A Practical Tutorial on Physics-Informed Networks for Pharmacometrics and Quantitative Systems Pharmacology.

چکیده اصلی

Inverse problems in pharmacometrics and quantitative systems pharmacology (QSP) often involve sparse, noisy data, limited measurable states, and complex dynamical systems. Traditional parameter estimation methods can struggle with ill-posed problems, stiffness, discontinuities, and gray-box scenarios where only part of the system dynamics is known or observable. This tutorial provides an end-to-end, reproducible workflow for applying physics-informed neural networks (PINNs) to PK/PD/QSP inverse problems and gray-box discovery tasks. We present three worked case studies: (1) constant parameter recovery in a three-state compartmental system, (2) gray-box discovery of an unknown right-hand-side function, and (3) inference of a time-varying chemotherapy efficacy function under partial observation. For each, we provide implementation guidance, validation checks, and practical advice on collocation design, feature expansion, optimizer selection, numerical precision, constraint enforcement, loss weighting, and residual-based attention. We also discuss when to consider newer architectures such as Kolmogorov-Arnold networks (KANs) as drop-in alternatives to standard multilayer perceptrons. All code and notebooks are provided through our PhINs library, short for Pharmacometrics-Informed Networks, and are publicly available at https://github.com/NazAhmadi/PhINs/.

ترجمه فارسی چکیده

مسائل معکوس در فارماکومتریک و فارماکوسیستم‌های کمی (QSP) اغلب با داده‌های پراکنده و نویزی، حالات قابل اندازه‌گیری محدود و سیستم‌های دینامیکی پیچیده همراه هستند. روش‌های سنتی برآورد پارامتر ممکن است با مسائل نامشخص، سختی، ناپیوستگی و سناریوهای «گره‌ای خاکستری» که در آن بخشی از دینامیک سیستم شناخته شده یا قابل مشاهده است، دچار مشکل شوند. این آموزش یک جریان کار تمام‌مرحله‌ای و قابل تکرار برای کاربرد شبکه‌های عصبی مبتنی بر فیزیک (PINNs) در مسائل معکوس PK/PD/QSP و وظایف کشف گره‌ای خاکستری ارائه می‌دهد. ما سه مطالعه موردی کار شده را ارائه می‌دهیم: (1) بازیابی پارامتر ثابت در یک سیستم سه‌حجمی، (2) کشف گره‌ای خاکستری یک تابع سمت راست ناشناخته، و (3) استنباط یک تابع اثربخشی شیمی‌درمانی زمان‌وابسته تحت مشاهده جزئی. برای هر مورد، راهنمایی پیاده‌سازی، بررسی‌های اعتبارسنجی و مشاوره عملی در مورد طراحی هم‌موقعیت، گسترش ویژگی، انتخاب بهینه‌ساز، دقت عددی، اجرای محدودیت، وزن‌دهی ضرر و توجه مبتنی بر باقی‌مانده ارائه شده است. ما همچنین در مورد زمانی که باید به معماری‌های جدیدتر مانند شبکه‌های کولموگوروف-آرنولد (KANs) به عنوان جایگزین‌های آماده‌به‌کار برای شبکه‌های چندلایه پرسپترون استاندارد فکر کرد، بحث می‌کنیم. تمام کد و دفترچه‌های یادداشت از طریق کتابخانه PhINs (Pharmacometrics-Informed Networks) ما و به صورت عمومی در دسترس هستند.

متن کامل اصلی