All articles

タルラタマブの公開PKデータから、投与間隔の変更をどこまで評価できるか

Daiki Kumakura · 2026-10-03 · Technical note · 1.0

公開情報に基づく研究・学習目的の技術記事。未査読。

公開集約データによるモデル推定と、不確実性を踏まえた曝露比較

はじめに

公開された薬物動態（PK）の表から数理モデルを作れば、投与間隔を変えたときの濃度を計算できる。しかし、濃度曲線が描けることと、その予測を意思決定に使えることは同じではない。

本稿では、DLL3を標的とするT-cell engagerであるタルラタマブ（tarlatamab）を題材に、公開されたPKの集約値から2コンパートメントモデルを推定する。公表済みのPopPKパラメータを入力するだけではなく、観測に由来する集約値を当てはめの対象にし、何がデータによって決まり、何が仮定に依存するかを調べる。

今回の結果では、6個の集約値を約10%以内の誤差で説明できた。一方、クリアランスや末梢分布に関する不確実性は大きく、同じ用量で投与間隔を延長したときのトラフ濃度には幅が残った。平均濃度の相対変化と、トラフ濃度の予測を分けて評価する必要がある。

1. 背景と問い

タルラタマブでは、初回に1 mg、8日目に10 mg、15日目以降に10 mgを2週間間隔で、各1時間かけて静脈内投与する用法が示されている。1 初期のstep-up dosingと、その後の維持投与は、異なる問いとして扱う必要がある。

初期には、曝露の立ち上がりとCRSの発現時期が問題になる。維持期には、平均曝露、最高濃度、次回投与直前の濃度が、投与間隔によってどう変わるかが問題になる。一つのPK指標だけで両者を代表させるのは難しい。

Question of interest（QOI）は次の3点とする。

1. 公開PK集約値を2コンパートメントモデルで説明できるか。その際、4つのパラメータをどの程度識別できるか。
2. 同じ10 mgをQ2W、Q3W、Q4Wで投与した場合、定常状態の最高・平均・トラフ濃度はどう変わるか。
3. その曝露差を、公開された有効性・CRSの情報まで結び付けて解釈できるか。

Context of use（COU）は、公開情報に基づく研究・学習目的のモデル再構築とシナリオ比較である。患者ごとの用量調整、承認用法の変更、Q3W・Q4Wの有効性や安全性の保証には使用しない。

2. データをどう読むか

主解析には、PMDA電子添文のCycle 2 Day 1・15のPK表から、最高濃度、AUC、投与前濃度の6値を使用した。1 表の「Ctrough」は、審査報告書の対応する表23では「投与前濃度」と明記されている。2 したがって、本解析では当該投与日の投与直前に対応させた。投与後14日目の濃度へ置き換えると、当てはめの時点がずれる。

濃度とAUCは幾何平均、括弧内はCV%である。人数は指標ごとに異なる。半減期6.21日はCycle 2 Day 15に報告された中央値であり、幾何平均のPK指標とは統計量が異なる。1 本稿では半減期を当てはめに含めず、解釈上の確認に使った。

なお、ここにあるのは個々の患者の濃度ではない。同じ患者から得られた各指標の対応関係、投与延期、共変量、欠測の詳細は取得できない。公開された母集団PK解析では420例・8509検体が使われているが、本稿の情報量は6個の集約値である。3 元のNLME解析を再現したとは呼ばない。

図1. 点は公開幾何平均、×はモデル予測。誤差棒は報告CVと人数から対数スケールで近似した幾何平均の95%区間であり、患者間の95%範囲ではない。単位が異なるAUCを濃度と同じ軸へ重ねていない。

3. 数理モデルと推定方法

中心・末梢コンパートメントの薬物量をそれぞれ \(A_c,A_p\) とする。線形消失を持つ2コンパートメントモデルを用いた。

\[ \begin{aligned} \frac{dA_c}{dt}&=R_{\mathrm{in}}(t)-\frac{CL+Q}{V_c}A_c+\frac{Q}{V_p}A_p,\\ \frac{dA_p}{dt}&=\frac{Q}{V_c}A_c-\frac{Q}{V_p}A_p. \end{aligned} \]

\[ \begin{aligned} C(t)&=\frac{A_c(t)}{V_c},\\ R_{\mathrm{in}}(t)&=\frac{D}{T_{\mathrm{inf}}},\\ T_{\mathrm{inf}}&=\frac{1}{24}\ \mathrm{day}. \end{aligned} \]

