PBPK-iPINNs：面向生理药代动力学脑模型的逆问题物理信息神经网络

物理信息神经网络将机器学习与微分方程相结合，用于求解正问题和逆问题，同时确保预测遵循物理定律。生理药代动力学建模采用基于机制的生理学聚焦框架，超越了经典的房室方法。此类模型涉及许多未知参数，由于伦理和实际限制，这些参数难以在人体中直接测量。PBPK 模型被构建为常微分方程组，这些参数化 ODE 通常具有刚性，传统的数值和统计方法经常无法收敛。在本研究中，我们考虑了一个渗透限制的四房室 PBPK 脑模型，该模型模拟了人体大脑在药物递送中的功能。我们引入了 PBPK-iPINN，这是一种利用逆问题 PINN 估计药物特异性或患者特异性参数以及药物浓度曲线的方法。我们还进行了参数可辨识性分析，以确定这些参数能否从可用数据中被唯一且可靠地估计。我们证明，为使逆问题收敛到正确的解，损失函数的各组成部分（数据损失、初始条件损失和残差损失）必须被适当加权，并且包括层数和神经元数量、激活函数、学习率、优化器和配置点在内的超参数必须被仔细调优。随后将 PBPK-iPINN 方法的性能与现有的数值和统计方法进行了比较。准确的参数估计可产生精确的药物浓度-时间曲线，进而能够计算药代动力学指标。这些指标可帮助药物开发者和临床医生设计并优化脑癌的治疗方案。