基于动态图神经网络的生理学驱动药代动力学建模：一种新颖的数据驱动方法用于药物浓度预测
机器学习
2026-01-06 v2
摘要
生理学基于药代动力学（PBPK）建模是药物开发中预测药物在不同器官之间的浓度动态变化的关键工具。传统的PBPK方法依赖于带有简化假设的常微分方程，这限制了其捕捉非线性和系统级生理相互作用的能力。本文中，我们探索数据驱动的PBPK建模方法。我们实现了两种基线架构——多层感知器网络（MLP）和长短期记忆网络（LSTM），并提出一种动态图神经网络（Dynamic GNN），通过在生理学图上进行递归消息传递，显式建模器官之间的相互作用。在多器官药代动力学数据集上的实验表明，动态图神经网络以15.7%的最低平均绝对百分比误差（MAPE）实现所有模型中的最佳性能，显示改进的相对准确性尽管相对于MLP基线略有更高的绝对误差。该模型实现了0.9342的R2值，表现出更稳定的误差行为并更好地捕捉器官之间的药代动力学关系。这些结果凸显了结构感知建模在PBPK应用中的重要性，证明了所提出的动态图神经网络为数据驱动药代动力学预测提供了可扩展的、无方程的替代方案。
引用
@article{arxiv.2510.22096,
title = {Dynamic Graph Neural Networks for Physiological Based Pharmacokinetic Modeling: A Novel Data Driven Approach to Drug Concentration Prediction},
author = {Su Liu and Xin Hu and Shurong Wen and Chengyi Chen and Jiaqi Liu and Lanruo Wang and Jiexi Xu},
journal= {arXiv preprint arXiv:2510.22096},
year = {2026}
}