PBPK-iPINNs: Inverse Physics-Informed Neural Networks for Physiologically Based Pharmacokinetic Brain Models

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 생리학적 기반 약동학 (PBPK) 모델은 약물의 흡수, 분포, 대사, 배설 (ADME) 을 설명하기 위해 기계론적 (mechanistic) 접근법을 사용하며, 특히 뇌와 같은 복잡한 기관의 약물 전달을 시뮬레이션하는 데 필수적입니다. 이러한 모델은 일반적으로 연립 상미분 방정식 (ODE) 시스템으로 구성됩니다.
• 문제점:
  1. 파라미터 추정 어려움: PBPK 모델에는 직접 측정하기 어려운 많은 미지 파라미터 (약물 특이적 또는 환자 특이적) 가 존재합니다. 윤리적, 실용적 제약으로 인해 인간 대상 실험 데이터 수집이 제한적입니다.
  2. 수치적 불안정성: PBPK 뇌 모델은 종종 '강성 (stiff)' ODE 시스템으로, 기존의 수치적 방법 (예: Runge-Kutta) 이나 통계적 추정 방법 (예: SAEM) 이 수렴하지 않거나 발산하는 경우가 많습니다.
  3. 데이터 부족: 머신러닝 기반의 데이터 중심 모델은 방대한 학습 데이터가 필요하지만, 과학적 응용 분야에서는 이러한 데이터가 부족한 경우가 많습니다.
  4. 역문제 (Inverse Problem) 의 복잡성: 관측 데이터로부터 물리 법칙을 따르는 파라미터를 역으로 추정하는 역문제는 본질적으로 잘 정의되지 않을 수 (ill-posed) 있으며, 해가 유일하지 않거나 존재하지 않을 수 있습니다.

2. 제안된 방법론 (Methodology)

저자들은 역 물리 정보 신경망 (Inverse Physics-Informed Neural Networks, iPINNs) 을 PBPK 뇌 모델에 적용하여 파라미터 추정 및 농도 프로파일 예측을 수행하는 PBPK-iPINN 프레임워크를 제안했습니다.

• 모델 구조:

  • 4-구획 뇌 모델 (4-Compartment Brain Model): 뇌 혈액 (Brain Blood), 뇌 조직 (Brain Mass), 두개강 뇌척수액 (Cranial CSF), 척수 뇌척수액 (Spinal CSF) 의 4 개 구획으로 구성된 침투성 제한 (permeability-limited) 모델을 사용했습니다. 이는 Simcyp 시뮬레이터의 표준 모델을 기반으로 합니다.
  • 미분 방정식: 질량 보존 법칙에 기반한 4 개의 연립 ODE 를 정의하여 각 구획의 약물 농도 변화를 모델링했습니다.

• PINN 아키텍처:

  • 입력: 시간 ($t$).
  • 출력: 4 개 구획의 약물 농도 ($C_{bb}, C_{bm}, C_{ccsf}, C_{scsf}$).
  • 학습 가능한 변수: 신경망 가중치/편향 ($\theta$) 과 외부 학습 가능한 시스템 파라미터 ($p$) 를 동시에 최적화합니다.
  • 손실 함수 (Loss Function):
    $$L = \lambda_{Data} L_{data} + \lambda_{ODE} L_{ODE} + \lambda_{IC} L_{IC}$$
    • $L_{data}$: 관측된 실험 데이터와 예측값 간의 오차.
    • $L_{ODE}$: 물리 법칙 (ODE 방정식) 을 위반하는 정도 (잔차).
    • $L_{IC}$: 초기 조건 오차.
    • 가중치 조정: 각 손실 항의 가중치 ($\lambda$) 를 수동으로 조정하여 균형 잡힌 수렴을 달성했습니다.

• 구현 세부사항:

  • 라이브러리: DeepXDE 라이브러리를 사용했습니다.
  • 활성화 함수: Tanh, Sigmoid, ReLU, Sine 등을 비교 검토하여 Tanh가 가장 우수한 성능을 보임을 확인했습니다.
  • 최적화: Adam 옵티마이저를 사용하여 초기 학습을 진행한 후, L-BFGS 옵티마이저로 전환하여 정밀도를 높였습니다.
  • 파라미터 식별성 분석 (Identifiability Analysis):
    • 구조적 식별성 (Structural): Julia 의 StructuralIdentifiability 라이브러리를 사용하여 파라미터가 수학적으로 유일하게 결정 가능한지 분석했습니다.
    • 실용적 식별성 (Practical): MONOLIX 소프트웨어를 사용한 부트스트랩 (bootstrapping) 분석을 통해 추정된 파라미터의 신뢰구간과 상관관계를 평가했습니다.

