- Tytuł:
-
Surrogate modeling for selected pharmacokinetic endpoints
Modelowanie surogatywne dla wybranych farmakokinetycznych punktów końcowych - Autorzy:
- Berny, Kornelia
- Opis:
-
Obliczenia parametrów farmakokinetycznych są obecnie wykonywane za pomocą symulacji komputerowych, które wykorzystują zaawansowane modele do dokładnego opisu procesów zachodzących w żywych organizmach. Modelowanie surogatywne stało się użytecznym narzędziem, które może znacznie uprościć obliczenia, ponieważ zaawansowane modele, składające się z dużej liczby skomplikowanych równań matematycznych, wymagają dużej mocy obliczeniowej a ich czas obliczeniowy jest długi. Ważnym aspektem jest również możliwość interpretacji modelu, aby możliwe było jego ponowne wykorzystanie. W poniższej pracy zastosowano trzy techniki modelowania surogatywnego: Cubist, random Forest oraz sieć neuronową MONMLP. Wszystkie te systemy są w stanie wykonywać obliczenia nawet przy użyciu obszernej bazy danych, są powszechnie dostępne i nie wymagają dużej mocy obliczeniowej. Modele, które zostały wcześniej odpowiednio przeszkolone przy użyciu walidacji krzyżowej, zostały wykorzystane do przewidywania wartości parametrów farmakokinetycznych i porównywania ich z rzeczywistymi wynikami uzyskanymi z oryginalnego modelu. Modele zastępcze wykazywały ogromny potencjał, zwłaszcza gdy były wdrażane w postaci wielopoziomowych zespołów/komitetów eksperckich. Opłacalność obliczeniowa modeli zastępczych została potwierdzona poprzez uzyskanie poprawy wielkości czasu przetwarzania o wynik dwóch rzędów.
Calculations of pharmacokinetic parameters nowadays are performed by computer simulations, which are using advanced models to describe accurately processes that take place in live organisms. Surrogate modeling has become a useful tool which can significantly simplify the calculations, because the advanced models, consisting of a large number of complex mathematical equations require high computing power and their computational time is long. An important aspect is also the interpretability of the model so that it can be reused. In the following work, three surrogate modeling techniques were used: Cubist, random Forest and the MONMLP neural network. All these systems are able to perform calculations even with the use of a large database, are freely available and do not require substantial computational power. Models that had been properly trained using cross-validation were used to predict pharmacokinetic parameters and compared to actual results derived from the original model. Surrogate models showed great potential, especially when implemented in the form of the multi-level ensembles/expert committees. Computational cost-efficiency of the surrogate models was confirmed resulting in the two orders of magnitude improvement of the processing time. - Dostawca treści:
- Repozytorium Uniwersytetu Jagiellońskiego
Inne