🧬 biology

Physics-Informed Neural Networks for Chemotherapy Pharmacokinetics: Benchmarking the Clinical Estimator and Exposing Parameter Identifiability

यह शोध पत्र प्रदर्शित करता है कि फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क्स (PINNs) कीमोथेरेपी फार्माकोकाइनेटिक्स के लिए एक एकीकृत ढांचा प्रदान करते हैं जो रैखिक मॉडलों पर मानक नैदानिक अनुमानकों के प्रदर्शन से मेल खाता है, जबकि विशिष्ट रूप से संरचनात्मक पैरामीटर पहचान संबंधी मुद्दों को उजागर करता है और जटिल गैर-रैखिक परिदृश्यों में विरल ऊतक अवलोकनों को प्रभावी ढंग से एकीकृत करता है जहाँ पारंपरिक क्लोज्ड-फॉर्म विधियाँ विफल हो जाती हैं।

मूल लेखक: Riya Bisht, Dhruv Agarwal

प्रकाशित 2026-06-12

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Riya Bisht, Dhruv Agarwal

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ⚕️ यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप यह समझने की कोशिश कर रहे हैं कि एक विशिष्ट दवा (कीमोथेरेपी) रोगी के शरीर में कैसे घूमती है। आप रक्त परीक्षण के माध्यम से रक्तप्रवाह (प्लाज्मा) में दवा को आसानी से देख सकते हैं। हालाँकि, आप वास्तव में अंगों या ट्यूमर के अंदर दवा को नहीं देख सकते (टिश्यू)। यह एक समस्या है क्योंकि दवा केवल तभी कैंसर कोशिकाओं को मारती है जब वह ट्यूमर के अंदर होती है, और यह केवल तभी दुष्प्रभाव (side effects) पैदा करती है जब वह गलत ऊतकों (tissues) में होती है।

यह शोध पत्र इस बारे में है कि गणित और आर्टिफिशियल इंटेलिजेंस का उपयोग करके शरीर के "अदृश्य" हिस्सों में क्या हो रहा है, इसका अनुमान कैसे लगाया जाए।

यहाँ इस शोध पत्र की कहानी का सरल उपमाओं (analogies) का उपयोग करते हुए विवरण दिया गया है:

1. दो प्रतिस्पर्धी

लेखकों ने इस "अदृश्य ऊतक" (invisible tissue) के रहस्य को सुलझाने के लिए तीन अलग-अलग तरीकों के बीच एक दौड़ आयोजित की है:

पुराने स्कूल के डॉक्टर (NLS): यह वह मानक तरीका है जिसका उपयोग आज डॉक्टर करते हैं। यह एक विशिष्ट, पहले से लिखी गई फ़ॉर्मूला (जैसे एक रेसिपी) पर निर्भर करता है जो यह मानती है कि दवा एक बहुत ही सरल, अनुमानित तरीके से चलती है। यह तेज़ है और तब बहुत अच्छा काम करता है जब दवा बिल्कुल उसी रेसिपी की तरह व्यवहार करती है जैसा कि उसमें लिखा है।
"अंदाजे लगाने वाला" AI (MLP): यह एक बुनियादी AI है जो केवल रक्त परीक्षण के डेटा को देखता है। यह पैटर्न-मैचिंग के माध्यम से बाकी की कहानी का अनुमान लगाने की कोशिश करता है, लेकिन इसे दवाओं के चलने के नियमों के बारे में कोई जानकारी नहीं है। यह फिल्म के पहले पांच मिनट देखकर पूरी कहानी का अनुमान लगाने की कोशिश करने जैसा है।
"फिजिक्स-अवेयर" AI (PINN): यह नया टूल है। यह एक ऐसा AI है जिसे भौतिकी के नियमों (दवा कैसे बहती है, मिलती है और गायब होती है) की शिक्षा दी गई है। यह केवल डेटा को नहीं देखता; यह अपने अनुमानों की जाँच प्रकृति के नियमों के साथ करता है।

