概論#

藥物是分子，其效應可在生物組織的各層級被量化——從分子結合，到細胞訊號，到組織與器官，到整體動物，再到臨床病人群體（圖 7.1）。

Gaddum（加達姆）在 1942 年說：「一門科學成熟的標誌，是它變得定量化。」本章的核心，便是介紹如何在上述各層級嚴謹地量測藥物效應。

本章涵蓋四個主軸：

• 生物檢定（bioassay）的基本原理
• 人類藥理學研究的方法
• 動物疾病模型
• 臨床試驗設計與效益風險評估

生物檢定#

定義與用途#

生物檢定（bioassay）：利用生物反應的大小，來估計物質的濃度或效力。其主要用途：

• 測量新的或化學結構未知物質的藥理活性
• 研究內源性介質（endogenous mediator）的功能
• 測量藥物毒性與不良效應
• 作為新藥開發的標準化工具（尤其是生物製藥）

以往用生物檢定測量血中藥物濃度的技術，現已大多被分析化學方法取代。但在生物製藥（biopharmaceuticals）的批次標準化上，生物檢定仍不可或缺，因為醣基化（glycosylation）的差異不能被免疫分析偵測，卻會影響生物活性。

使用標準品#

生物系統個體間差異甚大，因此生物檢定必須採用相對效力的概念，而非絕對單位。歷史上曾出現各種「鴿子單位」、「小鼠單位」等無法跨實驗室比較的絕對單位，造成文獻混亂。

正確做法是：將未知製劑（U）與標準品（S）在同一生物系統上相互比較，得出效力比值（potency ratio, M）。英國生物標準管制委員會（UK National Board for Biological Standards Control）負責維護各類激素、抗血清的參考標準品。

生物檢定的設計#

比較兩製劑效力的標準方法是平行線檢定（parallel line assay）：

• 在對數劑量－效應曲線的線性段各取兩個劑量（2+2 設計）
• 要求標準品與未知品的劑量－效應曲線必須平行（圖 7.3）
• 以曲線間的水平距離（log M）估計效力比值
• 隨機化給藥順序，並以統計分析計算信賴區間

若兩條劑量－效應曲線不平行（例如比較全效劑與部分效劑，或機制不同的兩藥），就無法以單一比值定義相對效力，必須測量效力的多個維度。利尿藥的比較即為典型例子：「低上限」與「高上限」利尿藥的效力無法以單一比值呈現。

效應可以是：

• 分級效應（graded response）：連續量，如血壓變化
• 定性效應（quantal response）：全有全無，如出現驚厥的動物比例

兩種效應使用不同的統計方法。

生物測試系統#

從 1960 年代起，藥理學家逐步發展出各種**體外（in vitro）與體內（in vivo）**測試系統，涵蓋從分子層級到臨床層級的整個範圍：

• 分子層級：放射性配體結合試驗（binding assay），1970 年代引入
• 細胞層級：表達特定人類受體亞型的工程細胞株，廣泛用於藥物篩選
• 組織層級：離體器官灌流
• 動物層級：整體動物實驗

**級聯超灌流（cascade superfusion）**技術（Vane 等人）：讓生物樣本依序流過一系列選擇性測試器官，根據各器官的反應模式鑑定未知活性物質（如前列腺素類、一氧化氮）。

動物疾病模型#

有效模型的條件#

一個好的動物疾病模型應具備：

1. 表面效度（face validity）：表現型類似人類疾病
2. 建構效度（construct validity）：病因相似
3. 預測效度（predictive validity）：對治療的反應相似

常見局限#

• 精神疾病：躁症、妄想、偏頭痛、自閉症等在動物幾乎無法重現，無表面效度
• 病因不明的退化性疾病（如阿茲海默症、帕金森病）：難以達到建構效度
• 以藥物反應選擇的模型：可能錯過具有全新作用機制的藥物

許多在動物模型高度有效的藥物，在人體試驗中卻無效（例如腦缺血保護劑、物質 P 拮抗劑的止痛效果）。動物模型的局限是從基礎研究到臨床治療之間最主要的瓶頸。

基因與轉殖動物模型#

選擇性繁殖可產生具特定遺傳特徵的純系動物，例如：

• 自發性高血壓大鼠
• 遺傳性肥胖小鼠（leptin 基因缺失，具良好的表面效度與預測效度，但因人類肥胖症者通常不缺 leptin，建構效度差）
• 癲癇易發犬與小鼠

**轉殖動物（transgenic animals）**透過修改生殖細胞系的 DNA 來模擬疾病：

• 剔除（knockout）：使特定基因失活
• 導入（knock-in）：引入新（如人類）基因，或致病性突變
• 過表現（overexpression）：插入額外基因拷貝
• 條件性突變（conditional mutagenesis）：利用 Cre-Lox 系統，在特定時間點啟動突變，避免發育期的致死效應

目前大多數轉殖技術在小鼠中較為成熟，斑馬魚、果蠅、秀麗隱桿線蟲也日益用於藥物篩選。

典型例子：

• 過表現突變型澱粉樣前驅蛋白或早老素的小鼠 → 阿茲海默症模型
• 過表現 synuclein 的小鼠 → 帕金森病模型
• 含腫瘤抑制基因或癌基因突變的小鼠 → 癌症模型

