相关实验视频
Updated: Feb 18, 2026

Use of Rabbit Eyes in Pharmacokinetic Studies of Intraocular Drugs
Published on: July 23, 2016
一种基于物理学的神经网络方法,用于从聚合度数据中估计人口水平的药理动力学参数
Periklis Tsiros1, Vasileios Minadakis1, Haralambos Sarimveis2
1School of Chemical Engineering, National Technical University of Athens, 9 Iroon Polytechniou Str, Zografou Campus, 15772, Athens, Greece.
这项研究引入了分布式物理信息的神经网络 (D-PINNs) 来从聚合度数据中提取人群药动力学参数分布. D-PINN可以准确地从总结统计数据中恢复参数分布和残余误差,从而推进药理动力学建模.
科学领域:
- 药理动力学 药理动力学
- 计算生物学 计算生物学
- 机器学习 机器学习
背景情况:
- 药物动力学文献包含丰富的聚合度数据,但提取人口层面信息的工具有限.
- 传统的物理信息神经网络 (PINNs) 主要关注点估计,缺乏分布式分析的方法.
- 现有的方法很难利用总结统计数据 (平均值,差异) 来实现全面的药理动力学参数恢复.
研究的目的:
- 在PINN框架内引入分布式物理信息神经网络 (D-PINNs),这是一种用于统计建模的新算法.
- 为了能够从聚合度平均值和差异中恢复人口水平的药代动力学参数分布.
- 证明D-PINN在分析模拟和真实世界药理动力学数据方面的能力,包括最小生理基础药理动力学 (mPBPK) 模型.
主要方法:
- 开发了D-PINNs,将分布假设集成到PINN优化过程中,使用神经网络来预测度平均值和方程.
- 在剩余网络中采用基于采样的程序,使用普通微分方程 (ODE) 系统来计算物理知情损失.
- 通过参数分布和测量噪声通过残余误差模型考虑了个人间的变化.
主要成果:
- D-PINNs在从一个单间药理动力学模型中模拟的数据上估计参数分布和残余误差的高准确性.
- 该框架成功地从单克隆抗体 (mAbs) 聚合的血度数据中恢复了人口水平的动力参数分布,使用了最小生理基础的药理动力学 (mPBPK) 模型.
- 与马尔科夫链蒙特卡洛 (MCMC) 的基准测试证实了D-PINNs方法的有效性.
结论:
- D-PINNs为统计药理动力学建模提供了一种强大的新方法,可以从聚合数据中提取种群参数分布.
- 该方法有效地处理个人间的变化和测量噪声,提供强大的药理动力学见解.
- 这项工作促进了机器学习在药理动力学中的应用,促进了对已发表文献数据的更全面分析.
相关概念视频
Analysis of Population Pharmacokinetic Data
Model Approaches for Pharmacokinetic Data: Distributed Parameter Models
The distributed parameter models are specifically designed to account for variations and differences in some drug classes. This model is particularly useful for assessing regional concentrations of anticancer or...
Model-Independent Approaches for Pharmacokinetic Data: Noncompartmental Analysis
One important characteristic of noncompartmental analyses is that drug exposure increases proportionally with increasing doses. This...
Dosage Regimens: Partial Pharmacokinetic Parameters
Analysis Methods of Pharmacokinetic Data: Model and Model-Independent Approaches
The model approach uses mathematical models to describe changes in drug concentration over time. Pharmacokinetic models help characterize drug behavior in patients, predict drug concentration in the body fluids, calculate optimum dosage regimens, and evaluate the risk of toxicity. However, ensuring that the model fits the experimental data accurately...
Model Approaches for Pharmacokinetic Data: Physiological Models

