基于物理信息神经网络的药物释放建模

《Journal of Drug Delivery Science and Technology》：Drug release modeling using Physics-Informed Neural Networks

　　

达尼什·阿里姆·库雷希|克赫拉吉·舒克拉|维卡斯·斯里瓦斯塔瓦

摘要

准确建模药物释放对于设计和开发缓释系统至关重要。传统模型（菲克模型、日比谷模型、佩帕斯模型）依赖于简化假设，这限制了它们在复杂几何结构及释放机制下的准确性。在此，我们提出一种新方法，利用物理信息神经网络（PINNs）和贝叶斯物理信息神经网络（BPINNs），以平面膜、一维皱褶膜和二维起皱膜为例，预测复杂几何结构中的药物释放情况。该方法独特地将菲克扩散定律与有限且稀疏的实验数据相结合，从而能够根据短期测量结果实现准确的长期预测，并且我们还将其与传统的药物释放模型进行了系统性对比。我们将菲克第二定律作为软约束纳入PINN框架，在随机采样的点上加以满足。随后利用已发布的稀疏实验数据，通过平均绝对误差（MAE）和均方根误差（RMSE）来评估药物释放性能，同时考虑了数据噪声和数据量有限的情况。相较于传统基准模型，我们的方法在所有类型的膜中都将平均误差降低了多达40%。对于平面膜，仅使用释放时间数据的前6%即可让PINN模型的RMSE降至$<0.05$；而对于皱褶膜和起皱膜，PINN模型在33%的释放时间数据下就能使RMSE达到相同水平。BPINNs在存在噪声的情况下能提供更精确、更可靠的不确定性量化结果。通过将物理定律与实验数据相结合，所提出的框架能够根据短期测量结果得出高度准确的长期释放预测，为加速药物释放系统的特性分析以及更高效地开展早期研发提供了实用途径。与传统机器学习方法不同，后者往往缺乏明确的理论收敛性保障，而PINNs则能为各类椭圆方程和抛物线方程提供收敛性保证。由于菲克扩散方程属于抛物线方程，我们提出的基于PINNs的方法为建模药物扩散过程提供了一个在理论上一致且稳定的框架。相关代码可在https://github.com/SrivastavaResearchLab/drug_release_modeling_PINN-2025处获取。