Core Concepts
물리 정보 신경망과 기호 회귀를 결합한 새로운 약물동력학 정보 신경망(PKINNs) 모델을 통해 노이즈가 있는 데이터에서 내재적 다중 구획 약물동력학 모델을 효율적으로 발견하고 모델링할 수 있다.
Abstract
이 연구에서는 약물 발견 및 개발에 핵심적인 약물동력학 모델링을 위한 새로운 접근법인 약물동력학 정보 신경망(PKINNs)을 소개한다. PKINNs는 물리 정보 신경망(PINNs)과 기호 회귀(SR) 방법을 결합하여, 노이즈가 있는 데이터에서 내재적 다중 구획 약물동력학 모델을 효율적으로 발견하고 모델링할 수 있다.
실험 결과, PKINNs는 약물 농도 데이터를 정확하게 모델링하고 내재적 미분을 잘 포착하며, 노이즈에 강건한 것으로 나타났다. 또한 PKINNs는 외삽 예측 시나리오에서도 좋은 성능을 보였다. 기호 회귀 기법인 PySR과 SINDy를 통해 PKINNs 모델의 내부를 해석할 수 있었으며, SINDy가 실제 약물동력학 모델의 기능 형태를 더 잘 포착하는 것으로 나타났다.
이 연구는 약물 발견 및 개발 과정에서 모델 도출의 노력 집약적인 특성을 해결할 수 있는 데이터 기반 접근법을 제시한다. 향후 PKINNs를 확장하여 다양한 약물동력학-약물역학 모델 및 정량적 시스템 약리학 모델을 다룰 수 있도록 발전시킬 계획이다.
Stats
약물 흡수 속도 상수 ka는 1.14이다.
제거 청소율 CL은 3.57이다.
분포 간 속도 상수 Q는 1.14이다.
중심 분포 용적 V1은 0.454이고, 말초 분포 용적 V2는 2.87이다.
Quotes
"PKINNs는 노이즈가 있는 데이터에서 내재적 다중 구획 약물동력학 모델을 효율적으로 발견하고 모델링할 수 있다."
"PKINNs는 약물 농도 데이터를 정확하게 모델링하고 내재적 미분을 잘 포착하며, 노이즈에 강건한 것으로 나타났다."
"SINDy가 실제 약물동력학 모델의 기능 형태를 더 잘 포착하는 것으로 나타났다."