Automated modeling of population pharmacokinetic models using nlmixr2auto: a clinical trial and real-world data study

想象一下，你是一名医生，正试图为一名患者找到完美的药物剂量。这并不简单，仅仅靠猜测是不够的；人体是一台复杂的机器，处理药物的速度会根据一个人的体重、年龄甚至基因而有所不同。这就是群体药代动力学（简称“PopPK”）的世界。你可以把它想象成一场高风险的“猜食谱”游戏。科学家们必须建立一个数学模型，来预测药物如何在血液中移动：它进入体内有多快、在体内停留多久，以及它离开的速度有多快。

几十年来，构建这些模型一直是专家们进行的缓慢的手动工作。他们会调整食谱的一个部分，检查结果，再调整另一个部分，如此循环。这就像是在尝试寻找一锅汤的最佳调料组合，每加一小撮盐都要尝一次味道。这需要很长时间，而且有时专家会停留在“足够好”的方案上，却没意识到在别处还隐藏着一个“完美”的方案。最近，科学家们尝试使用计算机来自动化这个过程，但许多这类新工具就像是蒙着眼睛的厨师：它们可能会做出一锅还不错的汤，但无法证明自己找到的是最好的那一锅。这篇论文提出了一个至要的问题：我们能否构建一个计算机程序，不仅能自动烹饪这锅汤，还能证明它找到了绝对完美的食谱，且不会耗费一辈子的时间？

---

伟大的食谱搜寻战：算法与医学的故事

在这项研究中，一个研究小组推出了一款名为 nlmixr2auto 的新型开源工具。你可以把这个工具看作是一位超级聪明的自动化厨师，它不只是在瞎猜，而是利用巧妙的策略来搜寻完美的药物食谱。研究人员想看看这位新厨师是否能击败传统的“循序渐进”法，更重要的是，它能否找到与计算机尝试所有可能的组合（一种被称为“穷举搜索”的方法）时所找到的同一个“完美”食谱。

为了测试他们的工具，团队并没有仅仅使用虚构的数据。他们收集了来自真实患者和健康志愿者的 22 个真实临床数据集。这些数据集涵盖了各种药物，包括抗生素、癌症治疗药物和心脏病药物，给药方式包括静脉注射或口服。有些数据集只有几个人，而有些则有数百人。对于他们的自动化厨师来说，这是一个多样化且具有挑战性的菜单。

竞赛：三位智能猎手对阵一位慢速品鉴师

研究人员设置了一场关于如何寻找最佳模型的四方竞赛：

1. 穷举搜索 (Exhaustive Search)： “金标准”。这种方法尝试每一种可能的食谱组合，以保证找到绝对最好的那一个。这就像是品尝宇宙中所有可能的调料组合。它能保证正确，但速度极其缓慢。
2. 逐步法 (Stepwise Method)： “老派做法”。它从一个基础食谱开始，每次添加或移除一种成分，并在每次改变后检查味道。它很快，但可能会陷入一个“好”的食谱中，因为从未向更远的地方观察，从而错失了“完美”的方案。
3. 元启发式猎手 (GA, ACO, TS)： 这些是主角，由 nlmixr2auto 提供动力。它们使用受自然启发的策略：
   • 遗传算法 (GA)： 类似于进化，其中最好的食谱通过“交配”和“变异”产生更优秀的后代。
   • 蚁群算法 (ACO)： 类似于蚂蚁留下信息素轨迹；越好的食谱，留下的痕迹越强，从而引导其他个体到达最佳位置。
   • 禁忌搜索 (TS)： 像是一名侦探，会记住已经尝试过的路径并拒绝再次走下去，从而迫使自己去探索新的领域。

结果：速度与完美的结合

研究结果为医学建模领域带来了变革性的影响。

“完美”匹配：
当研究人员将结果与“金标准”（穷举搜索）进行比较时，元启发式猎手的表现极其精准。

• 遗传算法 (GA) 在 22 个数据集中有 21 个 找到了与穷殊搜索完全相同的完美食谱。成功率高达 95.5%。
• 蚁群算法 (ACO) 在 22 个数据集中有 20 个 做对了，成功率为 90.9%。
• 禁忌搜索 (TS) 在 22 个数据集中有 19 个 取得了成功，成功率为 86.4%。

相比之下，老派的逐步法仅在 22 个数据集中的 7 个 中找到了完美食谱（31.8%）。它确实很快，但经常出错，因为它过于专注于采取小步、谨慎的行动，从而错过了最佳解。

速度竞赛：
真正的奇迹发生在这里。对于一些较大的数据集，“金标准”穷举搜索非常缓慢，以至于在标准计算机上可能需要 超过 100 天 才能完成。即使使用强大的 4 核计算机，近一半的任务也需要 10 到 100 天 才能解决。

然而，新的 nlmixr2auto 工具速度极快。

• 63.6% 的任务（22 个中的 14 个）在 24 小时内 完成。
• 没有任何任务耗时超过 100 天。
• 事实上，元启发式方法通常比穷举搜索快 10 到 100 倍，但它们依然能找到同样高质量的答案。

这为什么重要

这项研究表明，我们不再需要在速度和准确性之间做选择。长期以来，专家们要么必须花费数月等待计算机检查每一种可能性，要么只能满足于手工构建的“足够好”的模型。这个新的框架 nlmixr2auto 提供了一条第三条道路：一个既足够快以具备实用性，又足够聪明以找到最佳模型的工具。

研究人员发现，这些自动化工具不仅仅是理论上的技巧；它们在来自实际临床试验的、杂乱的真实数据上同样有效。虽然研究指出，这些工具在针对不同类型的数据仍需一些微调，并且尚未实现将患者特定因素（如年龄或体重）自动纳入混合模型，但核心结论是明确的。通过使用这些受自然启发的搜索策略，我们可以构建出更好、更可靠的模型来描述药物在人体内的运作方式，从而帮助医生比以往任何时候都更快地为正确的患者开出正确的剂量。