Q4W", 75),
rep("300mg Q2W", 75)
)
) %>%
mutate(
# EASI % change from baseline (Emax-like relationship + noise)
easi_change = case_when(
regimen == "Placebo" ~ rnorm(n(), -20, 15),
TRUE ~ -90 * ctrough^1.2 / (40^1.2 + ctrough^1.2) + rnorm(n(), 0, 10)
),
easi_change = pmax(pmin(easi_change, 10), -100), # 범위 제한
easi75 = ifelse(easi_change <= -75, "EASI-75 달성", "미달성")
)
# Exposure-Response: Ctrough vs EASI % change
p_er <- ggplot(dupilumab_er %>% filter(regimen != "Placebo"),
aes(x = ctrough, y = easi_change)) +
geom_point(aes(color = easi75), alpha = 0.6, size = 2) +
geom_smooth(method = "loess", se = TRUE, color = "black", linewidth = 1) +
geom_hline(yintercept = -75, linetype = "dashed", color = "red") +
annotate("text", x = 5, y = -72, label = "EASI-75 기준", color = "red",
hjust = 0, size = 3.5) +
labs(
x = expression(C[trough]~"at Week 16 (μg/mL)"),
y = "EASI % Change from Baseline",
title = "Dupilumab 노출-반응 관계",
subtitle = "Ctrough가 높을수록 EASI 개선이 큼 (모의 데이터)",
color = ""
) +
theme_minimal(base_family = "NanumGothic") +
theme(
plot.title = element_text(face = "bold", size = 14),
legend.position = "bottom"
) +
scale_color_manual(values = c("grey60", "steelblue"))
print(p_er)# Ctrough quartile별 EASI-75 달성률
er_quartile <- dupilumab_er %>%
filter(regimen != "Placebo") %>%
mutate(
ctrough_q = cut(
ctrough,
breaks = quantile(ctrough, probs = c(0, 0.25, 0.5, 0.75, 1)),
labels = c("Q1 (lowest)", "Q2", "Q3", "Q4 (highest)"),
include.lowest = TRUE
)
) %>%
group_by(ctrough_q) %>%
summarise(
n = n(),
easi75_n = sum(easi75 == "EASI-75 달성"),
easi75_rate = mean(easi75 == "EASI-75 달성") * 100,
mean_change = mean(easi_change),
.groups = "drop"
)
# Quartile별 달성률 막대 그래프
p_quartile <- ggplot(er_quartile, aes(x = ctrough_q, y = easi75_rate)) +
geom_col(fill = "steelblue", alpha = 0.8, width = 0.6) +
geom_text(aes(label = paste0(round(easi75_rate), "%")),
vjust = -0.5, size = 4, fontface = "bold") +
labs(
x = expression(C[trough]~"Quartile"),
y = "EASI-75 달성률 (%)",
title = "Ctrough Quartile별 EASI-75 달성률",
subtitle = "노출이 높을수록 반응률이 높아지는 경향"
) +
scale_y_continuous(limits = c(0, 100)) +
theme_minimal(base_family = "NanumGothic") +
theme(plot.title = element_text(face = "bold", size = 14))
print(p_quartile)
# gt 테이블로 요약
er_quartile %>%
gt() %>%
tab_header(
title = "Dupilumab Ctrough Quartile별 EASI-75 반응률",
subtitle = "모의 데이터 기반 노출-반응 분석"
) %>%
cols_label(
ctrough_q = "Ctrough Quartile",
n = "N",
easi75_n = "EASI-75 달성 (n)",
easi75_rate = "달성률 (%)",
mean_change = "평균 EASI 변화 (%)"
) %>%
fmt_number(columns = c(easi75_rate, mean_change), decimals = 1) %>%
tab_footnote("모의 데이터: 실제 임상 데이터와 다를 수 있음")
중요노출-반응 분석의 주의점
위 분석에서 Ctrough quartile별 반응률 차이가 관찰되더라도, 이를 인과관계(causality)로 해석할 때는 주의가 필요합니다:
- 교란 변수(confounders): 체중이 큰 환자는 같은 용량에서 Ctrough가 낮고, 동시에 질환 중증도가 높을 수 있습니다.
- 선택 편향(selection bias): 약물에 잘 반응하는 환자가 치료를 지속하여 Ctrough가 축적될 수 있습니다.
- TMDD 영향: 질환이 활성화된 환자는 IL-4Rα 발현이 높아 Dupilumab의 CL이 증가하고 Ctrough가 감소합니다.
따라서 단순 quartile 분석 외에도 population PK-PD 모델링을 통한 공변량 보정이 필요합니다.
10.6 Claude Code 활용 팁
10.6.1 PK-PD 모델 수식을 R 코드로 변환
PK-PD 모델의 수학적 수식을 R 코드로 변환할 때 Claude Code를 활용하면 효율적입니다:
"다음 PK-PD 모델을 R 함수로 구현해줘:
- PK: 2-compartment model (IV bolus)
dA1/dt = -(CL/V1 + Q/V1)*A1 + (Q/V2)*A2
dA2/dt = (Q/V1)*A1 - (Q/V2)*A2
Cp = A1/V1
- PD: Sigmoid Emax with effect compartment
dCe/dt = ke0*(Cp - Ce)
E = E0 + Emax*Ce^gamma/(EC50^gamma + Ce^gamma)
파라미터: CL=10 L/h, V1=20 L, V2=30 L, Q=15 L/h,
E0=0, Emax=100, EC50=5, ke0=0.1, gamma=2
1000mg IV bolus 투여 후 72시간 시뮬레이션하고,
PK (Cp vs time), PD (Effect vs time),
Hysteresis loop (Cp vs Effect)를 그려줘."10.6.2 mrgsolve 모델 생성 요청
복잡한 PK-PD 모델을 mrgsolve 문법으로 작성할 때:
"Dupilumab의 TMDD PK 모델을 mrgsolve로 구현해줘.