2. पहली दौड़: सरल परिदृश्य

पहले परीक्षण में, दवा अच्छी तरह से व्यवहार करती है और सरल नियमों (लीनियर काइनेटिक्स) का पालन करती है।

परिणाम: "पुराने स्कूल के डॉक्टर" (NLS) और "फिजिक्स-अवेयर AI" (PINN) अदृश्य ऊतक के स्तरों का अनुमान लगाने में लगभग समान रूप से अच्छे थे। "अंदाजे लगाने वाला" AI (MLP) बुरी तरह विफल रहा, जो ऊतक के स्तरों का अनुमान लगाने में लगभग 10 गुना खराब था।
सबक: यदि आपके पास मार्गदर्शन के लिए कोई नियम नहीं है, तो शरीर के अदृश्य हिस्सों का अनुमान लगाना बहुत कठिन है। आपको यह जानने की आवश्यकता है कि दवा कैसे चलती है, यानी उसकी "फिजिक्स" क्या है।

3. दूसरी दौड़: पेचीदा परिदृश्य

दूसरे परीक्षण में, दवा जटिल हो जाती है। यह शरीर की सफाई प्रणाली को जाम करने लगती है (सैचुरेबल एलिमिनेशन), जिसका अर्थ है कि "पुराने स्कूल के डॉक्टर" द्वारा उपयोग किया जाने वाला सरल "रेसिपी" अब मान्य नहीं है।

पुराने स्कूल के डॉक्टर की विफलता: क्योंकि रेसिपी गलत थी, डॉक्टर डेटा को पुराने फॉर्मूले में जबरदस्ती फिट करने की कोशिश करता रहा। उसने एक परिणाम दिया, लेकिन वह निरर्थक था। यह एक वृत्त (circle) को मापने के लिए चौकोर रूलर का उपयोग करने जैसा था; जो संख्या आपको मिलती है वह वास्तविक है, लेकिन वह वृत्त के बारे में कुछ भी नहीं बताती।
फिजिक्स-अवेयर AI का ईमानदार उत्तर: PINN ने डेटा को जबरदस्ती फिट करने की कोशिश नहीं की। इसके बजाय, इसने महसूस किया, "हे, मैं केवल रक्त डेटा के साथ इसे हल नहीं कर सकता।" इसने ईमानदारी से रिपोर्ट किया कि वर्तमान जानकारी के साथ यह समस्या अनेहलनीय है। इसने प्रभावी रूप से कहा, "यहाँ गणित टूट जाता है।"
"जादुई" समाधान: लेखकों ने फिर PINN को थोड़ी सी अतिरिक्त मदद दी: ऊतक (tissue) से प्राप्त कुछ दुर्लभ माप। अचानक, PINN इस पहेली को उच्च सटीकता के साथ हल करने में सक्षम हो गया। पुराना स्कूल का डॉक्टर इसे हल करने की कोशिश भी नहीं कर सका, क्योंकि उसकी "रेसिपी" में इन नए ऊतक नंबरों को रखने के लिए कोई जगह नहीं थी।

4. मुख्य निष्कर्ष

लेखक यह नहीं कह रहे हैं कि नया AI हमेशा सरल कार्यों के लिए तेज़ या बेहतर होता है। वास्तव में, सरल मामलों के लिए पुराना तरीका अभी भी तेज़ है।

इसके बजाय, उनका मुख्य दावा ईमानदारी और लचीलेपन के बारे में है:

समान रेसिपी: PINN दोनों सरल और जटिल दवाओं के लिए एक ही "रेसिपी" का उपयोग करता है। जब दवा जटिल हो जाती है तो आपको गणित बदलने की आवश्यकता नहीं है।
सच्चाई को उजागर करना: जब डेटा किसी समस्या को हल करने के लिए अपर्याप्त होता है (जैसे कि पेचीदा दवा वाला परिदृश्य), तो PINN इसे स्वीकार करता है। पुराना तरीका एक आत्मविश्वासी लेकिन गलत उत्तर देकर समस्या को छिपा देता है।
डेटा का मिश्रण: PINN विभिन्न प्रकार के डेटा (रक्त परीक्षण + कुछ ऊतक नमूने) को एक ही गणना में आसानी से मिला सकता है, जबकि पुराना तरीका उन्हें मिलाने में संघर्ष करता है।

