Discovering intrinsic multi-compartment pharmacometric models using Physics Informed Neural Networks
IBM；University of Surrey（萨里大学）
本文提出纯数据驱动的药动学信息神经网络PKINNs，用于自动发现多房室药动学模型结构并预测导数，结合符号回归实现可解释的闭式模型发现，有望提升模型指导的药物发现效率。
2024-04-30 cs.AI cs.LG q-bio.QM
Drug Release Modeling using Physics-Informed Neural Networks
Division of Applied Mathematics, Brown University（应用数学系，布朗大学）；School of Engineering, Brown University（工程学院，布朗大学）；Institute for Biology, Engineering and Medicine, Brown University（生物、工程与医学研究所，布朗大学）
利用物理信息神经网络和贝叶斯PINNs建模药物释放，通过结合物理定律和实验数据实现高精度长期预测。
2026-02-10 cs.AI cs.LG q-bio.BM
Achieving Well-Informed Decision-Making in Drug Discovery: A Comprehensive Calibration Study using Neural Network-Based Structure-Activity Models
KU Leuven（鲁汶大学）；AstraZeneca（阿斯利康）；Chalmers University of Technology（查尔姆斯理工大学）
本研究针对药物发现中神经网络预测模型校准不良的问题，提出贝叶斯线性探测（BLP）方法，结合事后校准与不确定性量化，提升模型校准和准确性，实现明智决策。
2024-07-19 cs.LG stat.ML
Drug Discovery under Covariate Shift with Domain-Informed Prior Distributions over Functions
University of Oxford（牛津大学）；Roche（罗氏）
针对药物发现中标注数据稀缺与协ariate偏移问题，提出概率模型Q-SAVI，将领域先验知识编码至函数先验分布中，在金标准数据集上显著提升了预测准确性和校准，优于现有自监督预训练与领域自适应技术。
2023-07-14 cs.LG q-bio.BM stat.ML
Bayesian data assimilation to support informed decision-making in individualised chemotherapy
治疗药物/生物标志物监测（TDM）的一个重要组成部分是将患者数据与先验知识相结合，以基于模型预测治疗结果。目前的贝叶斯预测工具通常只依赖于最可能的模型参数（最大后验概率（MAP）估计）。然而，这种基于MAP的方法既不一定预测最可能的结果，也不量化治疗无效或毒性的风险。贝叶斯数据同化（DA）方法克服了这些限制，提供了一个全面的不确定性量化。我们比较DA的方法与MAP为基础的方法，并显示如何概率的声明化疗诱导的中性粒细胞减少症相关的关键标志物可以利用更多的信息决策支持个性化化疗。序贯贝叶斯DA被证明是最有效的处理病例间变异和整合TDM数据的计算。对于能够更频繁地收集数据的新型数字监护设备，这些功能对于改善各种治疗领域的患者护理决策至关重要。
2019-09-20 physics.med-ph q-bio.QM
Complex Networks and the Drug Repositioning Problem
本研究通过分析复杂网络属性，提出利用网络结构优化药物再定位策略，以应对忽视热带疾病。
2026-02-26 cs.LG q-bio.MN
Physiologically Informed Deep Learning: A Multi-Scale Framework for Next-Generation PBPK Modeling
University of Southern California（美国南加州大学）；Carnegie Mellon University（卡内基梅隆大学）；University of Connecticut（康涅狄格大学）
本文提出了一种多尺度的生理信息深度学习框架，结合变换器、扩散模型和神经相似性，用于提高下一代PBPK建模的效率和准确性。
2026-02-09 cs.AI cs.LG q-bio.QM
PBPK-iPINNs: Inverse Physics-Informed Neural Networks for Physiologically Based Pharmacokinetic Brain Models
PBPK-iPINNs通过逆物理信息神经网络估计药物参数和浓度剖面，提升PBPK脑模型的参数估计精度，支持脑癌治疗方案的设计与优化。
2026-02-22 cs.LG cs.NA math.NA
A Spatial Model of Tumor-Host Interaction: Application of Chemotherapy
