
-01-
引言
抗体偶联药物(ADCs)是一类由抗体、连接子和载荷组成的高靶向性治疗药物,旨在将抗体的高特异性与载荷的功能活性相结合,实现对肿瘤细胞的高选择性靶向和高效杀伤。与传统抗癌药物相比,ADC具有更宽的治疗窗口和更高的治疗指数,显著改善了治疗的疗效和安全性。目前,全球已有23款ADC获批用于血液系统恶性肿瘤和实体瘤的治疗,另有数百款处于临床评估阶段,市场潜力巨大。
尽管取得了巨大进展,ADC药物的开发仍然面临巨大的挑战。剂量依赖性毒性可能基于最大耐受剂量(MTD)限制期望的治疗剂量。此外,在治疗压力下产生的耐药肿瘤细胞群体的出现仍然是传统ADC治疗的主要障碍。换言之,单一治疗药物的给药施加了选择性压力,可能促进对药物不敏感的肿瘤细胞的存活和增殖,导致获得性耐药。因此,许多化疗方案采用具有互补作用机制的联合疗法,以降低耐药性并增强疗效,从而在抗肿瘤治疗中取得积极结果。为了最大化联合治疗的疗效并克服和预防治疗耐药,ADC研究正从单一药物递送系统向双药或多药递送系统的开发转变。
由于其良好的治疗潜力,双载荷ADC日益被认为是ADC开发的关键研究领域,并正在进入临床前和临床试验阶段。DP-ADC不仅仅是两种载荷的简单组合:其设计需要精细的策略,包括谨慎的载荷选择以及抗体和连接子的协调优化。此外,DP-ADC的复杂结构带来了前所未有的质量控制挑战,包括与游离毒素定量、总抗体含量测定以及药物抗体比(DAR)及其分布表征相关的分析难题。
-02-
一、DP-ADC的载荷与偶联技术
载荷的适当选择是DP-ADC的关键设计考量,因为它影响其作用机制。DP-ADC通常需要两种不同的偶联方法,如链间半胱氨酸偶联、工程化半胱氨酸偶联、工程化非天然氨基酸掺入和酶催化的位点特异性偶联。
Auristatins(奥瑞他汀类)
单甲基澳瑞他汀E(MMAE)和单甲基澳瑞他汀F(MMAF)是dolastatin的衍生物,因其有效的微管抑制活性而成为ADC中的常用载荷。这两种化合物均与微管蛋白的β亚基结合,破坏微管动力学,阻止细胞有丝分裂,最终诱导细胞凋亡,其效力比传统化疗药物(如多柔比星)高100至1000倍。MMAE的高膜通透性促进旁观者效应,靶向抗原阴性邻近细胞,缓解肿瘤异质性带来的挑战。相反,MMAF的C末端是带电荷的苯丙氨酸残基,这使其在生理pH下引入负电荷,限制细胞膜穿透并最小化脱靶细胞毒性,从而选择性靶向抗原阳性细胞并减少异质性肿瘤中的系统毒性。两种化合物在血浆和肝裂解物提取物中对组织蛋白酶B均表现出优异的代谢稳定性,确保循环完整性和肿瘤内靶向药物释放。在ADC设计中,MMAE通常通过蛋白酶敏感连接子(如VC连接子)与抗体连接,促进高效的细胞内切割;而MMAF则常使用不可切割连接子,以最小化细胞外释放并优化疗效与安全性之间的平衡。
2017年,Levengood等人报道了首 个DP-ADC,在含有邻位保护半胱氨酸残基的短肽连接子上偶联MMAE和MMAF,DAR为16(8+8)。该DP-ADC表现出有效的抗肿瘤活性,同时通过添加互补载荷克服肿瘤细胞耐药性。
为应对ADC偶联均匀性挑战并获得不同DAR值,Yamazaki等人利用点击化学开发了一种DP-ADC,通过正交应变促进叠氮-二苯并环辛炔(DBCO)环加成反应,在单一抗体上实现两个相同载荷分子的位点特异性和定量安装,获得高度均一的偶联物,并具有灵活的DAR构型(2+2、4+2和2+4)。体外研究表明,这些DP-ADC对HER2低表达、化疗耐药的JIMT-1乳腺癌细胞系保持有效的抗肿瘤活性;在具有HER2异质性和耐药性的体内异种移植模型中,DP-ADC与单药ADC或单独载荷联合治疗相比,抗肿瘤疗效显著提高。
