基于域验证残差XGBoost代理模型（Residual XGBoost Surrogates）的模型引导生物药剂学与群体药代动力学推断加速方法

《European Journal of Pharmaceutics and Biopharmaceutics》：Domain-validated residual XGBoost surrogates for model-informed biopharmaceutics and population pharmacokinetic inference

　　

残差XGBoost代理模型将单条药时曲线模拟速度提升约49倍。域验证与精确回退机制限制了非支持区域的外推。200次Bootstrap重采样运行均满足固定效应稳定性准则。局部敏感性分析与Morris分析识别出Q参数（室间清除率）的实践信息含量较弱。精确模型诊断保持了机制可解释性。本文针对模型引导药物开发（MIDD）中群体药代动力学（popPK）非线性混合效应（NLME）推断的计算瓶颈，提出并评估了一种域验证的代理模型辅助SAEM（随机近似期望最大化）工作流。该框架将残差XGBoost仿真器嵌入受保护的推断协议中：代理模型仅在通过药代动力学验证（包括剖面级平均相对误差（MRE）、药时曲线下面积（AUC）相对误差和峰浓度（Cmax）相对误差检查）后激活；固定效应更新通过对数参数空间中的信赖域约束加以限制；在验证域之外强制回退至精确模拟器；所有最终诊断均使用精确机制模型重新计算。外部概念验证（Ext-PoC）数据来自单次静脉给药临床前单克隆抗体研究（6只动物，10和100 mg/kg两个剂量水平），固定效应估计值与精确参考值的相对偏差在0.2%至3.0%之间。内部验证包括无噪声和含噪声队列、200次平衡Bootstrap重采样（每次30例虚拟受试者）以及稀疏采样设计。在200次Bootstrap运行中，固定效应估计值的相对偏倚为?2.20%（CL）、?1.04%（Vc）、8.28%（Q）和1.47%（Vp），所有200次运行均满足预设的固定效应稳定性准则。稀疏采样实验表明，当信息量严重减少时，代理模型辅助推断可能高估Q，但局部敏感性分析和Morris筛选识别出Q的实践可辨识性较弱，表明该不稳定性主要源于采样设计的信息限制而非代理模型近似误差。该工作流将机器学习加速嵌入机制NLME推断的同时，保持了机制可解释性和推断可靠性，为模型引导的生物药剂学与生物制药开发管线提供了一种可审计的计算组件。

论文解读

一、研究背景与问题

群体药代动力学（population pharmacokinetics, popPK）建模是模型引导药物开发（Model-Informed Drug Development, MIDD）的核心定量工具，通过非线性混合效应（nonlinear mixed-effects, NLME）方法分析稀疏、异质的浓度-时间数据，以分离典型群体行为与个体间变异。然而，机制性药代动力学模拟器在NLME推断过程中需要被反复调用，形成严重的计算瓶颈。随机近似期望最大化（Stochastic Approximation Expectation-Maximization, SAEM）算法的计算负担与队列规模、每个受试者的蒙特卡洛提议数及给药复杂度成正比，且在Bootstrap重采样、虚拟群体生成和敏感性分析等重复拟合场景下进一步加剧。现有机器学习方法虽能实现高预测精度，但高预测精度并不保证参数层面的推断有效性：代理模型可能以较小的平均误差再现观测剖面，却扭曲有效似然面、引入固定效应或随机效应估计偏倚，或模糊代理近似误差与弱实践可辨识性之间的区分。因此，如何在机制NLME框架内同时实现计算加速与推断透明性，是当前研究的核心缺口。

二、研究目标与意义

本研究旨在开发并评估一种域验证的代理模型辅助SAEM工作流，用于机制性群体药代动力学推断。该框架不将机器学习作为无约束的浓度预测器，而是将残差XGBoost代理模型嵌入受保护的推断协议中，使代理模型使用成为验证决策而非计算捷径。其创新性在于将机器学习代理视为受控推断组件，分别评估预测保真度、与精确机制估计的一致性以及参数特异性实践可辨识性，从而区分代理引入的近似误差与采样设计信息不足导致的估计不稳定性。