3. 주요 기여 (Key Contributions)

1. PBPK-iPINN 프레임워크 도입: 기존에 PBPK 역문제에 적용된 사례가 거의 없었던 iPINN 을 4-구획 뇌 모델에 처음 적용하여, 물리 법칙을 내재화한 채 파라미터를 추정하는 새로운 접근법을 제시했습니다.
2. 강성 시스템 해결: 전통적인 수치 해법이 수렴하기 어려운 강성 ODE 시스템에서 PINN 이 안정적으로 해를 찾을 수 있음을 입증했습니다.
3. 정밀한 파라미터 추정: 부피 (Volumes) 파라미터에 대해 $10^{-8}$ 수준의 매우 낮은 절대 오차를 달성하여 기존 방법론을 압도하는 정확도를 보였습니다.
4. 식별성 분석 통합: 파라미터 추정의 신뢰성을 보장하기 위해 구조적 및 실용적 식별성 분석을 체계적으로 수행하고, 식별이 어려운 파라미터는 고정하거나 데이터의 풍부함을 활용하는 전략을 제시했습니다.

4. 실험 결과 (Results)

• 파라미터 추정 정확도:
  • 참조값: Simcyp 시뮬레이터에서 생성된 100 명의 가상 환자 집단의 평균 농도 데이터를 기반으로 한 참조 파라미터 값을 사용했습니다.
  • 성능: PBPK-iPINN 은 $V_{bb}$ (뇌 혈액 부피), $V_{bm}$ (뇌 조직 부피) 등 주요 부피 파라미터에서 $10^{-8}$ 크기의 절대 오차를 기록했습니다.
  • 비교:
    • SAEM (MONOLIX): 파라미터 추정 오차가 상대적으로 컸으며 (예: $V_{bm}$ 오차 약 0.004), 계산 시간이 3,421 초 소요되었습니다.
    • DE (Differential Evolution, R): 오차는 SAEM 보다 좋았으나 PINN 보다는 낮았으며, 계산 시간이 4,083 초 소요되었습니다.
    • PINN: 가장 낮은 오차를 기록했으며, 500 만 회 이상의 반복 학습 후 총 손실 $1.23 \times 10^{-5}$를 달성했습니다. (계산 비용은 높았으나 정확도 면에서 우월함).
• 농도 프로파일 예측: 추정된 파라미터를 사용하여 계산된 약물 농도 - 시간 곡선이 관측 데이터와 매우 높은 일치도를 보였습니다.
• 활성화 함수 비교: Tanh 와 Sigmoid 가 ReLU 나 Sine 보다 4-구획 모델에서 더 낮은 손실 값을 보였습니다.
• 신경망 아키텍처: 6 개의 은닉층과 각 층당 50 개의 뉴런을 가진 구조가 최적의 성능을 보였습니다.

5. 의의 및 결론 (Significance)

• 임상 및 제약 산업 적용: 정확한 파라미터 추정은 $C_{max}$ (최대 농도), $T_{max}$ (최대 농도 도달 시간), $AUC$ (농도 - 시간 곡선 아래 면적), 반감기 등 중요한 약동학 지표를 산출하는 데 필수적입니다. 이는 뇌암 치료제 개발 및 용량 최적화에 직접적인 도움을 줄 수 있습니다.
• 기존 방법론의 대안: 전통적인 수치/통계적 방법이 실패하는 복잡한 역문제 (고차원, 강성 시스템) 에 대해 PINN 이 강력한 대안이 될 수 있음을 입증했습니다.
• 확장성: 이 프레임워크는 뇌 모델뿐만 아니라 향후 대사 플럭스 분석 (MFA) 과 같이 수십 개의 ODE 와 80 개 이상의 파라미터가 필요한 더 복잡한 생리학적 모델에도 적용 가능합니다.
• 한계 및 향후 과제: PINN 학습에 상당한 계산 자원이 필요하며, 실제 실험 데이터의 노이즈와 샘플링 한계를 고려한 추가 연구가 필요합니다.

요약하자면, 이 연구는 물리 법칙을 신경망에 통합함으로써 기존 수치 해석의 한계를 극복하고, 뇌 약물 전달 모델의 파라미터를 극도로 정밀하게 추정할 수 있는 새로운 AI 기반 방법론을 제시했습니다.