以生理学为导向的深度学习：面向下一代药代动力学模型的多尺度框架
机器学习
2026-02-24 v1 人工智能
定量方法
摘要
基于生理学的药代动力学（Physiologically Based Pharmacokinetic, PBPK）模型是模型驱动药物开发（MIDD）的基石，提供了预测药物吸收、分布、代谢和排泄（ADME）的机械化框架。尽管具有实用性，但由于大规模模拟的高计算成本、难以为复杂生物系统辨识参数以及跨物种外推的不确定性，仍难以普及。本文提出一种统一的科学机器学习（SciML）框架，构建机械化严谨性与数据驱动灵活性之间的桥梁。我们引入三项贡献：（1）基础药代动力学转换器（Foundation PBPK Transformers），将药代动力学预测作为序列建模任务；（2）生理约束扩散模型（Physiologically Constrained Diffusion Models, PCDM），一种生成方法通过物理信息损失合成生物学合规的虚拟患者群体；（3）神经尺度关系（Neural Allometry），一种混合架构将图神经网络（GNN）与神经常微分方程（Neural ODEs）结合，以学习连续跨物种比例定律。合成数据上的实验表明，在约束下该框架将生理违规率从2.00%降至0.50%，同时为更快的仿真提供了路径。
引用
@article{arxiv.2602.18472,
title = {Physiologically Informed Deep Learning: A Multi-Scale Framework for Next-Generation PBPK Modeling},
author = {Shunqi Liu and Han Qiu and Tong Wang},
journal= {arXiv preprint arXiv:2602.18472},
year = {2026}
}