Discovering intrinsic multi-compartment pharmacometric models using Physics Informed Neural Networks

药代动力学模型在药物研发中起着关键作用，决定着候选分子的进展。然而，推导控制系统的数学方程是一个耗时的试错过程，通常受到紧迫时间限制的约束。在本研究中，我们介绍了一种全新的纯数据驱动药代动力学神经网络模型PKINNs。PKINNs能够高效地发现和建模内在的基于多组分的药代动力学结构，可靠地预测它们的导数。由此得出的模型可通过符号回归方法进行解释和说明。我们的计算框架展示了药代动力学应用中封闭形式模型发现的潜力，解决了传统模型推导的耗时性质。随着大型数据集的日益丰富，这个框架有望显著提升模型指导下的药物研发。

本论文旨在通过提出一种基于神经网络的纯数据驱动药代动力学模型，解决药物发现和开发中药代动力学模型推导过程繁琐、耗时的问题。

PKINNs是一种基于神经网络的药代动力学模型，可以高效地发现和建模药物的内在多室结构，并可靠地预测其导数。通过符号回归方法，这些模型具有可解释性和可解释性。

该论文提出的PKINNs模型可以更高效地发现和建模药物的内在多室结构，从而解决了传统药代动力学模型推导过程繁琐、耗时的问题。该模型具有可解释性和可解释性，可以显著提高药物发现的效率。实验使用了多个数据集，并开源了代码。

近期的相关研究包括：1.基于机器学习的药代动力学模型推导方法研究；2.基于符号回归的药代动力学模型可解释性研究。