| name | scientific-clinical-pharmacology |
| description | 臨床薬理学モデリングスキル。PopPK (NLME 混合効果モデル)・
PBPK シミュレーション・TDM 投与量最適化・
Emax/Sigmoid PD モデリング・薬物間相互作用予測・
臨床薬理パイプライン。
TU 外スキル (Python + nlmixr2/mrgsolve ラッパー)。
|
| tu_tools | [{"key":"drugbank","name":"DrugBank","description":"薬物動態・相互作用データ検索"}] |
Scientific Clinical Pharmacology
母集団薬物動態 (PopPK)・生理学的薬物動態 (PBPK)・
薬力学 (PD) モデリングを統合した臨床薬理学
解析パイプラインを提供する。
When to Use
- 母集団 PK (PopPK) の NLME 解析を行うとき
- PBPK モデルで薬物動態をシミュレーションするとき
- TDM (Therapeutic Drug Monitoring) 投与量を最適化するとき
- Emax/Sigmoid PD モデルを当てはめるとき
- 薬物間相互作用 (DDI) の影響を予測するとき
- 小児・腎障害・肝障害の用量調節を検討するとき
Quick Start
1. コンパートメント PK モデル
import numpy as np
import pandas as pd
from scipy.integrate import odeint
from scipy.optimize import minimize
def one_compartment_iv(y, t, cl, v):
"""1-コンパートメント IV ボーラス ODE。"""
return [-cl / v * y[0]]
def two_compartment_iv(y, t, cl, v1, q, v2):
"""2-コンパートメント IV ボーラス ODE。"""
c1 = y[0] / v1
c2 = y[1] / v2
dy1 = -cl * c1 - q * (c1 - c2)
dy2 = q * (c1 - c2)
return [dy1, dy2]
def simulate_pk(dose, model="1cmt",
params=None,
times=None):
"""
PK モデルシミュレーション。
Parameters:
dose: float — 投与量 (mg)
model: str — "1cmt" or "2cmt"
params: dict — PK パラメータ
1cmt: {cl, v}
2cmt: {cl, v1, q, v2}
times: array — 時間点 (h)
"""
if times is None:
times = np.linspace(0, 24, 241)
if params is None:
params = ({"cl": 5.0, "v": 50.0}
if model == "1cmt"
else {"cl": 5.0, "v1": 50.0,
"q": 2.0, "v2": 30.0})
if model == "1cmt":
y0 = [dose]
sol = odeint(one_compartment_iv, y0,
times,
args=(params["cl"],
params["v"]))
conc = sol[:, 0] / params["v"]
else:
y0 = [dose, 0.0]
sol = odeint(two_compartment_iv, y0,
times,
args=(params["cl"],
params["v1"],
params["q"],
params["v2"]))
conc = sol[:, 0] / params["v1"]
df = pd.DataFrame({
"time": times, "concentration": conc})
cmax = conc.max()
t_half = 0.693 * params.get(
"v", params.get("v1", 50)) / params["cl"]
print(f"PK sim ({model}): Cmax={cmax:.2f}, "
f"t1/2={t_half:.1f}h")
return df
2. 母集団 PK (PopPK) 推定
def popk_estimation(data, model="1cmt"):
"""
母集団 PK パラメータ推定 (簡易 NLME)。
Parameters:
data: pd.DataFrame — 個体別濃度データ
columns: [id, time, dv, dose, (covariates)]
model: str — "1cmt" or "2cmt"
"""
subjects = data["id"].unique()
def _objective(theta):
"""集団目的関数 (OFV)。"""
tv_cl = np.exp(theta[0])
tv_v = np.exp(theta[1])
omega_cl = np.exp(theta[2])
omega_v = np.exp(theta[3])
sigma = np.exp(theta[4])
ofv = 0.0
for subj in subjects:
sdata = data[data["id"] == subj]
dose = sdata["dose"].iloc[0]
times = sdata["time"].values
obs = sdata["dv"].values
eta_cl = 0.0
eta_v = 0.0
cl_i = tv_cl * np.exp(eta_cl)
v_i = tv_v * np.exp(eta_v)
pred = dose / v_i * np.exp(
-cl_i / v_i * times)
pred = np.maximum(pred, 1e-10)
residual = np.log(obs + 1e-10) - np.log(
pred)
ofv += np.sum(
residual**2 / sigma**2
+ np.log(sigma**2))
return ofv
x0 = [np.log(5), np.log(50),
np.log(0.3), np.log(0.3),
np.log(0.2)]
result = minimize(_objective, x0,
method="Nelder-Mead",
options={"maxiter": 5000})
estimates = {
"tv_cl": round(np.exp(result.x[0]), 3),
"tv_v": round(np.exp(result.x[1]), 3),
"omega_cl": round(np.exp(result.x[2]), 3),
"omega_v": round(np.exp(result.x[3]), 3),
"sigma": round(np.exp(result.x[4]), 3),
"ofv": round(result.fun, 2),
"converged": result.success,
}
print(f"PopPK: CL={estimates['tv_cl']} L/h, "
f"V={estimates['tv_v']} L, "
f"OFV={estimates['ofv']}")
return estimates
3. TDM 投与量最適化
def tdm_dose_optimization(
current_conc, current_dose,
target_range, pk_params,
interval=12):
"""
TDM ベース投与量最適化。
Parameters:
current_conc: float — 現在トラフ濃度