三、主要技术方法

研究人员采用的关键技术方法包括：其一，残差XGBoost仿真器，学习机制药代动力学基线附近的局部结构化偏差而非绝对浓度-时间剖面，缩小学习问题的动态范围并限制外推；其二，域验证与激活门控，代理模型仅在通过剖面级平均相对误差（MRE）、药时曲线下面积（AUC）相对误差和峰浓度（C_max）相对误差等预设阈值检查后激活，否则推断回退至精确模拟；其三，信赖域约束，固定效应M步更新在对数参数空间中围绕验证参考向量受限，防止优化漂移出代理域；其四，精确诊断锚定，所有最终事后诊断均使用精确机制模型重新计算；其五，参数化Bootstrap内部验证与局部敏感性分析及Morris筛选，用于区分代理近似误差与弱实践可辨识性。外部概念验证数据来自单次静脉给药临床前单克隆抗体研究（6只动物，10和100 mg/kg两个剂量水平），内部验证使用模型一致的参数化Bootstrap虚拟队列。

四、研究结果

外部概念验证（Ext-PoC）。 在6只动物的单克隆抗体药代动力学数据集上，代理模型辅助SAEM的固定效应估计值与精确参考值相比，相对偏差为+2.2%（CL）、+0.2%（V_c）、+3.0%（Q）和+1.4%（V_p），仿真器平均相对误差为0.0041，C_max相对误差为0.0016，表明代理模型在真实数据场景下具有良好的预测保真度与推断一致性。

内部验证（Int-N12与Int-C30）。 在小规模含噪声队列中，代理模型辅助SAEM与精确内部拟合的固定效应估计值相对偏差为+0.5%（CL）、+1.4%（V_c）、?3.5%（Q）和?1.2%（V_p）。在扩展无噪声队列中，相对于已知生成真值，估计偏差为+0.4%（CL）、+2.9%（V_c）、+0.2%（Q）和?1.9%（V_p），仿真器MRE为0.0032。

平衡Bootstrap重采样（200次重复）。 每次重复包含30例虚拟受试者，全部200次40迭代原始运行均无数值失败，且全部200次在后续检查点审计中于第49迭代满足预设固定效应稳定性准则，稳定性率为100.0%。固定效应估计值的相对偏倚为?2.20%（CL）、?1.04%（V_c）、8.28%（Q）和1.47%（V_p），Q的MARE为19.23%、RMSE为11.71、经验95%区间为[36.22, 75.20]，生成真值均包含在各参数的经验2.5%–97.5%百分位区间内。

稀疏采样实验。 当采样信息量严重减少时（每受试者仅保留2或5个观测），代理模型辅助推断可能高估Q参数。但局部敏感性分析和Morris筛选识别出Q的实践可辨识性较弱，表明该不稳定性主要源于采样设计的信息限制而非代理模型近似误差。

计算效率分析。 残差XGBoost代理模型将单条药时曲线模拟速度提升约49倍，显著降低了SAEM推断中重复机制模拟的计算负担。

五、讨论与结论

讨论部分强调，代理模型辅助推断必须区分预测保真度与推断一致性：高预测精度不保证参数层面的有效推断。稀疏采样实验表明，Q参数的不稳定恢复主要源于弱实践可辨识性而非代理近似误差，这一区分是可靠的代理辅助药理学推断的核心。研究结论指出，该域验证的残差XGBoost代理模型辅助SAEM工作流在保持机制可解释性和推断可靠性的同时实现了约49倍的模拟加速，为模型引导的生物药剂学与生物制药开发管线提供了一种可审计、可复现的计算组件。未来工作方向包括将方法扩展到更复杂的机制模型结构、多剂量方案及协变量分析场景。