入力速度は点滴中だけ与え、それ以外は0とする。時間は日、薬物量はmg、容積はLなので、\(C(t)\) のmg/Lは数値としてµg/mLと等しい。AUCは日から時間へ変換して公開値と比較した。

初回投与を \(t=0\) とし、投与時点を0、7、14、28、42日とした。Cycle 2 Day 1・15は、それぞれ28・42日に対応する。投与前濃度は新しい投与を加える前、最高濃度は点滴終了時、AUCはその投与から14日間の積分として計算した。遅延や中断のない計画どおりの投与履歴を仮定している。

固定された線形系なので、区間ごとの行列指数を使って状態を更新した。実装の確認には、別の数値積分器 solve_ivp を使った。推定されたパラメータでの薬物量の差は 8.6e-13 mg、AUCの差は 2.9e-12 µg·day/mLであり、数値積分の違いは以下の推定結果を説明する大きさではなかった。

集約値に対する目的関数

報告されたCVを小数に直し、幾何平均の対数標準誤差を次で近似した。

\[ s_j=\sqrt{\frac{\log(1+CV_j^2)}{n_j}}. \]

パラメータは対数スケールで推定し、重み付き対数残差平方和を最小化した。

\[ J(\theta)=\sum_j\left\{\frac{\log Y_j^{\mathrm{model}}(\theta)-\log Y_j^{\mathrm{obs}}}{s_j}\right\}^{2}. \]

\[ \theta=(CL,V_c,V_p,Q). \]

これは、各集約値の誤差を独立な正規分布として扱う作業上の近似である。同じ患者から計算されたCmaxとAUCには相関があり得るが、その共分散は公開されていない。また、集団の幾何平均と「代表的な一つのパラメータ集合から計算した値」は一般に一致しない。ここで推定するのは集約値を近似する代表モデルであり、母集団の典型パラメータやIIVそのものではない。

外部比較用の値は \(CL=0.649\) L/day、\(V_c=3.44\) L、\(V_p=5.06\) L、\(Q=1.11\) L/dayである。4 これらを固定したり、目的関数へペナルティとして加えたりしていない。

4. 当てはめの結果と診断

公開集約値に対する最大絶対相対誤差は 10.0%だった。

30個の異なる初期値からの最適化は、いずれも成功と判定され、同じ最小目的関数に到達した。1コンパートメントの目的関数は 16.49、2コンパートメントでは 1.70だった。今回の集約値への当てはまりは2コンパートメントで改善したが、6値に4パラメータを当てはめている。独立誤差の仮定もあるため、この差だけでモデル構造を確定したとは言えない。

図2. 線は推定モデルから計算した代表曲線。観測として重ねたのは、Cycle 2の投与前濃度と最高濃度の集約値だけである。線上の多数の時点に観測データが存在するわけではない。公開図の平均濃度曲線は今回はdigitizeしていない。

最適化の収束と識別性は別の問題

各パラメータを固定し、残りを再最適化するprofile解析を行った。

図3. 横軸は対数スケール。破線の3.84は1自由度の尤度比でよく用いられる参考値であり、今回の近似・小標本・探索境界の下で厳密な95%区間を保証するものではない。縦軸は0–12に限定している。

Vcには比較的鋭い最小値がある。一方、CLは低い値の方向、Qは高い値の方向で目的関数が十分増加しない。Vpにも広い範囲が残る。最適化が安定していても、各パラメータがデータから強く決まったわけではない。

推定モデルの終末半減期は約 19.0日だった。公開NCAの中央値6.21日と同じ値ではない。NCAの観測窓、集団の要約統計量、モデルの長時間の漸近相は同じ対象を測っていないため、両者の差だけでモデルを棄却することも、一致しない半減期を無視することも適切ではない。今回の集約値だけで終末相が十分同定されたとは扱わない。

