論文の概要: Dynamic Graph Neural Network for Data-Driven Physiologically Based Pharmacokinetic Modeling

• arxiv url: http://arxiv.org/abs/2510.22096v1
• Date: Sat, 25 Oct 2025 00:40:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 19:54:32.493454
• Title: Dynamic Graph Neural Network for Data-Driven Physiologically Based Pharmacokinetic Modeling
• Title（参考訳）: データ駆動型生理的薬物動態モデリングのための動的グラフニューラルネットワーク
• Authors: Su Liu, Xin Hu, Shurong Wen, Jiaqi Liu, Jiexi Xu, Lanruo Wang,
• Abstract要約: 生理に基づく薬物動態(PBPK)モデリングは、臓器全体にわたる薬物濃度の動態を予測することによって、薬物開発において重要な役割を担っている。 伝統的なアプローチは、強い単純化された仮定を持つ通常の微分方程式に依存しており、非線形生理学的相互作用への適応性を制限している。 本稿では,生理的接続を臓器間の繰り返しメッセージパッシングプロセスとしてモデル化する動的グラフニューラルネットワーク(Dynamic GNN)を提案する。
• 参考スコア（独自算出の注目度）: 6.816046360590831
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physiologically Based Pharmacokinetic (PBPK) modeling plays a critical role in drug development by predicting drug concentration dynamics across organs. Traditional approaches rely on ordinary differential equations with strong simplifying assumptions, which limit their adaptability to nonlinear physiological interactions. In this study, we explore data-driven alternatives for PBPK prediction using deep learning. Two baseline architectures - a multilayer perceptron (MLP) and a long short-term memory (LSTM) network - are implemented to capture molecular and temporal dependencies, respectively. To incorporate inter-organ interactions, we propose a Dynamic Graph Neural Network (Dynamic GNN) that models physiological connections as recurrent message-passing processes between organs. Experimental results demonstrate that the proposed Dynamic GNN achieves the highest predictive performance among all models, with an R^2 of 0.9342, an RMSE of 0.0159, and an MAE of 0.0116. In comparison, the MLP baseline obtains an R^2 of 0.8705 and the LSTM achieves 0.8059. These results highlight that explicitly modeling the spatial and temporal dependencies of organ interactions enables more accurate and generalizable drug concentration prediction. The Dynamic GNN provides a scalable, equation-free alternative to traditional PBPK formulations and demonstrates strong potential for data-driven pharmacokinetic modeling in preclinical and clinical research.
• Abstract（参考訳）: 生理に基づく薬物動態(PBPK)モデリングは、臓器全体にわたる薬物濃度の動態を予測することによって、薬物開発において重要な役割を担っている。 伝統的なアプローチは、強い単純化された仮定を持つ通常の微分方程式に依存しており、非線形生理学的相互作用への適応性を制限している。 本研究では,深層学習を用いたPBPK予測のためのデータ駆動型代替手法について検討する。 2つのベースラインアーキテクチャ - 多層パーセプトロン(MLP)と長期短期メモリ(LSTM)ネットワーク - がそれぞれ実装され、分子的および時間的依存関係をキャプチャする。 組織間相互作用を組み込んだ動的グラフニューラルネットワーク(Dynamic GNN)を提案する。 実験の結果,提案した動的GNNは,R^2が0.9342,RMSEが0.0159,MAEが0.0116,全モデルの中で最も高い予測性能を示した。 MLPベースラインは0.8705のR^2を取得し、LSTMは0.8059を得る。 これらの結果は、臓器相互作用の空間的および時間的依存関係を明示的にモデル化することで、より正確で一般化可能な薬物濃度予測が可能になることを強調している。 Dynamic GNN は、従来の PBPK の定式化に代わるスケーラブルで方程式のない代替品を提供し、前臨床および臨床研究におけるデータ駆動型薬物動態モデリングの強力な可能性を示している。

関連論文リスト

• Geometric Multi-color Message Passing Graph Neural Networks for Blood-brain Barrier Permeability Prediction [1.488392495573075]
  本稿では,幾何学的多色メッセージパッシンググラフニューラルネットワーク(GMC-MPNN)を提案する。 本モデルは,血液脳関門透過性を規定する空間的関係と化学的文脈を捉えるために,原子タイプに基づく重み付きカラーサブグラフを構築した。
  論文  参考訳（メタデータ） (2025-07-25T03:38:46Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [46.36100528165335]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• 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)
• HyperSBINN: A Hypernetwork-Enhanced Systems Biology-Informed Neural Network for Efficient Drug Cardiosafety Assessment [0.46435896353765527]
  メタラーニング技術とシステム生物学インフォームドニューラルネットワーク(SBINN)を組み合わせることで、心臓活動電位のパラメータ化モデルを解く新しい手法を提案する。 提案手法であるHyper SBINNは、異なる濃度における各種化合物の心活動電位への影響を予測するという課題を効果的に解決する。
  論文  参考訳（メタデータ） (2024-08-26T13:40:33Z)
• 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)
• Learning to Denoise Biomedical Knowledge Graph for Robust Molecular Interaction Prediction [50.7901190642594]
  分子間相互作用予測のためのバイオKDN (Biomedical Knowledge Graph Denoising Network) を提案する。 BioKDNは、ノイズの多いリンクを学習可能な方法で識別することで、局所的な部分グラフの信頼性の高い構造を洗練する。 ターゲットの相互作用に関する関係を円滑にすることで、一貫性とロバストなセマンティクスを維持する。
  論文  参考訳（メタデータ） (2023-12-09T07:08:00Z)
• Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
  本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。 我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
  論文  参考訳（メタデータ） (2021-06-03T00:02:05Z)
• Deep learning prediction of patient response time course from early data via neural-pharmacokinetic/pharmacodynamic modeling [0.0]
  本研究は, 長期患者データから直接, 制御微分方程式を学習できることを示唆する。 本稿では、鍵薬理学原理とニューラル常微分方程式を組み合わせた新しいニューラル-PK/PDフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-22T14:43:22Z)
• Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
  本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。 本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。 我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
  論文  参考訳（メタデータ） (2020-06-16T18:45:20Z)

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。