Tang等人最近开发了一种简便高效的一锅法,用于同时构建双位点特异性ADC,可在N-糖基化位点和K248残基精确控制DAR(2+2),展现出优异的均一性和缓冲液稳定性。体外研究表明,DAR为4的双毒素ADC对HER2阳性细胞系具有显著细胞毒活性。
美登素类(Maytansinoids)
美登素是另一类常用的ADC载荷微管干扰剂,最初从非洲灌木Maytenus ovatus的树皮中分离得到。美登素与微管蛋白的β1亚基结合,抑制微管聚合。体外研究表明,美登素在皮摩尔浓度下即可有效抑制肿瘤细胞增殖和分化。DM1是通过将美登素C3侧链上的N-乙酰基替换为3-(甲硫基)丙醛基团而产生的,DM1中二硫键的后续甲基化产生DM4。DM1和DM4中的二硫键使其能够与连接子偶联,从而促进其与抗体的附着。
为增强曲妥珠单抗(Tmab)的抗肿瘤活性,Candice等人开发了DM1和MMAE DP-ADC:首先将人源化抗HER2单克隆抗体Tmab通过可切割VC连接子与MMAE偶联生成Tmab-VcMMAE ADC,随后通过不可切割的SMCC连接子掺入有丝分裂抑制剂DM1,形成双偶联物Tmab-VcMMAE-SMCC-DM1。体外研究表明,该DP-ADC显著降低了乳腺癌和结肠癌细胞系的GR50值,表明细胞毒作用增强。
喜树碱类(Camptothecin)
与微管抑制剂不同,拓扑异构酶抑制剂常被用作ADC的载荷。喜树碱是从喜树树皮中提取的生物碱,通过靶向拓扑异构酶I抑制DNA复制和转录,最终诱导肿瘤细胞死亡。两种FDA批准的采用喜树碱类似物作为载荷的ADC(即采用DXd的曲妥珠单抗德鲁替康和采用SN-38的sacituzumab govitecan)的成功,显著推动了此类化合物的研发工作。
Wilski等人报道了一种使用独特三功能连接子的新型DP-ADC的合成:拓扑异构酶抑制剂SN38通过铜催化叠氮-炔环加成偶联到可切割的PEG8-VC-PABC连接子上,微管聚合抑制剂MMAF偶联到不可切割的PEG4-氨基氧基连接子上,然后将含有MMAF和SN38的三功能连接子通过马来酰亚胺偶联到抗EGFR和cMET的双特异性抗体上,产生靶向DP-ADC(412a-MMAF+SN38)。体外和体内评估显示,412a-MMAF+SN38对基于ADC治疗耐药的细胞系具有优异的抑制活性;动物研究证实,该DP-ADC与单药对应物(412a-MMAF或412a-SN38)相比表现出更强的肿瘤生长抑制。DP-ADC的开发可能减轻获得性耐药的出现,并可能减少每种药物的所需剂量。
除传统ADC载荷外,大量非常规载荷正在临床探索中,以克服耐药性并扩展非肿瘤活性,包括拓扑异构酶II抑制剂、RNA聚合酶抑制剂、Bcl-xL抑制剂、STING激动剂、KRAS抑制剂和PARP抑制剂。
-03-
二、DP-ADC的分析挑战
载荷和载荷-连接子的定量分析
已开发多种定量分析方法用于测量生物样品中的载荷,包括SN-38、DXd、MMAE、MMAF和exatecan的检测方法。尽管这些方法可用,仍需进一步提高灵敏度和精密度以增强先导化合物筛选和药代动力学评估;此外,开发能够同时定量多种载荷和载荷-连接子的方法将具有巨大价值。