Hold-outは外部検証にはならない

Cycle 2の一方の投与日の3値を除き、残った3値だけで4パラメータを再推定した。

AUCの予測誤差は約15–19%に広がった。これは情報を減らした場合の不安定さを示す診断である。訓練データ数がパラメータ数を下回り、最適解の選び方にも依存するため、独立した患者・試験での予測性能を示すvalidationとは呼ばない。

5. 同じ10 mgで投与間隔を延長すると何が変わるか

Q2W、Q3W、Q4Wを、それぞれ14、21、28日間隔として比較した。いずれも1回量は10 mgであり、投与強度は維持していない。定常状態は、多数回投与で近似する代わりに、1周期後に薬物量が同じ状態へ戻る条件から直接計算した。

濃度の単位はµg/mL、比は10 mg Q2Wに対する値である。表は代表モデルの点推定値であり、個々の患者の予測ではない。

線形PKでは、1周期の物質収支から次式が成り立つ。

\[ C_{\mathrm{avg}}^{ss}=\frac{D}{CL\tau}. \]

同じ用量、同じ患者のCLを仮定した相対比較では、

\[ \begin{aligned} \frac{C_{\mathrm{avg,Q3W}}^{ss}}{C_{\mathrm{avg,Q2W}}^{ss}}&=\frac{14}{21}=\frac{2}{3},\\ \frac{C_{\mathrm{avg,Q4W}}^{ss}}{C_{\mathrm{avg,Q2W}}^{ss}}&=\frac{14}{28}=\frac{1}{2}. \end{aligned} \]

となる。この比は、VpやQが不明確でも変わらない。ただし絶対的な平均濃度にはCLの不確実性が残る。安定しているのは、線形・時間不変のCLを仮定した場合の間隔による比である。

不確実性を予測へ伝播する

当てはめた6個の予測値を中心に、上記の対数標準誤差で集約値を生成し、300回再推定した。これは患者の再標本化でもIIV推定でもない。独立な集約誤差と固定したモデルを仮定するsummary-level parametric bootstrapである。

図4. 帯は構造モデル、投与履歴、独立誤差、パラメータ探索範囲を固定した条件付きの幅。将来の患者集団の95%予測区間ではない。Cavg比の帯が線に重なるのは、上の物質収支により比が代数的に固定されるためである。

探索範囲はCL 0.05–5 L/day、Vc 0.3–30 L、Vp 0.1–300 L、Q 0.01–20 L/dayとした。300回のうち、CLが下限へ到達した割合は6.3%、Qが上限へ到達した割合は4.0%だった。 境界に到達した反復を除外せず集計したが、これらの幅は探索境界で制限される。安易に「95%信頼区間」として臨床判断へ持ち込まない。

同じ投与日の3指標に共通の相関を仮定した感度分析も行った。

相関0.5・0.8は実測推定値ではなく、欠けている共分散の影響を調べる仮定である。投与日間の相関はこの感度分析でも0に置いている。今回のデータだけから適切な相関構造を選べない点は残る。

平均曝露を維持する比較では、問いが変わる

ここまでは1回量を10 mgに固定した比較だった。別の問いとして、投与強度 \(D/\tau\) を保つ仮想シナリオも計算した。10 mg Q2Wに対し、15 mg Q3W・20 mg Q4Wとすれば、線形PKでは平均曝露が等しくなる。

表はすべて10 mg Q2Wに対する代表モデルの比である。15・20 mgのスケジュールは比較のための仮定であり、承認レジメンや用量提案ではない。

図5. パラメータ点推定に基づく構造上の比較。平均曝露が同じでも、投与間隔を延ばすと最高濃度は上がり、トラフ濃度は下がる。この図にbootstrapの幅は示しておらず、最高・トラフの比には図4と同じ推定上の制約がある。

つまり「投与間隔を延ばす」を評価するときには、1回量を固定するのか、平均曝露を維持するのかを先に決める必要がある。平均曝露を維持できることだけでは、ピークに関係する安全性や投与間隔後半の薬効まで維持されるとは判断できない。レジメンの比較条件を明示すること自体が、モデルを判断に使うための第一歩となる。