사용할 모델 구조:
- PK: 2-compartment + quasi-steady state (QSS) TMDD
- SC absorption with first-order kinetics
- Target: IL-4Rα (R)
- Drug-target complex: DR
파라미터는 FDA label과 published PopPK 논문의 값을 참고해서 설정하고,
600mg loading -> 300mg Q2W 16주 시뮬레이션해줘.
Free drug, total drug, target occupancy를 시간 경과로 시각화해줘."10.6.3 시뮬레이션 기반 용량 최적화
"위 Dupilumab PK-PD 모델을 사용해서 체중별 최적 용량을 탐색해줘.
시나리오:
- 체중: 50, 70, 90, 120 kg
- 용량: 200, 300, 400, 600 mg Q2W
- 목표: Week 16에서 EASI-75 달성 확률 > 70%
각 체중-용량 조합에 대해 1000명 가상 환자를 시뮬레이션하고,
결과를 heatmap으로 시각화해줘."10.7 연습 문제
10.7.1 확인 문제
Emax 모델에서 \(EC_{50}\)의 정의를 설명하고, \(EC_{50}\)가 potency를 나타내는 이유를 수용체 이론의 관점에서 설명하세요.
Hill 계수 \(\gamma = 0.5\), \(\gamma = 1\), \(\gamma = 3\)인 경우, \(EC_{50}\)의 2배 농도에서 각각 최대 효과의 몇 %가 달성되는지 계산하세요.
Counter-clockwise hysteresis가 나타나는 세 가지 원인을 제시하고, 각각에 해당하는 약물 예시를 들어 설명하세요.
간접 반응 모델(IDR)의 4가지 유형을 나열하고, Dupilumab의 EASI score에 대한 효과가 어떤 유형에 해당하는지 근거와 함께 설명하세요.
Dupilumab의 약동학에서 Target-Mediated Drug Disposition (TMDD)이 나타나는 이유와, 이것이 용량 설정에 미치는 영향을 설명하세요.
10.7.2 R 과제
Emax 모델 파라미터 탐색: 이 장의
emax_model()함수를 활용하여, \(E_0 = 10\), \(E_{max} = 90\), \(EC_{50} = 5\), \(\gamma = 1, 1.5, 2, 3\)인 4가지 모델의 농도-효과 곡선을 하나의 그래프에 그리세요. 로그 스케일 x축을 사용하고, 각 곡선의 \(EC_{50}\)과 \(EC_{80}\) 위치를 점으로 표시하세요. \(EC_{80}\) (최대 효과의 80%를 달성하는 농도)을 \(\gamma\) 값에 따라 계산하고 테이블로 정리하세요.PK-PD 시뮬레이션 비교: mrgsolve를 사용하여 다음 두 가지 PK-PD 모델을 비교하세요:
- 모델 A: Direct Emax model (CE = CP)
- 모델 B: Effect compartment model (ke0 = 0.1)
동일한 PK 파라미터(CL=5, V=50, KA=1.5)와 PD 파라미터(Emax=100, EC50=2, gamma=1)를 사용하여 50mg 경구 투여 후 72시간 시뮬레이션하세요. 두 모델의 농도-시간, 효과-시간, 농도-효과(hysteresis) 그래프를 나란히 비교하세요.
Dupilumab 투여 요법 최적화: 이 장의 Dupilumab PK-PD 모델을 확장하여, 3가지 투여 요법(300mg Q2W, 300mg Q4W, 200mg Q2W)을 24주간 시뮬레이션하세요. 각 요법에 대해:
- PK 프로파일(Cp vs time)
- EASI score 시간 경과
- EASI % change from baseline
- EASI-75 달성 시점(주)
을 비교하는 종합 그래프를 작성하고, 어느 요법이 가장 빠르게 EASI-75에 도달하는지 분석하세요.
10.7.3 Claude Code 과제
Claude Code에 다음과 같이 요청하세요: > “1-compartment PK (경구 투여) + indirect response PD 모델을 mrgsolve로 구현해줘. IDR Type I (inhibition of kin) 모델을 사용하고, baseline response = 50, kin = 5, kout = 0.1, IC50 = 3, Imax = 0.85 파라미터를 사용해. 다음 3가지 투여 시나리오를 시뮬레이션하고 비교해줘: (1) 100mg QD, (2) 200mg BID, (3) 600mg loading + 100mg QD. 각 시나리오에서 반응이 baseline의 50%에 도달하는 시점을 계산하고, PK 프로파일과 PD 반응을 나란히 비교하는 그래프를 만들어줘.”
시뮬레이션 결과를 분석하여 loading dose의 임상적 의의를 설명하는 짧은 보고서도 함께 작성하세요.