Oct, 2023

一种深度神经网络 -- 机械混合模型预测大鼠药物动力学

PDF
TL;DR通过采用扩展的混合模型并在更大的数据集上进行训练，我们成功改善了之前开发的模型，将总体口服暴露的中位倍数误差从 2.85 降低到 2.35，静脉给药从 1.95 降低到 1.62，实现了对药代动力学不利显性统计配置的化合物进行筛选和开发，同时提供了预测其他指标（如性别和剂量形式）的能力。
发现论文，激发创造
  • 利用物理信息神经网络发现固有的多区间药物动力学模型

    本研究引入了 PKINNs，这是一种全新的纯数据驱动药代动力学信息网络模型，通过符号回归方法，它能高效地发现和建模基于多室的药代动力学结构，并可靠地预测其衍生物。我们的计算框架展示了在药物代谢动力学应用中发现闭合形式模型的潜力，从而解决了传统模型推导的劳动密集性问题，随着大型数据集的日益丰富，该框架有望显著增强基于模型的药物发现。

    Apr, 2024

  • PotentialNet 用于分子性质预测

    该论文介绍了使用基于深度神经网络的机器学习方法来改进药物发现过程中分子属性预测的性能，包括设计出的 PotentialNet 结构和 EF$_{chi}^{(R)}$ 指标以及交叉验证策略等，并在多个基于配体的任务中验证了模型性能的创新性。

    Mar, 2018

  • 药物反应预测的混合量子神经网络

    利用深度量子神经网络的结构，提出一种用于预测药物效果的混合量子模型，并在减小的癌症药物敏感性基因组数据集上进行定量分析，表明该型混合量子模型比经典算法预测的药效值高出 15% 以上。

    Nov, 2022

  • 基于深度学习和药物动力学先验的治疗反应预测

    通过药物的药代动力学效应，我们提出了一种新的编码器，用于准确预测受治疗影响的时间序列，展示了该方法在预测血糖方面的有效性，为临床实践提供多种有益应用。

    Sep, 2023

  • NovoMol: 口服可生物利用药物设计及在 PDGFRα 受体上的验证

    提出了一种使用循环神经网络的新型去 novo 方法，用于大规模生成具有高口服生物利用度的药物分子，从而提高临床试验时间效率。

    Dec, 2023

  • 物理公式增强的多任务学习用于药代动力学预测

    我们开发了一种物理公式增强的多任务学习（PEMAL）方法，通过将物理公式纳入多任务框架中，增强了药物代谢动力学参数的预测准确性。我们的研究表明，PEMAL 相对于 Typical Graph Neural Networks 显著降低了数据需求，并提高了对噪声的鲁棒性，此外，PEMAL 的高灵活性也有潜在的应用价值。

    Apr, 2024

  • 分子图深度学习预测药物副作用

    本文发展了一种基于图神经网络和分子图编码的多类多标签预测模型，旨在通过提高分类效果，提前预测药物副作用，从而减少药物住院和提高新药研发效率。

    Nov, 2022

  • 药物相互作用预测中深度学习与图学习的综合评估

    本文综述了基于化学结构、网络、自然语言处理、混合方法的药物预测模型以及基于图神经网络模型表示分子结构的理论框架或深度和图学习方法的优缺点、潜在技术难点和未来发展方向。

    Jun, 2023

  • 深度学习用于机制模型参数的快速推理

    利用深度神经网络预测机械模型参数在生物过程工程中起到了重要的作用，提供了高效、健壮且计算成本低的参数估计方法，综合实验数据对比了提出的算法与传统方法，发现神经网络预测的参数估计优于传统拟合程序。

    Dec, 2023

  • 深度学习反向传播估算动态增强磁共振成像药代动力学参数

    本文提出了一种基于物理驱动 CycleGAN 方法的非配对深度学习方法，用于在不需要单独进行动脉输入函数（AIF）测量的情况下，估计药代动力学参数和 AIF，实验结果表明该方法可以生成比其他技术更可靠的药代动力学参数。

    Jun, 2023