論文の概要: Drug Release Modeling using Physics-Informed Neural Networks

• arxiv url: http://arxiv.org/abs/2602.09963v1
• Date: Tue, 10 Feb 2026 16:51:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-11 20:17:43.691551
• Title: Drug Release Modeling using Physics-Informed Neural Networks
• Title（参考訳）: 物理インフォームドニューラルネットワークを用いた薬物放出モデリング
• Authors: Daanish Aleem Qureshi, Khemraj Shukla, Vikas Srivastava,
• Abstract要約: 物理インフォームドニューラルネットワーク(PINN)とベイズ型PINN(BPINN)を用いた新しいアプローチを提案する。 物理法則と実験データを組み合わせることにより,提案手法は短時間測定から高精度な長期リリース予測を導出する。
• 参考スコア（独自算出の注目度）: 0.8390144474808291
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate modeling of drug release is essential for designing and developing controlled-release systems. Classical models (Fick, Higuchi, Peppas) rely on simplifying assumptions that limit their accuracy in complex geometries and release mechanisms. Here, we propose a novel approach using Physics-Informed Neural Networks (PINNs) and Bayesian PINNs (BPINNs) for predicting release from planar, 1D-wrinkled, and 2D-crumpled films. This approach uniquely integrates Fick's diffusion law with limited experimental data to enable accurate long-term predictions from short-term measurements, and is systematically benchmarked against classical drug release models. We embedded Fick's second law into PINN as loss with 10,000 Latin-hypercube collocation points and utilized previously published experimental datasets to assess drug release performance through mean absolute error (MAE) and root mean square error (RMSE), considering noisy conditions and limited-data scenarios. Our approach reduced mean error by up to 40% relative to classical baselines across all film types. The PINN formulation achieved RMSE <0.05 utilizing only the first 6% of the release time data (reducing 94% of release time required for the experiments) for the planar film. For wrinkled and crumpled films, the PINN reached RMSE <0.05 in 33% of the release time data. BPINNs provide tighter and more reliable uncertainty quantification under noise. By combining physical laws with experimental data, the proposed framework yields highly accurate long-term release predictions from short-term measurements, offering a practical route for accelerated characterization and more efficient early-stage drug release system formulation.
• Abstract（参考訳）: 薬物放出の正確なモデリングは、医薬品放出システムの設計および開発に不可欠である。 古典的なモデル (Fick, Higuchi, Peppas) は複雑な測地や放出機構においてそれらの精度を制限する仮定を単純化することに依存している。 本稿では,平面,1D鎖,2Dクランプフィルムからの放出を予測するために,物理インフォームドニューラルネットワーク (PINN) とベイズPINN (BPINN) を用いた新しいアプローチを提案する。 このアプローチは、Fickの拡散法則を限られた実験データと一意に統合し、短期的な測定から正確な長期予測を可能にし、古典的な薬物放出モデルに対して体系的にベンチマークされる。 我々は、Fickの第二法則を1万のラテン・ハイエルキューブのコロケーションポイントの損失としてPINNに組み込み、これまでに公表された実験データセットを用いて、ノイズ条件や限られたデータシナリオを考慮して平均絶対誤差(MAE)と根平均二乗誤差(RMSE)を通じて薬物放出性能を評価する。 提案手法は,全フィルムの古典的ベースラインに対して,平均誤差を最大40%削減する。 PINNの定式化はRMSE <0.05を達成し、最初の6%のリリースタイムデータ(実験に必要なリリースタイムの94%を還元する)しか利用できなかった。 シャープフィルムやクランプフィルムについては、PINNはリリースタイムデータの33%でRMSE <0.05に到達した。 BPINNはノイズ下でより厳密で信頼性の高い不確実性定量化を提供する。 物理法則を実験データと組み合わせることで, 短時間測定から高い精度の長期薬物放出予測を導出し, キャラクタリゼーションの高速化と, より効率的な早期薬物放出システム構築のための実用的な経路を提供する。

関連論文リスト

• A Simple Approximate Bayesian Inference Neural Surrogate for Stochastic Petri Net Models [0.0]
  後部分布フレームワークのニューラルネットワークに基づく近似を導入する。 我々のモデルは、Gilespie-simulated SPN realizations上で訓練された1D Convolutional Residual Networkを使用する。 20%の欠落事象を持つ合成SPNでは, RMSE = 0.108で速度関数係数を回復し, 従来のベイズ手法よりもかなり高速に動作する。
  論文  参考訳（メタデータ） (2025-07-14T18:31:19Z)
• Prediction-Powered Causal Inferences [59.98498488132307]
  予測型因果推論(PPCI)に焦点をあてる まず, 条件付きキャリブレーションにより, 人口レベルでの有効なPPCIが保証されることを示す。 次に、実験間での十分な表現制約伝達の妥当性を導入する。
  論文  参考訳（メタデータ） (2025-02-10T10:52:17Z)
• Bayesian optimized deep ensemble for uncertainty quantification of deep neural networks: a system safety case study on sodium fast reactor thermal stratification modeling [10.055838489452817]
  ディープ・アンサンブルはディープ・ニューラルネットワーク(DNN)における不確実性定量化(UQ)のための効率的でスケーラブルな方法である 本稿では,ベイズ最適化(BO)とBODEと呼ばれるDDEを組み合わせることによって,予測精度とUQを両立させる手法を提案する。 計算流体力学(CFD)データに基づいて学習したDensely Connected Convolutional Neural Network (DCNN) のケーススタディにBODEを適用し, 高速炉熱成層モデルにおける渦粘度を予測する。
  論文  参考訳（メタデータ） (2024-12-11T21:06:50Z)
• Accelerating Drug Safety Assessment using Bidirectional-LSTM for SMILES Data [0.0]
  Bi-Directional Long Short Term Memory (BiLSTM) は、入力分子配列を処理するリカレントニューラルネットワーク(RNN)の変種である。 提案した研究は、SMILES文字列にコードされたシーケンシャルパターンを理解することを目的としており、それによって分子の毒性を予測する。
  論文  参考訳（メタデータ） (2024-07-08T18:12:11Z)
• YZS-model: A Predictive Model for Organic Drug Solubility Based on Graph Convolutional Networks and Transformer-Attention [9.018408514318631]
  伝統的な手法は複雑な分子構造を見逃し、不正確な結果をもたらすことが多い。 本稿では,グラフ畳み込みネットワーク(GCN),トランスフォーマーアーキテクチャ,Long Short-Term Memory(LSTM)ネットワークを統合するディープラーニングフレームワークであるYZS-Modelを紹介する。 YZS-Modelは、R2$ 0.59、RMSE$ 0.57を達成し、ベンチマークモデルを上回った。
  論文  参考訳（メタデータ） (2024-06-27T12:40:29Z)
• Reconstructing Graph Diffusion History from a Single Snapshot [87.20550495678907]
  A single SnapsHot (DASH) から拡散履歴を再構築するための新しいバリセンターの定式化を提案する。 本研究では,拡散パラメータ推定のNP硬度により,拡散パラメータの推定誤差が避けられないことを証明する。 また、DITTO(Diffusion hitting Times with Optimal proposal)という効果的な解法も開発している。
  論文  参考訳（メタデータ） (2023-06-01T09:39:32Z)
• Imputation-Free Learning from Incomplete Observations [73.15386629370111]
  本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。 バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。 我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
  論文  参考訳（メタデータ） (2021-07-05T12:44:39Z)

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。