神经网络代理模型实现肾小管上皮转运的稳健且可及建模

《Physiological Reports》：Neural network surrogates enable robust and accessible modeling of renal epithelial transport

　　

肾脏上皮转运的数学模型是研究肾功能的有力工具，但其广泛应用常受数值难题限制。这类高度非线性的模型方程通常需要专用求解器与精细初始化，导致稳健性与可及性下降。为解决上述局限，研究人员提出一种基于神经网络（NN）的框架，用于近似上皮转运模型的稳态解。训练与验证数据通过已发表的机制模型生成：系统性改变转运参数并计算相应的细胞状态，包括溶质浓度、膜电位与通量，随后训练NN作为机制模型的快速代理。训练完成后，NN可针对未见过的参数集准确预测细胞变量。以近曲小管与髓质粗升支细胞为例，当训练与测试数据来自同一性别时，模型表现出高预测精度；跨性别预测准确性下降，反映了已知的转运蛋白丰度性别差异。该NN还可准确模拟转运体抑制场景，并能通过可测量的生理数据推断膜转运特性，凸显其在逆向建模中的应用潜力。总体而言，这种基于NN的求解器为传统方法提供了稳健替代方案，消除了收敛失败问题并提升了上皮转运模型的可及性。

该研究发表于《Physiological Reports》，聚焦肾小管的跨上皮物质转运机制建模长期存在的数值稳定性瓶颈。肾单位各节段上皮细胞通过复杂的离子通道、泵与转运体调控水盐重吸收，维持机体稳态。传统基于质量守恒与电中性约束的微分代数方程模型高度非线性且刚性强，对初值敏感，稍作参数调整即易引发传统非线性求解器收敛失败，严重限制了非计算背景的实验研究者使用此类模型开展生理与病理机制探索。为此，研究人员开发了基于神经网络的代理模型框架，以大鼠近曲小管（PCT）与髓质粗升支（mTAL）为代表，通过机制模型批量生成涵盖生理参数区间的训练数据集，训练轻量化全连接网络学习参数到稳态细胞表型的映射关系，并在跨性别预测、药物抑制模拟与逆向参数推断三类场景中验证了代理模型的性能与适用性。

关键技术方法方面，研究选用已发表的PCT与mTAL机制模型作为数据生成器，在基线参数50%–200%范围内系统性扰动转运活性与膜通透性，采用连续法逐步调整参数以保证机制模型稳定收敛，共构建含4096个样本的PCT数据集与同规模的mTAL数据集；神经网络采用两层隐藏层、每层16节点的全连接结构，激活函数为线性整流单元（ReLU），Dropout率设为0.1以抑制过拟合，按8:2划分训练集与测试集，分别构建性别特异性与性别混合模型，并进一步将输入输出对调开展逆向建模任务。

研究结果部分，首先在预测细胞浓度与膜电位方面，性别特异性模型在同源性别验证集中表现优异，PCT男性模型胞质Na⁺浓度预测均方误差为3.3%，女性模型为4.3%；mTAL男性模型为2.5%，女性模型为1.8%。跨性别预测误差显著升高，PCT男性模型预测女性数据误差达13.5%，mTAL女性模型预测男性数据误差高达27.2%，与已知的大鼠肾脏转运蛋白表达性别差异一致。性别混合模型在mTAL中实现了接近性别特异性模型的精度，而在PCT中精度略低，归因于PCT训练特征未覆盖AQP1与水通道等关键性别差异分子。其次，在转运体抑制预测中，PCT模拟NHE3活性降低40%、mTAL模拟NKCC2活性降低70%的极端场景，除顶膜电位V_a外，其余变量的预测误差多低于10%，表明代理模型具备一定的外推能力。最后，在逆向建模任务中，以胞质Na⁺、K⁺浓度与跨细胞Na⁺、K⁺通量为输入，模型可高精度反推Na⁺/K⁺-ATPase活性（误差约1.5%）与基底侧K⁺通透性（误差约5%），但NHE3与Na⁺-HCO₃^?共转运体NBCe1的反推精度较低，尤其是NBCe1因主要参与酸碱平衡而非钠钾稳态，从所选观测变量中几乎不可辨识。

讨论部分指出，该框架将模型构建与使用分离，训练后的代理模型可由实验研究者直接调用，无需接触底层数值求解细节，显著降低使用门槛。研究同时提出了混合求解策略，即以NN预测作为传统求解器的初值，以提升极端参数区的收敛性。局限性在于预测精度严格依赖训练数据的覆盖范围，小样本下外推误差仍不可忽视，且当前单细包模型尚未串联形成肾单位尺度模拟。未来可通过扩展训练维度、纳入更多溶质种类，甚至构建覆盖多节段、多物种、多生理状态的通用基础模型（Foundation Model）来进一步提升泛化能力。

结论部分强调，该研究提出的NN代理模型从根本上改变了肾上皮转运模型的使用方式，以稳定快速的机器学习替代脆弱的数值求解，支持在大范围生理与药理学参数空间内可靠运行，消除了长期制约模型可重复性与规模化应用的收敛失败问题，为实验生物学家提供了可直接嵌入研究流程的定量工具，也为肾脏生理学与病理学研究开辟了高效的计算支持路径。