Every year a huge amount of budget and time is allocated to drug discovery and development, however, it is still an expensive and time-consuming process. This process has four stages and among these stages, pre-clinical and clinical trials are the most complex ones. Significant number of compounds entering the pre-clinical stage is one of the most important factors leading to a more lengthy and expensive process. In order to select the best drug-like candidate to be entered in this process, high-throughput screening methods are employed together with QSAR and simple predictive models. More recently, machine learning approaches have gained use as well. Besides, pharmacokinetic modelling and simulation is widely used for extrapolation from in vitro to in vivo in pre-clinical species and human. However, none of these methods are able to be interpreted mechanistically. Thus, this study aims to construct an approach that would allow mechanistic inference in prediction of in vivo concentration-time profile of a drug from its molecular descriptors. The hypothesis of this study is, it should be a viable process by combining machine learning algorithms with PBPK models. In order to see if the hypothesis is correct or not in this proof-of-concept, a framework integrating machine learning and pharmacokinetic models were developed. A data set consisted of 50 compounds administered intravenously on human, were collected. One-compartment pharmacokinetic model, and three machine learning algorithms were implied this dataset. The results show that this approach works as a proof-of-concept while the dataset had small number of samples. This would be a valuable additional tool in the existing toolbox of drug discovery. By developing this approach, researchers will be able to make better decision in order to select the most desired compounds for further study in drug development and discovery process, which will not only decrease the cost and time needed for this process, but also increase the pace of releasing new drugs.

Varje år allokeras en enorm mängd budget och tid till läkemedelsupptäckt och utveckling, men det är fortfarande en dyr och tidskrävande process. Denna process har fyra steg och bland dessa är prekliniska och kliniska prövningar de mest komplexa. Ett betydande antal föreningar som går in i det prekliniska skedet är en av de viktigaste faktorerna som leder till en mer utdragen och dyr process. För att välja den bästa läkemedelsliknande kandidaten som ska ingå i denna process, används screeningmetoder med hög genomströmning tillsammans med QSAR och enkla prediktiva modeller. På senare tid har metoder för maskininlärning också fått användning. Dessutom används farmakokinetisk modellering och simulering i stor utsträckning för extrapolering från in vitro till in vivo hos prekliniska arter och människor. Ingen av dessa metoder kan dock tolkas mekanistiskt. Således syftar denna studie till att konstruera ett tillvägagångssätt som skulle möjliggöra mekanistisk slutledning i förutsägelse av in vivo koncentration-tidsprofil för ett läkemedel från dess molekylära deskriptorer. Hypotesen för denna studie är att det borde vara en livskraftig process genom att kombinera maskininlärningsalgoritmer med PBPK-modeller. För att se om hypotesen är korrekt eller inte i detta proof-of-concept utvecklades ett ramverk som integrerar ML+PK-modeller. En datauppsättning bestod av 50 föreningar administrerade intravenöst på människa, samlades in. En-kompartment farmakokinetisk modell och tre maskininlärningsalgoritmer antydde denna datauppsättning. Resultaten visar att detta tillvägagångssätt fungerar som ett proof-of-concept medan datasetet hade ett litet antal prover. Detta skulle vara ett värdefullt ytterligare verktyg i den befintliga verktygslådan för läkemedelsupptäckt. Genom att utveckla detta tillvägagångssätt kommer forskare att kunna fatta bättre beslut för att välja de mest önskade föreningarna för vidare studier i läkemedelsutveckling och upptäcktsprocessen, vilket inte bara kommer att minska kostnaden och tiden som behövs för denna process, utan också öka takten att släppa ut nya läkemedel.