論文の概要: Physiologically Informed Deep Learning: A Multi-Scale Framework for Next-Generation PBPK Modeling

• arxiv url: http://arxiv.org/abs/2602.18472v1
• Date: Mon, 09 Feb 2026 00:26:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-02 07:21:25.597648
• Title: Physiologically Informed Deep Learning: A Multi-Scale Framework for Next-Generation PBPK Modeling
• Title（参考訳）: 生理学的インフォームドディープラーニング:次世代PBPKモデリングのためのマルチスケールフレームワーク
• Authors: Shunqi Liu, Han Qiu, Tong Wang,
• Abstract要約: メカニスティックリガーとデータ駆動の柔軟性を橋渡しするSciML(SciML)フレームワークを提案する。 1) 薬物動態予測をシーケンスモデリングタスクとして扱う基盤PBPK変換器,(2) 生理的制約付き拡散モデル(PCDM),(3) 生物学的に適合した仮想患者集団を合成するための物理インフォームドロスを用いた生成アプローチ,(3) ニューラルネットワークとニューラルネットワークを組み合わせたハイブリッドアーキテクチャであるニューラルアロメトリー,などを紹介する。
• 参考スコア（独自算出の注目度）: 5.007023403094322
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Physiologically Based Pharmacokinetic (PBPK) modeling is a cornerstone of model-informed drug development (MIDD), providing a mechanistic framework to predict drug absorption, distribution, metabolism, and excretion (ADME). Despite its utility, adoption is hindered by high computational costs for large-scale simulations, difficulty in parameter identification for complex biological systems, and uncertainty in interspecies extrapolation. In this work, we propose a unified Scientific Machine Learning (SciML) framework that bridges mechanistic rigor and data-driven flexibility. We introduce three contributions: (1) Foundation PBPK Transformers, which treat pharmacokinetic forecasting as a sequence modeling task; (2) Physiologically Constrained Diffusion Models (PCDM), a generative approach that uses a physics-informed loss to synthesize biologically compliant virtual patient populations; and (3) Neural Allometry, a hybrid architecture combining Graph Neural Networks (GNNs) with Neural ODEs to learn continuous cross-species scaling laws. Experiments on synthetic datasets show that the framework reduces physiological violation rates from 2.00% to 0.50% under constraints while offering a path to faster simulation.
• Abstract（参考訳）: PBPKモデリングは、薬物の吸収、分布、代謝、排他を予測するための機械的枠組みを提供する、モデルインフォームド・ドラッグ開発(MIDD)の基盤となる。 その実用性にもかかわらず、大規模シミュレーションにおける高い計算コスト、複雑な生物学的システムのパラメータ同定の難しさ、および種間外挿の不確実性によって、採用が妨げられている。 本研究では,機械的厳密さとデータ駆動の柔軟性を橋渡しする統一科学機械学習(SciML)フレームワークを提案する。 本稿では,(1)薬物動態予測をシーケンスモデリングタスクとして扱う基盤PBPK変換器,(2)生理的制約付き拡散モデル(PCDM),(3)生物学的に適合した仮想患者集団を合成するための物理情報損失を用いた生成手法,(3)ニューラルネットワークとニューラルネットワークを組み合わせたハイブリッドアーキテクチャ,の3つを紹介する。 合成データセットの実験により、このフレームワークはより高速なシミュレーションへの経路を提供しながら、生理的違反率を2.00%から0.50%に下げることを示した。

関連論文リスト

• Neural Ordinary Differential Equations for Simulating Metabolic Pathway Dynamics from Time-Series Multiomics Data [0.0]
  プロテオームとメタボロームの複雑な相互作用を学習するための動的フレームワークとしてニューラル正規微分方程式(NODE)を導入する。 その結果,LymoneneおよびIsopentenolデータセットの基線上でのルート平均二乗誤差は90%以上改善した。
  論文  参考訳（メタデータ） (2025-12-09T15:44:03Z)
• Modeling Adoptive Cell Therapy in Bladder Cancer from Sparse Biological Data using PINNs [0.0]
  物理インフォームドニューラルネットワーク(英: Physics-informed Neural Network、PINN)は、力学系の法則を損失関数に組み込むニューラルネットワークである。 本研究では,腫瘍学に応用したPINNフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-15T11:28:18Z)
• NOBLE -- Neural Operator with Biologically-informed Latent Embeddings to Capture Experimental Variability in Biological Neuron Models [63.592664795493725]
  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、その一般化を実際の実験データで検証する最初の大規模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)
• Full-field surrogate modeling of cardiac function encoding geometric variability [1.3643562541556224]
  本研究では,心臓解剖学をフルフィールドサロゲートモデルに組み込む新しい計算パイプラインを提案する。 我々は,物理シミュレーションから抽出した活性化マップをニューラルネットワークに符号化するために,分岐潜時ニューラルネットワーク(BLNMs)を有効な科学的機械学習手法として用いた。 我々のサロゲートモデルは、複雑な患者コホートにまたがるロバスト性と大きな一般化を示し、平均2乗誤差0.0034を達成する。
  論文  参考訳（メタデータ） (2025-04-29T07:22:06Z)
• Discovering intrinsic multi-compartment pharmacometric models using Physics Informed Neural Networks [0.0]
  我々は、純粋にデータ駆動型ニューラルネットワークモデルであるPKINNを紹介する。 PKINNは、本質的なマルチコンパートメントベースの薬理学構造を効率的に発見し、モデル化する。 得られたモデルは、シンボリック回帰法によって解釈可能であり、説明可能である。
  論文  参考訳（メタデータ） (2024-04-30T19:31:31Z)
• AI-Aristotle: A Physics-Informed framework for Systems Biology Gray-Box Identification [1.8434042562191815]
  本稿では,システム生物学におけるパラメータ推定と物理識別の欠如 (グレーボックス) のための新しい枠組みを提案する。 提案するフレームワーク - AI-Aristotle は,EXtreme Theory of Functional Connection (X-TFC) ドメイン分割と物理インフォームドニューラルネットワーク (PINN) を組み合わせたものだ。 システム生物学における2つのベンチマーク問題に基づいて,AI-Aristotleの精度,速度,柔軟性,堅牢性を検証した。
  論文  参考訳（メタデータ） (2023-09-29T14:45:51Z)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)

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。