在本文中，我们认为化疗的肿瘤生长的空间模型。该模型是反应扩散型的，通过包括内皮细胞和细胞外基质的密度来考虑肿瘤和周围基质细胞之间的复杂相互作用。当不应用治疗时，该模型再现了早期肿瘤生长的典型动力学。最初无血管的肿瘤达到毫米量级的扩散限制尺寸，并通过释放肿瘤核心中的缺氧细胞分泌的血管内皮生长因子（VEGF）来启动血管生成。这刺激内皮细胞向肿瘤迁移，并建立足以持续侵袭的营养供应。对于该模型，我们以VEGF抑制剂的形式应用细胞生长抑制治疗，其减少了内皮细胞的增殖和趋化性。这种治疗有能力减少肿瘤质量，但更重要的是，我们能够确定抑制内皮细胞增殖是药物靶向的两种细胞功能中更重要的一种。此外，我们考虑了靶向增殖肿瘤细胞的细胞毒性药物的应用。药物被视为从血管进入组织的可扩散物质。我们的研究结果表明，根据药物的特性，它可以显着减少肿瘤质量，或者实际上加速肿瘤的生长速度。这一结果似乎是由于间质和肿瘤细胞类型之间复杂的相互作用，并强调了在空间背景下考虑化疗的重要性。
2009-04-09 q-bio.QM q-bio.TO
Compressing Biology: Evaluating the Stable Diffusion VAE for Phenotypic Drug Discovery
Chalmers University of Technology and University of Gothenburg（查尔姆斯理工大学和哥德堡大学）
本研究首次系统评估Stable Diffusion VAE在Cell Painting图像重建中的表现，证明其能有效保留表型信号，并建议使用通用特征提取器简化显微镜数据生成模型的评估流程。
2025-10-22 cs.LG q-bio.QM
Robust Individual Circadian Parameter Estimation for Biosignal-based Personalisation of Cancer Chronotherapy
在癌症治疗中，化疗根据恒定的时间表施用。考虑到时间生物学药物递送的时间疗法方法使化疗概况适应于人类有机体的昼夜节律。这降低了毒性作用，同时提高了化疗的效率。为了个性化癌症治疗，化疗方案必须进一步适应个体患者。因此，我们提出了一个新的模型来表示周期现象的昼夜节律。该模型能够更精确地模拟潜在的昼夜节律。与标准模型相比，我们的模型提供了更好的结果，在所有定义的质量指标。新模型可用于使化疗方案有效地适应个体患者。对个体患者的适应有助于实现个性化癌症治疗的目标。
2016-04-11 q-bio.QM
ToDD: Topological Compound Fingerprinting in Computer-Aided Drug Discovery
Novartis（诺华）；University of Texas at Dallas（德克萨斯大学达拉斯分校）；Jet Propulsion Laboratory, Caltech（加州理工学院喷气推进实验室）；Temple University（天普大学）
在计算机辅助药物发现（CADD）中，虚拟筛选（VS）用于在大型化合物库中识别最有可能与分子靶点结合的候选药物。到目前为止，大多数VS方法都集中在使用规范的复合表示（例如，SMILES字符串、Morgan指纹）或通过训练逐渐更复杂的变分自编码器（VAE）和图神经网络（GNN）来生成化合物的替代指纹。虽然VAE和GNN导致VS性能的显着改善，但这些方法在扩展到大型虚拟复合数据集时会降低性能。这些方法的性能在过去几年中只显示出逐步的改进。为了解决这个问题，我们开发了一种新的方法，使用多参数持久性（MP）的同源性，产生拓扑指纹的化合物作为多维向量。我们的主要贡献是框架的VS过程作为一个新的拓扑为基础的图形排序问题，通过划分化合物的化学子结构通知其原子的周期性属性，并提取其持久的同源性功能在多个分辨率水平。我们发现，预训练的Triplet网络的边际损失微调在区分嵌入空间中的化合物并对其成为有效候选药物的可能性进行排名方面取得了非常有竞争力的结果。我们进一步为我们提出的MP签名的稳定性特性建立了理论保证，并证明了我们的模型，通过MP签名增强，在基准数据集上以广泛和高度统计显著的幅度优于最先进的方法（例如，93%的增益为Dudes-Jain和54%的增益为DUD-E Diverse数据集）。
2022-11-07 cs.AI cs.LG q-bio.QM
ChatGPT-powered Conversational Drug Editing Using Retrieval and Domain Feedback
Mila-Québec Artificial Intelligence Institute（米拉-魁北克人工智能研究所）；Arizona State University（亚利桑那州立大学）；Princeton University（普林斯顿大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Université de Montréal（蒙特利尔大学）；National Research Council Canada（加拿大国家研究委员会）
本文提出 ChatDrug 框架，结合提示、检索与领域反馈及对话模块，利用 ChatGPT 实现小分子、肽和蛋白质的高效药物编辑，并在多数任务上取得最佳性能。
