通过通用物理信息的神经网络学习化疗药物作用.

科学领域:

• 计算生物学是一种计算生物学.
• 药理学 药理学是指药理学的学科.
• 机器学习 机器学习

背景情况:

• 量化系统药理 (QSP) 模型对于预测药物的疗效和毒性至关重要.
• 目前的QSP模型开发需要广泛的手册文献审查和参数拟合.
• 未知的生物机制和参数在准确的QSP建模中带来了挑战.

研究的目的:

• 应用通用物理信息神经网络 (UPINNs) 来学习微分方程中的未知组件,模拟化疗药学动力学.
• 在药理动力学和药理动力学模型中自动识别参数和模型术语.

主要方法:

• 利用UPINNs从合成数据中学习三种常见的化疗药物作用 (日志杀死,诺顿-西蒙和$).$
• 使用UPINN在多个合成数据集中同时拟合参数.
• 应用UPINN以确定多克索鲁比药理学模型中的净扩散率.

主要成果:

• 证明了UPINN能够成功地学习各种微分方程中的隐藏术语和未知参数的能力.
• 展示了UPINN在不同时间和可变尺度的化疗效应模型中的有效性.
• 验证了UPINN在学习复杂生物参数方面的表现.

结论:

• UPINNs提供了一个强大的工具,用于在药理动力学和药理动力学模型中发现未知的术语.
• 这种方法可以帮助理解新型化疗药物及其潜在的生物相互作用.
• UPINNs促进了学习术语的分析,促进了对药物机制的理解.