多種における静脈内薬物動態パラメータのマルチフィデリティ深層学習フレームワークによる予測

科学分野:

• 薬物動態学
• 創薬
• 機械学習

背景:

• 薬物動態（PK）特性の正確な予測は、効率的な候補薬スクリーニングと投与レジメンの最適化に不可欠です。
• 機械学習および深層学習モデルは、化学構造から直接PK特性を予測するためにますます使用されています。

研究 の 目的:

• 複数の種（ヒト、イヌ、サル、ラット、マウス）にわたる静脈内薬物動態パラメータを予測するための転移学習フレームワークであるマルチフィデリティ薬物動態学習（MFPK）を開発すること。

主な方法:

• MFPKは、グラフベース、モチーフベース、および3D構造ベースの分子表現を利用して、包括的な化学情報を捉えます。
• このフレームワークは、種を超えた予測精度を向上させるために転移学習を採用しています。

主要な成果:

• MFPKは、特に定常状態分布容積（VDss）の予測において、ベースラインモデルを大幅に上回るPKパラメータ予測精度を達成しました。
• テストされたすべての種において、VDss予測で低い誤差指標（RMSLE < 0.48、GMFE < 2.3）を達成しました。
• モデル予測を理解するための解釈可能性分析を実施しました。

結論:

• MFPKは、種を超えたPK特性を予測するための堅牢かつ正確な方法を提供し、創薬の初期段階をサポートします。
• このフレームワークの解釈可能性機能は、創薬における深層学習予測の解明に役立ちます。