論文の概要: PBPK-iPINNs : Inverse Physics-Informed Neural Networks for Physiologically Based Pharmacokinetic Brain Models

• arxiv url: http://arxiv.org/abs/2509.12666v1
• Date: Tue, 16 Sep 2025 04:43:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-17 17:50:52.885288
• Title: PBPK-iPINNs : Inverse Physics-Informed Neural Networks for Physiologically Based Pharmacokinetic Brain Models
• Title（参考訳）: PBPK-iPINNs : 逆物理インフォームドニューラルネットワークによる生理的薬物動態脳モデルの構築
• Authors: Charuka D. Wickramasinghe, Krishanthi C. Weerasinghe, Pradeep K. Ranaweera,
• Abstract要約: PBPK-iPINNは, 逆PINNを用いた脳区画モデルにおいて, 薬物特異的パラメータや患者特異的パラメータ, 薬物濃度プロファイルを推定する手法である。 逆問題を正しい解に収束させるためには、損失関数成分を適切に重み付けする必要があることを実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Physics-Informed Neural Networks (PINNs) leverage machine learning with differential equations to solve direct and inverse problems, ensuring predictions follow physical laws. Physiologically based pharmacokinetic (PBPK) modeling advances beyond classical compartmental approaches by using a mechanistic, physiology focused framework. A PBPK model is based on a system of ODEs, with each equation representing the mass balance of a drug in a compartment, such as an organ or tissue. These ODEs include parameters that reflect physiological, biochemical, and drug-specific characteristics to simulate how the drug moves through the body. In this paper, we introduce PBPK-iPINN, a method to estimate drug-specific or patient-specific parameters and drug concentration profiles in PBPK brain compartment models using inverse PINNs. We demonstrate that, for the inverse problem to converge to the correct solution, the loss function components (data loss, initial conditions loss, and residual loss) must be appropriately weighted, and parameters (including number of layers, number of neurons, activation functions, learning rate, optimizer, and collocation points) must be carefully tuned. The performance of the PBPK-iPINN approach is then compared with established traditional numerical and statistical methods.
• Abstract（参考訳）: 物理情報ニューラルネットワーク(PINN)は、微分方程式を用いた機械学習を利用して直接および逆問題の解き、予測が物理法則に従うことを保証する。 生理学に基づく薬物動態学(PBPK)モデリングは、力学、生理学に焦点を当てた枠組みを用いて古典的なコンパートメンタルアプローチを超えて進歩する。 PBPKモデルはODEのシステムに基づいており、各方程式は臓器や組織などの区画内の薬物の質量収支を表す。 これらのODEには、生理的、生化学的、薬物特有の特性を反映し、薬物が体内をどう動くかをシミュレートするパラメータが含まれる。 本稿では、逆PINNを用いたPBPK脳コンパートメントモデルにおいて、薬物特異的または患者特異的パラメータと薬物濃度プロファイルを推定する方法であるPBPK-iPINNを紹介する。 正解に収束する逆問題においては、損失関数成分(データ損失、初期条件損失、残留損失)を適切に重み付けし、パラメータ(レイヤー数、ニューロン数、活性化関数数、学習速度、オプティマイザ、コロケーションポイント)を慎重に調整する必要があることを示す。 PBPK-iPINN法の性能は,従来の数値および統計的手法と比較される。

関連論文リスト

• Physics-Informed Linear Model (PILM): Analytical Representations and Application to Crustal Strain Rate Estimation [0.0]
  基礎関数の線形結合を用いて解を表現する物理インフォームド線形モデル(PILM)について検討する。 PILMは、線形前方および逆問題、過小決定されたシステム、および物理的正則化に適用可能な分析的に解決可能なフレームワークを提供する。
  論文  参考訳（メタデータ） (2025-07-16T13:23:39Z)
• NOBLE -- Neural Operator with Biologically-informed Latent Embeddings to Capture Experimental Variability in Biological Neuron Models [68.89389652724378]
  NOBLEは、解釈可能なニューロンの特徴を連続周波数変調した埋め込みから電流注入によって誘導されるソマティック電圧応答へのマッピングを学ぶ神経オペレーターフレームワークである。 内在的な実験変数を考慮したニューラルダイナミクスの分布を予測する。 NOBLEは、実際の実験データに基づいて検証された最初のスケールアップされたディープラーニングフレームワークである。
  論文  参考訳（メタデータ） (2025-06-05T01:01:18Z)
• SPD Learning for Covariance-Based Neuroimaging Analysis: Perspectives, Methods, and Challenges [41.955864444491965]
  ニューロイメージングは、モダリティを越えた接続パターンと機能的アーキテクチャを定量化することによって、脳活動の特徴付けのための重要なフレームワークを提供する。 現代の機械学習は、これらのデータセットを通してニューラル処理機構の理解を大幅に進歩させてきた。 本稿では、共分散に基づくニューロイメージングデータに対する機械学習アプローチに焦点を当て、チャネル間関係を符号化したフルランク条件下での対称正定値行列について述べる。
  論文  参考訳（メタデータ） (2025-04-26T10:05:04Z)
• Modelling Mosquito Population Dynamics using PINN-derived Empirical Parameters [5.585625844344932]
  我々は、逆パラメータを決定するためにPINNを用いた力学モデルにおける生物学的プロセスのパラメータ化の改善に焦点をあてる。 PINNは、物理法則、生物学的法則、化学法則を、観測または測定データに基づいて訓練されたニューラルネットワークに組み込む。 PINNモデルの性能についてより深く理解するために、PINNアーキテクチャの変更がフレームワークの性能に与える影響を調査するために、最終的な検証が使用された。
  論文  参考訳（メタデータ） (2024-12-10T13:51:48Z)
• CMINNs: Compartment Model Informed Neural Networks -- Unlocking Drug Dynamics [1.7614751781649955]
  本稿では,PKとPK-PDモデリングを統合した革新的な手法を提案する。 提案手法は物理インフォームドニューラルネットワーク(PINN)と分数物理インフォームドニューラルネットワーク(fPINN)を用いる。 その結果、この手法は、薬物吸収率と分散遅延応答のモデル描写を著しく強化する堅牢なフレームワークを提供することを示した。
  論文  参考訳（メタデータ） (2024-09-19T15:01:33Z)
• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• Partial Differential Equations is All You Need for Generating Neural Architectures -- A Theory for Physical Artificial Intelligence Systems [40.20472268839781]
  我々は、統計物理学における反応拡散方程式、量子力学におけるシュル・オーディンガー方程式、同軸光学におけるヘルムホルツ方程式を一般化する。 数値解を求めるためにNPDEを離散化するために有限差分法を用いる。 多層パーセプトロン、畳み込みニューラルネットワーク、リカレントニューラルネットワークなど、ディープニューラルネットワークアーキテクチャの基本構築ブロックが生成される。
  論文  参考訳（メタデータ） (2021-03-10T00:05:46Z)
• Stochastic analysis of heterogeneous porous material with modified neural architecture search (NAS) based physics-informed neural networks using transfer learning [0.0]
  修正ニューラルアーキテクチャ探索法(NAS)に基づく物理インフォームド深層学習モデルを提案する。 高度不均質帯水層における地下水流動シミュレーションのベンチマークを行うため, 三次元流れモデルを構築した。
  論文  参考訳（メタデータ） (2020-10-03T19:57:54Z)
• Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug Response [49.86828302591469]
  本稿では,抗がん剤感受性の予測にトランスファーラーニングを適用した。 我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセット上でそれを洗練する古典的な転送学習フレームワークを適用した。 アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
  論文  参考訳（メタデータ） (2020-05-13T20:29:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。