संक्षेप में: यह शोध पत्र दिखाता है कि एक "फिजिक्स-अवेयर" AI अधिक ईमानदार और लचीला उपकरण है। जब चीजें सरल होती हैं तो यह मानक पद्धति की तरह ही अच्छा काम करता है, लेकिन जब चीजें जटिल हो जाती हैं या डेटा पेचीदा होता है, तो यह आपको गलत उत्तर देने के बजाय सच्चाई बताता है।

तकनीकी सारांश: कीमोथेरेपी फार्माकोकाइनेटिक्स के लिए फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क (PINNs)

समस्या विवरण
कीमोथेरेपी की खुराक का निर्धारण विशिष्ट ऊतकों (tissues) में समय के साथ दवा की सांद्रता (concentration) को समझने पर निर्भर करता है, फिर भी नैदानिक अभ्यास रक्त के नमूनों के माध्यम से प्लाज्मा सांद्रता मापने तक ही सीमित है। ऊतक और ट्यूमर की सांद्रता, जो प्रभावकारिता और विषाक्तता निर्धारित करती है, अनऑब्जर्व्ड (unobserved) रहती है। इन छिपे हुए अवस्थाओं (hidden states) का अनुमान लगाने के लिए कम्पार्टमेंटल फार्माकोकाइनेटिक (PK) मॉडल का उपयोग किया जाता है। मानक नैदानिक दृष्टिकोण रैखिक दो-कम्पार्टमेंट साधारण अवकल समीकरणों (ODEs) से प्राप्त एक विश्लेतक बाइएक्सपोनेंशियल (biexponential) समाधान पर नॉनलीनियर लीस्ट-स्क्वायर्स (NLS) फिटिंग का उपयोग करता है। आदर्श मान्यताओं (रैखिक गतिकी, कम शोर) के तहत प्रभावी होने के बावजूद, यह विधि तब विफल हो जाती है जब मान्यताओं का उल्लंघन होता है (जैसे संतृप्त उन्मूलन/saturable elimination) या जब विश्लेतक समाधान मौजूद नहीं होता है। यह शोध जांच करता है कि क्या फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क (PINNs) एक मजबूत विकल्प के रूप में कार्य कर सकते हैं जो क्लोज्ड-फॉर्म समाधानों की आवश्यकता के बिना आंशिक अवलोकन, गैर-रैखिक गतिकी और संरचनात्मक विस्तारों को संभाल सकते हैं।

कार्यप्रणाली (Methodology)
यह अध्ययन दो PK समस्याओं पर तीन दृष्टिकोणों का बेंचमार्क करता है: एक रैखिक दो-कम्पार्टमेंट मॉडल और एक माइकलिस-मेंटन विस्तार (संतृप्त उन्मूलन)।