人體藥理學研究#

非侵入性技術（功能性磁振造影、超音波心動圖等）擴大了人體研究的可能性。人體實驗的科學原則與動物實驗相同，但倫理與安全問題至為重要，所有人體研究方案均需獨立倫理委員會審查。

臨床試驗#

基本概念#

**臨床試驗（clinical trial）**是一種前瞻性研究，用以客觀比較兩種以上治療方案的效果。它是衡量治療效力的特殊生物檢定形式。

• 試驗治療（A）：新藥、新手術、新療法等
• 對照治療（B）：現有標準治療、安慰劑或不治療

臨床試驗通常只比較兩種特定給藥方案的效果，而非測量劑量－效應曲線或效力比值。核心問題是：A 是否比 B 更有效？

避免偏誤的設計要素#

隨機化（Randomisation）#

• 最簡單的方式：用隨機數字表將受試者分配到 A 或 B 組
• 分層隨機化（stratified randomisation）：先按年齡、性別、病情嚴重度等分層，再在各層內隨機分配，以避免兩組在重要特徵上失衡，並可分析各亞群的反應差異

雙盲（Double-blind）#

受試者與評估者均不知道使用哪種治療，以消除主觀偏誤。在飲食介入或手術中難以實施，藥物的藥理效應有時也會洩露分組信息。

設置對照組#

未設對照的療效報告（如「20 名病人中有 16 名在 2 週內好轉」）無法解讀，因為不知道未接受治療的病人結果如何。

樣本數與統計誤差#

決定所需樣本數的兩大因素：

1. 對誤差的容忍程度：顯著性水準越嚴格、檢定力越高，需要越多受試者
2. 臨床上有意義的差異大小：預期差異越小，需要越多受試者偵測

臨床結果指標#

結果測量的選擇需在試驗開始前確定，常見類型包括：

• 生理指標：血壓、肺功能、存活曲線
• 主觀評估：疼痛緩解、情緒量表
• 長期結果：存活率、無疾病復發率
• 生活品質：各種健康相關生活品質量表
• 品質調整生命年（quality-adjusted life years, QALYs）：將存活時間與生活品質合併為單一指標

頻率論與貝氏方法#

頻率論（frequentist）：建立虛無假說（A 與 B 無差異），計算在虛無假說成立的前提下，觀察到現有數據的概率 P。若 P < 0.05 則拒絕虛無假說。

貝氏方法（Bayesian approach）：將既有臨床經驗或先前試驗結果形式化為先驗概率（prior probability），再以新試驗數據更新為後驗概率（posterior probability）。此法爭議較多，但在已有相關證據時合理，且可縮小所需樣本。

安慰劑效應#

**安慰劑（placebo）**是不含有效成分的假藥（或假手術）。傳統上認為安慰劑效應強大，約能使三分之一的病人受益，但系統性文獻回顧（Hróbjartsson & Gøtzsche, 2001）發現：

• 安慰劑效應普遍而言並不顯著
• 唯一有小但顯著效果的領域是止痛
• 許多症狀的改善可能源於自然病程緩解，而非安慰劑本身

使用安慰劑作為治療手段有倫理風險：可能延誤有效治療、侵蝕醫病信任、製造依賴。對側（nocebo）效應描述的是服用安慰劑後出現不良反應的現象。

統合分析（Meta-analysis）#

將多個設計嚴謹（隨機化）的獨立試驗數據合併分析，以提高統計檢定力與顯著性。

主要缺點：

• 發表偏誤（publication bias）：陰性結果較少發表
• 重複計算：同一數據出現在多篇報告中

效益與風險的平衡#

治療指數（Therapeutic Index）#

$$\text{治療指數} = \frac{LD_{50}}{ED_{50}}$$

其中 LD₅₀ 為使 50% 動物致死的劑量，ED₅₀ 為使 50% 動物有效的劑量。

治療指數作為臨床安全性指標有嚴重缺陷：

• 基於動物毒性數據，未必反映人體的不良反應
• ED₅₀ 隨所選療效指標而異（如阿斯匹靈用於頭痛 vs. 抗風濕，ED₅₀ 差異極大）
• 未考量個體間的效力和毒性差異
• 不反映罕見特異質反應（idiosyncratic reactions）

沙利竇邁（thalidomide）即因動物試驗治療指數極高而被推廣，卻成為史上危害最大的藥物之一。

需要治療人數（Number Needed to Treat, NNT）#

由臨床試驗數據估計，達到某一定義效益（或出現某一不良反應）需治療的病人數：

$$\text{NNT} = \frac{1}{\text{受益比例差}}$$

NNT 同時考量了治療效益大小與基礎疾病的嚴重度，是比治療指數更實用的臨床決策工具。例如：

• 某危及生命疾病（基礎死亡率 50%），藥物 A 使死亡率降至 25%，NNT = 4
• 某良性疾病（基礎死亡率 5%），藥物 B 使死亡率降至 2.5%，NNT = 40

雖然兩者均使死亡率減半，但藥物 A 每救一命只需暴露 4 人於副作用風險，藥物 B 則需暴露 40 人，因此藥物 A 的臨床價值顯然更高。