一般化可能なデータ駆動型薬物動態学と解釈可能なニューラルODEに向けて

科学分野:

• 薬物動態学と計算生物学
• 創薬と精密医療
• ヘルスケアにおける人工知能

背景:

• 正確な薬物濃度時間（C-t）プロファイルモデリングは、創薬と個別化投与量設定に不可欠です。
• 従来の薬物動態（PK）モデルは、厳密な仮定と広範なパラメータ化のために、スケーラビリティと適応性に限界があります。
• 多様な化合物と患者集団を効果的に処理できる高度なモデリングアプローチが必要です。

研究 の 目的:

• エンドツーエンドの薬物動態モデリングのための統一ニューラルフレームワークであるUni-PKを導入すること。
• 薬物濃度ダイナミクスの予測のためのスケーラブルで解釈可能なソリューションを開発すること。
• 個人差を組み込むことにより、個別化された前臨床および臨床アプリケーションを可能にすること。

主な方法:

• 分子表現とニューラル常微分方程式（NODE）をPK構造内に組み合わせてUni-PKを開発しました。
• 柔軟なコンテキストエンコーダーを使用して、個別化モデリングのために補助的な共変量（例：種、投与レジメン）を統合しました。
• 分子および個々の入力から薬物濃度の直接的な動的軌道モデリングを可能にし、データが少ない条件下での学習を容易にしました。

主要な成果:

• Uni-PKは、様々な投与経路と生理学的状態にわたるラットおよびヒトのデータセットで堅牢なパフォーマンスを示しました。
• このフレームワークは、確立された薬物動態原理との一貫性を示し、そのメカニズム的根拠を検証しました。
• データが少なくノイズが多い条件下でも、エンドツーエンドの学習能力を達成し、従来のモデルを上回りました。

結論:

• Uni-PKは、次世代の薬物動態モデリングのためのスケーラブルで解釈可能で、動物を使用しないソリューションを提供します。
• 化学構造と個人固有情報の統合は、精密治療を進歩させます。
• この統一されたニューラルフレームワークは、創薬と個別化投与戦略に大きく影響を与える可能性があります。