优化载荷和载荷-连接子的液相色谱-质谱(LC-MS)分析,系统优化流动相条件和MS参数至关重要,包括选择适当的分析柱以确定流动相组成和梯度,调整电离模式、监测离子和电压参数以最大化检测。使用质谱作为检测器时的一个潜在挑战是,在MS分析过程中载荷-连接子的源内碎裂可能阻碍使用选择性反应监测模式检测游离载荷,这种碎裂由电离电压和热量诱导,可能导致定量不准确。微流控LC-MS是一种新兴分析技术,具有提高灵敏度和减少样品消耗的潜力。
已有多项针对载荷和载荷-连接子的定量分析报道。例如,Olivier等人提出了一种在线固相萃取-LC-串联MS(online SPE-LC-MS/MS)方法,用于定量人血清中的DM1载荷(一种美登素类化合物),仅需0.25 mL血清,定量范围0.200-200 ng/mL,精密度0.9-4.4%,验证了其高灵敏度和特异性。Wesley等人开发了一种简化的HPLC-MS方法,用于快速载荷-连接子定量,所需样品量低,定量下限为10 nM,该方法成功用于监测切向流过滤生产步骤优化期间载荷-连接子的清除。
总抗体定量分析
酶联免疫吸附试验(ELISA)和LC-MS是总抗体定量的常用方法。ELISA是一种成熟高效的技术,适用于常规批次检测,但易受抗体交叉反应干扰。研究人员越来越多地使用亲和LC-MS来解决这种干扰,特别是在复杂基质中,因为其具有更高的精密度。在LC-MS定量分析总抗体时,特征肽常被用作直接测量总抗体的实用替代物。这种方法有优势,因为完整抗体电离效率低,产生多种电荷态阻碍检测;将抗体酶解为肽段规避了这一问题,显著提高了分析灵敏度。选择最佳替代肽至关重要,必须遵循特定标准:序列必须对靶标具有唯一性以避免内源蛋白干扰;应来自抗体稳定、低变异区域如Fc结构域;必须考虑肽段氨基酸组成对MS响应的影响。例如,选择缺乏脯氨酸等有问题残基的肽段可以优化电离效率和灵敏度。
ADC的定量LC-MS分析需要使用合适的内标以确保方法精确可重复。理想的内标必须在样品制备、酶解和LC-MS分析的整个过程中保持化学稳定性。主要使用两种替代物类型:稳定同位素标记(13C或15N)的ADC类似物和肽序列类似物。稳定同位素标记的ADC在化学结构上与目标分析物相同,在所有分析步骤中提供最高程度的变异补偿,但合成成本高。相比之下,肽序列类似物具有相似的氨基酸序列且更经济,但主要校正LC-MS进样变异,对提取或消化过程中的损失补偿有限。
准确可靠的ADC LC-MS定量分析需要对样品制备和仪器分析进行系统优化。该过程始于酶解,根据目标肽序列选择适当的蛋白酶(如胰蛋白酶、LysC和Glu-C);同时必须严格控制酶与底物比例、温度、pH和消化时间等条件,以最小化人为修饰。随后使用固相萃取进行肽段纯化和富集,吸附剂和洗脱方案的优化对于肽段回收率和抵抗脱酰胺等过程至关重要。
Yu等人开发了一种快速灵敏的离线免疫亲和LC-MS/MS方法,用于同时定量DS001的总抗体及其游离载荷,该方法的定量下限为31.25 µg/mL。Dan等人开发了一种在线亲和LC-MS方法,无需样品预处理或富集,利用柱与总IgG类抗体的特异性相互作用结合高分辨率、高精度MS进行种类鉴定,可在复杂生物基质中快速定量总抗体并直接监测解离比(DAR)等关键质量属性。
与单载荷ADC(SP-ADC)相比,DP-ADC因其结构复杂性和组分多样性面临更大的定量分析挑战。SP-ADC分析方法通常受益于成熟技术提供的充分分离、灵敏度和特异性;而DP-ADC载荷更多、降解产物更复杂,需要更复杂的色谱分离,可能涉及先进色谱柱、梯度程序优化或二维液相色谱(2D-LC)与非变性LC-MS联合等技术。传统ELISA可能难以区分多种载荷,需要开发更专门的ELISA方法。