2023-05-29 cs.AI cs.LG q-bio.BM
AI-Aristotle: A Physics-Informed framework for Systems Biology Gray-Box Identification
Brown University（布朗大学）
本研究提出名为AI-Aristotle的物理信息框架，融合X-TFC区域分解、PINNs与符号回归技术，通过两个系统生物学基准测试验证其性能，可处理噪声数据并快速实现黑箱辨识，为相关灰箱辨识研究提供参考。
2023-09-29 cs.AI cs.LG q-bio.QM
Identifying mechanisms driving the early response of triple negative breast cancer patients to neoadjuvant chemotherapy using a mechanistic model integrating in vitro and in vivo imaging data
新辅助化疗（NAC）是手术前局部晚期三阴性乳腺癌（TNBC）的标准治疗。早期评估TNBC对NAC的反应将使肿瘤学家能够调整无反应患者的治疗计划，从而改善治疗结果，同时防止不必要的毒性。为此，一个有前途的方法包括获得\textsl{in silico}个性化的预测肿瘤对NAC的反应\textsl{via}计算机模拟的机制模型与患者特异性的磁共振成像（MRI）的数据，在NAC早期获得的约束。在这里，我们提出了一个具有TNBC生长和对NAC反应的基本机制的模型，包括药物药效学和药代动力学的明确描述。由于用于模型校准的纵向\textsl{in vivo} MRI数据有限，我们进行了敏感性分析，以确定驱动对两种NAC药物组合的反应的模型机制：多柔比星与环磷酰胺，紫杉醇与卡铂。通过结合基于患者特异性MRI的\textsl{in silico}参数估计值和使用几种TNBC细胞系的时间分辨显微镜测定获得的药效学参数的\textit{in vitro}测量值来构建模型参数空间。敏感性分析在两种基于MRI的情况下运行，分别对应于灌注良好和灌注不良的肿瘤。在本文考虑的15个参数中，只有基线肿瘤细胞净增殖率以及多柔比星、卡铂和紫杉醇的最大浓度和效应对模型预测显示出相关影响（总效应指数，$S_T>$ 0.1）。这些结果极大地限制了需要\textsl{in vivo} MRI约束校准的参数数量，从而促进了我们…
2022-12-08 cs.CE q-bio.QM q-bio.TO
Rhizome OS-1: Rhizome's Semi-Autonomous Operating System for Small Molecule Drug Discovery
Rhizome Research Inc.
Rhizome OS-1通过多模态AI代理实现小分子药物发现的半自动化，结合计算化学、医药化学和专利代理功能，生成新颖分子并评估专利自由度，利用图扩散模型生成化学物质。
2026-04-10 cs.AI cs.LG
ChemHyperMag: Physics-informed magnetic hypergraph learning improves molecular ADMET prediction
该研究针对分子ADMET预测问题，提出ChemHyperMag方法，通过构建官能团超图、定义势驱动不可逆流等，经磁拉普拉斯编码和磁切比雪夫编码器处理，在多基准实验中以更少样本实现改进，且具有可扩展性和可解释性。
2026-07-23 cs.AI cs.LG
Sliced Denoising: A Physics-Informed Molecular Pre-Training Method
Academy of Mathematics and Systems Science（数学与系统科学研究院）；Chinese Academy of Sciences（中国科学院）；Institute for AI Industry Research (AIR)（智能产业研究院（AIR））；Tsinghua University（清华大学）
针对现有分子预训练去噪方法因噪声设计不合理导致力场估计不准的问题，提出基于经典分子内势能理论的SliDe方法，通过构象扰动采样和随机切片降本，提升力场精度与分子性质预测表现。
2023-11-03 cs.AI cs.LG q-bio.BM
Pharmacometrics Modeling via Physics-Informed Neural Networks: Integrating Time-Variant Absorption Rates and Fractional Calculus for Enhancing Prediction Accuracy
本文提出一种结合时变吸收速率和分数阶微积分的物理信息神经网络药动学建模方法，以更准确地刻画药物吸收动态和延迟反应，提升个性化治疗中的预测精度。
2024-12-30 q-bio.QM
Learning a Patent-Informed Biomedical Knowledge Graph Reveals Technological Potential of Drug Repositioning Candidates
提出构建专利信息驱动的生物医学知识图谱（p-BKG）及图嵌入协议，综合评估药物重定位候选者的科学证据与技术潜力，以弥合计算发现与市场应用的鸿沟。
