贝叶斯推理由参数子集选择为最小的PBPK大脑模型提供信息

科学领域:

• 药理动力学和系统生物学
• 计算生物学 计算生物学
• 数学建模的数学建模

背景情况:

• 基于生理学上的药理动力学 (PBPK) 模型使用普通微分方程模拟药物吸收,分布,新陈代谢和分泌 (ADME).
• 这些复杂的模型需要准确的参数量化和不确定性分析,以获得可靠的临床应用.
• 参数识别,确定哪些参数是数据独特定义的,对于强大的PBPK建模至关重要.

研究的目的:

• 在PBPK模型中开发和验证一个将参数子集选择与贝叶斯推理集成的策略.
• 通过精细的参数估计和不确定性量化,提高PBPK模型预测的准确性.
• 为了降低与复杂的PBPK模型分析相关的计算成本.

主要方法:

• 实施一种将参数识别分析与贝叶斯推理相结合的策略.
• 使用频率主义或贝叶斯推理方法来量化不确定性.
• 应用参数子集选择来完善PBPK模型中的可识别参数集.

主要成果:

• 成功整合了参数识别分析和PBPK模型的贝叶斯推理.
• 证明了可识别的参数子集的精细化,从而改善了模型预测.
• 量化参数和响应不确定性,提高模型可靠性.
• 减少对PBPK模型分析的计算需求.

结论:

• 拟议的战略通过专注于可识别的参数,有效地改进了PBPK模型.
• 将可识别性分析与贝叶斯推理相结合,可以提高预测准确度并量化不确定性.
• 这种方法为稳健的PBPK模型开发和在医疗保健中的应用提供了计算效率高的方法.