AI-PBPK智能新药筛选（含AIDD服务）
药物研发是一个复杂且耗时的过程。首先，研究人员确定一个生物靶点，即疾病进展中可以被药物影响的生物分子。 然后，通过虚拟筛选或高通量筛选等技术，从大量化合物中筛选出具有潜在活性的 “命中化合物”。这些化合物经过进一步优化，成为“候选化合物”。 在体外和动物实验中测试这些化合物的安全性和有效性。通过这些步骤，药物开发遵循了一个从广泛筛选到精细筛选的过程。
现在，我们使用AI-PBPK平台来优化药物筛选过程，预测化合物的吸收、分布、代谢、排泄（ADME）和理化特性， 以及药物的人类药代动力学和药效学（PD）结果。这有助于更早地实现临床终点，并有可能导致更早地识别高质量的候选药物， 从而减少从目标发现到候选药物选择的时间线。
PBPK建模是药物发现和开发中的一个重要组成部分。它将生理特性和ADME特性纳入数学方程，预测药物在人体内的行为。 结合机器学习算法，可以更准确地预测药物的PK、ADME和理化特征的最佳范围。B²O平台是一个集成了PBPK模型的平台，它预测药物暴露、 与其他药物的潜在相互作用以及与参考化合物的生物等效性。
在本研究中，B²O平台集成了PD模型、PBPK和AI相关算法。机器学习方法用于预测ADME和其他物理化学性质。 图神经网络（GNNs）用于分析化学结构，并预测PK参数。随机森林（树模型）用于多元线性回归分析。 研究者们还使用了RDKit化学信息学工具包和开源的二模态-dl来计算特定的化学参数。
相关案例：研究者们使用AI-PBPK平台预测化合物的PK和PD结果，并通过模拟研究设计来验证这些预测。例如，对伏诺拉唑的 血浆浓度和PD进行顺序建模，使用PBPK模型模拟不同剂量下的PK谱，并描述药物的抗分泌作用与胃内pH水平之间的关系。