使用物理信息神经网络发现内在的多腔体药代动力学模型

药代动力学模型在药物发现与开发中起着关键作用，在决定候选分子进程方面发挥决定性作用。然而，决定系统数学方程的推导过程往往是耗时的试错过程，常受紧迫时间限制。在本研究中，我们引入了 PKINNs，即一种新型纯数据驱动的药代动力学信息神经网络模型。PKINNs 高效地发现并建模基于多腔体的内在药代动力学结构，可靠地预测其导数。所得模型通过符号回归方法具有可解释性和可解释性。我们的计算框架展示了药代动力学应用中闭形式模型发现的潜力，解决了传统模型推导的效率低下的问题。随着大数据集的日益增多，本框架有望显著提升模型驱动的药物发现。