बेसलाइन्स (Baselines):
- NLS: नैदानिक मानक जो प्लाज्मा बाइएक्सपोनेंशियल फंक्शन पर scipy.optimize.curve_fit का उपयोग करता है। यह मापदंडों $(A, B, \alpha, \beta)$ को फिट करता है और उन्हें दर स्थिरांकों (rate constants) में बदलने के लिए उन्हें इन्वर्ट करता है, फिर ऊतक सांद्रता का अनुमान लगाने के लिए ODE को इंटीग्रेट करता है।
- MLP (केवल डेटा): एक मल्टी-लेयर पर्सेप्ट्रॉन जिसका आर्किटेक्चर PINN के समान है, लेकिन इसे बिना किसी भौतिक बाधा (physics constraints) के केवल प्लाज्मा डेटा पर प्रशिक्षित किया गया है।
PINN फॉर्मूलेशन:
- एक न्यूरल नेटवर्क $f_\theta$ समय को प्लाज्मा ( $\hat{C}_p$ ) और ऊतक ( $\hat{C}_t$ ) सांद्रता से मैप करता है।
- लॉस फंक्शन डेटा फिडेलिटी ( $L_{data}$ ), प्रारंभिक स्थिति प्रवर्तन ( $L_{ic}$ ), और ऑटोमैटिक डिफरेंशिएशन के माध्यम से गणना किए गए ODE अवशेष ( $L_{phys}$ ) को जोड़ता है।
- मापदंडों को धनात्मकता सुनिश्चित करने के लिए लॉग-मानों (log-values) के रूप में संग्रहीत किया जाता है।
- ऑप्टिमाइज़ेशन: ग्लोबल एक्सप्लोरेशन के लिए एडम (Adam) के बाद लोकल रिफाइनमेंट के लिए L-BFGS का उपयोग करते हुए एक दो-चरणीय प्रक्रिया।
प्रायोगिक सेटअप:
- सिंथेटिक ग्राउंड ट्रुथ डॉक्सोरूबिसिन (doxorubicin) के मापदंडों के लिए 24 घंटों के दौरान जनरेट किया गया है।
- प्रयोगों में एक हेडलाइन रन (8 नमूने, 10% शोर), नॉइज़ स्वीप्स, स्पैरसिटी स्वीप्स और एक स्ट्रक्चरल मिसस्पेसिफिकेशन टेस्ट शामिल है (जिसमें माइकलिस-मेंटन ODE द्वारा डेटा जनरेट किया गया है, जिसका कोई क्लोज्ड फॉर्म नहीं है)।
- सांख्यिकीय मजबूती सुनिश्चित करने के लिए पांच रैंडम सीड्स के माध्यम से तुलना की गई है।

मुख्य परिणाम

रैखिक दो-कम्पパート मॉडल:
- प्रदर्शन: प्लाज्मा RMSE पर NLS और PINN सांख्यिकीय रूप से समान हैं। NLS एलिमिनेशन रेट $k_e$ को थोड़े कम बायस के साथ रिकवर करता है, जबकि PINN थोड़ा अधिक बायस दिखाता है।
- हिडन स्टेट रिकवरी: PINN एक सिंगल ट्रेनिंग पास में ऊतक वक्र (tissue curve) को सफलतापूर्वक रिकवर करता है। इसके विपरीत, केवल डेटा वाला MLP ऊतक कम्पार्टमेंट को पुनर्गठित करने में विफल रहता है, जो भौतिकी-आधारित विधियों की तुलना में लगभग 10 गुना अधिक RMSE प्रदर्शित करता है।
- दक्षता: NLS काफी तेज़ (0.004s) है, जबकि PINN (~25s) की तुलना में, जो विश्लेतक इन्वर्जन के मुकाबले न्यूरल दृष्टिकोण की कम्प्यूटेशनल लागत को दर्शाता है।
- आइडेंटिफिएबिलिटी (Identifiability): दोनों विधियाँ $k_{12}$ पैरामीटर के साथ संघर्ष करती हैं क्योंकि शोर वाले डेटा में यह व्यावहारिक रूप से नॉन-आइडेंटिफिएबल (खराब कंडीशनिंग के कारण) है, जो कि डेटा संरचना का गुण है न कि अनुमान पद्धति का।
माइकलिस-मेंटन विस्तार (संतृप्त उन्मूलन):
- NLS की विफलता: चूंकि इस सिस्टम के लिए बाइएक्सपोनेंशियल क्लोज्ड फॉर्म मौजूद नहीं है, इसलिए NLS एस्टीमेटर मिस-स्पेसिफाइड है। यह अर्थहीन दर स्थिरांक लौटाता है, जिससे यह वास्तविक गतिकी को पकड़ने में चुपचाप विफल हो जाता है।
- PINN डायग्नोस्टिक: PINN किसी गैर-मौजूद क्लोज्ड फॉर्म पर फिट होने के लिए मजबूर नहीं होता है। इसके बजाय, यह उस बेसिन की ओर अभिसरित (converge) होता है जहाँ $k_{12} \to 0$ , जो स्पष्ट रूप से केवल प्लाज्मा डेटा पर निर्भर रहने पर मॉडल की स्ट्रक्चरल नॉन-आइडेंटिफिएबिलिटी को उजागर करता है।
- पार्शियल ऑब्जर्वेबिलिटी समाधान: PINN लॉस में स्पार्स टिश्यू ऑब्जर्वेशन जोड़ने से आइडेंटिफिएबिलिटी काफी हद तक सुधर जाती है। पांच सीड्स में, PINN $k_{21}$ को सत्य के 1% के भीतर और $V_{max}, K_m$ को एक स्टैंडर्ड डेविएशन के भीतर रिकवर करता है। हालांकि $k_{12}$ अभी भी बायस्ड है (सही दिशा में आगे बढ़ रहा है लेकिन सत्य से $\sim 2\sigma$ नीचे है), यह रिकवरी NLS एस्टीमेटर के लिए असंभव है, जो क्लोज्ड-फॉर्म समाधान के बिना फिट करने का प्रयास भी नहीं कर सकता।