SP-ADC通常使用乙腈或甲醇进行蛋白沉淀,但DP-ADC由于组成复杂,容易出现基质效应降低分析准确性,需要更广泛的纯化和谨慎的基质匹配。有效样品处理涉及目标成分的分离和富集,同时最小化干扰,策略包括探索沉淀方法(如乙腈与酸或盐结合)和应用亲和色谱和固相萃取等预处理技术。此外,不同载荷的偶联方法和组分稳定性差异可能导致样品处理过程中的降解或转化,需要谨慎评估和控制。
DAR及其分布的测定
小分子载荷作为ADC介导肿瘤细胞杀伤的弹头,DAR代表每个抗体上偶联的平均载荷分子数,因此DAR与ADC的抗肿瘤活性密切相关。然而,较高的DAR也可能导致不良后果。鉴于目前大多数小分子载荷具有疏水结构,其偶联赋予高DAR ADC更高的疏水性,这种高疏水性使这些ADC易于聚集,这是药物开发的主要障碍;此外,由于免疫原性增强和药代动力学特征改变,它还可能加速全身清除,最终限制体内暴露和疗效。高DAR ADC的脱靶毒性风险也随之增加,这可能限制这些ADC的MTD。
Hamblett等人的开创性工作表明,对于设计相同但DAR值不同的ADC,DAR=8的ADC清除速率比DAR=4的ADC快三倍,比DAR=2的ADC快五倍;在等效抗体剂量下,DAR=4的ADC比DAR=2的ADC表现出更优的体内抗肿瘤活性,但DAR=8的ADC的抗肿瘤活性仅与DAR=4相当;此外,DAR=2的ADC在小鼠中的MTD至少是DAR=4的两倍,是DAR=8的四倍。这些发现强调DAR是ADC开发和制造全过程中需要严格监测和控制的关键质量属性。当从SP-ADC过渡到DP-ADC时,情况变得更加复杂,需要额外关注每种载荷的个体DAR。已观察到相同总DAR但不同DAR构型的DP-ADC在疗效上存在显著差异。例如,Yamazaki等人报道,在抗肿瘤活性方面,MMAE/MMAF(4+2)构型的DP-ADC比MMAE/MMAF(2+4)变体表现更优。从生物分析角度看,载荷特异性DAR是DP-ADC与其单载荷对应物之间最显著的区别。
DAR及其分布测定分析方法
目前有多种分析方法可用于测定ADC的DAR及其分布,最常用的是紫外-可见光谱法(UV/vis)、液相色谱-紫外检测法(LC-UV)和LC-MS。UV/vis和LC-UV已被广泛用于分析FDA批准的ADC的DAR,而LC-MS越来越多地用于表征新型ADC格式。
UV/vis光谱法在简便性、速度和用户友好性方面具有显著优势。它在载荷和抗体特征波长处测量吸光度,根据朗伯-比尔定律确定两种组分的浓度,DAR值随后计算为载荷浓度与抗体浓度的摩尔比。使用UV/vis光谱法分析DAR的前提是药物和抗体具有可区分的UV/vis特征吸收峰,且其吸收行为互不干扰;当发生光谱重叠时,必须校正特征波长处的吸光度以避免DAR值高估。此外,UV/vis光谱法无法提供DAR分布信息,ADC样品中游离药物的存在可能导致计算的DAR值高估。
LC-UV因其良好的准确性和重现性,是目前FDA批准的ADC DAR测定最常用的方法。目前使用的大多数载荷具有显著疏水性,DAR种类可通过疏水相互作用色谱(HIC)或反相液相色谱(RPLC)有效分离,DAR和DAR分布随后由280 nm处DAR种类的峰面积比得出。