2024-07-24 cs.AI cs.CL cs.LG
A physics-informed neural network method for the approximation of slow invariant manifolds for the general class of stiff systems of ODEs
Modelling Engineering Risk and Complexity, Scuola Superiore Meridionale（工程风险与复杂性建模，南方高级学校）；Institute of Science and Technology for Energy and Sustainable Mobility, Consiglio Nazionale delle Ricerche（能源与可持续移动科技研究所，国家研究理事会）
本文提出一种物理信息神经网络方法，通过同时分解快慢分量并求解不变方程，以闭式逼近一般刚性ODE系统的慢不变流形，在多个基准问题上精度优于或媲美传统GSPT方法。
2024-03-18 cs.LG cs.NA math.DS
HyperSBINN: A Hypernetwork-Enhanced Systems Biology-Informed Neural Network for Efficient Drug Cardiosafety Assessment
Sanofi, R&D Preclinical Safety（Sanofi 研发预临床安全性部门）；Sanofi, Digital R&D（Sanofi 数字研发）；Université Paris-Saclay, AgroParisTech, INRAE, UMR MIA Paris-Saclay（巴黎萨克雷大学、农业巴黎技术学院、国家农业研究院、巴黎萨克雷MIA联合研究单位）；Université Bretagne Sud, UMR CNRS 6205, LMBA（布列塔尼南部大学、CNRS 6205联合研究单位、LMBA）
HyperSBINN通过结合元学习与系统生物学指导神经网络，高效预测药物对心脏动作电位的影响，提升药物心安全性评估的效率和准确性。
2025-12-12 cs.CY cs.LG q-bio.QM
Enhancing drug and cell line representations via contrastive learning for improved anti-cancer drug prioritization
The Ohio State University（俄亥俄州立大学）；Biomedical Informatics Department, The Ohio State University（俄亥俄州立大学生物医学信息学系）；Computer Science and Engineering Department, The Ohio State University（俄亥俄州立大学计算机科学与工程系）；Translational Data Analytics Institute, The Ohio State University（俄亥俄州立大学转化数据分析研究所）
本文提出用对比学习保留药物作用机制和细胞系癌症类型的关系结构，以改进药物和细胞系表示，从而提升抗癌药物优先级排序的性能和个性化程度。
2023-10-27 cs.AI cs.LG q-bio.QM
Equivariant Graph Attention Networks with Structural Motifs for Predicting Cell Line-Specific Synergistic Drug Combinations
Mills E. Godwin（米尔斯·E·戈德温）
本研究提出一种等变图注意力网络结合结构基序的几何深度学习模型，利用基因表达预测细胞系特异性协同药物组合，在DrugComb数据集上超过现有方法，准确率提升超28%。
2024-11-07 cs.AI cs.LG q-bio.QM
Characterisation of Anti-Arrhythmic Drug Effects on Cardiac Electrophysiology using Physics-Informed Neural Networks
本研究利用物理信息神经网络（PINNs）结合Fenton-Karma模型，从光学映射图像中估计抗心律失常药物对离子通道电导的调节作用，成功量化了HMR1556、硝苯地平和利多卡因的阻断效应，为个性化心脏建模迈出关键一步。
2024-03-13 q-bio.QM
Reinforcement learning and Bayesian data assimilation for model-informed precision dosing in oncology
University of Potsdam（波茨坦大学）；Institute of Mathematics（数学研究所）；Institute of Pharmacy（药剂学研究所）