current_dose: float — 現在投与量 (mg)
target_range: tuple — 目標濃度範囲 (min, max)
pk_params: dict — {cl, v} PK パラメータ
interval: float — 投与間隔 (h)
"""
cl = pk_params["cl"]
v = pk_params["v"]
ke = cl / v
target_mid = (target_range[0]
+ target_range[1]) / 2
ratio = target_mid / max(current_conc, 0.01)
new_dose = current_dose * ratio
times = np.linspace(0, interval, 100)
conc_profile = (new_dose / v
* np.exp(-ke * times))
cmax = conc_profile[0]
ctrough = conc_profile[-1]
in_range = (target_range[0] <= ctrough
<= target_range[1])
result = {
"current_dose": current_dose,
"current_trough": current_conc,
"recommended_dose": round(new_dose, 1),
"predicted_cmax": round(cmax, 2),
"predicted_trough": round(ctrough, 2),
"target_range": target_range,
"in_target": in_range,
}
status = "✓" if in_range else "✗"
print(f"TDM: {current_dose}mg → "
f"{new_dose:.1f}mg "
f"(trough {ctrough:.2f}) {status}")
return result
4. Emax PD モデル
def emax_model(conc, emax, ec50, hill=1):
"""Emax / Sigmoid Emax モデル。"""
return emax * conc**hill / (
ec50**hill + conc**hill)
def fit_emax(conc_data, effect_data,
sigmoid=False):
"""
Emax モデルフィッティング。
Parameters:
conc_data: array — 濃度データ
effect_data: array — 薬効データ
sigmoid: bool — Sigmoid (Hill) モデル
"""
from scipy.optimize import curve_fit
conc = np.array(conc_data)
effect = np.array(effect_data)
if sigmoid:
def _model(c, emax, ec50, hill):
return emax_model(c, emax, ec50, hill)
p0 = [max(effect), np.median(conc), 1.0]
bounds = ([0, 0, 0.1], [np.inf, np.inf, 10])
else:
def _model(c, emax, ec50):
return emax_model(c, emax, ec50, 1)
p0 = [max(effect), np.median(conc)]
bounds = ([0, 0], [np.inf, np.inf])
popt, pcov = curve_fit(
_model, conc, effect, p0=p0,
bounds=bounds, maxfev=5000)
perr = np.sqrt(np.diag(pcov))
result = {
"emax": round(popt[0], 3),
"ec50": round(popt[1], 3),
"emax_se": round(perr[0], 3),
"ec50_se": round(perr[1], 3),
}
if sigmoid:
result["hill"] = round(popt[2], 3)
result["hill_se"] = round(perr[2], 3)
print(f"PD fit: Emax={result['emax']}, "
f"EC50={result['ec50']}"
+ (f", Hill={result['hill']}"
if sigmoid else ""))
return result
5. 臨床薬理統合パイプライン
def clinical_pharmacology_pipeline(
pk_data, pd_data=None,
target_range=(10, 20),
output_dir="results"):
"""
臨床薬理学統合パイプライン。
Parameters:
pk_data: pd.DataFrame — PK 濃度データ
pd_data: pd.DataFrame | None — PD 効果データ
target_range: tuple — 目標トラフ範囲
output_dir: str — 出力ディレクトリ
"""
from pathlib import Path
out = Path(output_dir)
out.mkdir(parents=True, exist_ok=True)
pk_est = popk_estimation(pk_data)
latest = pk_data.sort_values("time").iloc[-1]
tdm = tdm_dose_optimization(
latest["dv"], latest["dose"],
target_range,
{"cl": pk_est["tv_cl"],
"v": pk_est["tv_v"]})
pd_result = None
if pd_data is not None:
pd_result = fit_emax(
pd_data["concentration"],
pd_data["effect"],
sigmoid=True)
sim = simulate_pk(
tdm["recommended_dose"],
params={"cl": pk_est["tv_cl"],
"v": pk_est["tv_v"]})
sim.to_csv(out / "pk_simulation.csv",
index=False)
print(f"Clinical PK pipeline → {out}")
return {
"popk": pk_est,
"tdm": tdm,
"pd": pd_result,
"simulation": sim,
}
パイプライン統合
admet-pharmacokinetics → clinical-pharmacology → pharmacogenomics
(ADMET 予測) (臨床 PK/PD) (遺伝薬理学)
│ │ ↓
drug-repurposing ────────────┘ clinical-decision-support
(薬剤リパーパシング) (臨床意思決定)
パイプライン出力
| ファイル | 説明 | 次スキル |
|---|
pk_simulation.csv | PK シミュレーション | → dose-response |
popk_estimates.json | PopPK パラメータ | → pharmacogenomics |
tdm_recommendation.json | TDM 推奨用量 | → clinical-decision |
ToolUniverse 連携
| TU Key | ツール名 | 連携内容 |
|---|
drugbank | DrugBank | 薬物動態・相互作用データ検索 |
