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

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。

Oct, 2023

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

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

本篇综述研究物理增强的机器学习 (PEML) - 也被称为科学机器学习 - 特别关注开发用于解决动力系统挑战的 PEML 策略，讨论了 PEML 方法的三个广泛分类 (物理指导、物理编码和物理信息) 以及在涉及复杂动力系统的工程应用中开发 PEML 策略用于指导高风险决策的优势和挑战。

May, 2024

提出一种名为 AutoKE 的科学机器学习框架，利用神经网络、方程解析器、神经结构搜索和迁移学习等技术，实现了将物理知识嵌入预测模型的自动化，解决了应用物理方程问题中的编程难题。

May, 2022

本文介绍了 PEMP，即利用物理化学理论和研究揭示的化合物间关系来增强化学和生理特性预测模型的新方法，该方法包括多任务学习和迁移学习两种模型构建方法，并在公共基准 MoleculeNet 上表现出超越对应最先进模型的能力。

Oct, 2022

利用机器学习（ML）技术，本研究探索了化学动力学性质的估计。通过 “AI4drug discovery” 发现的药物分子为基础，下一步的关键是以人工智能驱动的设计高通量化学合成过程，并估计未知反应和未探索分子的性质。为此，对于动力学性质预测的现有 ML 方法需要具备 Out-Of-Distribution（OOD）的可推广性。本文将 OOD 动力学性质预测分为三个级别（结构，条件和机制），揭示了这些问题的独特方面。在这个框架下，我们创建了全面的数据集，用于评估（1）在 OOD 设置中用于反应预测的最新 ML 方法，以及（2）用于动力学性质预测问题的最新图形 OOD 方法。我们的结果展示了 OOD 动力学性质预测中的挑战和机遇。我们的数据集和基准可以进一步支持这一研究方向。

Oct, 2023

基于分子结构预测和增强固有性质对于医学、材料科学和环境管理中的设计任务至关重要，本研究介绍了一种主动学习方法，通过智能抽样和干预来辨识潜在的因果关系，以优化在未接触到的化学空间内的设计任务。

Apr, 2024

通过评估 PharmacyGPT 在临床药学领域中的应用潜力和限制，并为未来的人工智能驱动医疗解决方案的发展提供有价值的见解，我们旨在促进人工智能在医疗环境中负责任且有效的使用。

Jul, 2023