Modellazione farmacocinetica potenziata dal Deep Learning

La modellazione farmacocinetica basata sulla fisiologia (PBPK) è fondamentale nello sviluppo di farmaci, consentendo di prevedere l'assorbimento, la distribuzione, il metabolismo e l'escrezione (ADME) dei farmaci. Tuttavia, l'adozione diffusa è ostacolata da elevati costi computazionali, difficoltà nell'identificazione dei parametri e incertezze nell'estrapolazione tra specie.

Un nuovo studio propone un framework unificato di Scientific Machine Learning (SciML) che combina rigore meccanicistico e flessibilità basata sui dati. Il framework introduce tre elementi chiave:

  • Foundation PBPK Transformers: trattano la previsione farmacocinetica come un'attività di modellazione di sequenze.
  • Physiologically Constrained Diffusion Models (PCDM): un approccio generativo che utilizza una loss physics-informed per sintetizzare popolazioni di pazienti virtuali biologicamente conformi.
  • Neural Allometry: un'architettura ibrida che combina Graph Neural Networks (GNN) con Neural ODE per apprendere leggi di scalatura continue tra specie.

I risultati sperimentali su dataset sintetici mostrano che il framework riduce i tassi di violazione fisiologica dal 2.00% allo 0.50% nel rispetto dei vincoli, aprendo la strada a simulazioni più veloci.