महत्व और दावे
यह पेपर स्पष्ट रूप से कहता है कि इसका दावा यह नहीं है कि PINNs, अच्छी तरह से निर्दिष्ट रैखिक समस्याओं पर शुद्ध सटीकता या गति के मामले में NLS से बेहतर प्रदर्शन करते हैं। इसके बजाय, महत्व PINN दृष्टिकोण की एकरूपता और डायग्नोस्टिक क्षमता में निहित है:

एकीकृत रेसिपी (Unified Recipe): PINNs एक एकल फ्रेमवर्क प्रदान करते हैं जो टेक्स्टबुक रैखिक समस्या को संभालता है (NLS प्रदर्शन से मेल खाता है) और बिना किसी नए विश्लेतक व्युत्पन्न (analytical derivation) की आवश्यकता के, माइकलिस-मेंटन जैसे गैर-रैखिक और संरचनात्मक विविधताओं तक निर्बाध रूप से विस्तारित होता है।
आइडेंटिफिएबिलिटी को उजागर करना: NLS एस्टीमेटर के विपरीत, जो "साइलेंट" विफलता और अर्थहीन मापदंडों के पीछे स्ट्रक्चरल नॉन-आइडेंटिफिएबिलिटी को छिपा देता है, PINN इन सीमाओं को सीधे प्रकट करता है। विशिष्ट बेसिनों (जैसे, $k_{12} \to 0$ ) की ओर अभिसरित होकर, PINN एक डायग्नोस्टिक टूल के रूप में कार्य करता है जो संकेत देता है कि डेटा मॉडल को बाधित करने के लिए अपर्याप्त है।
विषम डेटा एकीकरण (Heterogeneous Data Integration): PINN फ्रेमवर्क स्वाभाविक रूप से एक ही लॉस फंक्शन के भीतर विषम मापों (प्लाज्मा और स्पार्स टिश्यू डेटा) को समाहित करता है, जिससे उन हिडन कम्पार्टमेंट्स की रिकवरी संभव होती है जिन्हें केवल डेटा वाले मॉडल पुनर्गठित करने में विफल रहते हैं।

संक्षेप में, यह कार्य एक सावधानीपूर्वक, मल्टी-सीड बेंचमार्क प्रस्तुत करता है जो यह दर्शाता है कि हालांकि आदर्श परिदृश्यों में PINNs विश्लेतक एस्टीमेटर्स की गति की जगह नहीं ले सकते हैं, वे जटिल PK समस्याओं के लिए एक मजबूत, विस्तार योग्य और ईमानदार ढांचा प्रदान करते हैं जहाँ विश्लेतक समाधान उपलब्ध नहीं होते या जहाँ स्ट्रक्चरल आइडेंटिफिएबिलिटी एक चिंता का विषय होती है।

1. दो प्रतिस्पर्धी

2. पहली दौड़: सरल परिदृश्य

3. दूसरी दौड़: पेचीदा परिदृश्य

4. मुख्य निष्कर्ष

इसी तरह के और पेपर