从VAE生成的潜在空间中发现人口药代动力学协变量
机器学习
2025-05-06 v1 定量方法
摘要
人口药代动力学（PopPK）建模是理解不同患者群体中药物行为并实现个体化给药策略以改善治疗结果的基本工具。在PopPK分析中，识别和建模影响药物吸收的协变量是关键挑战，因为这些关系往往复杂且非线性。传统方法可能无法捕捉数据中隐藏的模式。本研究提出一种数据驱动、无模型的框架，将变分自编码器（VAE）深度学习模型与LASSO回归集成，用于从模拟的他克罗林imus药代动力学（PK）轮廓中发现关键协变量。VAE将高维PK信号压缩到结构化的潜在空间，实现均值绝对百分比误差（MAPE）为2.26%的精确重建。随后应用LASSO回归将患者特定协变量映射到潜在空间，通过L1正则化实现稀疏特征选择。该方法在不同正则化强度水平下一致识别出他克罗林imus的临床相关协变量，包括SNP、年龄、白蛋白和血红蛋白，而有效地过滤掉无信息特征。该提出的VAE-LASSO方法为协变量选择提供了一种可扩展、可解释且完全数据驱动的解决方案，具有广泛的药物开发和精密药物治疗应用前景。
引用
@article{arxiv.2505.02514,
title = {Uncovering Population PK Covariates from VAE-Generated Latent Spaces},
author = {Diego Perazzolo and Chiara Castellani and Enrico Grisan},
journal= {arXiv preprint arXiv:2505.02514},
year = {2025}
}
备注
Paper accepted at the 47th Annual International Conference IEEE EMBC 2025 (Engineering in Medicine and Biology Society), Copenhagen, Denmark