HIC-UV方法使用近中性pH缓冲盐溶液作为流动相,在如此条件下ADC可保持其天然构象。该方法对异质性有限的ADC(包括半胱氨酸偶联ADC和糖工程化ADC)提供令人满意的分离。HIC-UV用于DAR分析的一个独特优势在于其能够通过简单快速的样品制备流程,直接从色谱峰面积比提供DAR分布信息。在HIC-UV中,流动相中添加高浓度盐可能损害峰重现性和分辨率,加入异丙醇或乙腈可改善峰形和分离效率,同时增强ADC从色谱柱的回收率。然而,由于其分离效率有限,HIC-UV不适用于高异质性ADC如赖氨酸偶联ADC的DAR分析。
与HIC-UV相比,RPLC-UV使用含高比例有机溶剂的流动相并在高温下运行,这些条件诱导抗体变性。因此,半胱氨酸偶联ADC在分析前需要还原,DAR值根据重链和轻链的相对色谱峰面积计算。对于其他位点特异性偶联ADC,可直接在完整水平进行分析。增加色谱柱温度已被证明可提高所有ADC种类从反相柱的回收率。流动相中加入离子对试剂(通常为0.05%或0.1%三氟乙酸TFA)有助于减轻带电分析物的峰展宽和拖尾。然而,RPLC-UV分析存在一定局限性:特定DAR种类可能因柱保留伪影而代表性不足;样品制备中的还原条件以及分离过程中使用的高温和低pH流动相可能促进高DAR ADC种类的降解,导致DAR值低估。因此,必须在分辨率和样品完整性之间取得谨慎平衡。对于具有可切割连接子的ADC,替代策略是酶解释放载荷并使用RPLC-UV定量:VC连接子可用木瓜蛋白酶或组织蛋白酶B切割,β-葡糖苷酸连接子需要β-葡糖苷酶;为确保完全切割,需要用IdeS和还原剂预处理以完全暴露偶联位点。虽然该方法避免了几种上述方法的局限性,但无法提供DAR分布信息,且涉及更复杂的样品制备,需要额外分析来确定抗体浓度以计算DAR值。
随着新型ADC结构复杂性不断增加,LC-MS正成为DAR表征最强大的方法。在色谱方面,RPLC使用与MS兼容的流动相条件;尺寸排阻色谱使用铵盐缓冲液体系同样与MS兼容,但铵盐提供的电离效率远低于甲酸。已报道流动相中加入二氟乙酸可增强MS灵敏度,同时与FA和TFA组合相比提供更优的色谱分辨率。常规HIC依赖非挥发性流动相,不能直接与MS联用;HIC-MS通常需要二维色谱脱盐或使用专门的挥发性流动相。电喷雾电离(ESI)是DAR分析中最常用的离子源,四极杆飞行时间(Q-TOF)和Orbitrap是最常用的质量分析器()。其中,Orbitrap提供最高的分辨率和质量精度,但成本也最高。
与UV/vis和LC-UV相比,LC-MS是唯一能够鉴定DAR种类、提供偶联位点信息并确定位点特异性占据率的技术。MS提供的精确质量测量即使色谱分离不完全也能作为DAR种类鉴定的有力证据;由于MS的高灵敏度,LC-MS所需的样品量远少于LC-UV。LC-MS测定DAR常用四种策略:top-down、middle-up、middle-down和bottom-up方法。Top-down方法直接分析完整ADC,适用于具有完整链间二硫键的ADC,直接提供DAR分布信息。Middle-up方法在IdeS消化、二硫苏糖醇还原或两者结合后分析ADC,提供载荷的亚基水平定位,同时提高质量分辨率和灵敏度,特别适用于半胱氨酸偶联ADC。Middle-down方法将ADC样品引入质谱仪,通过电子转移解离或电子转移/高能碰撞解离进行碎裂,无需蛋白酶消化即可阐明偶联位点。Bottom-up方法分析ADC消化产生的肽段,是鉴定偶联位点和确定位点特异性占据率的最有效策。然而,由于载荷可能影响偶联位点附近的蛋白水解效率,通常需要两种不同酶的平行或顺序消化以确保完全消化;但对于赖氨酸偶联ADC,即使如此消化效率仍然较低。