6. 有効性とCRSまで結び付けられるか

有効性の「平坦部」は、どの曝露指標の話か

FDA資料に示されたDCRのEmax関係は、初回サイクルの平均濃度を説明変数とし、\(E_{\max}=0.650\)、\(EC_{50}=49.4\) ng/mLとしている。4

\[ P(\mathrm{DCR})=E_{\max}\frac{E}{EC_{50}+E}. \]

この式では最大効果の90%・95%に対応する曝露は、それぞれ \(9EC_{50}=444.6\) ng/mL、\(19EC_{50}=938.6\) ng/mLとなる。これはDCRが90%・95%という意味ではない。

また、ここでの \(E\) は初回サイクルの平均濃度である。維持期のCtroughへこの閾値を直接当て、「閾値を超えたのでQ4Wでも有効」と判断することはできない。Published E–R解析と今回の集約PK解析は、対象集団・曝露指標・推定方法が異なる。5 単位が同じでも、説明変数を交換してよいわけではない。

CRSの低下を、現在の曝露だけで説明しない

DeLLphi-301の10 mgコホートでは、初回・8日目・15日目の投与後の期間にCRSを報告した患者数は、それぞれ54/133、39/133、10/133である。6 初回量が小さいにもかかわらず、初期の発現割合が高い。

この集計から、「血中濃度が上がるほどCRSが増える」という一変数の関係だけで投与回ごとの差を説明するのは難しい。一方、発現割合の低下をそのまま免疫適応の機序の証明とすることもできない。前投薬、管理体制、投与歴、患者状態、同じ患者での再発の扱いなどを分離できないからである。

本稿では、3つの投与回別集計を独立な患者データとして扱うCRSモデルを新たに当てはめていない。集計点から仮説を提示することと、患者ごとの曝露・発現時間に基づいてリスクを予測することを区別した。E–RやCRSへの接続は、公開情報の解釈と必要データの整理にとどめる。

7. QOIに対する回答と、次に必要なデータ

モデルを次の判断へ進めるには、比較条件と評価指標を定め、それを識別する情報を集める必要がある。

これにPK指標間の共分散を加えることで、現在仮定している誤差構造も更新できる。逆に、この情報がないまま曲線を精密に描いても、判断に必要な不確実性は解消しない。

公開濃度曲線をdigitizeするなら、平均値の種類、各時点の人数、誤差棒、読み取り誤差を記録してからモデルへ加える必要がある。曲線を足しただけでVpやQの識別性が改善したと仮定せず、再度profile解析と予測の幅を確認する。

今回の解析では、数値計算の精度よりも、集約値の定義と情報量が制約になった。投与前濃度をどの時点へ対応させるか、平均濃度とトラフを区別できているか、そして不確実性を予測へ伝播しているか。この確認を済ませてから、モデルを用途に結び付ける必要がある。

再実行と解析資料

解析コード・入力CSV・結果表をダウンロードする。乱数seedは20261003。推定、30-start、profile、300回bootstrap、hold-out、共分散の感度分析、独立ODE実装との比較を一つのスクリプトで実行できる。患者レベルデータは含まない。

ZIPを展開したフォルダで、次を実行する。入力は data/observations.csv、出力は results/・figures/ に保存される。

python -m pip install -r requirements.txt
python analysis.py

参考文献

1. PMDA. イムデトラ電子添文、16.1.1・表1. 2026年5月改訂版、2026-10-03確認。
2. PMDA. イムデトラ審査報告書、表23（PDF 24ページ）. 2024-12-27。
3. Kong S, et al. Population Pharmacokinetics of Tarlatamab. Clin Pharmacokinet. 2025;64:729–741.
4. FDA. Tarlatamab Multidisciplinary Review、Tables 66・71. 2024。
5. Chen PW, et al. Tarlatamab Exposure–Efficacy and Exposure–Safety Relationships to Inform Dose Selection. Clin Cancer Res. 2025;31:4688–4697.
6. Sands JM, et al. Practical management of adverse events in patients receiving tarlatamab. Cancer. 2025;131:e35738、Figure 2.