布朗大学研究人员开发了一种新的人工智能方法，用于预测控释药物系统中所用材料释放治疗剂的速率。这种新方法可以大幅缩短新型治疗贴片、绷带和植入物的开发时间。
"目前开发控释材料的方法主要基于实验，"布朗大学工程学副教授Vikas Srivastava表示，"你设计一种材料，通过实验进行测试，调整设计后再进行实验。这需要大量时间。而我们开发的方法是利用物理学信息神经网络，仅需少量数据就能做出准确预测，这可以在开发新药物递送系统时节省大量时间。"
Srivastava及其同事在《药物递送科学与技术杂志》(Journal of Drug Delivery Science and Technology)上发表的研究中，测试了一种使用物理学信息神经网络(PINNs)来预测候选材料特性的方法。AI模型中使用的标准神经网络需要大量训练和海量数据才能产生准确预测。但PINNs——最初由布朗大学数学家兼教授George Karniadakis开发——从系统内置的基本物理定律开始。这减少了训练时间，并使模型能够仅用少量或无需训练数据就返回准确预测。
在该研究中，Srivastava与2025年从布朗大学毕业的Daanish Qureshi以及应用数学研究副教授Khemraj Shukla合作。研究团队开发的PINNs能够将短期实验观察与菲克扩散定律(Fick's Law of Diffusion)结合起来，后者描述了分子如何从高浓度区域迁移到低浓度区域，从而预测药物控释的长期行为。
研究者使用各种控释材料的现有实验数据，测试了PINNs需要多少数据才能做出与现实世界实验结果相匹配的预测。他们发现，对于简单平面材料，PINNs只需实验数据的前6%就能返回准确预测。对于更复杂的材料——那些有褶皱或皱纹的——PINNs需要33%的实验数据。
"我们基本上将简单材料所需的实验时间减少了94%，复杂材料减少了67%,"在布朗大学生物学、工程与医学研究所工作的Srivastava表示，"在药物开发中，时间就是金钱。我们希望这种方法能帮助更快、更经济地将产品推向患者。"
为了进一步改进模型的输出，研究者将扩散模型PINN与包含贝叶斯统计(Bayesian statistics)的版本进行了补充。即使是受控的实验室实验也涉及一些不确定性和噪声数据。贝叶斯PINNs可以量化这种不确定性，以产生更精确地重现实验数据的输出。
虽然本研究主要关注用于外部贴片和绷带的材料，但相同的基本概念也适用于药丸和其他形式的控释系统。Srivastava表示，这里展示的基本方法对这些系统也可能有用。
"Srivastava表示："我们相信这展示了一个领域，在这个领域中，AI可以在开发改善人们生活的产品的过程中产生真正的影响。"
更多信息：
Daanish Aleem Qureshi等人，《使用物理学信息神经网络进行药物释放建模》，《药物递送科学与技术杂志》(2026)。DOI: 10.1016/j.jddst.2026.108654
提供方：布朗大学
【全文结束】