Physical formula enhanced multi-task learning for pharmacokinetics prediction

人工智能（AI）技术在药物发现中展现出了显著的潜力，其中药代动力学在确定新药剂量、安全性和疗效方面起着关键作用。AI驱动的药物发现（AIDD）面临的主要挑战是高质量数据的稀缺性，这通常需要进行大量的湿实验工作，药代动力学实验就是一个典型例子。在这项工作中，我们开发了一种物理公式增强的多任务学习（PEMAL）方法，同时预测药代动力学的四个关键参数。通过将物理公式纳入多任务框架中，PEMAL促进了药代动力学参数之间的有效知识共享和目标对准，从而提高了预测的准确性。我们的实验表明，与典型的图神经网络相比，PEMAL显著降低了数据需求。此外，我们证明了PEMAL增强了对噪声的鲁棒性，这是传统神经网络所不具备的优势。PEMAL的另一个优点是其高度的灵活性，可以潜在地应用于其他多任务机器学习场景。总的来说，我们的工作说明了在AIDD和其他数据稀缺和噪声情况下使用PEMAL的好处和潜力。

提高人工智能驱动的药物发现中药代动力学参数预测的准确性和鲁棒性，解决数据稀缺问题。

通过在多任务学习框架中加入物理公式，实现药代动力学参数的同时预测。这种方法可以有效地促进知识共享和目标对齐，从而提高预测的准确性。相比于典型的图神经网络，PEMAL显著降低了数据需求，并提高了对噪声的鲁棒性。

PEMAL方法可以提高人工智能驱动的药物发现中数据稀缺和噪声的鲁棒性，具有高度的灵活性，可以应用于其他多任务机器学习场景。实验结果表明，PEMAL方法的预测准确性优于其他方法。

与本文相关的研究包括：1.使用深度学习模型进行药物代谢动力学预测的研究；2.使用图神经网络进行药物发现的研究。