自动微分辅助参数优化(ADPO)在Phoenix? NLME? 8.6中的实现及其在药代动力学/药效学建模中的加速性能评估

　　来自Certara的研究团队在Phoenix? NLME? 8.6中首次集成了自动微分(AD)技术，开发出自微分辅助参数优化(ADPO)方法，应用于FOCE ELS、Laplacian和AGQ算法。研究显示ADPO在保持与传统有限差分(FD)方法相当精度的同时，显著缩短计算时间20%-95%，为复杂PK/PD建模提供高效解决方案。

　　

自动微分(Automatic Differentiation, AD)作为现代机器学习中精确计算导数的关键技术，首次被集成至Phoenix? NLME? 8.6平台，并应用于一阶条件估计扩展最小二乘法(FOCE ELS)、拉普拉斯近似(Laplacian)及自适应高斯求积(AGQ)算法。这项被命名为"自动微分辅助参数优化(ADPO)"的技术，可通过启用"快速优化"选项激活。研究团队详细阐述了ADPO在常用FOCE ELS算法中的实施机制，并基于四个药代动力学/药效学(PK/PD)模型进行性能基准测试。结果表明：采用ADPO与使用有限差分(Finite Difference, FD)获取梯度的传统FOCE ELS算法均具有良好准确性与鲁棒性，但ADPO的核心优势在于其能显著降低计算耗时——无论采用何种常微分方程(ODE)求解器，ADPO总体运行时间较传统方法普遍减少20%至50%。在采用"自动检测"ODE求解器的伏立康唑真实案例中，甚至观察到总运行时间大幅缩减95%的显著效果。