基于物理信息神经网络的药物释放建模
机器学习
2026-02-11 v1 人工智能
生物大分子
摘要
准确建模药物释放对于设计和开发受控释系统至关重要。经典模型（Fick、Higuchi、Peppas）依赖于简化假设，限制了其在复杂几何形状和释放机制下的准确性。本文提出一种新颖方法，利用物理信息神经网络（PINNs）和贝叶斯 PINNs（BPINNs）预测来自平面、1 维波纹和 2 维皱卷膜片的释放。该方法独特地将 Fick 扩散定律与有限实验数据相结合，以实现从短期测量进行长期预测，并系统地与经典药物释放模型进行基准测试。我们将 Fick 第二定律嵌入 PINN 作为损失函数，采用 10,000 个拉丁超立方采样点，并利用已发表的实验数据集评估药物释放性能，通过均绝对误差（MAE）和均方根误差（RMSE）进行评估，考虑噪声情况和有限数据场景。我们的方法在所有膜片类型下将平均误差降低最高可达 40%。PINN 在平面膜片上仅使用前 6% 的释放时间数据（减少 94% 的实验释放时间）即可实现 RMSE <0.05。对于波纹和皱卷膜片，PINN 在 33% 的释放时间数据下即可实现 RMSE <0.05。BPINNs 在噪声下提供更紧密且更可靠的不确定性量化。通过将物理规律与实验数据相结合，所提出的框架可实现从短期测量进行高度准确的长期释放预测，为加速特性表征和更高效的早期药物释放系统配方提供了实用途径。
引用
@article{arxiv.2602.09963,
title = {Drug Release Modeling using Physics-Informed Neural Networks},
author = {Daanish Aleem Qureshi and Khemraj Shukla and Vikas Srivastava},
journal= {arXiv preprint arXiv:2602.09963},
year = {2026}
}