先预测药物参数，再计算组织暴露
美国佛罗里达大学（University of Florida）研究者在 Toxicological Sciences 综述机器学习与生理药代动力学模型（physiologically based pharmacokinetic model，PBPK）的结合。新药缺少特异参数时，结构与已有测量数据可帮助估计模型输入。
文章提出三步路径：整理药物浓度时间数据和吸收、分布、代谢、排泄（absorption, distribution, metabolism and excretion，ADME）参数；训练机器学习预测缺失参数；将预测值纳入 PBPK，计算血浆与组织浓度，再与实测资料比较。
参数包括吸收速率、组织与血浆的分配关系、游离比例和清除率。预测输出分别进入相应生理过程；最终评价还包括浓度曲线、曲线下面积（area under the curve，AUC）和最高血浆浓度等。
数据库需要同时保留给药与人群信息
综述比较 PK-DB、PK/DB、PKKB、E-Drug3D 和 ChEMBL 等资料来源。不同数据库分别侧重临床曲线、药物标签、组织分布或活性与 ADME 测量，所含药物数量和变量也不同。
例如，PK-DB 同时记录年龄、体重、吸烟及遗传信息，以及剂量、途径、药代参数和时间曲线。只有结构而缺少给药条件的数据，能够支持的预测问题较窄。
文中药代数据集还包含 1352 种药物的清除、分布和结合信息，以及用于肠吸收分析的 970 种分子。这里的数量对应论文引用时的数据版本，这些数据库分别服务于不同的预测任务。
吸收和组织分配采用不同训练目标
吸收案例包括按人体肠吸收分类，以及预测药物在人结直肠癌细胞模型中的膜通透性。970 种分子的随机森林分类在训练与测试集的准确率分别约为 0.89 和 0.87；另一个 219 种分子的通透性模型报告约 0.83–0.84 的相关系数。
两类结果分别对应分类与连续数值预测。细胞通透性、人体吸收和口服生物利用度具有不同测量定义，综述按各自目标介绍模型。
组织分配参数影响药物在各器官的相对积累。一项 21 种分子的测试，将机器学习估计的分配系数和传统机制估计值分别用于药代计算，再比较 AUC、最高浓度及分布容积。
该案例中，分布容积的平均绝对倍数误差由约 2.63 降至 1.71。但这是特定测试集和输入方式的比较，综述同时介绍根据组织组成与理化属性估计分配的机制模型。
清除率预测保留体外和人体资料的差别
清除相关模型分别使用人体肾清除、总体清除或体外代谢数据。以 349 种分子的肾清除数据为例，随机森林训练集 R² 约为 0.93，测试集约为 0.63，测试集的预测表现弱于训练拟合。
另一项 1114 种分子的比较，以体外代谢测量和结构信息预测总体血浆清除。随机森林和径向基函数模型的测试结果分别有约 67% 和 72% 落在实测值 2 倍范围内。
图结构模型也用于清除预测，但各项指标并未一致优于动物缩放。文中案例的几何平均倍数误差为 2.68，动物缩放为 2.65；落在 2 倍误差内的比例则分别为 48.5% 和 47.2%。
这些结果说明，平均误差与一定误差范围内的覆盖比例需要一起看。训练输入、物种和清除定义不同的模型，也应分别解释其用途。
连续时间模型尝试直接学习药物浓度变化
简化 PBPK 案例先用 LightGBM 估计吸收速率、循环容积和肝内在清除，再计算浓度。相关人体研究使用 212 种分子的口服资料，预测与实测最高浓度和 AUC 的相关系数约为 0.85 和 0.80。
这套简化模型还分别用于动物和人体数据。早期研究以 246 种化合物和 1718 项分子描述符训练大鼠参数预测，后续人体研究改用 212 种化合物的口服浓度时间曲线；两个数据集的样本与评价范围分别报告。
直接预测时间序列则遇到不同问题。综述中的长短期记忆网络以假想药物为例，可拟合训练时的给药安排，但对每天给药 2 次或 3 次的新安排预测不足，给药变化成为具体测试条件。
神经常微分方程（neural ordinary differential equation，Neural-ODE）把连续时间变化与神经网络结合，可处理不规则采样。文中以恩美曲妥珠单抗的既有临床浓度及血小板反应资料介绍相关研究；已报告结果主要属于药代或药代药效预测。
把这种连续时间网络扩展为通用 PBPK，是作者提出的发展方向。综述同时强调数据多样性、可解释性和过拟合控制，模型仍需在未参与训练的药物、条件和人群中检查。