把体外测量变成可以外推的人体预测
微生理系统（microphysiological systems，MPS）可以测量组织模型中的药物转运、代谢和功能变化，但要据此估计人体暴露或药物反应，还需要解决模型尺度和生理条件之间的差别。2026 年 9 月 4 日发表在 Journal of Pharmacy & Pharmaceutical Sciences 的一篇系统综述，围绕 MPS 与计算模型的结合整理了相关研究。检索范围设为 2010–2025 年发表的英文文献，作者报告最终纳入 123 项研究。
作者纳入的计算方法包括基于生理的药代动力学（physiologically based pharmacokinetic，PBPK）模型、定量系统药理学（quantitative systems pharmacology，QSP）、药代动力学与药效动力学，以及体外到体内外推（in vitro-to-in vivo extrapolation，IVIVE）和机器学习。纳入研究的条件之一，是 MPS 数据实际用于计算模型的参数设定、校准、验证或预测。
PBPK 和 QSP 使用不同类型的实验信息
在药代研究中，芯片或其他 MPS 测得的清除、通透等参数，可与单独实验或文献提供的蛋白结合信息共同用于计算模型，描述药物进入组织、跨越屏障和被代谢的过程。PBPK 把这些参数与器官体积、血流等生理信息结合，估计全身或组织中的浓度变化。模型与体外平台的结合，需要交代参数怎样测得、怎样换算以及怎样检验预测。
QSP 则进一步描述疾病过程与药物作用机制，用于研究药效及治疗反应。MPS 中的疾病表型、细胞相互作用和功能指标，可以支持这类机制模型。综述认为，随着疾病模型和多器官平台发展，计算框架也需要同时考虑局部反应与器官之间的联系。
数字孪生需要持续的双向更新
文章把现有研究分为 3 个层次。第一类是单向外推：在 MPS 中取得参数，再将其传给计算模型。第二类是模型校准与参数化：实验数据用于拟合或检查 PBPK、QSP 等模型，然后把预测与临床或动物资料比较。第三类才是持续双向更新的数字孪生，实验测量不断修正模型，模型预测又用于安排后续实验。
按这一划分，综述中的多数工作处于前两个层次，可视为数字孪生的组成部分或发展基础。这个区别直接影响后续工作：要形成真正的反馈循环，除了一次性拟合，还需建立可重复的数据传递、模型更新和实验决策流程。
跨平台比较需要说明交换了什么参数
作者提出，研究报告应说明 MPS 平台、交换的参数、计算模型类型和验证方式，以便不同实验室之间比较。实验中的波动需要传递到计算预测中；例如通透或清除参数存在不确定性时，应检查这些差别会怎样影响最终的人体暴露估计。共享参照数据集和明确的基准案例，也有助于评价不同方法。
肝脏是综述重点讨论的应用方向，后续建议包括肾、肺、脑和血脑屏障相关模型，以及多器官系统与多区室计算框架的进一步结合。文章还把正式的成本效益研究列为缺口，希望评价平台在药物开发决策中的实际价值。
文献中的术语出现频率需要与实际验证分开
这项综述采用了自动化筛选和文本提取。作者在局限中说明，全文提取能够识别术语是否出现，却不能逐项确认文章是否实际开展了相应实验；有关参数和验证方式的高频提及反映的是文献讨论情况，具体测量和验证仍需按各研究的实际设计判断。
文章的实用建议，是把实验平台、数据和预测任务逐一对应起来：哪些参数来自 MPS，模型据此计算什么，比较资料来自哪里，以及模型怎样反过来指导实验。这些信息比单独给系统冠以“数字孪生”名称，更能说明其实际功能和当前发展阶段。