# 药物释放预测

该研究构建了一个机制信息机器学习框架，把药学知识驱动的有向无环图、因果结构发现（PC、NOTEARS、DirectLiNGAM）、XGBoost释放预测、可解释AI（SHAP）与ATE/CATE干预效应估计及反事实制剂分析串联起来，在181条释放曲线、3783个分数释放测量、43个药物-聚合物配对的公开数据集上，XGBoost取得测试R²=0.9774、RMSE=0.0491、MAE=0.0339，并发现相关性与SHAP重要性高度一致（r=0.761），而二者与干预效应估计的一致性很低（r=0.132与−0.021），说明预测上有用的变量与可干预的变量并不相同。

该研究构建了一个机制信息机器学习框架，把药学知识驱动的有向无环图、因果结构发现（PC、NOTEARS、DirectLiNGAM）、XGBoost释放预测、可解释AI（SHAP）与ATE/CATE干预效应估计及反事实制剂分析串联起来，在181条释放曲线、3783个分数释放测量、43个药物-聚合物配对的公开数据集上，XGBoost取得测试R²=0.9774、RMSE=0.0491、MAE=0.0339，并发现相关性与SHAP重要性高度一致（r=0.761），而二者与干预效应估计的一致性很低（r=0.132与−0.021），说明预测上有用的变量与可干预的变量并不相同。