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

Resumo Técnico: PBPK-iPINNs para Modelos Farmacocinéticos Cerebrais

1. O Problema

O modelo farmacocinético baseado na fisiologia (PBPK) é uma abordagem mecanicista que supera os métodos de compartimentalização clássica ao simular a distribuição de fármacos com base na fisiologia real do corpo humano. No entanto, a modelagem PBPK, especialmente para o cérebro, enfrenta desafios significativos:

• Parâmetros Desconhecidos: Muitos parâmetros (como volumes de tecidos, taxas de clearance e frações não ligadas) são difíceis de medir diretamente em humanos devido a restrições éticas e práticas.
• Complexidade Matemática: Os modelos são descritos por sistemas de Equações Diferenciais Ordinárias (EDOs) que frequentemente apresentam rigidez (stiffness), fazendo com que métodos numéricos e estatísticos tradicionais falhem na convergência.
• Problemas Inversos: Estimar parâmetros específicos do fármaco ou do paciente a partir de dados observados (problema inverso) é computacionalmente caro e muitas vezes mal-posto, exigindo formulações separadas e códigos especializados.
• Limitações de Dados: Em aplicações científicas, grandes conjuntos de dados rotulados são frequentemente indisponíveis, limitando o uso de redes neurais puramente baseadas em dados.

2. Metodologia: PBPK-iPINN

Os autores propõem o PBPK-iPINN (Inverse Physics-Informed Neural Networks), uma abordagem que integra aprendizado de máquina com as leis físicas governantes do sistema.

• Modelo Biológico: O estudo utiliza um modelo de cérebro de 4 compartimentos com limitação de permeabilidade, desenvolvido no simulador Simcyp. Os compartimentos são:

  1. Sangue cerebral ($C_{bb}$)
  2. Massa cerebral ($C_{bm}$)
  3. Líquido cefalorraquidiano (LCR) craniano ($C_{ccsf}$)
  4. LCR espinhal ($C_{scsf}$)
     O sistema é governado por um conjunto de EDOs que descrevem o balanço de massa, fluxo sanguíneo, permeabilidade e clearance.

• Arquitetura da Rede Neural:

  • Utiliza-se uma Rede Neural Profunda (DNN) totalmente conectada que toma o tempo como entrada e prevê as concentrações nos 4 compartimentos.
  • A rede é treinada para minimizar uma função de perda composta que inclui:
    1. Perda de Dados ($L_{data}$): Diferença entre as previsões da rede e os dados observados experimentais.
    2. Perda de EDO ($L_{ODE}$): Penalidade baseada no resíduo das equações diferenciais (garantindo que a solução satisfaça as leis físicas de conservação de massa).
    3. Perda de Condição Inicial ($L_{IC}$): Garantia de que a solução começa nos valores corretos.
  • Treinamento Híbrido: Os parâmetros do sistema (físicos) e os pesos/vieses da rede neural são otimizados simultaneamente como variáveis treináveis externas.

• Identificabilidade de Parâmetros:

  • Foi realizada uma análise de identificabilidade estrutural (usando a biblioteca Julia StructuralIdentifiability) para determinar quais parâmetros podem ser únicos e estimáveis.
  • Uma análise de identificabilidade prática foi conduzida via bootstrapping (usando o software MONOLIX) para avaliar a confiabilidade das estimativas com dados reais.

• Implementação: O código foi desenvolvido em Python utilizando a biblioteca DeepXDE, que facilita a implementação de PINNs. O otimizador Adam foi usado inicialmente, seguido pelo algoritmo L-BFGS para refinar a convergência.

3. Contribuições Principais

• Inovação no Campo PBPK: É um dos primeiros estudos a aplicar redes neurais informadas por física inversas (iPINNs) especificamente para modelos PBPK de 4 compartimentos do cérebro, focando na estimativa de parâmetros e perfis de concentração.
• Superação de Rigidez: Demonstra que os iPINNs conseguem lidar com sistemas de EDOs rígidos onde métodos numéricos tradicionais (como Runge-Kutta) e estatísticos (como SAEM) têm dificuldade de convergência.
• Análise de Identificabilidade: Fornece um roteiro rigoroso para verificar a identificabilidade estrutural e prática antes da estimativa de parâmetros, fixando parâmetros não identificáveis para melhorar a robustez do modelo.
• Otimização de Hiperparâmetros: Estabelece diretrizes sobre o peso das funções de perda e a escolha de funções de ativação (Tanh e Sigmoid mostraram-se superiores a ReLU e Sine neste contexto) e arquitetura da rede.

4. Resultados

O estudo foi validado usando dados simulados de um paciente virtual com câncer, recebendo uma dose oral de abemaciclib (10 mg).

• Precisão na Estimativa de Parâmetros:
  • O PBPK-iPINN alcançou erros da ordem de $10^{-8}$ para parâmetros de volume ($V_{bb}, V_{bm}, V_{ccsf}, V_{scsf}$).
  • Parâmetros de fração não ligada ($f_{ubb}$) e fração de unionização ($\lambda_{ccsf}$) também foram estimados com precisão aceitável, embora com erros ligeiramente maiores ($10^{-3}$) devido a correlações moderadas entre eles.
• Comparação com Métodos Tradicionais:
  • O desempenho do iPINN foi comparado com o algoritmo SAEM (implementado no MONOLIX) e o algoritmo de Evolução Diferencial (DE) (implementado em R).
  • Tabela 8 (Resumo): O iPINN produziu erros absolutos significativamente menores para a maioria dos parâmetros de volume em comparação com o SAEM e o DE. Por exemplo, para $V_{bm}$, o erro do iPINN foi ~0.00000, enquanto o SAEM teve ~0.00412.
• Convergência e Perfis de Concentração:
  • Após 5 milhões de iterações, o modelo convergiu para uma perda total de $1.23 \times 10^{-5}$.
  • Os perfis de concentração tempo-preditos para os 4 compartimentos alinharam-se quase perfeitamente com os dados de referência e observados, superando ou igualando a precisão dos métodos tradicionais.
• Custo Computacional: Embora o treinamento do PINN seja computacionalmente intensivo (levando cerca de 15 horas em um MacBook Air M1), ele oferece uma alternativa viável para sistemas onde outros métodos falham em convergir.

5. Significado e Impacto

• Apoio ao Desenvolvimento de Medicamentos: A capacidade de estimar com precisão parâmetros farmacocinéticos (como $C_{max}$, $T_{max}$, AUC e meia-vida) sem necessidade de medições invasivas extensivas acelera o desenvolvimento de terapias para câncer cerebral.
• Personalização de Tratamento: O framework é adaptável para estimar parâmetros específicos do paciente, permitindo a otimização de regimes de dosagem personalizados.
• Futuro da Modelagem: Este trabalho abre caminho para a aplicação de iPINNs em sistemas biológicos complexos com muitas equações (ex: análise de fluxo metabólico com >60 EDOs), onde métodos numéricos tradicionais falham.
• Validação Física: Ao incorporar as leis físicas diretamente na função de perda, o modelo garante que as previsões sejam fisicamente plausíveis, evitando extrapolações não realistas comuns em modelos puramente baseados em dados.

Em conclusão, o PBPK-iPINN representa um avanço significativo na modelagem farmacocinética, oferecendo uma ferramenta robusta, precisa e fisicamente consistente para resolver problemas inversos complexos em sistemas biológicos rígidos.