使用治疗药物/生物标志物监测的模型通知精确给药（MIPD）提供了显著改善药物治疗的疗效和安全性的机会。目前的策略包括模型知情的剂量表或基于最大后验估计。然而，这些方法缺乏对不确定性的量化和/或仅考虑可用的患者特异性信息的一部分。我们提出了三种新的MIPD方法，采用贝叶斯数据同化（DA）和/或强化学习（RL）来控制中性粒细胞减少症，这是抗癌化疗中的主要剂量限制性副作用。与现有方法相比，这些方法有可能大幅降低危及生命的4级和亚治疗0级中性粒细胞减少症的发生率。我们进一步表明，RL允许通过识别驱动剂量决策的患者因素来获得进一步的见解。由于其灵活性，所提出的组合DA-RL方法可以很容易地扩展到整合多个终点或患者报告的结果，从而为未来的个性化治疗带来重要的益处。
2020-06-01 cs.LG q-bio.QM stat.AP
ODE and Random Boolean networks in application to modelling of 6-mercaptopurine metabolism
我们考虑两种方法来建模的细胞代谢的6-巯基嘌呤，这是一个重要的化疗药物用于治疗急性淋巴细胞白血病：动力学常微分方程和随机布尔网络，并分析它们之间的相互作用，考虑到ATP浓度作为一个关键参数之间的切换不同的途径。结果表明，布尔网络，它允许避免复杂的一般动力学建模，保留了一个机会，再现的主要开关机制。为了保持详细的定量测量的控制参数，组合布尔ODE方法的建议。
2016-10-31 q-bio.MN q-bio.QM
Inverse resolution of spatially varying diffusion coefficient using Physics-Informed neural networks
针对含噪离散数据下空间变化扩散系数逆求解的不适定问题，提出基于PINNs的逆求解器，通过最小化瞬态扩散方程残差求解，数值与实验验证误差低、结果吻合，可为多领域应用提供支持。
2024-03-06 q-bio.QM
A graph neural network-based model with Out-of-Distribution Robustness for enhancing Antiretroviral Therapy Outcome Prediction for HIV-1
本文提出一种结合全连接神经网络和图神经网络的模型，用于提升HIV-1抗逆转录病毒治疗结果预测的鲁棒性和泛化能力。
2025-02-21 cs.LG q-bio.QM
EP-PINNs: Cardiac Electrophysiology Characterisation using Physics-Informed Neural Networks
从动作电位记录中准确推断潜在的电生理（EP）组织特性预期在心律失常（诸如心房颤动）的诊断和治疗中是临床有用的，但是众所周知难以执行。我们提出了EP-PINNs（物理信息神经网络），一种新的工具，精确的动作电位模拟和EP参数估计，从稀疏的EP数据。我们演示了，使用1D和2D的计算机数据，如何EP-PINNs能够重建动作电位的时空演变，同时预测与动作电位时程（APD），兴奋性和扩散系数相关的参数。EP-PINN还能够识别EP特性中的异质性，使其可能用于检测纤维化和与心律失常相关的其他局部病理学。最后，我们显示EP-PINNs的生物体外制剂的有效性，通过使用光学映射数据表征APD上的抗肿瘤药物的作用。EP-PINN是心律失常表征和潜在治疗指导的有前途的临床工具。
2021-12-14 physics.bio-ph physics.med-ph q-bio.QM
Representation Meets Optimization: Training PINNs and PIKANs for Gray-Box Discovery in Systems Pharmacology
Center for Biomedical Engineering, Brown University（布朗大学生物医学工程中心）；Division of Applied Mathematics, Brown University（布朗大学应用数学系）
针对系统药理学灰箱发现场景，提出改进的tanh-cPIKAN架构，系统对比评估PINNs与PIKANs在不同优化器、训练配置下的性能，给出模型与优化器选型的实践指导。
2025-11-14 cs.AI q-bio.QM
GPCR Ligand Bioactivity Prediction with Physics-Informed Dual-State Query Learning
University of Birmingham（伯明翰大学）
本文提出物理信息双态查询（DSQ）架构，将MWC变构模型嵌入神经网络，通过可学习正交查询解耦受体活性/非活性态，以对比排序约束预测GPCR配体生物活性，在激动剂子集上优于基线，但低同源性受体上存在局限。
2026-09-16 q-bio.QM
Adaptive modelling of anti-tau treatments for neurodegenerative disorders based on the Bayesian approach with physics-informed neural networks
本研究针对阿尔茨海默病（AD），开发常微分方程模型描述Aβ、p-tau与ADAS评分的相互作用，结合贝叶斯推理与PINNs优化参数并评估抗tau治疗，发现仅靶向p-tau效果有限，需多靶点策略。
2025-04-18 q-bio.NC q-bio.QM