疏水载荷和/或疏水连接子的存在降低了DAR种类在ESI源中的电离效率,在赖氨酸偶联ADC中,载荷占据抗体上可电离位点进一步加剧了这种效应,这些因素共同导致LC-MS测量的DAR值低估。最近的研究提出了一些应对策略:一种方法是在样品制备过程中酶切疏水载荷,基于残余连接子进行DAR分析;此外,用连接子样结构标记未占据偶联位点已被证明可进一步最小化不同DAR种类之间的电离效率差异;或者可以应用相对电离效率因子校正DAR值。
DP-ADC的DAR分析挑战
与SP-ADC相比,DP-ADC在DAR种类上表现出显著更大的多样性,这对方法分离性能提出了更高要求。在LC-UV分析中,天然HIC-UV往往无法充分分离DP-ADC的DAR种类,难以准确测定总DAR;还原RPLC-UV比天然HIC-UV提供更好的分辨率,因为还原简化了DAR种类谱图,但必须谨慎优化色谱条件以实现充分分离,包括添加TFA和提高柱温;然而,由于具有相同总DAR但不同载荷构型的重链经常共洗脱(特别是当两种载荷具有相似疏水性时),还原RPLC-UV通常无法解析每种载荷的个体DAR值。
对于具有可切割连接子的DP-ADC,酶切提供了获得载荷特异性DAR值的途径:通过适当酶可同时或顺序释放可切割连接子连接的载荷,并使用RPLC-UV定量;与SP-ADC相比,此处的样品制备可能更复杂,可能需要两种不同的连接子切割酶;此外,当两种载荷具有相似疏水性时,同步释放载荷的色谱分离构成额外挑战。对于结合N-糖基偶联与其他偶联化学的DP-ADC,替代策略是使用PNGase F去除N-糖及其偶联载荷,有效将分子转化为SP-ADC,从而确定剩余偶联位点的DAR值及其分布;N-糖基位点的DAR值可通过从总DAR中减去已知的单载荷DAR得出。然而,该策略不提供N-糖基位点的DAR分布信息()。对于其他偶联格式,单一载荷的酶解释放可能留下能够改变ADC种类疏水性的连接子残留物,可能使上述方法对剩余偶联位点的DAR分析复杂化甚至无法进行。
与LC-UV相比,LC-MS提供更全面的DP-ADC DAR分布信息。对于具有完整链间二硫键的SP-ADC,可通过top-down方法直接获得DAR值及其分布。然而,对于DP-ADC,top-down分析存在严重的色谱峰重叠问题。竞争电离效率的DAR种类共洗脱降低了灵敏度,可能掩盖低丰度种类的信号;对于偶联效率高的位点特异性载荷,这通常意味着只有最丰富的DAR种类可被检测到。因此,对于具有完整链间二硫键的DP-ADC,top-down分析仅适用于评估总DAR值及其分布,以及非位点特异性载荷的DAR值和分布。Middle-up分析有效解决了这一局限性。还原和/或消化后,DP-ADC组分被简化,实现高效峰分离和MS灵敏度提高;同时,随着分析物m/z值降低,质量精度提高,降低错误分配风险。因此,middle-up方法能够更直接地测量位点特异性载荷的DAR值,并允许间接评估DAR分布。尽管MS通常比LC提供更优的分离能力,但当两种载荷质量非常接近时,不同DAR构型的ADC种类产生紧密排列的质谱峰,使解卷积复杂化并增加错误分配风险,这对质量分辨率提出高要求;在这种情况下,Orbitrap可能特别有用。此外,由于DP-ADC通常被设计为实现高DAR,载荷疏水性对DAR测量精度的负面影响尤为显著。
总体而言,在当前技术背景下,确定DP-ADC的DAR及其分布仍然具有挑战性,难度在很大程度上取决于特定的载荷和连接子类型。通常需要正交方法的组合进行交叉验证,其中LC-MS展现出最大潜力。展望未来,新型ADC格式的持续发展(如双特异性DP-ADC)和新载荷类别(如亲水性小分子)的应用将不可避免地给DAR和DAR分布分析带来新的复杂性;相反,随着位点特异性偶联技术的持续进步,均质ADC预计将成为主流,这将大幅简化DAR及其分布的分析。
-04-
未来展望
DP-ADC代表了ADC技术的重大进步,为下一代癌症治疗带来了巨大希望。然而,其本质上复杂的分子结构和药代动力学特征在结构均一性、稳定性和全面表征方面提出了重大挑战。未来DP-ADC的发展将聚焦三个关键战略领域。
严格质量控制的高级分析技术
多层次质量控制策略和先进分析方法对于表征这些复杂分子并确保严格的产品质量控制至关重要。与DP-ADC偶联特性相关的关键质量属性需要密切监测。可以考虑建立多层次质量控制策略,涵盖完整水平、还原亚基水平和肽图谱水平的检测和表征,特别关注平均DAR、载荷特异性DAR、偶联位点鉴定和载荷分布等关键参数。
从偶联特性分析的技术角度看,应开发高灵敏度和高分辨率的分析方法用于偶联表征。例如,在线全二维液相色谱(2D-LC)可实现偶联属性的多维分析、偶联反应过程的实时监测,并为工艺优化提供前瞻性数据。
对于DP-ADC中的游离药物(及相关)杂质(FDRI)分析,两种载荷同时存在增加了相互干扰的风险。因此,建议对每种载荷采用单独的检测方法,并根据各自的毒性数据确定个体限度。全扫描模式的高分辨率MS是FDRI检测的有前景方法,可同时检测多种游离载荷、降解产物和交叉反应副产物,提高检测效率和分析通量。此外,总抗体定量必须确保两种载荷不干扰准确的抗体测定,以维持生物分析测量的可靠性。
创新载荷组合与合理分子设计
治疗突破将取决于创新载荷组合和合理分子设计。除了探索新型细胞毒性药物外,整合具有互补作用机制的分子,如免疫调节剂(如TLR激动剂和STING激动剂)、RNA聚合酶抑制剂、拓扑异构酶I抑制剂和微管抑制剂,可以产生能够克服肿瘤耐药的协同DP-ADC。还建议采用具有不同切割机制的连接子,以实现顺序或刺激响应性载荷释放,进一步增强抗肿瘤协同作用并减轻耐药性。
平衡两种载荷的疏水性至关重要。对于高疏水性载荷,可在连接子中掺入亲水性部分,包括聚乙二醇、肽段(如Gly-Gly-Phe-Gly)、糖类(如半乳糖)和磺酸基团(如-SO3H),以降低整体疏水性,防止DP-ADC聚集并改善成药性。此外,设计为三元或多价构建体的多模式DP-ADC(掺入放射性同位素、光敏剂或免疫激动剂)可实现精确肿瘤靶向和多模式肿瘤细胞杀伤,增强治疗疗效。
位点特异性偶联技术,特别是在确定位点使用非天然氨基酸或酶促偶联方法,已显示出改善DAR控制和提高分子均一性的强大潜力。还应仔细考虑不同载荷的毒性特征。理想情况下,载荷应具有不重叠的毒性,以利于临床管理、减少不良反应并改善患者依从性和治疗连续性。
加速开发的高通量筛选平台
高通量筛选平台将极大加速DP-ADC的研究与开发。通过整合先进连接子技术、微流控和人工智能驱动的机器学习算法,这些平台可以高效评估载荷、连接子和抗体的多样化组合,预测疗效和安全性特征;这些进步还将缩短开发时间线以促进临床转化。
参考资料:
Advancements in Dual-Load Antibody-Drug Conjugates and Challenges with Quality Analysis. Pharmaceuticals (Basel). 2026 May 29;19(6):860.
×